Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen123
1
Ingeniero de Sistemas Universidad Libre. La aparicin de la inferencia bayesiana
2
Ingeniero de Sistemas. Especialista en Ingeniera dio inicio a una revolucin estadstica que
de Software. Especialista en Auditoria de
Sistemas. Magister en Administracin de
involucra el resurgimiento de la teora
Empresas. Coordinador Laboratorio de bayesiana. Es as como el uso de la
Modelamiento y Simulacin Empresarial. metodologa bayesiana es de progresivo
Universidad del Rosario
3
Estudiante estadstica matemtica de la inters, y aceptacin en distintas reas,
Universidad Nacional de Colombia
son numerosas las aplicaciones que de la los datos conocidos dentro de la
estadstica bayesiana que se estn estimacin de los parmetros dados
realizando. Por ejemplo, en el rea inicialmente, logrando as un proceso de
financiera, la Salud, en el campo estimacin ms rico en informacin
ingenieril. haciendo inferencias sobre las cantidades
desconocidas.
En el campo econmico, la inferencia
bayesiana comienza a tomar un lugar Todos los modelos bayesianos tienen en
significativo con respecto al comn la asignacin de la probabilidad
modelamiento de expectativas socio- como medida de creencia de una
econmicas que incorpora decisiones y hiptesis, as es que, la inferencia es un
hechos modificables para un proceso de proceso de reajuste de medidas de
anlisis. En este aspecto, el presente creencia al conocerse nuevos axiomas.
documento est ilustrado con ejemplos de
aplicacin prctica con elementos
bayesianos. 1. Conceptos Bayesianos
= {(1,1) ,(1,2),(1,3),,(6,4),(6,5),(6,6)}
7
PAUL L. MEYER. (1998). Probabilidad y
Aplicaciones Estadsticas. Addison Wesley Considrense los eventos (sucesos)
Longman
siguientes:
A= {(x1, x2)| x1+x2=10}, B={( x1,x2)| Teorema de multiplicacin de
x1>x2} probabilidades
De esta forma P(A) = 3/36 = 1/12 Un resultado a partir del teorema anterior
es P(A) P (A/B) = P (B) P (A/B)
P (B) = 15/36 = 5/12
Teorema de la probabilidad total; para
Ahora considrese encontrar la mostrar y entender este teorema se
probabilidad del evento B sujeto a que el definen algunos conceptos bsicos
evento A se dio; esto es ahora nuestro necesarios
espacio muestral no es el original sino
A; por lo tanto esta probabilidad notada Definicin: Se dice que los sucesos {A1,
P (B/A) es 1/3 ya que de los tres puntos A2,, An} representan una particin del
muestrales de A, uno de ellos (6,4) espacio muestral si:
pertenece al evento B.
a) Ai Aj = si i j cualquier par
Por ltimo se analiza el evento AB esto de eventos en la particin deben
es la interseccin de los dos eventos; ser mutuamente excluyentes.
AB = {(6,4)} por lo tanto b) la unin de los eventos
P (AB) =1/36. sucesos {A1, A2,, An} es el
espacio muestral
Se observa que:
c) P(Ai)> 0 para todo i
P (B/A) = P (AB)/ P(A)=12/36= 1/3.
Importante, una vez se efectu el
experimento ocurre uno y slo uno de
Definicin: Sean A y B dos eventos
los sucesos Ai.
asociados con un experimento , se tiene
la probabilidad del evento B sujeto a A
El siguiente diagrama de ven ilustra
como P (B/A)= P (AB)/ P(A) si P(A)>0
claramente la situacin:
dado nuestro evento B est dado por: P
(Ai, / B).
p (B) p (B)
Partiendo del fundamento anterior, a
continuacin se muestra un ejemplo
sencillo y bsico del funcionamiento del
Una fbrica de Embutidos produce 5000
empaques diarios de salchichas. La
9
maquina A produce 3000 empaques, de
SILVA LC, BENAVIDES A. (2001). El
los cuales el 2% quedan mal embutidos
enfoque bayesiano: otra manera de inferir. Gac
Sanit. (defectuosos) y la maquina B produce los
2000 restantes de los que se sabe el 4% Se conoce que el empaque seleccionado
son defectuosos. Determinar la es defectuoso, se debe relacionar la rama
probabilidad de que un envase elegido al que nos solicitan en el problema con
azar sea defectuoso y que proceda de la respecto a la probabilidad total:
mquina A o de la mquina B.
Probabilidad de que el empaque
Para determinar estas probabilidades se defectuoso sea de la Mquina A
debe realizar un rbol de probabilidad
para definir las variables de que un p (A /D) = p (AD)/ p (D) =
empaque sea o no defectuoso. 0.012 / 0.028 = 0.4286
Corresponde al 4.2 %
aproximadamente
15
RAMREZ, SONIA. & GUTIRREZ, LUIS
14
ROBERT, STEEL. (1960). " Principles and ALBERTO. (2008). Probabilidad y Estadstica
Procedures of Statisticas", ed. Mc Graw Hill II. Colegio de Bachilleres del Estado de Sonora.
modificar nuestra probabilidad ante la mediante una distribucin de
ocurrencia de otro evento dentro de probabilidad, ajustar un modelo
mediante la utilizacin del teorema de probabilstico, permitiendo obtener
Bayes. informacin de los parmetros sobre los
cuales se desea realizar alguna
Naturalmente el surgimiento de una estimacin.
nueva corriente estadstica, obedece a
falencias presentadas dentro de la Un gran desarrollo en los ltimos aos se
inferencia clsica, una de ellas son las ha dado en el campo de la estadstica
encontradas en las pruebas de hiptesis bayesiana, en gran medida debido al gran
esto obliga a corregir las fallas avance en los computadores, que han
presentadas o en su defecto reemplazarla introducido en su lenguaje distinto
por una nueva; es all donde surge el paquetes estadsticos.
anlisis bayesiano.
