Probabilidad y el Teorema de Bayes
Probabilidad y Teorema de Bayes
Del azar a las decisiones informadas: cómo cuantificar la incertidumbre en tu práctica clínica
¿Qué es la probabilidad y por qué importa en salud?
Construyendo intuición desde los conceptos más básicos
Cada día que ejerces tu profesión de salud tomas decisiones bajo incertidumbre. ¿Tiene este paciente una infección bacteriana o viral? ¿La dosis actual está produciendo efecto? ¿Vale la pena pedir más exámenes o con los datos actuales ya es suficiente para actuar?
La probabilidad es el lenguaje matemático de la incertidumbre: te da un número entre 0 y 1 (o entre 0% y 100%) que representa qué tan posible es que algo ocurra. No elimina la duda, pero la hace manejable y comunicable.
1.1 Experimento, espacio muestral y eventos
Antes de hablar de probabilidad necesitamos definir tres piezas:
Un médico de urgencias evalúa el tipo de dolor torácico. El experimento es la evaluación del paciente. El espacio muestral incluye todos los diagnósticos posibles: angina estable, síndrome coronario agudo, disección aórtica, pericarditis, embolia pulmonar, causas musculoesqueléticas, causas gastrointestinales, entre otros. El evento "causa cardiovascular" es el subconjunto de diagnósticos que involucran el corazón y los grandes vasos.
1.2 Definición formal de probabilidad
La probabilidad de un evento A, escrita P(A), es un número entre 0 y 1 que describe qué tan frecuente es ese resultado en relación con todos los posibles:
0 ≤ P(A) ≤ 1P(Ω) = 1P(A∪B) = P(A)+P(B) si A∩B=∅Conteo, frecuencias y construcción de probabilidades
El puente entre los datos observados y las probabilidades reales
Antes de calcular probabilidades necesitas contar. En salud, los datos suelen llegar como tablas de frecuencias: cuántos pacientes tuvieron cierto diagnóstico, cuántos respondieron al tratamiento, cuántos fallecieron. Cada frecuencia relativa — proporción de casos sobre el total — es una estimación de probabilidad.
Si en el último año nacieron 250.000 niños y 1.900 fallecieron antes de cumplir un año, la probabilidad de no sobrevivir el primer año es:
P(fallece antes del año) = 1.900 / 250.000 = 0,0076 = 0,76%
Y por complemento: P(sobrevive el primer año) = 1 − 0,0076 = 0,9924 = 99,24%
2.1 Operaciones con eventos — Unión, Intersección, Complemento
Los eventos se pueden combinar con tres operaciones básicas, equivalentes a las palabras "o", "y" y "no":
2.2 Eventos mutuamente excluyentes vs. independientes
Estos dos conceptos se confunden frecuentemente. Son distintos y no implican el uno al otro:
Implicación: P(A∪B) = P(A) + P(B) — se suman directamente
Ejemplo médico: Un paciente no puede tener simultáneamente "sin fiebre" y "con fiebre". Diagnóstico de tuberculosis activa O enfermedad de Crohn (en el sentido de clasificación diagnóstica en ese episodio)
Implicación: P(A∩B) = P(A) × P(B) — se multiplican
Ejemplo médico: El color de pelo de un paciente y su probabilidad de tener apendicitis son eventos independientes. Sin embargo, tabaquismo y cáncer de pulmón NO son independientes.
2.3 La regla aditiva — cuando los eventos no se excluyen
En la sala de espera de una clínica hay 40 pacientes. 18 tienen diagnóstico de hipertensión (H), 12 tienen diabetes (D) y 7 tienen ambas condiciones. ¿Cuál es la probabilidad de que un paciente seleccionado al azar tenga hipertensión o diabetes?
P(H ∪ D) = P(H) + P(D) − P(H ∩ D)
= 18/40 + 12/40 − 7/40 = 23/40 = 0,575 (57,5%)
No sumamos directamente 18/40 + 12/40 porque los 7 pacientes con ambas condiciones quedarían contados dos veces.
