Selectividad y sensibilidad son dos parámetros fundamentales para evaluar el rendimiento de un sistema de medición, ya sea un examen médico, un sensor químico o una prueba estadística. Aunque a menudo se usan como sinónimos en el lenguaje cotidiano, en el ámbito científico indican capacidades distintas: la sensibilidad mide la capacidad de detectar la presencia de algo, mientras que la selectividad mide la capacidad de distinguirlo de otras cosas similares.
Comprender esta distinción es crucial para interpretar correctamente los resultados. Un sistema puede ser muy sensible (detecta casi todo) pero poco selectivo (confunde el objetivo con el ruido), lo que lleva a falsos positivos. Por el contrario, un sistema muy selectivo puede pasar por alto señales débiles si no es lo suficientemente sensible. Esta tensión entre ambos conceptos define la precisión en campos tan diversos como la medicina diagnóstica, la química analítica y la teoría de la decisión.
Definición y concepto
La sensibilidad y la selectividad son dos métricas fundamentales para evaluar la calidad de una medición, un diagnóstico o un sistema de detección. Aunque a menudo se confunden, responden a preguntas distintas sobre el rendimiento de un instrumento o método. Entender su diferencia es crucial en campos tan diversos como la estadística, la química analítica, la medicina y la ingeniería. No se trata solo de cuantificar, sino de definir qué tan bien se captura la señal deseada frente al ruido o las interferencias.
Sensibilidad: La capacidad de detección
La sensibilidad mide la capacidad de un sistema para identificar correctamente los elementos que realmente pertenecen al grupo de interés. En términos simples, responde a la pregunta: "¿Cuántos casos verdaderos logramos atrapar sin dejar escapar ninguno importante?". Un sistema altamente sensible tiene pocos "falsos negativos". Esto significa que rara vez pasa por alto algo relevante.
En estadística y diagnóstico médico, esta métrica se calcula dividiendo el número de verdaderos positivos entre el total de casos positivos reales. La fórmula matemática es:
Para ilustrar este concepto, imagina una red de pesca con malla muy fina. Si el objetivo es capturar todos los peces pequeños de un lago, una red de alta sensibilidad dejará pasar muy pocos peces. Sin embargo, el costo de esta detección exhaustiva es que también podría atrapar muchas hojas secas o piedras pequeñas. La prioridad aquí es no perder ningún pez, aunque se tengan que revisar muchos elementos adicionales.
Selectividad: La capacidad de distinción
La selectividad, por otro lado, evalúa la capacidad de distinguir el elemento deseado de otros similares o de las interferencias. Responde a la pregunta: "¿Qué tan bien se separa la señal principal del resto?". Un sistema altamente selectivo tiene pocos "falsos positivos". Esto significa que cuando el sistema indica que ha encontrado el elemento objetivo, es muy probable que sea correcto y no una imitación o un intruso.
En el contexto de pruebas diagnósticas, la selectividad (a menudo llamada especificidad) se calcula dividiendo los verdaderos negativos entre el total de casos negativos reales:
Volviendo a la analogía de la red de pesca, un sistema de alta selectividad sería una red con malla grande o un mecanismo que solo deja pasar a los peces de una especie específica. Dejará escapar muchos otros animales, pero lo que entre en la red será casi con certeza el pez deseado. La precisión aumenta, pero el riesgo de perder algunos individuos objetivo también lo hace.
Dato curioso: En la vida cotidiana, tu nariz es un ejemplo perfecto de este equilibrio. Cuando hueles un café recién hecho en una habitación llena de olores, tu olfato muestra alta sensibilidad (detecta la molécula específica). Pero si intentas distinguir entre dos granos de café similares, necesitas alta selectividad para notar los matices que los diferencian.
La relación entre ambas no es estática. A menudo, aumentar la sensibilidad reduce la selectividad, y viceversa. Un filtro de café de papel grueso (alta selectividad) deja pasar menos partículas de café (alta pureza del líquido), pero puede retener más sabor si las partículas son muy finas (menor sensibilidad a los aceites). Por el contrario, un filtro de malla metálica (alta sensibilidad) deja pasar casi todo el sabor, pero también más posos (menor selectividad). Elegir entre una u otra depende del costo de error: ¿Es peor perder un caso (falso negativo) o actuar sobre un caso que quizás no lo era (falso positivo)? La respuesta define el diseño del sistema.
