INSTITUTO TECNOLOGICO SUPERIOR

DE ALVARADO

Ingeniería en Sistemas Computacionales

Materia:
PROBABILIDAD Y ESTADISTICA

Semestre-Grupo:
SEGUNDO SEMESTRE

Producto Académico:
INVESTIGACIÓN

Presenta:
TERRONES CRUZ ALFREDO ANTONIO
GUTIÉRREZ REYES VINCEN EDUARDO
REYES HERNÁNDEZ CESAR ALBERTO
MEJÍA BAUTISTA JESÚS ÁNGEL
BONILLAS HERNÁNDEZ MAURICIO IVÁN
CÓRDOVA VALENZUELA EDGAR GEREMÍAS

Docente:
MARTINEZ VAZQUEZ GREGORIO

H. Y G. ALVARADO, VER. ENERO-JULIO 2016

 CONTENIDO
INTRODUCCIÓN ............................................................................................................... 2
EL TEOREMA DE BAYES ................................................................................................ 3
APLICACIONES: .............................................................................................................. 4
SUCESO CONDICIONADO .............................................................................................. 5
INDEPENDENCIA DE SUCESOS ..................................................................................... 6
VARIABLES (ALEATORIOS: DISCRETOS, CONTINUOS) .............................................. 7
MASA DE LA PROBABILIDAD ........................................................................................ 8
VALOR ESPERADO ......................................................................................................... 9
VARIANZA ........................................................................................................................ 9
DISCRETAS .................................................................................................................... 10
CONCLUSIÓN................................................................................................................. 11
REFERENCIAS ............................................................................................................... 12
INTRODUCCIÓN

En el siguiente trabajo se hablara del teorema de Bayes, desde sus conceptos

básicos hasta sus distintas aplicaciones en los distintos campos, el teorema a pesar
de ser muy simple tiene sus dificultades en la aplicación, sin embargo después de
un buen entendimiento aplicarlo se vuelve cotidiano, el teorema explica y define
muchas cosas en conjunto e individualmente por lo que destaca una gran
importancia en el, toda la información se presenta a continuación.
EL TEOREMA DE BAYES:
En la teoría de la probabilidad, es una proposición planteada por el filósofo inglés
Thomas Bayes (1702-1761)1 en 1763,2 que expresa la probabilidad condicional de
un evento aleatorio A dado B en términos de la distribución de probabilidad
condicional del evento B dado A y la distribución de probabilidad marginal de sólo
A.
En términos más generales y menos matemáticos, 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 podría saber (si se tiene algún dato más), la
probabilidad de tener gripe si se tiene un dolor de cabeza. Muestra este sencillo
ejemplo la alta relevancia del teorema en cuestión para la ciencia en todas sus
ramas, puesto que tiene vinculación íntima con la comprensión 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 expresión:

Donde:

 son las probabilidades a priori.

 es la probabilidad de en la hipótesis .
 son las probabilidades a posteriori.
 Con base en la definición de Probabilidad condicionada, obtenemos la
Fórmula de Bayes, también conocida como la Regla de Bayes:


 Esta fórmula nos permite calcular la probabilidad condicional de
cualquiera de los eventos , dado . La fórmula "ha originado
muchas especulaciones filosóficas y controversias".
APLICACIONES:
El teorema de Bayes es válido en todas las aplicaciones de la teoría de la
probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que
emplea. En esencia, los seguidores de la estadística tradicional sólo admiten
probabilidades basadas en experimentos repetibles y que tengan una confirmación
empírica mientras que los llamados estadísticos bayesianos permiten
probabilidades subjetivas. El teorema puede servir entonces para indicar cómo
debemos modificar nuestras probabilidades subjetivas cuando recibimos
información adicional de un experimento. La estadística bayesiana está
demostrando su utilidad en ciertas estimaciones basadas en el conocimiento
subjetivo a priori y el hecho de permitir revisar esas estimaciones en función de la
evidencia empírica es lo que está abriendo nuevas formas de hacer conocimiento.
Una aplicación 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. Otra aplicación se encuentra en la fusión de datos, combinando
información expresada en términos de densidad de probabilidad proveniente de
distintos sensores.

Como observación, se tiene y su demostración resulta trivial.

