Un test “casi perfecto” no significa que un positivo sea casi seguro. Bayes enseña el truco: primero cuenta cuántos enfermos hay de verdad.
La pregunta no es «¿es bueno el test?». Es: si ya ha dado positivo, ¿qué probabilidad hay de estar enfermo de verdad? Esa cifra se llama valor predictivo positivo (VPP). Casi nadie la intuye bien cuando la enfermedad es rara.
| Nombre | Significa | En el slider |
|---|---|---|
| Prevalencia P(E) | Fracción real de enfermos en esa población. | 1% de fábrica |
| Sensibilidad P(+|E) | Si está enfermo, probabilidad de que el test dé positivo. | 99% |
| Especificidad P(−|sano) | Si está sano, probabilidad de que el test dé negativo. | 99% |
El fallo en sanos es 1 − especificidad. Con 99% de especificidad, 1 de cada 100 sanos da positivo por error. Si hay 990 sanos, eso son ~10 falsos positivos.
| Enfermo | Sano | Total | |
|---|---|---|---|
| Test + | ~10 verdaderos positivos | ~10 falsos positivos | ~20 |
| Test − | ~0–1 falso negativo | ~980 verdaderos negativos | ~980 |
| Total | 10 | 990 | 1.000 |
Entre los 20 positivos, solo la mitad está enferma. Por eso el número gordo ronda el 50%, no el 99%.
Con 1%, 99% y 99%:
Un test no responde «¿estoy enfermo?». Responde «¿cuánto debo actualizar lo que ya sabía?». Si lo previo es “esto es rarísimo”, un positivo es una pista, no una sentencia. Por eso la medicina confirma con un segundo test, imagen o clínica.
Aquí cada persona es independiente y el test tiene la misma calidad para todos. En la vida real hay lotes, síntomas, edad y tests en cadena. Aun así, la lección se sostiene: sin prevalencia, la precisión del aparato no se puede traducir a “casi seguro”.