Teorema de Bayes

En la teora de la probabilidad el Teorema de Bayes es un resultado enunciado por Thomas

Bayes en 1763
1
que expresa la probabilidad condicional de un evento aleatorio A dado B en
trminos de la distribucin de probabilidad condicional del evento B dado A y la
distribucin de probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, el teorema de Bayes es de enorme
relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado
A. Es decir que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene
gripe, se podra saber -si se tiene algn dato ms-, la probabilidad de tener gripe si se tiene
un dolor de cabeza, muestra este sencillo ejemplo la alta relevancia del teorema en cuestin
para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la comprensin
de la probabilidad de aspectos causales dados los efectos observados.
Sea un conjunto de sucesos mutuamente excluyentes y
exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero (0).
Sea B un suceso cualquiera del que se conocen las probabilidades condicionales
. Entonces, la probabilidad viene dada por la expresin:

donde:
son las probabilidades a priori.
es la probabilidad de en la hiptesis .
son las probabilidades a posteriori.


Frmula de Bayes
Adems, unido a la definicin de Probabilidad condicionada, obtenemos la Frmula de
Bayes, tambin conocida como la Regla de Bayes:


Aplicaciones
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin
embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los
seguidores de la estadstica tradicional slo admiten probabilidades basadas en
experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados
estadsticos bayesianos permiten probabilidades subjetivas. El teorema puede servir
entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando
recibimos informacin adicional de un experimento. La estadstica bayesiana est
demostrando su utilidad en ciertas estimaciones basadas en el conocimiento subjetivo a
priori y el hecho de permitir revisar esas estimaciones en funcin de la evidencia emprica
es lo que est abriendo nuevas formas de hacer conocimiento. Una aplicacin de esto son
los clasificadores bayesianos que son frecuentemente usados en implementaciones de filtros
de correo basura o spam, que se adaptan con el uso.
Como observacin, se tiene y su demostracin resulta trivial.
Ejemplo:
Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente)
deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?).
La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a intentar
explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que
este teorema tambin exige que el suceso A forme un sistema completo.
Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la
siguiente:
a) Si llueve: probabilidad de accidente del 10%.
b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no
sabemos qu tiempo hizo (nev, llova o hubo niebla). El teorema de Bayes nos permite
calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se
denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con
el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las
probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se
denominan "probabilidades a posteriori".
Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad
a posteriori) es del 71,4%.
b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.
c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%.