TEOREMA DE

Docente: BAYES
Paredes Alvarado José
Expositores:
Ramos Díaz ,Luisa
Valladares Blas ,José
Vargas Sagastegui,Angie
Curso : Optimización de Decisiones
Fue un matemático británico. Bayes fue ordenado, al
igual que su padre, como ministro disidente

El teorema que lleva su nombre se refiere a la

probabilidad de un suceso condicionado por la
ocurrencia de otro suceso. se resuelve el problema
conocido como "de la probabilidad inversa”

Los cultores de la inferencia bayesiana afirman que la

trascendencia de la probabilidad inversa reside en que es
ella la que realmente interesa a la ciencia
 En Estadística se utiliza la palabra experimento para designar todo acto
que proporciona unos datos. Se van a distinguir dos tipos de
experimentos: deterministas y aleatorios.

Deterministas :Durante siglos la ciencia se ha ocupado de En los experimentos

fenómenos que daban origen a situaciones deterministas las
deterministas, por ejemplo es un fenómeno determinista mismas causas
la caída libre de los cuerpos) producen mismas
causas producen
distintos efectos

Aleatorias : Rendimiento de una semilla, duración de la En lo sexperimentos

vida de una componente, consumo mensual de energía aleatorios las mismas
en una casa, resultado de lanzar una moneda, etc. causas producen
distintos efectos
En términos más generales y menos matemáticos, el teorema de Bayes es
de enorme relevancia puesto que vincula la probabilidad de A dado B con
la probabilidad de B dado A.

En la teoría de probabilidad el teorema de bayes es un

resultado enunciado por Thomas Bayes en 1763 que
viene a seguir el proceso inverso al que hemos visto en
el teorema de la probabilidad total:
 A partir de las
probabilidades del suceso
A (probabilidad de que
llueva o de haga buen
tiempo) deducimos la
probabilidad del suceso B
(que ocurra un accidente).
  El teorema de Bayes permite calcular las
probabilidades a posteriori y es:
P (Ai) ∗P(B|Ai )
𝑃 𝐴𝑖 B = σ 𝑃(𝐵 𝐴
𝑘 ∗𝑃(𝐴𝑘 )

 Donde 𝑃 (𝐴𝑖 | 𝐵) es la probabilidad a

posteriori que buscamos.
A partir de que ha ocurrido el
 𝑃 (𝐴𝑖) es la probabilidad a priori. Estas
suceso B (ha ocurrido un accidente)
deducimos las probabilidades del probabilidades deben sumar 1 debido a que
suceso A (¿estaba lloviendo o hacía forman un sistema completo.
buen tiempo?)
 𝑃(𝐵|𝐴𝑖) es la probabilidad condicional
observada.

 σ 𝑃 (B|𝐴𝑘 ) ∗ P(𝐴𝑘 ) es la probabilidad

total del suceso B.
La perspectiva
clásica o
frecuentista y
la bayesiana Un suceso
están puede ser
fundamentada incierto por el
s en diferentes En la perspectiva hecho de ser Es decir, por
nociones de bayesiana, la intrínsecamente estar sujeto a
probabilidad. probabilidad impredecible variabilidad
describe aleatoria, como
incertidumbre, en por ejemplo la
un sentido amplio pérdida
del término. asociada a un
siniestro
 Por tanto, este método está basado
firmemente en una definición de la
probabilidad basada en conteo, razón por la
cual se denomina método “frecuentista”.

La estadística bayesiana en cambio, está

basada en la interpretación de la
probabilidad como el grado personal de
creencia.
Según Lareshas (2009) refiere
que : El teorema de Bayes es En su versión mas elemental
uno de los resultados básicos se puede escribir como :
de la teoría de la
probabilidad.

