Inferencia bayesiana
Sinónimos: Bayesian inference
Definición ampliada
La inferencia bayesiana, o Bayesian inference, combina una distribución previa con un modelo de los datos para obtener una distribución posterior. La regla de Bayes expresa esa actualización, pero el resultado depende de tres elementos: la información previa, la verosimilitud elegida y los datos observados.
La salida no tiene por qué ser una única probabilidad. Puede ser una distribución completa sobre parámetros, predicciones o hipótesis, lo que permite representar incertidumbre y actualizarla cuando llega nueva información.
Contexto histórico
El resultado atribuido a Thomas Bayes se publicó de forma póstuma en el siglo XVIII. Su incorporación a la IA creció con los modelos probabilísticos y las redes de creencias. En 1986, Judea Pearl describió procedimientos para estructurar y propagar evidencia en redes bayesianas [1].
Importancia actual
A fecha de septiembre de 2026, la inferencia bayesiana sigue siendo un marco central para aprendizaje probabilístico, comparación de modelos y decisiones bajo incertidumbre. También ayuda a distinguir incertidumbre de variabilidad: una probabilidad posterior es condicional a los supuestos y datos del modelo, no una frecuencia universal descubierta por el algoritmo.
Aplicaciones
Generales
- Actualizar parámetros de un modelo al observar nuevos datos.
- Combinar distintas fuentes de evidencia en una red bayesiana.
- Estimar intervalos creíbles y distribuciones predictivas.
Sanitarias
- Actualizar una probabilidad diagnóstica a partir de una probabilidad previa y el resultado de una prueba, siempre que sus características sean aplicables a la población concreta.
- Construir redes bayesianas para representar relaciones inciertas en problemas biomédicos [2].
- Comunicar incertidumbre sin convertir la salida del modelo en una decisión de tratamiento.
Limitaciones
- Una distribución previa no es neutral: puede dominar el resultado cuando hay pocos datos.
- Una verosimilitud mal especificada produce posteriores precisas en apariencia pero equivocadas.
- La inferencia exacta puede ser inabordable en modelos grandes y requiere aproximaciones.
- Una probabilidad bien calculada dentro del modelo puede estar mal calibrada en la población de uso [3].
- Actualizar una cifra no sustituye la validación externa ni la decisión clínica.
Ejemplos
Si una enfermedad es infrecuente, un resultado positivo no determina por sí solo una probabilidad alta. La actualización combina la probabilidad previa con la sensibilidad y especificidad aplicables; cambiar cualquiera de esas entradas cambia la posterior.