¿Qué diferencia a la selectividad de la sensibilidad?
La selectividad y la sensibilidad no son cualidades aisladas, sino dos caras de una misma moneda en la medición y el diagnóstico. Comprender su relación es fundamental porque, en la mayoría de los sistemas de detección, mejorar una implica sacrificar algo de la otra. Este fenómeno se conoce como el compromiso o trade-off entre ambas métricas.
El conflicto entre señal y ruido
La sensibilidad se centra en no dejar escapar la señal. Busca capturar lo máximo posible de lo que interesa detectar. Su mayor enemigo es el falso negativo: el caso en el que la señal está presente, pero el sistema falla al reconocerla. En términos médicos, es el paciente enfermo que el test dice que está sano.
Por el contrario, la selectividad busca filtrar lo que sobra. Su objetivo es asegurar que lo que se detecta es realmente la señal deseada y no algo ajeno. El enemigo aquí es el falso positivo: el caso en el que el sistema grita "alerta" cuando, en realidad, todo está en calma. Es el paciente sano que el test diagnostica como enfermo.
Debate actual: En la era del big data, la pregunta no es solo qué tan bien detectamos, sino qué costo tiene cada error. ¿Es peor perder un dato valioso (baja sensibilidad) o saturar al analista con datos irrelevantes (baja selectividad)? La respuesta define el diseño del sistema.
Esta tensión se puede visualizar claramente comparando sus características fundamentales. La tabla siguiente resume las diferencias clave entre ambos conceptos.
| Característica | Sensibilidad | Selectividad |
|---|---|---|
| Definición | Habilidad para detectar la señal cuando está presente. | Habilidad para distinguir la señal de otros elementos (ruido). |
| Objetivo principal | Maximizar los aciertos (verdaderos positivos). | Minimizar las intrusiones (falsos positivos). |
| Enemigo principal | El ruido (lo que compite con la señal). | La señal misma (si no es lo suficientemente distintiva). |
| Consecuencia del error | Falso negativo: "Se nos escapó". | Falso positivo: "Era solo una alarma más". |
El mecanismo del compromiso
Imagina un filtro de café. Si los agujeros son muy grandes (alta selectividad, deja pasar solo el líquido), quizás algunas partículas finas de café queden atrapadas, pero el café sale rápido y claro. Si los agujeros son diminutos (alta sensibilidad, atrapa casi todo), el café sale lento y quizás se satura, pero aseguramos que no pase nada extra. No puedes tener ambos extremos al máximo simultáneamente sin cambiar la naturaleza del filtro.
En estadística, esto se refleja en las curvas ROC (Receiver Operating Characteristic). Al mover el umbral de decisión para aumentar la sensibilidad, la selectividad tiende a caer. Matemáticamente, si definimos la sensibilidad como la probabilidad condicional y la selectividad a menudo se relaciona con la especificidad , ajustar el punto de corte cambia ambas probabilidades.
La elección entre priorizar una u otra depende del contexto. En un cribado de enfermedades raras, a menudo se prefiere la sensibilidad: es mejor tener muchos falsos positivos que perder un solo caso. En un sistema de alarma de incendio en una oficina tranquila, quizás se prefiera la selectividad para evitar que la gente salga corriendo cada vez que alguien calienta un sándwich. La consecuencia es directa: no hay una métrica perfecta, solo la más adecuada para el costo del error.
Contexto histórico
Los conceptos de sensibilidad y selectividad no nacieron en un vacío teórico, sino que surgieron de la necesidad práctica de distinguir entre señales similares. En sus inicios, ambos términos se agrupaban bajo la noción general de "precisión" o "exactitud", lo que generaba ambigüedades en la interpretación de los resultados. La separación formal de estos dos parámetros fue crucial para cuantificar la incertidumbre en mediciones complejas.
Orígenes en la química analítica
El uso temprano de estos términos se remonta a la química analítica del siglo XIX y principios del XX. Los químicos necesitaban diferenciar analitos (sustancias a medir) que presentaban comportamientos muy similares. La selectividad se definió como la capacidad de un método para medir un único analito en presencia de otros componentes de la muestra sin interferencias significativas. Por otro lado, la sensibilidad se refería a la menor cantidad de analito que podía ser detectada con certeza.
Dato curioso: En la química analítica clásica, la selectividad a menudo dependía de la adición de agentes complejantes o de la temperatura, mientras que la sensibilidad estaba ligada directamente a la intensidad de la señal física, como la absorción de luz.
