Inferencia bayesiana 1

Inferencia bayesiana
La inferencia bayesiana es un tipo de inferencia
estadística en la que las evidencias u observaciones se
emplean para actualizar o inferir la probabilidad de que
una hipótesis pueda ser cierta. El nombre «bayesiana»
proviene de uso frecuente que se hace del teorema de
Bayes durante el proceso de inferencia. El teorema de
Bayes se ha derivado del trabajo realizado por el
reverendo Thomas Bayes. Hoy en día, uno de los
campos de aplicación es en la teoría de la decisión,[1]
visión computarizada[2] (simulación de la percepción
en general)[3] y reconocimiento de patrones por
ordenador.

Contexto Inicial
La incertidumbre y la imprecisión son connaturales en
el proceso de razonamiento. La lógica establece unas
reglas de inferencia a partir de las cuales se construye
el sistema de razonamiento deductivo, en el que una
proposición determinada es considerada como cierta o
falsa, sin que se admitan grados entre estos dos
La inferencia bayesiana se aplica a muchos dominios de la teoría de
extremos. Los métodos de razonamiento aproximado, la decisión
entre los que se encuentran los métodos bayesianos,
aportan modelos teóricos que simulan la capacidad de razonamiento en condiciones de incertidumbre, cuando no se
conoce con absoluta certeza la verdad o falsedad de un enunciado o hipótesis, e imprecisión, enunciados en los que
se admite un rango de variación.

Entre los métodos de razonamiento aproximado se encuentran los métodos bayesianos, basados en el conocido
teorema de Bayes. Todos ellos tienen en común la asignación de una probabilidad como medida de credibilidad de
las hipótesis. En este contexto, la inferencia se entiende como un proceso de actualización de las medidas de
credibilidad al conocerse nuevas evidencias. Matemáticamente se trata de obtener las probabilidades de las hipótesis
condicionadas a las evidencias que se conocen. La actualización de las probabilidades condicionadas hipótesis a las
evidencias se fundamenta en la aplicación del Teorema de Bayes. La diferencia entre los distintos métodos
bayesianos, modelos causales y redes bayesianas, estriba en las hipótesis de independencia condicional entre
hipótesis y evidencias. Dichas relaciones se expresan comúnmente mediante un grafo dirigido acíclico.
La inferencia bayesiana es una inferencia estadística en la que se utiliza la evidencia o las observaciones para
actualizar o inferir nuevamente que una hipótesis puede ser verdadera. El nombre "bayesiano" proviene del uso
frecuente del teorema de Bayes en el proceso de inferencia. El teorema de Bayes ha sido derivado de la obra del
Reverendo Thomas Bayes.
Inferencia bayesiana 2

Evidencia y creencias cambiantes

La inferencia bayesiana utiliza aspectos del método científico, que implica recolectar evidencia que se considera
consistente o inconsistente con una hipótesis dada. A medida que la evidencia se acumula, el grado de creencia en
una hipótesis se va modificando. Con evidencia suficiente, a menudo podrá hacerse muy alto o muy bajo. Así, los
que sostienen la inferencia bayesiana dicen que puede ser utilizada para discriminar entre hipótesis en conflicto: las
hipótesis con un grado de creencia muy alto deben ser aceptadas como verdaderas y las que tienen un grado de
creencia muy bajo deben ser rechazadas como falsas. Sin embargo, los detractores dicen que este método de
inferencia puede estar afectado por un prejuicio debido a las creencias iniciales que se deben sostener antes de
comenzar a recolectar cualquier evidencia.

Que es lo atractivo de la Estadística Bayesiana?

i) Construcción axiomática
ii) Una sola regla de decisión
iii) La única que ofrece solución para ciertos problemas

Axiomas de coherencia
i) Comparación
ii) Transitividad
iii) Dominancia-Sustitución
iv) Referencia

Ejemplos de inferencia
Un ejemplo de inferencia bayesiana es el siguiente:
• Durante miles de millones de años, el sol ha salido después de haberse puesto. El sol se ha puesto esta noche. Hay
una probabilidad muy alta (o 'Yo creo firmemente que' o 'es verdad que') el sol va a volver a salir mañana. Existe
una probabilidad muy baja (o 'yo no creo de ningún modo que' o 'es falso que') el sol no salga mañana.
La inferencia bayesiana usa un estimador numérico del grado de creencia en una hipótesis aún antes de observar la
evidencia y calcula un estimador numérico del grado de creencia en la hipótesis después de haber observado la
evidencia. La inferencia bayesiana generalmente se basa en grados de creencia, o probabilidades subjetivas, en el
proceso de inducción y no necesariamente declara proveer un método objetivo de inducción.

