Los conceptos matemáticos se utilizan para explicar y resolver una gran variedad de problemas relacionados con prácticamente todos los aspectos de la vida. Para quienes entienden fácilmente las matemáticas, los teoremas son lógicos y fáciles de comprender. Sin embargo, a quienes tienen algunas dificultades con las matemáticas a menudo les resultan difíciles de entender. El Teorema de Bayes es un excelente ejemplo de un concepto que la gente tiene problemas para comprender plenamente.
La idea central es que es posible predecir un acontecimiento basándose en los conocimientos existentes. De hecho, el Teorema de Bayes no es largo ni enrevesado: es una sola ecuación, no una larga serie de ecuaciones. Las conclusiones resultantes pueden utilizarse para hipotetizar resultados futuros, lo que facilita la planificación de esos resultados.
Las compañías de seguros, por ejemplo, pueden utilizar los datos históricos relacionados con los infartos de miocardio y los accidentes cerebrovasculares para estimar sus posibles responsabilidades en el futuro. La investigación de los datos históricos permite a las aseguradoras determinar qué parte de la población general es probable que sufra un ataque al corazón o un derrame cerebral y a qué edad es más probable que se produzcan esos eventos.
Esas probabilidades estadísticas permiten a las aseguradoras fijar tarifas que reflejen con bastante exactitud su verdadera exposición al riesgo. Por supuesto, las probabilidades estadísticas permiten realizar estimaciones relativamente precisas que ayudan a los planificadores en otros ámbitos de investigación. El truco, como en todos los tipos de investigación, es empezar con datos históricos precisos para garantizar que los resultados no estén sesgados.
Exploración de los problemas al aplicar el teorema de Bayes
En primer lugar, es importante entender cómo se obtienen los datos. Las pruebas, por ejemplo, no son eventos, por lo que los datos derivados únicamente de los resultados de las pruebas, en lugar de los eventos reales, probablemente resultarán algo inexactos.
Los falsos positivos resultantes de las pruebas sesgarán los resultados finales. Todos los formatos de prueba tienden a generar un cierto porcentaje de falsos positivos, lo que significa que los resultados finales no proporcionarán necesariamente el nivel de precisión necesario para llegar a conclusiones constructivas. Si se definen las probabilidades de obtener resultados falsos y se aplican esas probabilidades, se obtendrán resultados finales más precisos.
La propia ciencia no siempre es precisa. En cualquier experimento, siempre existe la posibilidad de cometer errores. Una premisa básica puede estar equivocada, los parámetros de la prueba pueden no estar bien definidos y el equipo utilizado también puede ser defectuoso, y cualquiera de esos problemas potenciales llevará a conclusiones erróneas.
Sin embargo, si los investigadores tienen acceso a datos precisos para empezar, es posible corregir los errores de medición. En el ejemplo citado anteriormente, se dispone de suficientes datos históricos relacionados con la incidencia de infartos de miocardio y accidentes cerebrovasculares. Eso significa que los investigadores deberían ser capaces de trazar fácilmente los posibles patrones futuros de ataques cardíacos y accidentes cerebrovasculares. Sin embargo, hay otros factores que influyen en las conclusiones.
La dieta, el ejercicio y otras opciones de estilo de vida influyen en las probabilidades de sufrir ataques cardíacos y accidentes cerebrovasculares. Eso significa que, para ser realmente precisos, hay que idear pruebas u otras mediciones que reflejen los cambios fisiológicos creados por las costumbres culturales. Si no se tiene en cuenta la evolución de los patrones de estilo de vida, el resultado final reflejará con precisión los totales hasta la fecha, pero no tendrá en cuenta cómo esos cambios alterarán probablemente las estadísticas futuras.
Descubrir otras aplicaciones
El Teorema de Bayes también puede aplicarse a otros temas de investigación. La educación es otra área en la que los datos existentes están disponibles para ayudar a hacer predicciones futuras. Si un número específico de estudiantes de grupos demográficos bien definidos ha completado o suspendido un área de estudio en el pasado, ¿es posible predecir cuántos completarán con éxito el curso en el futuro? En la mayoría de los casos, sería posible hacerlo pero, como en tantos ejemplos, los datos utilizados deben reflejar las condiciones actuales si éstas están cambiando.
En el ejemplo de la educación, comparar diferentes poblaciones de pruebas y las tendencias que definen los resultados de cada población utilizando el Teorema de Bayes puede ayudar a los educadores a desarrollar estrategias para mejorar los resultados en el futuro. Sin embargo, aplicar los datos de un subconjunto de población específico a una población más amplia probablemente no sería eficaz. Ese es uno de los problemas de la mayoría de los formatos de pruebas estandarizadas.
Si nos fijamos en el ejemplo del infarto de miocardio y el ictus, los resultados obtenidos tras aplicar el teorema proporcionan datos inmediatamente utilizables para las compañías de seguros, pero esos datos también pueden servir para ayudar a los investigadores médicos a desarrollar planes y estrategias dirigidos a grupos demográficos específicos para remediar las causas de los infartos de miocardio y los ictus.
¿Es práctico el Teorema de Bayes?
El Teorema de Bayes permite a los usuarios emplear la ecuación básica para tomar los resultados de las pruebas y corregir los sesgos que se producen debido a los falsos positivos y otros problemas. En ese punto, el teorema permite a los usuarios predecir con bastante precisión la probabilidad de que se produzca un evento específico. Suponiendo que los datos utilizados sean realmente precisos, la ecuación debería proporcionar una predicción fiable de un suceso concreto
