TEOREMA DE BAYES

Definición y ejemplos prácticos

Leonardo melendez yepes

Universidad Simón Bolívar
Teorema de Bayes

El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee
nueva información. Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el teorema de
Bayes es una extensión de lo que ha aprendido hasta ahora acerca de la probabilidad condicional.

Comúnmente se inicia un análisis de probabilidades con una asignación inicial, probabilidad a priori.
Cuando se tiene alguna información adicional se procede a calcular las probabilidades revisadas o a
posteriori. El teorema de Bayes permite calcular las probabilidades a posteriori y es:

Probabilidad total

Sea A1, A2,…. An un sistema completo de eventos tales que la probabilidad de cada uno de ellos es
distinto a cero, y sea B un evento cualquiera de que se conocen las probabilidades condicionales
P(b/Ai)

Entonces, la probabilidad del evento B, llamada probabilidad total, se calcula empleando la siguiente
fórmula:
Aplicaciones del Teorema De Bayes

El teorema de Bayes sirve para calcular las posibilidades de un suceso que está dado o no por otro
suceso anterior, lo cual consiente evaluar de qué manera se transforman las probabilidades subjetivas,
mientras más información nueva se posee de un hecho.

Además de ser aplicable a modelos basados en el conocimiento subjetivo y la evidencia empírica. Se

aplica también a modelos que se utilizan, por ejemplo, en la fusión de datos de un sistema.

Así mismo, es considerado como un excelente modelo o método para evaluar nueva información y
revisar estimaciones anteriores sustentadas en datos limitados, para conocer entonces si se encuentran
en un estado u otro, si es aplicado de manera idónea entonces se hace eficaz la reunión de datos para
tomar mejores decisiones.

Condiciones para aplicar el teorema de Bayes

 Los sucesos “Ai” deben ser mutuamente excluyentes, es decir solo puede suceder uno de ellos.
 La unión de sus posibilidades es el total, es decir la unidad es decir debe ser un sistema completo.
Y cada una debe ser distinta de cero.
 Está establecido un caso “B” del cual se conocen todas las probabilidades.
 Se conocen todas las probabilidades condicionales P(B/Ai).

Ventajas de la aplicación del teorema de Bayes en la cotidianidad

 Se puede enfocar de manera tal de que se obtengan beneficios en algunos campos.

 Es posible el análisis continuo de la información, aunque si la variabilidad entre datos es elevada
es necesario algún método que permita llegar a soluciones confiables.
 Meta-Análisis: buscar acumular información variada para llegar a una apreciación exacta de un
problema
 Evaluación de estudios a pequeña escala con la información de otros, debido a que el desarrollo
de estos a escala global no siempre es posible, y a nivel muestra no cuenta con una total
veracidad, el enfoque bayesiano permite ratificar y refutar.
 Estudios de decisión.
Ejemplos

1. Una fábrica de tornillos tiene dos máquinas, la M1, que es más antigua, y hace el 75% de todos los
tornillos, y la M2, más nueva pero pequeña, que hace el 25% de los tornillos. La M1 hace un 4% de
tornillos defectuosos, mientras que la M2 tan sólo hace un 2% de tornillos defectuosos. Si escogemos
un tornillo al azar, ¿qué probabilidad hay de que salga defectuoso?

Podemos resolver el problema utilizando el teorema de la probabilidad total, que no es otra cosa que
utilizar un diagrama en árbol para resolverlo.

Miremos ahora el problema desde otro punto de vista. Si sabemos que un tornillo es defectuoso, ¿qué
probabilidad hay de que haya sido fabricado por la máquina M1?

Es decir, nos estamos preguntando por la probabilidad condicionada P(M1/D). Por un lado, por la
definición de probabilidad condicionada, tenemos que:

P(M1/D)=P(M1∩D)/P(D)

Por otro lado, si representamos nuestro problema en un diagrama en árbol, vemos que podemos
calcular P(M1∩D), ya que es la probabilidad de la rama marcada: ser fabricado por M1 y también ser
defectuoso.

Si tenemos en cuenta, además, el teorema de la probabilidad total:

P(D)=P(M1)*P(D/M1)+P(M2)*P(D/M2)

Llegamos finalmente a que:

P(M1/D)= (P(M1)*P(D/M1))/( P(M1)*P(D/M1)+P(M2)*P(D/M2))

P(M1/D)=(0,75*0,04)/(0,75*0,04+0,25*0,02)=0,857
2. Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el 20% se realizan
correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías correctivas. Se sabe
además, que son de género masculino el 25% de los que se realizan correcciones faciales, 15%
implantes mamarios y 40% otras cirugías correctivas. Si se selecciona un paciente al azar, determine:

a. Determine la probabilidad de que sea de género masculino

b. Si resulta que es de género masculino, determine la probabilidad que se haya realizado una cirugía
de implantes mamarios.

Solución:

Se definen los sucesos:

Suceso F: pacientes que se realizan cirugías faciales

Suceso M: pacientes que se realizan implantes mamarios

Suceso O: pacientes que se realizan otras cirugías correctivas

Suceso H: pacientes de género masculino

a. La probabilidad de que sea de género masculino se refiere a un problema de probabilidad total, ya

que es el suceso condicionado y las cirugías los condicionantes. Dicho valor será:

b. Como el suceso condicionado ha ocurrido entonces se aplica el teorema de Bayes, luego, el valor
de la probabilidad será:
3. La probabilidad de que haya un accidente en una fábrica que dispone de alarma es 0.1. La
probabilidad de que suene esta sí se ha producido algún incidente es de 0.97 y la probabilidad de que
suene si no ha sucedido ningún incidente es 0.02.

En el supuesto de que haya funcionado la alarma, ¿cuál es la probabilidad de que no haya habido
ningún incidente?

Sean los sucesos:

I = Producirse incidente.

A = Sonar la alarma.