Definiciones formales
A pesar de todo, algunos estadísticos bayesianos creen que las probabilidades pueden tener un valor objetivo y por lo
tanto la inferencia bayesiana puede proveer un método objetivo de inducción. (Ver método científico.) El teorema de
Bayes ajusta las probabilidades, dada una nueva evidencia, de la siguiente manera:

donde
• representa una hipótesis, llamada hipótesis nula, que ha sido inferida antes de que la nueva evidencia, ,
resultara disponible.
• se llama la probabilidad a priori de .
• se llama la probabilidad condicional de que se cumpla la evidencia dado que la hipótesis es
verdadera. Se llama también la función de verosimilitud cuando se expresa como una función de dado .
• se llama la probabilidad marginal de : la probabilidad de observar la nueva evidencia bajo todas
las hipótesis mutuamente excluyentes. Se la puede calcular como la suma del producto de todas las hipótesis
Inferencia bayesiana 3

mutuamente excluyentes por las correspondientes probabilidades condicionales: .

• se llama la probabilidad a posteriori de dado .
El factor representa el impacto que la evidencia tiene en la creencia en la hipótesis. Si es posible
que se observe la evidencia cuando la hipótesis considerada es verdadera, entonces este factor va a ser grande.
Multiplicando la probabilidad a priori de la hipótesis por este factor va a resultar en una gran probabilidad a
posteriori dada la evidencia. En la inferencia bayesiana, por lo tanto, el teorema de Bayes mide cuánto la nueva
evidencia es capaz de alterar la creencia en la hipótesis.

Establecimiento de la Inferencia
Los estadísticos bayesianos sostienen que aun cuando distintas personas puedan proponer probabilidades a priori
muy diferentes, la nueva evidencia que surge de nuevas observaciones va a lograr que las probabilidades subjetivas
se aproximen cada vez más. Otros, sin embargo, sostienen que cuando distintas personas proponen probabilidades a
priori muy diferentes, las probabilidades subjetivas a posteriori pueden no converger nunca, por más evidencias
nuevas que se recolecten. Estos críticos consideran que visiones del mundo que son completamente diferentes al
principio pueden seguir siendo completamente diferentes a través del tiempo por más evidencias que se acumulen.
Multiplicando la probabilidad anterior por el factor nunca se podrá obtener una
probabilidad superior a 1. Ya que es al menos mayor que , lo que permite la igualdad
(véase probabilidad conjunta), reemplazando con en el factor
esto dejará una probabilidad posterior de 1. Por lo tanto, la probabilidad posterior no llegará a
ser mayor que uno sólo si fuese menor que lo que nunca es cierto.
La probabilidad de dado , , puede ser representada como una función de su segundo argumento,
lo que puede hacerse propocionando un valor. Tal función se denomina función de verosimilitud; es función de
dado . Una proporción de dos funciones de verosimilitudes que se denomina proporción de verosimilitud, .
Por ejemplo:

La probabilidad marginal , puede ser representada además como la suma de los productos de todas las
probabilidades de las hipótesis exclusivas mútuamente y que corresponden a probabildades condicionales:
.
Como resultado, se puede reescribir el teorema de Bayes como:

Con dos evidencias independientes y , la inferencia bayesiana se puede aplicar iterativamente. Se puede
emplear la primera evidencia para calcular la primera probabilidad posterior y emeplear ésta en el cálculo de la
siguiente probabilidad y continuar de esta forma con las demás.
La independencia de evidencias implica que:

Aplicando el teorema de Bayes de forma iterativa, implica

Empleando los ratios de verosimilitud, se puede encontrar que

Inferencia bayesiana 4

Esta iteración de la inferencia bayesiana puede ser expandida con la inclusión de más evidencias. La inferencia
bayesiana se emplea en el cálculo de probabilidades en la toma de decisión. Se emplean en las probabilidades
calculadas en la teoría de cálculo de riesgos, en la denominada función de pérdida que refleja las consecuencias de
cometer un error.