Esta distinción fue fundamental para el desarrollo de técnicas como la espectrofotometría y la cromatografía. Sin una definición clara de selectividad, era difícil saber si una señal era debida al analito principal o a una interferencia. La precisión de la medición mejoró drásticamente cuando se comprendió que un método podía ser muy sensible (detectar pequeñas cantidades) pero poco selectivo (confundirse con otras sustancias).
Adopción en la estadística médica
La transferencia de estos conceptos a la estadística y la medicina ocurrió durante la primera mitad del siglo XX. En el ámbito médico, la necesidad de evaluar pruebas diagnósticas llevó a adoptar y adaptar los términos de sensibilidad y selectividad (a menudo llamada especificidad en este contexto). Los años 1940 y 1950 fueron decisivos con el desarrollo de la curva ROC (Receiver Operating Characteristic), una herramienta gráfica que permite visualizar el rendimiento de una prueba diagnóstica.
La curva ROC representa la relación entre la sensibilidad (verdaderos positivos) y la especificidad (verdaderos negativos) para diferentes puntos de corte de la prueba. Esta herramienta permitió a los médicos y estadísticos cuantificar el compromiso entre detectar más casos (mayor sensibilidad) y reducir los falsos positivos (mayor especificidad). La fórmula de la sensibilidad en este contexto es:
La adopción de estos conceptos en la medicina fue impulsada por la necesidad de estandarizar los diagnósticos. Antes de la curva ROC, la evaluación de una prueba era más cualitativa. La separación de sensibilidad y especificidad permitió una evaluación más objetiva y cuantitativa del rendimiento de las pruebas, lo que mejoró la toma de decisiones clínicas.
La evolución histórica de estos términos muestra cómo la necesidad de cuantificar la incertidumbre llevó a una mayor precisión conceptual. Lo que antes era una noción vaga de "precisión" se desglosó en dos parámetros fundamentales que siguen siendo esenciales en la ciencia y la medicina modernas. Esta distinción sigue siendo vital para interpretar correctamente los datos en diversos campos, desde la ingeniería hasta la biología molecular.
Aplicaciones en estadística y diagnóstico médico
La distinción entre sensibilidad y especificidad es fundamental en el diagnóstico médico, donde la incertidumbre es la norma. No basta con saber si una prueba es "buena"; es crucial saber qué tipo de error comete con mayor frecuencia para tomar decisiones clínicas acertadas. Para entender esto, se utiliza la tabla de contingencia de 2x2, que cruza el resultado de la prueba con el estado real del paciente.
Componentes de la precisión diagnóstica
Cuando se aplica una prueba diagnóstica, surgen cuatro resultados posibles. Los Verdaderos Positivos (VP) son los pacientes que tienen la enfermedad y la prueba lo indica correctamente. Los Falsos Negativos (FN) son aquellos que tienen la enfermedad, pero la prueba dice que están sanos; son los "fugitivos" del diagnóstico. Por otro lado, los Verdaderos Negativos (VN) son los sanos correctamente identificados, mientras que los Falsos Positivos (FP) son los sanos a los que la prueba les "pone la pata" erróneamente.
Dato curioso: El término "Falso Positivo" puede ser engañoso. Significa que la prueba dio positivo, pero ese resultado era "falso" porque el paciente estaba sano. No significa que la prueba estuviera equivocada en su funcionamiento, sino que el resultado no reflejaba la realidad biológica del paciente.
Cálculo matemático de las métricas
La sensibilidad mide la capacidad de la prueba para detectar a los enfermos. Se calcula dividiendo los Verdaderos Positivos por el total de enfermos reales. Una alta sensibilidad implica que hay pocos Falsos Negativos.
La especificidad (o selectividad) mide la capacidad de la prueba para identificar a los sanos. Se obtiene dividiendo los Verdaderos Negativos por el total de sanos reales. Una alta especificidad significa que hay pocos Falsos Positivos.
| Métrica | Fórmula | Pregunta que responde |
|---|---|---|
| Sensibilidad | VP / (VP + FN) | ¿Qué tan bien detecta a los enfermos? |
| Especificidad | VN / (VN + FP) | ¿Qué tan bien descarta a los sanos? |
Aplicación clínica: Descartar vs. Confirmar
La elección de qué métrica priorizar depende del objetivo clínico. Si se quiere descartar una enfermedad, se busca una prueba con alta sensibilidad. Si la prueba es muy sensible y el resultado es negativo, es poco probable que el paciente tenga la enfermedad (pocos Falsos Negativos). Un ejemplo clásico es la prueba de D-dímero para la trombosis venosa profunda: si es negativo, casi se puede olvidar la trombosis.
