TECNOLÓGICO DE ESTUDIOS
SUPERIORES DE COACALCO
Evidencia SUMATIVA Ensayo COMP-2
Inteligencia Artificial
INGENIERÍA EN SISTEMAS COMPUTACIONALES
3821
Presenta(n):
Ramírez León Kevin
Profesor(a):
Muñoz Celaya Carlos Roberto
Calificación:
Coacalco de Berriozábal, 17/05/ 2024
1
Introducción
El teorema de Bayes, nombrado en honor al matemático y clérigo inglés Thomas
Bayes, es un principio fundamental en la teoría de la probabilidad y la estadística.
Este teorema proporciona una forma de actualizar la probabilidad de una hipótesis
basándose en la nueva evidencia o información disponible. La esencia del teorema
radica en la relación entre las probabilidades condicionales y las probabilidades
marginales, permitiendo calcular la probabilidad posterior de un evento dado el
conocimiento previo y la evidencia observada.
Matemáticamente, el teorema de Bayes se expresa como:
donde:
P(A∣B) P(A|B)P(A∣B) es la probabilidad de la hipótesis AAA dada la evidencia BBB
(probabilidad posterior),
P(B∣A) P(B|A)P(B∣A) es la probabilidad de observar la evidencia BBB dado que la
hipótesis AAA es cierta (probabilidad verosímil),
P(A)P(A)P(A) es la probabilidad previa de la hipótesis AAA antes de considerar la
nueva evidencia (probabilidad a priori),
P(B)P(B)P(B) es la probabilidad de la evidencia BBB bajo todas las posibles
hipótesis (probabilidad marginal).
Este teorema es ampliamente utilizado en diversas disciplinas, incluyendo la ciencia,
la ingeniería, la medicina y la economía, debido a su capacidad para manejar la
incertidumbre y actualizar las creencias en base a datos nuevos.
2
Teorema de Bayes
El Teorema de Bayes es una herramienta fundamental en el análisis estadístico y la
toma de decisiones. Fue desarrollado por el matemático inglés Thomas Bayes en el
siglo XVIII y desde entonces ha sido aplicado en diversas disciplinas como la
medicina, la inteligencia artificial y la economía.
El teorema de Bayes establece una forma de calcular la probabilidad de un evento,
teniendo en cuenta la probabilidad de eventos relacionados previamente observados.
En otras palabras, nos permite actualizar nuestras creencias sobre la probabilidad de
un evento a medida que obtenemos nueva información.
La teoría de Bayes se basa en la hipótesis de que la probabilidad de un evento
depende de la información existente sobre el mismo. Por ejemplo, la probabilidad de
que llueva mañana se basa en la información meteorológica de la región. Esto se
consigue multiplicando la probabilidad de que ocurra el evento dado una información
conocida por la probabilidad de que la información sea cierta.
El uso de estadísticas
El teorema de Bayes se usa principalmente en la estadística para calcular
probabilidades en situaciones donde hay incertidumbre. Por ejemplo, si se quiere
calcular la probabilidad de que una determinada persona sea positiva a la Covid-19,
se puede usar el teorema de Bayes para calcularlo en función de los resultados de
las pruebas que tuvo la persona y la probabilidad de que el test sea correcto.
Explicación del teorema de Bayes
Es una herramienta fundamental en estadística y probabilidades que permite
actualizar la probabilidad de un evento después de considerar nueva información.
Sin embargo, muchas personas encuentran difícil entenderlo por completo.
El teorema de Bayes establece que la probabilidad de un evento A dado un evento B
es igual a la probabilidad del evento B dado A multiplicado por la probabilidad de A
dividido por la probabilidad de B. Es decir:
P(A|B) = P(B|A) * P(A) / P(B)
Donde:
P(A|B) es la probabilidad de A dado B.
P(B|A) es la probabilidad de B dado A.
P(A) es la probabilidad de A.
P(B) es la probabilidad de B.
3
Este teorema se puede aplicar a una amplia variedad de situaciones en las que se
tienen dos eventos relacionados. Por ejemplo, se puede usar para calcular la
probabilidad de tener una enfermedad dado un resultado de prueba positivo o para
estimar la probabilidad de que una persona haya cometido un crimen dado ciertos
datos de evidencia.