Probabilidad condicional — el corazón del razonamiento clínico
Cómo nueva información actualiza nuestra certeza
La probabilidad condicional es el concepto más importante de este módulo porque es exactamente lo que haces cuando razonas como clínico: tienes información inicial sobre el paciente (antecedentes, síntomas, factores de riesgo) y cada nuevo dato que obtienes — un resultado de laboratorio, un signo físico, una prueba de imagen — actualiza tu estimación de la probabilidad de cada diagnóstico.
En una muestra de 30 pacientes: 18 son fumadores (F) con problemas respiratorios (R), 2 son fumadores sin problemas respiratorios, 3 son no fumadores con problemas respiratorios y 7 son no fumadores sin problemas respiratorios.
¿Cuál es la probabilidad de tener problemas respiratorios siendo fumador?
P(R | F) = P(R ∩ F) / P(F) = (18/30) / (20/30) = 18/20 = 0,90 (90%)
El condicionamiento restringe el espacio: ya no son 30 personas, sino solo los 20 fumadores. De ellos, 18 tienen problemas respiratorios.
3.1 La regla de la multiplicación — eventos dependientes
Cuando dos eventos son dependientes, la probabilidad de que ambos ocurran se calcula multiplicando:
En una sala de urgencias hay 5 pacientes con dolor abdominal (A), 7 con heridas contusas (H) y 8 con fiebre alta (F) — total 20 pacientes. Se atienden consecutivamente sin reposición. ¿Cuál es la probabilidad de que el primero tenga herida contusa, el segundo fiebre y el tercero dolor abdominal?
P(H₁ ∩ F₂ ∩ A₃) = (7/20) × (8/19) × (5/18) = 280/6840 ≈ 0,041 (4,1%)
Los denominadores disminuyen porque cada paciente atendido sale del grupo. Es un caso de eventos dependientes (sin reposición).
De la probabilidad total al Teorema de Bayes
El motor matemático del razonamiento diagnóstico
4.1 El teorema de la probabilidad total
En muchas situaciones el espacio muestral está dividido en particiones exhaustivas y mutuamente excluyentes (B₁, B₂, ..., Bₖ — grupos que juntos cubren todos los casos posibles). La probabilidad total de que ocurra un evento A de interés es la suma de probabilidades en cada partición, ponderadas por el tamaño de cada grupo:
Una encuesta nacional registra la conducta de cepillarse los dientes después de almorzar según el nivel educativo de la madre: madres con enseñanza primaria (47% del total) tienen hijos que se cepillan con P=0,84; madres con educación secundaria (31,7%) con P=0,89; madres con educación superior (21,3%) con P=0,93.
¿Cuál es la probabilidad total de que un niño se cepille los dientes?
P(C) = 0,84 × 0,470 + 0,89 × 0,317 + 0,93 × 0,213
= 0,395 + 0,282 + 0,198 = 0,875 (87,5%)
Cada grupo aporta su probabilidad condicional ponderada por su tamaño relativo en la población.
4.2 El Teorema de Bayes — invertir el condicionamiento
El Teorema de la Probabilidad Total responde: "¿cuál es la probabilidad global de A?" El Teorema de Bayes responde una pregunta diferente y más poderosa: dado que A ya ocurrió, ¿de cuál partición proviene?
En diagnóstico clínico la pregunta se invierte. Sabes el resultado de la prueba (A ya ocurrió: el test es positivo). Quieres saber la probabilidad de la enfermedad (Bᵢ) dado ese resultado.
Bayes más allá del diagnóstico clínico
La misma lógica que actualiza una probabilidad diagnóstica actualiza el conocimiento científico
Hasta ahora hemos visto el Teorema de Bayes en su versión más conocida en ciencias de la salud: actualizar la probabilidad de que un paciente tenga una enfermedad ante un resultado diagnóstico. Pero la misma estructura mental —probabilidad previa + nueva evidencia = probabilidad actualizada— opera a una escala mucho mayor: en el proceso de generación del conocimiento científico.
