Académique Documents
Professionnel Documents
Culture Documents
TEOREMA DE BAYES
Pgina 2
FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL DE INGENIERA CIVL
REA
: ESTADSTICA APLICADA
TEMA
: TEOREMA DE BAYES
DOCENTE
ALUMNOS
INTRODUCCION
En el ao 1763, dos aos despus de la muerte de Thomas Bayes (1702-1761), se public una memoria en la que aparece, por vez primera, la determinacin de la probabilidad de las causas a partir de los efectos que han podido ser observados. El clculo de dichas probabilidades recibe el nombre de teorema de Bayes.
TEOREMA DE BAYES
Pgina 3
En trminos ms generales y menos matemticos, el teorema de Bayes es de enorme relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado A. Es decir que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene gripe, se podra saber (si se tiene algn dato ms), la probabilidad de tener gripe si se tiene un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de aspectos causales dados los efectos observados.
TEOREMA DE BAYES
DEFINICIN
La interpretacin ms aceptada del teorema de Bayes, es que su estructura permite el clculo de probabilidades despus de haber sido realizado un experimento (probabilidades aposteriori), basndose en el conocimiento de la ocurrencia de ciertos eventos que dependan del
TEOREMA DE BAYES Pgina 4
evento estudiado, o sea, se parte de probabilidades conocidas antes de efectuar el experimento (probabilidades apriori), las cuales son afectadas por las probabilidades propias del experimento (las que aparecen durante la ocurrencia del evento). Continuando nuestro anlisis sobre el teorema de Bayes, la probabilidad condicional deAi dado B, para cualquier i, es:
Aplicando en el numerador la Regla de Multiplicacin P(A iB) = P(Ai) P(B| Ai) y en el denominador el Teorema de Probabilidad Total P(B) = P(A1) P(B | A1) + P(A2) P(B | A2) + . . . + P(An) P(B | An), obtenemos la ecuacin que representa al Teorema de Bayes:
El teorema de Bayes da respuesta a cuestiones de tipo causal, predictivas y de diagnstico. En las cuestiones causales queremos saber cul es la probabilidad de acontecimientos que son la consecuencia de otros acontecimientos. En las cuestiones predictivas queremos saber cul es la probabilidad de acontecimientos dada informacin de la ocurrencia de los acontecimientos predictores. En las cuestiones de tipo diagnstico queremos saber cul es la probabilidad del acontecimiento (o acontecimientos) causales o predictivos dado que tenemos informacin de las consecuencias. Para resumir, en las situaciones causales o predictivas desconocemos las consecuencias y tenemos evidencia de las causas. Por el contrario, en las situaciones de diagnstico desconocemos las causas y tenemos evidencia de las consecuencias.
EJEMPLOS
1. Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de las piezas producidas en una
TEOREMA DE BAYES Pgina 5
fbrica. Los porcentajes de produccin defectuosa de estas mquinas son del 3%, 4% y 5%. a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa. b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de haber sido producida por la mquina B. c. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza defectuosa? Solucin: Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La informacin del problema puede expresarse en el diagrama de rbol adjunto. a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la propiedad de la probabilidad total, P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C) = = 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038 b. Debemos calcular P(B/D). Por el teorema de Bayes,
TEOREMA DE BAYES
Pgina 6
c. Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya calculado. Aplicando el teorema de Bayes, obtenemos:
La mquina con mayor probabilidad de haber producido la pieza defectuosa es A 2. Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con 2 bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de haber sido extrada de la urna A? Solucin: Llamamos R= "sacar bola roja" y N= "sacar bola negra". En el diagrama de rbol adjunto pueden verse las distintas probabilidades de ocurrencia de los sucesos
TEOREMA DE BAYES
Pgina 7
3. Una fbrica que produce material para la construccin tiene 3 mquinas, a las que se les denomina A, B y C. La mquina A produce tabique, la B adoqun y la C losetas. La mquina A produce el 50% de la produccin total de la fbrica, la B el 30% y la C el 20%. Los porcentajes de artculos defectuosos producidos por las mquinas son, respectivamente, 3%, 4% y 5%. Si se
TEOREMA DE BAYES
Pgina 8
selecciona un artculo al azar y se observa que es defectuoso, encontrar la probabilidad de que sea un tabique. Solucin Definamos el evento D como sea un artculo defectuoso. De acuerdo a esto tenemos que: P(A) = 0.5 P(B) = 0.3 P(C) = 0.2 P(D | A) = 0.03 P(D | B) = 0.04 P(D | C) = 0.05
Si el artculo del que deseamos calcular la probabilidad es un tabique, significa que es producido por la mquina A. Tambin observamos que en la solucin solamente participan los artculos defectuosos, ya que se pone por condicin esta caracterstica. Por lo tanto:
4. A un congreso asisten 100 personas, de las cuales 65 son hombres y 35 son mujeres. Se sabe que el 10% de los hombres y el 6% de las mujeres son especialistas en computacin. Si se selecciona al azar a un especialista en computacin Cul es la probabilidad de que sea mujer? 5. Solucin Definamos los eventos: H: Sea un hombre
TEOREMA DE BAYES
Pgina 9
Por lo tanto:
TEOREMA DE BAYES
Pgina 10
El individuo acusado necesariamente debe pasar por uno y solo uno de los eventos: culpable o no culpable. De manera que el juez piensa cul es la probabilidad de que este individuo sea culpable dado que confes su delito? Algunos piensan, si ha confesado su delito, entonces es necesariamente es culpable. Afortunadamente, la confesin por s sola no es suficiente para determinar la culpabilidad en un delito, o s?
CONCLUSIONES
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a priori y permitir revisar esas estimaciones en funcin de la evidencia es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de sto son los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros de correo basura o spam, que se adaptan con el uso
TEOREMA DE BAYES
Pgina 11