El teorema de Bayes es
interpretado como un
mecanismo de aprendizaje
sobre las cantidades de interés,
puede ser aplicado reiteradas
veces.
 Es la posibilidad de utilizar
secuencialmente el teorema de Bayes, es
decir, que “la distribución a posteriori de
hoy es la distribución a priori de
mañana”.
EJERCICIOS
 1) En el mismo caso resuelto determine los siguiente antes de la
reducción de la producción :

Docente : Paredes Alvarado Jose

2/05/2019
a) La probabilidad de que una pieza no resulte defectuosa . Elabore el
Diagrama del del árbol

b)Si una pieza no es defectuosa. ¿Cuál es la probabilidad de que haya sido

manufacturada en la maquina 1? ¿Y en la maquina 2? ¿Y en la maquina 3?
Elabore el Diagrama del árbol.
2) En el mismo caso resuelto determine lo siguiente después de
la reducción de producción:
Si una pieza no es defectuosa. ¿Cuál es la probabilidad de que haya sido
manufacturada en la maquina 1? ¿Y en la maquina 2? ¿Y en la maquina
3? Elabore el Diagrama del árbol
 3) Un banco local revisa su política de tarjetas de crédito, con el objetivo de cancelar
algunas de ellas en el pasado aproximadamente el 5 % de los tarjetashabientes (th) ha
dejado de pagar sin que el banco hay podido recuperar la deuda. En consecuencia la
gerencia estableció que hay una probabilidad previa de 0.5 de un th incurra en cartera
vencida. Además el banco ha visto que la probabilidad de un cliente regular se atrase
en uno o mas pagos mensuales es de 20.Naturalmmente , la probabilidad de atraso en
un o mas pagos para los clientes de cartera vencida es 1.
a) Si un cliente se atrasa en un pago mensual , calcule la probabilidad
posterior de que cliente incurra en cartera vencida.
 4) En la empresa “Alimentos Mr.Pollo” el 20% de los empleados son ingenieros y otro
20% son economistas. El 75% de los ingenieros ocupan un cargo de directivo y el 50% de
los economistas también , mientras que los demás trabajadores (no ingenieros no
economistas ) solamente el 20% ocupa un puesto directivo .Cual es la probabilidad de que
un empleado directivo elegido al azar sea ingeniero.
5) La probabilidad de que hay un incidente en una fábrica que dispone de
alarma es de 0.1 . La probabilidad de que suene esta si se ha producido
algún incidente es 0.97 y la probabilidad de que suene si no ha sucedido
ningún incidente es 0.02. En el supuesto de que hay funcionado la alarma
, cual es la probabilidad de que no hay habido ningún incidente.
CASO
Supongamos que investigamos un homicidio en
el que tenemos un sospechoso. Supongamos
también que el homicida fue herido durante el
acto y se han encontrado restos de su sangre en
la escena del crimen. Un análisis forense
determina que 1 de cada 15.000 personas tienen
ese perfil sanguíneo y que coincide con el perfil
de nuestro sospechoso. Por lo tanto:
Para poder usar nuestra fórmula, nos falta conocer las opciones de culpabilidad a
priori que asignamos al sospechoso, sin tener en cuenta las pruebas de
sangre. Supongamos que estamos en una región de 2.000.000 de personas y
aceptamos que el culpable debe vivir necesariamente en ella. Podemos estimar que las
opciones de culpabilidad a priori de nuestro acusado son de 1 contra 1.999.999.

Usando el teorema de Bayes revisamos estas opciones de culpabilidad con la

evidencia de la prueba sanguínea
 El resultado puede parecer sorprendente. La prueba de la sangre incrementa
por un factor 15.000 las opciones de culpabilidad del acusado, pero como sus
opciones a priori eran bajas, sólo logramos tener una certeza de culpabilidad
del 7,4%.

Para entender el impacto de la probabilidad a priori, supongamos ahora que el

crimen ocurre en una región aislada de 2.000 habitantes. ¿Cómo afecta este
conocimiento a priori a nuestra probabilidad de culpabilidad? Podemos
modificar nuestra estimación, considerando esta vez que las opciones a priori
de culpabilidad son 1 entre 2.000.

Pasamos a tener una certeza del 88%, muy superior a la

anterior.