Nombre del alumno: Ricardo Velasquez Rios
Numero de control: 22260003
Nombre de la profesora: Martha Gabriela Yllescas García
Semestre: III
Ingeniería Electromecánica
Asignatura: Probabilidad y Estadística
Investigación: Teorema de Bayes
Instituto Tecnológico de Matamoros
H. Matamoros, Tamaulipas Fecha: 27/09/2023
Teorema de Bayes
Introducción
El teorema de Bayes fue desarrollado por Thomas Bayes en 1763 y con él se
expresa la probabilidad condicional de un evento aleatorio A dado otro evento B,
mediante la distribución de probabilidad condicional del evento B dado A y la
distribución de probabilidad marginal de sólo A.
Dicho de otro modo, sea {𝐴1, 𝐴2, …, 𝐴𝑖, …, 𝐴𝑛} un conjunto de sucesos
mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de
ellos es distinta de cero.
Sea B un suceso cualquiera del que se conocen las probabilidades condicionales
𝑃(𝐵|𝐴𝑖). Entonces, la probabilidad 𝑃(𝐴𝑖|𝐵) viene dada por la expresión:
𝑃(𝐴𝑖|𝐵) =𝑃(𝐵|𝐴𝑖) 𝑃(𝐴𝑖)
𝑃(𝐵)
donde:
𝑃(𝐴𝑖) son las probabilidades a priori.
𝑃(𝐵|𝐴𝑖) es la probabilidad de 𝐵 en la hipótesis 𝐴𝑖
𝑃(𝐴𝑖|𝐵) son las probabilidades a posteriori.
Por tanto, el teorema de Bayes hace uso de probabilidades a priori, que son
probabilidades subjetivas, que se desarrollan a continuación, probabilidad de B en
la hipótesis 𝐴𝑖, verosimilitud propia de la muestra, y una distribución a posteriori,
que se alcanza mediante el producto de las dos anteriores ponderadas según la
verosimilitud propia de la muestra.
En termino sencillos el Teorema de Bayes es uno de los resultados más conocidos
y útiles en el área de la probabilidad y estadística, y en particular en el estudio de
la probabilidad condicional. Básicamente, el Teorema de Bayes nos dice cómo
calcular la probabilidad de un suceso teniendo información a priori sobre dicho
suceso.
Desarrollo
La estadística Bayesiana se basa en la interpretación subjetiva de la probabilidad.
Para ello utiliza la percepción existente, por parte del investigador, como una
variable modificadora (distribución a priori) de los datos muéstrales, que dan lugar
a una distribución (distribución a posteriori) con la que formular inferencias con
respecto al parámetro de interés.
El hecho de amoldar los datos muéstrales obtenidos en función del criterio del
investigador convierte a la estadística Bayesiana en un instrumento altamente
controvertido, dado que esto puede interpretarse, como que la estadística
bayesiana manipula los datos muéstrales con el fin de demostrar lo que uno quiere
en lugar de dejar que los datos, por sí solos, demuestren o no el objeto de estudio.
Sin embargo, la aportación subjetiva del investigador no tiene que ser de por sí
negativa o ser considerada manipuladora (en su sentido más peyorativo), ya que
esta aportación subjetiva que realiza el investigador puede darse a causa de
conocimientos previos adquiridos a través de otros estudios anteriores o por la
intuición del profesional, que a diario observa la situación objeto de estudio.
Ejemplo:
El de los empleados de una empresa son ingenieros y otro son economistas. El de
los ingenieros ocupan un puesto directivo y el de los economistas también,
mientras que los no ingenieros y los no economistas solamente él ocupa un
puesto directivo. ¿Cuál es la probabilidad de que un empleado directivo elegido al
azar sea ingeniero?
Solución: Considere los siguientes eventos y sus probabilidades:
"Los empleados son ingenieros"
"Los empleados son economistas"
"Los empleados tienen otra carrera"
Además, considere el evento “el empleado ocupa un puesto directivo". El ejercicio
nos da también las siguientes probabilidades:
La información anterior puede ser resumida en el siguiente diagrama de árbol:
Estamos interesados en conocer , es decir, la probabilidad de que un
empleado sea ingeniero dado que a priori sabemos que es directivo. Siguiendo la
fórmula de Bayes tenemos que:
Como uno de los resultados más útiles de la teoría de probabilidad, el teorema de
Bayes permite actualizar el conocimiento o recalcular la probabilidad de un evento
de interés cuando encontramos nueva evidencia de su ocurrencia.
Una gran cantidad de “experimentos” y cálculos de probabilidad cotidianos pueden
ser descritos por medio de las herramientas de la probabilidad condicional y
conjunta, el teorema de Bayes y los eventos independientes, que representan un
conocimiento básico y útil de la probabilidad.
Conclusión
Como se ha podido apreciar a lo largo de este trabajo, la versatilidad de la
estadística bayesiana nos permite poder ampliar los conocimientos adquiridos
mediante el muestreo estadístico, con los posibles conocimientos previos
existentes sobre la materia que se estudia, evitando de esa manera que se pierda
o desaproveche información existente.
Adicionalmente, la estadística bayesiana tiene una gran ventaja, como alternativa
a la estadística frecuentista y es que permite analizar muestras pequeñas sin que
esto sea un perjuicio de cara a la estimación “insesgada” de los estadísticos de
interés, como se ha podido comprobar a lo largo de este trabajo. Sin embargo,
cuando se trata de analizar muestras considerablemente grandes, el método
bayesiano no presenta resultados significativamente distintos al método
frecuentista debido a que la verosimilitud de los datos muéstrales tienen un
elevado peso en el global del análisis y, por tanto, que, en dichos supuestos, sea
prácticamente igual considerar un método que el otro.
Por otro lado, dado el carácter subjetivo que tiene la distribución a priori, cabe
destacar que los estudios llevados a cabo mediante técnicas propias de la
estadística bayesiana, deben ser tratados con el mayor rigor científico posible, ya
que se trata de una técnica de gran utilidad y por tanto no debe verse empañada
por probabilidades subjetivas sesgadas. Aunque, como se mencionó
anteriormente, esta posibilidad se ve controlada por la implementación de los
datos muéstrales que actualizan la susodicha distribución a priori. Por todo ello,
cabe destacar que la existencia y uso de la estadística bayesiana puede ser
considerada de gran utilidad, tanto en aquellos supuestos en los que la posibilidad
de obtener muestras considerables es casi nula y por tanto no es posible la
utilización de la estadística frecuentista con garantías, como en los casos en los
que el investigador puede aportar información relevante sobre la materia
estudiada, enriqueciendo de esa manera el estudio realizado con dicha
información adicional.
Bibliografía
[Link]
[Link]
[Link]
[Link]
ES&text=El%20teorema%20de%20Bayes%20parte,suceso%20Ai%20que
%20haya%20ocurrido
[Link]
inatoria/teorema-de-
[Link]#:~:text=El%20Teorema%20de%20Bayes%20es,a%20priori%20
sobre%20dicho%20suceso.