Bibliografía
• Berger, J.O. (1999) Statistical Decision Theory and Bayesian Analysis. Second Edition. Springer Verlag, New
York. ISBN 0-387-96098-8 and also ISBN 3-540-96098-8.
• Bolstad, William M. (2004) Introduction to Bayesian Statistics, John Wiley ISBN 0-471-27020-2
• Bretthorst, G. Larry, 1988, Bayesian Spectrum Analysis and Parameter Estimation [4] in Lecture Notes in
Statistics, 48, Springer-Verlag, New York, New York
• Dawid, A.P. and Mortera, J. (1996) Coherent analysis of forensic identification evidence. Journal of the Royal
Statistical Society, Series B, 58,425-443.
• Foreman, L.A; Smith, A.F.M. and Evett, I.W. (1997). Bayesian analysis of deoxyribonucleic acid profiling data in
forensic identification applications (with discussion). Journal of the Royal Statistical Society, Series A, 160,
429-469.
• Gardner-Medwin, A. What probability should the jury address?. Significance. Volume 2, Issue 1, March 2005
• Gelman, A., Carlin, B., Stern, H., and Rubin, D.B. (2003). Bayesian Data Analysis. Second Edition. Chapman &
Hall/CRD, Boca Raton, Florida. ISBN 1-58488-388-X.
• Gelman, A. and Meng, X.L. (2004). Applied Bayesian Modeling and Causal Inference from Incomplete-Data
Perspectives: an essential journey with Donald Rubin's statistical family. John Wiley & Sons, Chichester, UK.
ISBN 0-470-09043-X
• Giffin, A. and Caticha, A. (2007) Updating Probabilities with Data and Moments [5]
• Jaynes, E.T. (1998) Probability Theory: The Logic of Science [6].
• Lee, Peter M. Bayesian Statistics: An Introduction. Second Edition. (1997). ISBN 0-340-67785-6.
• O'Hagan, A. and Forster, J. (2003) Kendall's Advanced Theory of Statistics, Volume 2B: Bayesian Inference.
Arnold, New York. ISBN 0-340-52922-9.
• Pearl, J. (1988) Probabilistic Reasoning in Intelligent Systems, San Mateo, CA: Morgan Kaufmann.
• Robert, C.P. (2001) The Bayesian Choice. Springer Verlag, New York.
• Robertson, B. and Vignaux, G.A. (1995) Interpreting Evidence: Evaluating Forensic Science in the Courtroom.
John Wiley and Sons. Chichester.
• Winkler, Robert L, Introduction to Bayesian Inference and Decision, 2nd Edition (2003) Probabilistic. ISBN
0-9647938-4-9
Inferencia bayesiana 5

Referencias
[1] "Statistical Decision Theory and Bayesian Analysis", James O. Berger; 1985 ;Springer
[2] "Bayesian Approach to Image Interpretation", Sunil K. Kopparapu, Uday B. Desai; 2001 Springer
[3] "Perception as Bayesian Inference", David C. Knill, Whitman Richards;1996 ;Cambridge University Press
[4] http:/ / bayes. wustl. edu/ glb/ book. pdf
[5] http:/ / arxiv. org/ abs/ 0708. 1593
[6] http:/ / www-biba. inrialpes. fr/ Jaynes/ prob. html

Véase también
• Teorema de Bayes - Fundamento de la inferencia

Referencias externas
• Libro on-line textbook: Teoría de la información Theory, Inferencia, y algoritmos de aprendizaje (http://www.
inference.phy.cam.ac.uk/mackay/itila/book.html), por David MacKay, tiene capítulos sobre métodos
bayesianos, incluyendo ejemplos; argumentas a favor de los métodos bayesianoss (del estilo de Edwin Jaynes);
métodos modernos sobre Método de Montecarlo, y métodos variacionales; y ejemplos ilustrativos acerca de como
se emplean las redes bayesianas en los algoritmos de compresión de datos.
Fuentes y contribuyentes del artículo 6

Fuentes y contribuyentes del artículo

Inferencia bayesiana  Fuente: http://es.wikipedia.org/w/index.php?oldid=45736493  Contribuyentes: Cusano, Dpeinador, Gustronico, Humbefa, JesusLopezLopezdeLama, Juan Mayordomo,
Juliowolfgang, Millars, Oblongo, Tamorlan, Tano4595, 8 ediciones anónimas

Fuentes de imagen, Licencias y contribuyentes

Archivo:Domenico-Fetti Archimedes 1620.jpg  Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Domenico-Fetti_Archimedes_1620.jpg  Licencia: Public Domain  Contribuyentes:
Andreagrossmann, Christophe.Finot, Gene.arboit, Ianmacm, Kilom691, Luestling, Mattes, Plindenbaum, Serge Lachinov, Shakko, Wst, 2 ediciones anónimas

Licencia
Creative Commons Attribution-Share Alike 3.0 Unported
http:/ / creativecommons. org/ licenses/ by-sa/ 3. 0/