Para entender mejor el teorema de Bayes, se puede considerar un ejemplo simple.
Supongamos que una empresa produce baterías y el 1% de sus baterías son
defectuosas. Si una batería es defectuosa, la probabilidad de que falle en una prueba
es del 90%. Si una batería no es defectuosa, la probabilidad de que falle en una
prueba es del 5%.
Ahora, supongamos que se toma una batería al azar de la producción y se realiza
una prueba que falla. ¿Cuál es la probabilidad de que la batería sea defectuosa?
Podemos usar el teorema de Bayes para calcularlo.
Primero, definimos nuestros eventos A y B:
A: La batería es defectuosa.
B: La batería falla en la prueba.
Luego, podemos aplicar el teorema de Bayes:
P(A|B) = P(B|A) * P(A) / P(B)
P(A|B) = 0.9 * 0.01 / ((0.9 * 0.01) + (0.05 * 0.99))
P(A|B) = 0.153
Por lo tanto, la probabilidad de que la batería sea defectuosa dada la prueba fallida
es del 15.3%.
El teorema de Bayes es una herramienta poderosa en estadística y probabilidades
que permite actualizar la probabilidad de un evento dado nueva información. Con
esta explicación del teorema de Bayes, se espera que sea más fácil comprender su
aplicación y utilidad en diferentes situaciones.
4
Fórmula
El Teorema de Bayes es una herramienta matemática muy útil para la resolución de
problemas que involucran probabilidades condicionales. Esta fórmula se utiliza para
actualizar la probabilidad de un evento dado un nuevo dato o información.
La fórmula del Teorema de Bayes es muy sencilla y se expresa como:
P(A|B) = P(B|A) * P(A) / P(B)
Donde P(A|B) es la probabilidad condicional de A dado B, P(B|A) es la probabilidad
condicional de B dado A, P(A) es la probabilidad de A y P(B) es la probabilidad de B.
Pero, ¿cuándo es apropiado utilizar el Teorema de Bayes?
La respuesta es que se debe utilizar cuando se tienen dos eventos relacionados y se
conoce la probabilidad de uno de ellos. El objetivo es actualizar la probabilidad del
otro evento en función de la información disponible.
Por ejemplo, imaginemos que una persona se somete a una prueba para detectar
una enfermedad rara. Se sabe que la prueba tiene una tasa de falsos positivos del
5% y una tasa de falsos negativos del 2%. Además, se sabe que la enfermedad es
muy rara y afecta sólo al 0.1% de la población. Si la persona obtiene un resultado
positivo en la prueba, ¿cuál es la probabilidad de que tenga realmente la
enfermedad?
Para resolver este problema, podemos utilizar el Teorema de Bayes. Primero,
definimos los eventos A y B de la siguiente manera:
A: La persona tiene la enfermedad
B: La persona obtiene un resultado positivo en la prueba
Entonces, podemos calcular la probabilidad de que la persona tenga la enfermedad
dado un resultado positivo en la prueba utilizando la fórmula del Teorema de Bayes:
P(A|B) = P(B|A) * P(A) / P(B)
P(A|B) = (1 – 0.02) * 0.001 / [(1 – 0.02) * 0.001 + 0.05 * (1 – 0.001)]
P(A|B) = 0.019
Por lo tanto, la probabilidad de que la persona tenga la enfermedad dado un
resultado positivo en la prueba es del 1.9%. Es decir, aunque la persona ha obtenido
un resultado positivo en la prueba, todavía hay una alta probabilidad de que no tenga
la enfermedad.
5
Campos en los que se aplica Teorema de Bayes
El teorema de Bayes se aplica en una amplia variedad de campos debido a su
capacidad para actualizar probabilidades en función de nueva evidencia. Algunos de
los principales campos y aplicaciones donde se utiliza el teorema de Bayes incluyen:
Medicina:
Diagnóstico médico: Ayuda a determinar la probabilidad de una enfermedad dada la
presencia de ciertos síntomas o resultados de pruebas diagnósticas. Por ejemplo, se
puede calcular la probabilidad de que un paciente tenga cáncer de mama dado un
resultado positivo en una mamografía.