Por el contrario, si se quiere confirmar un diagnóstico, se necesita alta especificidad. Si la prueba es muy específica y el resultado es positivo, es muy probable que el paciente tenga la enfermedad (pocos Falsos Positivos). La resonancia magnética, por ejemplo, suele tener mayor especificidad que la radiografía simple para ciertos tejidos blandos.
La consecuencia es directa: ninguna prueba es perfecta. Aumentar la sensibilidad a menudo reduce la especificidad, y viceversa. Los médicos usan este equilibrio para decidir si necesitan una segunda prueba de confirmación.
Uso en química analítica y física
En los laboratorios de química analítica y física, la distinción entre selectividad y sensibilidad determina la fiabilidad de los datos experimentales. La selectividad mide la capacidad de un método para distinguir un analito específico de otros componentes de la muestra. Por ejemplo, al medir glucosa en sangre, un método altamente selectivo podrá cuantificar la glucosa sin que la fructosa o la lactosa interfieran significativamente en la lectura. Sin selectividad, el resultado es una suma de señales, lo que introduce errores sistemáticos difíciles de corregir.
La selectividad como filtro de interferencias
La selectividad es fundamental cuando las muestras son complejas, como el plasma sanguíneo o extractos vegetales. Un método puede ser muy preciso, pero si no es selectivo, medirá "todo lo que se parece" al objetivo. En espectrometría de masas, la selectividad se logra aislando una relación masa/carga específica. Esto permite detectar una molécula entre cientos de otras con pesos similares. La consecuencia es directa: mayor selectividad implica menos pasos de preparación de la muestra y menos errores de interpretación.
Dato curioso: La glucosa oxidasa, enzima usada frecuentemente para medir glucosa, es selectiva pero no exclusiva. La fructosa puede interferir si no se filtra previamente, lo que demuestra que la selectividad rara vez es absoluta sin un buen diseño experimental.
Sensibilidad y el límite de detección
La sensibilidad se refiere a la capacidad del instrumento para detectar pequeñas cantidades del analito. Se relaciona directamente con el límite de detección (LOD), que es la menor concentración que puede distinguirse del ruido de fondo. Un método sensible permite detectar trazas, como metales pesados en agua o hormonas en orina. Sin embargo, alta sensibilidad sin selectividad puede llevar a falsos positivos, donde el ruido o una interferencia menor se confunde con la señal del analito.
Matemáticamente, el límite de detección se calcula a menudo usando la desviación estándar de la señal en blanco () y la pendiente de la curva de calibración ():
Esta fórmula muestra que para mejorar la sensibilidad (bajar el LOD), se necesita reducir el ruido del fondo o aumentar la respuesta del instrumento por unidad de concentración. En cromatografía de gases, por ejemplo, un detector de ionización de llama es muy sensible para hidrocarburos, pero menos selectivo que un detector de nitrógeno-fósforo, que ignora muchos otros compuestos.
Equilibrio práctico en el laboratorio
En la práctica, los químicos buscan un equilibrio. Un método ultra-selectivo puede ser lento y costoso, como la espectrometría de masas en tándem. Uno muy sensible puede saturarse fácilmente si la muestra es concentrada. La elección depende del objetivo: si se busca rastrear un fármaco en sangre (baja concentración, muchas interferencias), la selectividad es prioritaria. Si se mide la pureza de un reactivo (alta concentración, pocas interferencias), la sensibilidad puede ser secundaria. Entender esta diferencia evita errores comunes, como confiar ciegamente en la sensibilidad sin verificar qué más está midiendo el instrumento.