Imagina un nuevo fármaco antihipertensivo. Antes de leer el ensayo clínico, la comunidad científica tiene una probabilidad previa de que el fármaco sea efectivo — basada en su mecanismo de acción, estudios fase I y II, y evidencia análoga de su clase farmacológica. Al publicarse el ensayo con un HR significativo, esa probabilidad se actualiza. Pero si el ensayo tiene poder estadístico bajo o sesgos estructurales, el "factor de actualización" es débil, y la probabilidad posterior no debería alejarse demasiado de la prior. Esta es exactamente la lógica que conecta este módulo con el Módulo 5(por qué p < 0.05 no es suficiente) y con el Módulo 8 (cómo interpretar los modelos multivariantes).
La distinción entre análisis confirmatorio (hipótesis preregistrada, diseño calculado) y exploratorio (búsqueda de señales, generador de hipótesis) es bayesiana en esencia: en el confirmatorio, la prior está bien definida antes de ver los datos. En el exploratorio, la prior es vaga y los resultados deben replicarse antes de actualizar creencias con fuerza. Hablaremos de esto en profundidad en el Módulo 10 (Ética estadística).
Cuando leas un metaanálisis con un diamante significativo (p < 0.05), pregúntate: ¿cuál era la probabilidad pre-estudio de que esta intervención funcionara? Si los estudios individuales son pequeños, heterogéneos y con riesgo de sesgo alto, el Teorema de Bayes sugiere que incluso un metaanálisis con p < 0.05 puede no cambiar drásticamente una prior escéptica. La significancia estadística actualiza la probabilidad; no la reemplaza.
Bayes aplicado: sensibilidad, especificidad y valores predictivos
La arquitectura de cualquier prueba diagnóstica
Toda prueba diagnóstica — un análisis de sangre, una escala de cribado, una imagen — puede cometer dos tipos de error: decir que la enfermedad está cuando no está (falso positivo) y decir que no está cuando sí está (falso negativo). La tabla 2×2 captura estos cuatro escenarios posibles y es la base de todos los cálculos diagnósticos.
5.1 La tabla 2×2 — la infraestructura del diagnóstico
El siguiente ejemplo usa datos de tuberculosis: 2.345 pacientes examinados con rayos X, de los cuales 40 tenían tuberculosis real. 92 salieron positivos en el examen.
5.2 Las cuatro métricas clave — definición y fórmulas
VP / (VP + FN)VN / (VN + FP)VP / (VP + FP)VN / (VN + FN)Likelihood Ratios y el Nomograma de Fagan
El puente entre la probabilidad preprueba y posprueba
Sensibilidad y especificidad son propiedades fijas de la prueba, pero no te dicen directamente cuánto cambia la probabilidad en tu paciente específico. Para eso existen las Razones de Verosimilitud (Likelihood Ratios, LR), que cuantifican exactamente cuánto se desplaza la aguja de la probabilidad con cada resultado.
6.1 El Nomograma de Fagan — Bayes hecho visual
El Nomograma de Fagan es la materialización visual del Teorema de Bayes para pruebas diagnósticas. Tiene tres columnas: probabilidad preprueba (izquierda), LR (centro) y probabilidad posprueba (derecha). Una línea recta que une la preprueba con el LR indica la posprueba donde corta la columna derecha. Cero cálculos manuales.
6.2 Casos trabajados paso a paso
El rol de la prevalencia — la variable que más se olvida
Por qué el mismo test puede ser útil en un contexto e inútil en otro
La sensibilidad y la especificidad son propiedades intrínsecas de la prueba — se mantienen relativamente estables entre poblaciones. Pero el VPP y el VPN dependen críticamente de la prevalencia de la enfermedad en la población que estudias. Este es el error más frecuente en interpretación de pruebas.
Con una prevalencia de 10%, incluso con sensibilidad 85% y especificidad 90%, el VPP es solo 48.6%. Esto significa que 51.4% de los positivos son falsos alarmas. Este efecto es más pronunciado cuando la enfermedad es rara — un resultado positivo en cribado poblacional siempre necesita confirmación.