Como aplicaciones puntuales:

1. El diagnóstico de cáncer.
2. Evaluación de probabilidades durante el desarrollo de un juego de bridge
por Dan F. Waugh y Frederick V. Waugh.
3. Probabilidades a priori y a posteriori.
4. Un uso controvertido en la Ley de sucesión de Laplace.
SUCESO CONDICIONADO

Ejemplo. Una familia tiene tres hijos. Construir un diagrama de árbol y calcular las
siguientes probabilidades:
1. El primer hijo sea niña, A, (♦)
2. Exactamente dos sean niñas, B, (􀂒)
3. Se cumplan ambas condiciones
4. Exactamente dos sean niñas, si el primero es niña
INDEPENDENCIA DE SUCESOS

El suceso A es independiente del suceso B si y sólo si

Se verifica: P (A / B) = P (A)
Si P (A / B) ≠ P (A) el suceso A es dependiente de B
􀂒 La independencia es una propiedad recíproca
El suceso A es independiente del suceso B
El suceso B es independiente del suceso A
Dos sucesos son independientes si

Si los sucesos A y B son independientes, se verifica:

Los sucesos A y BC son independientes
Los sucesos AC y B son independientes
Decimos que n sucesos son independientes si se verifica:
VARIABLES (ALEATORIOS: DISCRETOS, CONTINUOS)
MASA DE LA PROBABILIDAD
VALOR ESPERADO

VARIANZA
DISCRETAS
Es una distribución discreta
Resulta de una serie de experimentos con solo dos valores de salida posibles
(ensayos de Bernoulli), siendo cada ensayo independiente de los otros. Ejemplo:
lanzar repetidamente una moneda.
La familia de las distribuciones binomiales calcula el número r de ´éxitos en n
ensayos, dado que la probabilidad de ´éxito en un ensayo es p.

No todos coinciden en que los fundamentos filosóficos de la estadística basada en

frecuencia sean sólidos.
El principal rival es el enfoque Bayesiano...
Supongamos que uno lanza una moneda 10 veces y sale cara 8 veces. Si la moneda
no está trucada, uno diría que el estimativo no es correcto.
La probabilidad frecuencia lista diría que los datos revelan que la probabilidad de
obtener cara es 8/10
Los Bayesianos dirían que si se hubieran realizado más ensayos la cantidad de
caras y sellos habría terminado por equilibrarse y que la probabilidad de obtener
cara es ½

8/10 es un estimativo de máxima verosimilitud

El enfoque Bayesiano parte de una creencia a priori que se va refinando con las
observaciones que se realizan.
Notar que estas creencias a priori influencias aquello que creemos y lo que estamos
dispuestos a creer, aun ante la existencia de datos contra evidentes.

La estadística Bayesiana mide el grado de credibilidad y se calcula comenzando

con una probabilidad a priori actualizándola en la presencia de evidencia por medio
del teorema de Bayes.La teor´ıa de decisiones Bayesiana permite evaluar cual
modelo familia explica mejor un conjunto de datos. Se calcula el teorema de Bayes
para cada modelo, se dividen los valores obtenidos, eso se llama rata de
verosimilitud, si da > 1 el modelo del numerador es mejor y sino el del denominador
es mejor. Elegir el que gane con esta medida es tomar una decisión óptima de
Bayes.
CONCLUSIÓN

El teorema de Bayes es válido en todas las aplicaciones de la teoría de la probabilidad. Sin embargo,
hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la
estadística tradicional sólo admiten probabilidades basadas en experimentos repetibles y que
tengan una confirmación empírica mientras que los llamados estadísticos bayesianos permiten
probabilidades subjetivas. El teorema puede servir entonces para indicar cómo debemos modificar
nuestras probabilidades subjetivas cuando recibimos información adicional de un experimento. La
estadística bayesiana está demostrando su utilidad en ciertas estimaciones basadas en el
conocimiento subjetivo a priori y permitir revisar esas estimaciones en función de la evidencia es lo
que está abriendo nuevas formas de hacer conocimiento. Una aplicación 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.
REFERENCIAS
Álvarez G. (03/2008). Bases Formales de la Computación: California: Ecua.
Uscanga R. (09/2010). Probabilidad. Teorema de Bayes. Nevada: WDD.
Arias G. (02/2012). CÁLCULO DE PROBABILIDADES. New york: WTDC.
Rodríguez H. (06/2009). Estadística. MX: UNID.