Ejercicios resueltos
Ejercicio 1: Cálculo de sensibilidad y selectividad en diagnóstico
Supongamos una prueba de embarazo con los siguientes resultados en una muestra de 100 mujeres:
- Embarazadas positivas: 40 (Verdaderos Positivos, VP)
- Embarazadas negativas: 10 (Falsos Negativos, FN)
- No embarazadas positivas: 5 (Falsos Positivos, FP)
- No embarazadas negativas: 45 (Verdaderos Negativos, VN)
La sensibilidad mide la capacidad de detectar el evento cuando está presente. Se calcula como la proporción de verdaderos positivos sobre el total de casos reales:
La selectividad (o especificidad) mide la capacidad de excluir el evento cuando está ausente:
Esto significa que la prueba acierta en el 80% de las embarazadas y descarta correctamente al 90% de las no embarazadas.
Ejercicio 2: Prioridad clínica
En el diagnóstico del síndrome de Turner, los síntomas son sutiles al nacer. Si se usa una prueba genética rápida como cribado inicial, ¿qué métrica es más crítica?
Si la prueba tiene alta sensibilidad (95%) pero baja selectividad (80%), muchas niñas sanas tendrán resultados positivos (falsos positivos). Si tuviera alta selectividad (95%) pero baja sensibilidad (70%), muchas niñas con el síndrome pasarían desapercibidas (falsos negativos).
En cribados donde el costo de perder un caso es alto (como enfermedades genéticas tratables), se prioriza la sensibilidad. Se acepta más falsos positivos para asegurar que pocos verdaderos casos queden fuera. La consecuencia es directa: mejor perder tiempo con falsas alarmas que dejar un diagnóstico clave.
Ejercicio 3: Selectividad en química analítica
En química, la selectividad cuantifica cómo una especie interferente afecta la medición de un analito. El coeficiente de selectividad () para el analito frente al interferente se define como:
Supongamos que medimos iones de sodio () en presencia de potasio (). Si 1 mmol/L de da una señal de 10 unidades, y 1 mmol/L de da una señal de 2 unidades, el cálculo es:
Un valor menor que 1 indica que el analito (sodio) es más "visto" por el detector que el interferente (potasio). Si fuera mayor que 1, el interferente dominaría la señal. Este concepto es vital en espectrofotometría y electroquímica.
Dato curioso: En la práctica, lograr una selectividad perfecta es difícil. Los químicos a menudo usan "máscaras" (como el ion EDTA) para atar al interferente y dejar libre al analito, mejorando así la relación de señal sin cambiar el instrumento.
Limitaciones y errores comunes
La interpretación de la selectividad y la sensibilidad requiere más que memorizar definiciones. Los profesionales suelen caer en errores conceptuales que distorsionan los resultados, especialmente cuando trasladan estos términos entre disciplinas como la medicina, la química analítica o la estadística. Comprender estas limitaciones es fundamental para evitar diagnósticos erróneos o conclusiones científicas débiles.
Confusión entre selectividad y especificidad
En el lenguaje coloquial, selectividad y especificidad a menudo se tratan como sinónimos. En química analítica, sin embargo, existe una distinción técnica importante. La especificidad se refiere a la capacidad de un método para cuantificar el analito de interés en una mezcla sin interferencias de otros componentes. La selectividad, por otro lado, mide la capacidad del método para distinguir el analito de otras sustancias similares, aunque pueda requerir una corrección para cuantificarlo con precisión.
Debate actual: Muchos manuales antiguos usan los términos indistintamente, lo que genera confusión en la lectura de artículos científicos. La tendencia moderna es reservar "especificidad" para la ausencia total de interferencias y "selectividad" para la capacidad de diferenciación relativa.
Esta distinción es crucial. Una prueba puede ser altamente selectiva (distingue bien la sustancia A de la B), pero no totalmente específica si la sustancia B causa una pequeña interferencia que debe ser corregida matemáticamente.
La falacia de la tasa base
Uno de los errores más frecuentes al interpretar pruebas diagnósticas es ignorar la prevalencia de la condición, conocida como la falacia de la tasa base. Este sesgo ocurre cuando se sobrevalora la sensibilidad o la especificidad sin considerar qué tan común es la enfermedad en la población estudiada.
La utilidad de una prueba depende directamente de la probabilidad previa de padecer la condición. Para calcular la probabilidad posterior (qué tan probable es tener la enfermedad tras dar positivo), se utiliza el Teorema de Bayes:
Donde es la probabilidad de la enfermedad dado un resultado positivo, es la sensibilidad, y es la prevalencia. Si la prevalencia es muy baja, incluso una prueba con alta sensibilidad puede producir muchos falsos positivos. La consecuencia es directa: en poblaciones con baja prevalencia, los falsos positivos dominan los resultados.