En cribados poblacionales, la función principal es excluir la enfermedad con alta confianza en los negativos (VPN alto). Los positivos siempre necesitan confirmación con una prueba más específica. Esto no es un defecto del cribado — es su diseño correcto.
Errores frecuentes — y cómo evitarlos
El conocimiento sin aplicación correcta puede ser más peligroso que la ignorancia
Autoevaluación — pon a prueba tu comprensión
Recursos Curados para Profundizar
📖 Lecturas Fundamentales
- Reyes-Reyes, A. & Reyes-Reyes, F. (2019). Probabilidad y aplicaciones en ciencias de la salud. Universidad Santo Tomás / Universidad del Desarrollo, Chile.Texto base de este módulo, con enfoque clínico directo.
- Sackett, D. L., Straus, S. E., Richardson, W. S., Rosenberg, W. & Haynes, R. B. (2000). Evidence-Based Medicine: How to Practice and Teach EBM (2ª ed.). Churchill Livingstone.El texto clásico de MBE, con capítulos completos sobre LR y probabilidad posprueba.
- McGee, S. (2012). Evidence-Based Physical Diagnosis (3ª ed.). Elsevier Saunders.Referencia magistral para los LR de signos, síntomas y pruebas físicas.
- Greenhalgh, T. (2019). How to Read a Paper: The Basics of Evidence-Based Medicine (6ª ed.). BMJ Books / Wiley.El capítulo 7 trata las pruebas diagnósticas con claridad ejemplar.
- Juez, P. & Diez, F. J. (1997). Probabilidad y estadística en medicina. Díaz de Santos.Enfoque formal con aplicaciones directas al diagnóstico clínico.
- Pagano, M. & Gauvreau, K. (2001). Fundamentos de bioestadística (2ª ed.). Thomson Learning.Muy accesible para profesionales de la salud sin formación matemática avanzada.
🎬 Videos y Recursos Online
- Seeing Theory (Brown University): seeing-theory.brown.eduVisualizaciones interactivas de probabilidad, inferencia bayesiana y distribuciones — ideal para construir intuición.
- Nomograma de Fagan — UIC (interactivo): araw.mede.uic.eduCalculadora oficial del Nomograma de Fagan: introduces preprueba y LR y obtienes la posprueba.
- MDCalc — Calculadoras clínicas: mdcalc.comScores clínicos con LRs incorporados: Wells (TEP), HEART score (SCA), STONE score (litiasis) y muchos más.
- OpenEpi — Epidemiología en línea: openepi.comCalcula automáticamente sensibilidad, especificidad, VPP, VPN y LRs a partir de una tabla 2×2.
- JAMA Rational Clinical Examination Series: jamanetwork.comSerie de artículos revisados sistemáticamente con LR de signos y síntomas clínicos.
- Canal de YouTube: StatQuest with Josh Starmer — "Bayes' Theorem".Explicación visual y memorable del Teorema de Bayes paso a paso.
- Khan Academy — Estadística y probabilidad (español): khanacademy.orgVideos gratuitos sobre probabilidad básica, Bayes y distribuciones, recomendados para reforzar fundamentos.
📚 Referencias Clave del Módulo
- Fagan, T. J. (1975). Nomogram for Bayes theorem. New England Journal of Medicine, 293(5), 257.
- Grimes, D. A. & Schulz, K. F. (2005). Refining clinical diagnosis with likelihood ratios. The Lancet, 365(9469), 1500–1505.
- Deeks, J. J. & Altman, D. G. (2004). Diagnostic tests 4: likelihood ratios. BMJ, 329, 168–169.
- Whiting, P. F., Rutjes, A. W. S., Westwood, M. E. et al. (2011). QUADAS-2: A revised tool for quality of diagnostic accuracy studies. Annals of Internal Medicine, 155(8), 529–536.
La probabilidad y el Teorema de Bayes no son un adorno matemático: son la forma correcta de pensar cuando la certeza no está disponible —que es siempre, en la práctica clínica. Cada vez que actualizas tu sospecha diagnóstica ante un nuevo resultado, ya estás razonando como Bayes.