CRITERIO

DE
BAYES
 2

 Teorema de Bayes:

 Enunciado por Thomas Bayes en 1763 en el cual

expresa la probabilidad condicional de un evento
aleatorio A dado B en términos de la distribución de
probabilidad condicional del evento B dado A y la
distribución de probabilidad marginal de sólo A.

 Además es válido en todas las aplicaciones de la teoría

de la probabilidad. Sin embargo, hay una controversia
sobre el tipo de probabilidades que emplea.
 En esencia, los seguidores de la estadística
tradicional sólo admiten probabilidades basadas en
experimentos repetibles y que tengan una
confirmación empírica mientras que los llamados
estadísticos bayesianos permiten probabilidades
subjetivas.

 El teorema puede servir entonces para indicar cómo

debemos modificar nuestras probabilidades subjetivas
cuando recibimos información adicional de un
experimento.
caso 1º: El parte meteorológico ha anunciado tres posibilidades
para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.

Según estos posibles estados meteorológicos, la posibilidad de que

ocurra un accidente es la siguiente:

a) Si llueve: probabilidad de accidente del 20%.

b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no
estábamos en la ciudad no sabemos que tiempo hizo (nevó,
llovió o hubo niebla). El teorema de Bayes nos permite
calcular estas probabilidades:

Las probabilidades que manejamos antes de conocer que ha

ocurrido un accidente se denominan "probabilidades a priori"
(lluvia con el 50%, nieve con el 30% y niebla con el 20%).

Una vez que incorporamos la información de que ha ocurrido

un accidente, las probabilidades del suceso A cambian: son
probabilidades condicionadas P (A/B), que se denominan
"probabilidades a posteriori".
 Observación:

Si A1, A2, A3, … es un sistema completo de sucesos, y B es un suceso

cualquiera del que se conocen las probabilidades condicionadas,
entonces las probabilidades de la forma P(Ai / B) se calculan mediante
la expresión:

P(Ai).P(B / Ai)
P(Ai / B) = -------------------------------------------------------------------
P(A1).P(B / A1) + P(A2).P(B / A2) + … + P(An).P(B / An)

Donde P(Ai) son las probabilidades a priori.

P(Ai / B) son las probabilidades a posteriori.
P(B / Ai) son las verosimilitudes.
 Medición del futuro, representado por el evento B

Este cálculo es para medir la incertidumbre de la ocurrencia del evento B.

A1
Pr( B / A 1)
Pr( A1 )
A2 Pr( B / A 2)
Pr( A2 )
Pr( B / A 3) B
Pr( A3 ) A3

. n
Pr( B)   Pr( B / Ai ) Pr( Ai )
. i 1
Pr( A n ) Pr( B / A n )
.

An
Ejemplo 1

En un instituto el 60% de estudiantes son chicas. Asimismo sabemos que el

70% de los chicos viven en la localidad donde está ubicado el instituto,
siendo este porcentaje del 85% en las chicas.. Se elige un estudiante al azar
y resulta que ha nacido en la localidad. ¿Cuál es la probabilidad de que sea
chico?.

Resolución:
Probabilidades a priori:
P(A)= 60% = 60 / 100 = 0,6  Sea chica.
P(O)= 1 – P(A) = 1- 0,6 = 0,4  Sea chico.
Verosimilitudes:
P(L / A) = 85% = 85 / 100 = 0,85  Sea chica y viva en la localidad.
P(L / O)= 70% = 70 / 100 = 0,7  Sea chico y viva en la localidad.
Probabilidades a posteriori:
Por el Teorema de Bayes

P(O).P(L/O) 0,4.0,7 0,28

P(O/L) = ---------------------------------- = ------------------------ = -------- = 0,3544
P(A).P(L/A)+P(O).P(L/O) 0,6.0,85 + 0,4.0,7 0,79
Ejemplo 2

En la universidad, Ana, Beatriz y Carlos se alternan la tarea de tomar apuntes. En

una semana toman 100, 150 y 250 páginas de apuntes respectivamente. Las
páginas con errores son el 5%, 3% y 2% respectivamente. Se toma una página al
azar y resulta con errores.
¿Cuál es la probabilidad de que sea de Ana?. ¿Y de que sea de Carlos?

Resolución:
P(Ana)= 0,2 , P(Bea)= 0,3 , P(Carlos)= 0,5
Verosimilitudes:

P(E/Ana) = 0,05 , P(E/Bea) = 0,03 , P(E/Carlos) = 0,02

P(A).P(E/A)
P(A/E) = ---------------------------------------------------------- =
P(A).P(E/A) + P(B).P(E/B) + P(C).P(E/C)
0,2.0,05 0,01 0,01
P(A/E) = --------------------------------------- = ----------------------- = -------- = 0,3455
0,2.0,05 + 0,3.0,03 + 0,5.0,02 0,01+0,009+0,01 0,029

P(C/E) = 0,5.0,02 / 0,029 = 0,01 / 0,029 = 0,3455

 CONCLUSIONES:

La estadística bayesiana está demostrando su utilidad en

ciertas estimaciones basadas en el conocimiento
subjetivo a priori y permitir revisar esas estimaciones en
función de la evidencia es lo que está abriendo nuevas
formas de hacer conocimiento.
Una aplicación de esto son los clasificadores bayesianos
que son frecuentemente usados en implementaciones de
filtros de correo basura o spam, que se adaptan con el
uso.
Muchos casos judiciales de tipo forense acuden a este
teorema para la dictación de las sentencias por parte de
los jueces.