El contexto determina la mejor prueba
No existe una prueba universalmente perfecta. La elección entre priorizar la sensibilidad o la selectividad depende del contexto clínico o experimental. En un cribado inicial, donde se busca no dejar escapar ningún caso, se prioriza la sensibilidad. Un ejemplo clásico es la prueba de la orina para detectar proteínas: se quiere que casi todos los pacientes con proteinuria den positivo, aceptando algunos falsos positivos.
En cambio, para confirmar un diagnóstico costoso o invasivo, se prioriza la selectividad (o especificidad). En este caso, se quiere minimizar los falsos positivos para asegurar que quienes dan positivo realmente tienen la condición. La prueba de la biopsia, por ejemplo, suele ser más selectiva que la prueba inicial.
Entender estas diferencias evita el error de aplicar la misma lógica de prueba a todas las etapas del diagnóstico. La mejor prueba es aquella que se adapta al momento específico del proceso de decisión.
Preguntas frecuentes
¿Qué significa que una prueba sea muy sensible?
Significa que tiene una alta capacidad para detectar el "objetivo" cuando este está presente. En medicina, una prueba muy sensible rara vez deja pasar al enfermo (pocos falsos negativos). Si la prueba es positiva, es muy probable que el sujeto tenga la condición, aunque pueda haber algunos falsos positivos.
¿Qué significa que una prueba sea muy selectiva?
Indica que la prueba es capaz de distinguir el objetivo específico de otros elementos similares. Una alta selectividad significa que, de las veces que la prueba da positivo, la mayoría son verdaderos positivos. Es decir, hay pocos falsos positivos porque la prueba "elige" bien al objetivo entre el resto.
¿Son lo mismo sensibilidad y especificidad?
No exactamente, aunque están relacionadas. La sensibilidad mide la tasa de verdaderos positivos (cuántos enfermos detecta). La especificidad mide la tasa de verdaderos negativos (cuántos sanos identifica correctamente). La selectividad se refiere más a la capacidad del sistema para distinguir la señal objetivo del "ruido" o interferencias, lo cual está muy ligado a la especificidad pero con un matiz de comparación directa entre similares.
¿Por qué es importante la selectividad en química?
En química analítica, la selectividad determina si un reactivo reacciona principalmente con el ion o molécula deseada sin interferir con otros presentes en la muestra. Sin selectividad, el resultado final puede verse alterado por la presencia de "vecinos" químicos similares, llevando a errores sistemáticos en la concentración medida.
¿Puede una prueba tener alta sensibilidad y alta selectividad al mismo tiempo?
Sí, es el ideal de todo sistema de medición. Sin embargo, a menudo hay una compensación (trade-off). Aumentar la sensibilidad (para no perder ninguna señal) puede hacer que el sistema reaccione también a señales débiles de interferentes, reduciendo la selectividad. El diseño óptimo depende de qué error sea más costoso: perder una señal (falso negativo) o confundirla con otra (falso positivo).
¿Cuál es la diferencia principal en el diagnóstico médico?
En diagnóstico, la sensibilidad responde a la pregunta: "Si el paciente tiene la enfermedad, ¿cuántas veces la prueba la detecta?". La selectividad (o especificidad) responde a: "Si la prueba da positivo, ¿qué tan seguro es que sea la enfermedad y no otra cosa similar?". Una prueba con alta sensibilidad se usa para "descartar" la enfermedad; una con alta selectividad se usa para "confirmarla".
Resumen
La selectividad y la sensibilidad son conceptos complementarios pero distintos que miden la precisión de un sistema de detección. La sensibilidad se enfoca en la capacidad de captar la señal objetivo (minimizando falsos negativos), mientras que la selectividad evalúa la capacidad de distinguir esa señal de las interferencias o elementos similares (minimizando falsos positivos). Su aplicación varía según el campo: en medicina, determinan la fiabilidad del diagnóstico; en química, la pureza de la medición; y en estadística, la potencia y el tamaño del efecto de una prueba.
Entender la relación entre ambos parámetros permite elegir la herramienta adecuada para cada situación. No existe una prueba perfecta en todos los casos; la elección depende de si es más crítico no perder ninguna detección (alta sensibilidad) o estar seguros de lo que se ha detectado (alta selectividad). Dominar estos conceptos evita errores comunes en la interpretación de datos y resultados experimentales.