UNIVERSIDAD DE GUAYAQUIL

TRABAJO COLABORATIVO-INVESTIGACION
3
ESTADISTICA 4 CPA DV1
INTEGRANTES:
MACIAS ARIAS JOSELINE
SALCEDO LUNA RAQUEL
VASQUEZ QUINTANILLA ROCIO
VILLAMAR GABRIELA

1 Introduccin

El objeto del tema es la cuantificacin de la incertidumbre, lo cual tiene

mucho que ver con la previsibilidad del comportamiento. Hemos visto
que el Anlisis de Regresin es una tcnica para obtener predicciones, y
que, excepto en el caso de covariacin perfecta, las predicciones son
ms o menos errneas. En consecuencia, hay incertidumbre en las
predicciones, y esta es la situacin habitual. La imprevisibilidad genera
incertidumbre.
Los matemticos vienen estudiando esta cuestin ya hace muchos aos,
y han facilitado herramientas precisas que dan resultados exactos en
situaciones relativamente sencillas y fcilmente formalizables. Cuando se
estudia el comportamiento, sin embargo, las cosas son diferentes porque
el comportamiento se caracteriza por la complejidad, y su estudio
requiere frecuentemente tcnicas complejas. Los conceptos bsicos de la
probabilidad son de inters porque son el fundamento de procedimientos
ms sofisticados que sirven para cuantificar la incertidumbre.
Los matemticos no son los nicos que miden la incertidumbre: Todo el
mundo lo hace cada da. Por ejemplo: Un conocido nos pide un prstamo
por una cantidad importante, y de una manera intuitiva evaluamos la
probabilidad de que nos devuelva el prstamo y decidimos en
consecuencia. Otro ejemplo: Tenemos un trabajo seguro en una empresa,
y nos ofrecen un trabajo mejor pagado en otra; generalmente evaluamos
la incertidumbre de la nueva situacin antes de tomar una decisin.
Estas evaluaciones son ms o menos intuitivas, y no suponen una
cuantificacin precisa de la incertidumbre, pero el fundamento de como
suelen hacerse se asemeja a algunas aproximaciones formales a la
probabilidad, que la definen como la frecuencia en que ocurre el
acontecimiento.
Los matemticos definen la probabilidad de ocurrencia de un
acontecimiento A (hay tambin otras definiciones) como la razn entre la
frecuencia de A (nmero de veces que es observado) y el nmero de
veces en que podra ocurrir:

Pero difcilmente podemos medir la incertidumbre del comportamiento

aunque la frmula sea sencilla. Volviendo al ejemplo, es difcil recoger
datos exactos de todas las ocasiones en que un individuo ha tenido la
oportunidad de engaar, y la de todas las veces que la ha hecho; en
consecuencia difcilmente podremos obtener una medida precisa de la
probabilidad de que devuelva el prstamo. En otras situaciones s
podemos obtener una aproximacin ms precisa a la probabilidad. Por
ejemplo, la de que un estudiante seleccionado al azar obtenga "Notable".

Esta probabilidad es el nmero de estudiantes que obtienen "Notable"

dividido por el nmero total de estudiantes del curso:

En el ejemplo, diremos que la probabilidad de que un estudiante

seleccionado al azar obtenga "Notable" es igual a 0.2 (dado que 100
estudiantes han obtenido Notable en un curso en 500 estudiantes).

Teorema de Bayes
El teorema de Bayes es un procedimiento para obtener probabilidades
condicionales (probabilidades de ocurrencia de acontecimientos
condicionadas a la ocurrencia de otros acontecimientos). La expresin
del teorema de Bayes para dos variables discretas es:

Para variables que toman ms de dos valores, la expresin es:

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.

Ejemplo
Unos psiclogos especializados en el tratamiento de trastornos de
personalidad estn interesados en diagnosticar el trastorno que afecta
un paciente, en el que observan un conjunto de sntomas que indican

que el paciente podra sufrir el trastorno A o el trastorno B. Adems

saben que los porcentajes de individuos afectados por los trastornos A, B
o ningn trastorno son 10, 30 y 70. Tambin saben que el porcentaje de
individuos afectados por el trastorno A y que muestran el sntoma X es
igual al 60%, el porcentaje de individuos que sufren el trastorno B y
muestran el sntoma X es el 30% y el porcentaje de individuos no
afectados que muestran los sntomas de trastorno es el 10%.
Resumiendo, la informacin que disponemos es:

Sustituyendo en el teorema de Bayes:

La probabilidad de que el individuo padezca el trastorno A es 0.27. Las

probabilidades de que est afectado por el trastorno B o el C son:

La conclusin es que lo ms probable es que el individuo padezca el

trastorno B, pero es un valor moderado y los psiclogos piensan que hay
que obtener ms evidencia.
El teorema de Bayes es especialmente adecuado para actualizar las
conclusiones a medida que disponemos de nueva informacin. Pasado un
tiempo observan que el paciente muestra un nuevo sntoma (Y), y saben
que presentan Y el 70% de los individuos que sufren el trastorno A, el

20% de los individuos que sufren B y el 10% de los individuos que

padecen el trastorno C. Para obtener las probabilidades incorporando la
nueva informacin hacemos que las probabilidades posteriores pasen a
ser las probabilidades previas:

Una vez hechos los clculos la probabilidad de que el individuo est

afectado por el trastorno A ha pasado de 0.27 a 0.62

Aplicaciones

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.

la estadstica tradicional

slo

En

esencia,

admiten

los

seguidores

probabilidades

basadas

de
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 el hecho de permitir revisar esas
estimaciones en funcin de la evidencia emprica es lo que est abriendo
nuevas formas de hacer conocimiento. Una aplicacin 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. Otra aplicacin se encuentra en la fusin de datos,

combinando

informacin

expresada

en

trminos

de

densidad

de

probabilidad proveniente de distintos sensores.

Ejemplos ilustrativos
1) Una compaa de transporte pblico tiene tres lneas en una ciudad,
de forma que el 45% de los autobuses cubre el servicio de la lnea 1, el
25% cubre la lnea 2 y el 30% cubre el servicio de la lnea 3. Se sabe que
la probabilidad de que, diariamente, un autobs se avere es del 2%, 3%
y 1% respectivamente, para cada lnea.
a) Calcular la probabilidad de que, en un da, un autobs sufra una avera
b) Calcular la probabilidad de que, en un da, un autobs no sufra una
avera
c) De qu lnea de transporte es ms probable que un autobs sufra una
avera?

Solucin:

a) Calcular la probabilidad de que, en un da, un autobs sufra una avera

Empleando la frmula de probabilidad total se obtiene:
3

b) Calcular la probabilidad de que, en un da, un autobs no sufra una

avera
Empleando la frmula de probabilidad total se obtiene:

c) De qu lnea de transporte es ms probable que un autobs sufra una

avera?
Se debe calcular las tres probabilidades aposteriori empleando el
Teorema de Bayes

La probabilidad de que sea de la lnea 1, sabiendo que sufre una avera

es:

La probabilidad de que sea de la lnea 2, sabiendo que sufre una avera

es:

La probabilidad de que sea de la lnea 3, sabiendo que sufre una avera

es:

Entonces, sabiendo que el autobs sufre una avera, lo ms probable es

que sea de la lnea 1, ya que esta probabilidad

, es la mayor.