Genética: Utilizado para evaluar el riesgo de enfermedades genéticas basándose en
antecedentes familiares y pruebas genéticas.
Machine Learning e Inteligencia Artificial:
Clasificación Bayesiana: Algoritmos como el clasificador Naive Bayes, que es
ampliamente utilizado en aplicaciones de procesamiento de lenguaje natural, como la
filtración de spam en correos electrónicos y el análisis de sentimientos.
Redes Bayesianas: Modelos gráficos que representan relaciones de dependencia
probabilística entre variables y se usan en toma de decisiones, diagnóstico y
predicción.
Economía y Finanzas:
Análisis de riesgo: Evaluación de la probabilidad de eventos económicos adversos,
como quiebras o fluctuaciones del mercado, basándose en datos históricos y nuevos
desarrollos.
Actualización de pronósticos económicos: Ajuste de modelos de predicción
económica en base a la llegada de nueva información sobre variables económicas.
Ciencias Sociales:
Análisis de encuestas: Actualización de resultados de encuestas y estudios de
opinión pública mediante la integración de datos nuevos y previos.
Sociología y criminología: Estudio de patrones de comportamiento humano y
criminalidad, ajustando las probabilidades de ciertos eventos basados en nueva
evidencia.
6
Ingeniería:
Fiabilidad de sistemas: Evaluación de la fiabilidad y el rendimiento de sistemas
técnicos y equipos basándose en datos de fallos y mantenimiento.
Control de calidad: Mejora de procesos de manufactura y producción mediante la
integración de datos de defectos y problemas detectados en la línea de producción.
Ciencias Naturales:
Inferencia estadística en biología y ecología: Uso en estudios de población, genética
y evolución para actualizar modelos con datos nuevos de campo o laboratorio.
Geología y meteorología: Mejora de modelos de predicción de desastres naturales
como terremotos y huracanes mediante la incorporación de datos recientes.
Informática:
Reconocimiento de patrones y visión por computadora: Aplicación en sistemas de
reconocimiento facial, detección de objetos y análisis de imágenes.
Sistemas de recomendación: Uso en plataformas como Netflix y Amazon para
actualizar las recomendaciones basadas en las interacciones recientes del usuario.
Conclusión
El teorema de Bayes es una herramienta indispensable para la toma de decisiones
informadas, ofreciendo un marco robusto para la actualización de probabilidades en
función de nueva evidencia, y demostrando su relevancia y aplicabilidad en múltiples
disciplinas.
se evidencia en su aplicación en diversos campos como la medicina, donde es
crucial para diagnósticos y evaluación de riesgos genéticos; en la inteligencia
artificial y el machine learning, donde optimiza clasificadores y redes bayesianas; en
la economía y las finanzas, para el análisis de riesgos y pronósticos; en las ciencias
sociales, mejorando el análisis de encuestas y estudios de comportamiento; en la
ingeniería, evaluando la fiabilidad de sistemas y control de calidad; en las ciencias
naturales, apoyando la inferencia estadística y predicciones de desastres naturales; y
en informática, mejorando el reconocimiento de patrones y sistemas de
recomendación.
7
Referencias
amazon. (17 de 05 de 21). Obtenido de amazon: https://aws.amazon.com/es/what-is/neural-
network/
cloudflare. (14 de 10 de 12). Obtenido de cloudflare: https://www.cloudflare.com/es-
es/learning/ai/what-is-neural-network/
elastic. (15 de 08 de 22). Obtenido de elastic: https://www.elastic.co/es/what-is/neural-network
Huet, P. (13 de 04 de 23). openwebinars. Obtenido de openwebinars:
https://openwebinars.net/blog/que-son-las-redes-neuronales-y-sus-aplicaciones/
IBM. (04 de 15 de 20). Obtenido de IBM: https://www.ibm.com/es-es/topics/neural-networks
Michelone, M. L. (14 de 07 de 19). proceso. Obtenido de proceso:
https://www.proceso.com.mx/ciencia-tecnologia/2019/7/14/que-son-como-funcionan-las-
redes-neuronales-227916.html