Debido a que la inferencia bayesiana est
Uno de los deseos de todo anlisis de fundada en un mtodo basado en datos
datos a una poblacin, es que este gane en histricos, puede captar las situaciones en
objetividad, es decir que el punto de vista que la dinmica del mercado muestre una
del investigador poco o nada puedan firme estrategia de cambios importantes,
afectar las conclusiones del experimento. lo cual proporciona un buen indicador de
las condiciones futuras del mercado. 16
El estudio de la inferencia clsica,
depende primordialmente del tamao de Aplicando la inferencia Bayesiana es
la muestra, es decir esta inferencia se ve posible identificar distintos tipos de
directamente influenciada por este patrones de transicin como estados de
elemento exgeno, por el contrario la ganancias discretas en un gran conjunto
principal metodologa de la estadstica de datos administrativos. Adems, se
bayesiana obedece a la utilizacin de una puede investigar acerca de los efectos y
distribucin de probabilidad para poder las condiciones del mercado por medio de
describir las cantidades desconocidas la estimacin de un modelo
dentro de un problema, estimar un probabilstico.
parmetro, en otras palabras, la estadstica
bayesiana se apoya primordialmente en Tambin se puede estudiar y analizar las
una distribucin de probabilidad para la deficiencias futuras de las actividades
toma de una decisin en nuestro operacionales de una empresa, con la
experimento de estudio. aplicacin del mtodo de inferencia
(3)Verosimili
(2)Probabilid
(5)Probabilid
(4) Producto
de inters
accidente
ad inicial
ad final
tud
Verosimilitud
(5)Probabilid
Probabilidad
(4) Producto
de accidente
(1) Sucesos
de inters
Menor 0,22 0,11 0,0242 0,3829
ad final
inicial
(2)
(3)
30
aos
Mayor 0,78 0,05 0,039 0,6171 Menor
o 0,22 0,11
30 aos
igual Mayor
30 o igual 0,78 0,05
aos 30 aos
Suma 0,0632 1 Suma
Solucin El 38% de los accidentes que tiene que
pagar la compaa son de conductores de
Puesto que se tiene que pasar de menos de 30 aos.
probabilidades iniciales a finales, hay que
usar el teorema de Bayes. Una forma
sencilla es usar la tabla para organizar los
datos y clculos. En primer lugar
colocamos en ella los datos conocidos
(5)Probabilid
(3)Verosimili
(2)Probabilid
(4)Producto
(1) Sucesos
(sucesos de inters, sus probabilidades de inters
accidente
ad inicial
ad final
tud de
iniciales y verosimilitudes
Menor
0,22 0,11 0,0242
A continuacin se realiza los productos 30 aos
de las columnas (2) y (3), y se obtiene la
suma de los productos (columna 4) Mayor
o igual 0,78 0,05 0,039
30 aos
Suma 0,0632
Como cientfico de computacin, Judea De aqu se puede determinar que una red
Pearl es conocido como uno de los bayesiana ser una estructura en la que se
gigantes en el campo de la inteligencia encapsulan las relaciones de dependencia
artificial, debido a sus aportes en la que hay entre los atributos de los datos
representacin del conocimiento, la lgica observados, describiendo la distribucin
no estndar, y el aprendizaje. Los textos de probabilidad en un conjunto de
de Judea Pearl acerca del razonamiento variables permitiendo identificar
probabilstico en sistemas inteligentes y dependencias entre los diferentes
el razonamiento probabilstico en conjuntos de variables. Es un modelo
sistemas expertos son ensayos que probabilstico que relaciona un conjunto
resumen las propiedades de las redes de variables aleatorias mediante un grafo
bayesianas, lo cual contribuy a dirigido, son redes graficas sin ciclos en
establecer las redes bayesianas como un el que se representan variables aleatorias
campo de estudio. y las relaciones de probabilidad que
existan entre ellas que permiten
Durante el proceso de representar conseguir soluciones a problemas de
conocimiento con un alto nivel de decisin en casos de incertidumbre.
incertidumbre y la manipulacin del
Una red Bayesiana es una herramienta
18
SHAFER, GLENN & PEARL, JUDEA. (1990) informtica a la que puede crearse
Readings in uncertain reasoning.Morgan diferentes modelos dependiendo del caso
Kaufmann, San Mateo, CA. de estudio segn la concepcin que tenga
el diseador y de las condiciones del para el procesamiento de determinados
comportamiento de las variables. En esta riesgos operacionales.
herramienta sobresale debido a que no
solo permite un proceso hacia atrs A principios de la dcada de los 80 se
(backward), por ejemplo como una present limitantes con respecto a los
operacin financiera que ha sido realizada primitivos sistemas probabilsticos en
en trminos de riesgos operacionales; sino cuanto a cuantificacin computacional,
tambin hacia adelante (forward) donde problema que fue tratado con el manejo
la red puede calcular las probabilidades de independencia condicional de variables
de prdida o de beneficio usando la regla y la creacin de modelos grficos
de Bayes.19 probabilsticos que actualmente permiten
elaborar algoritmos con caractersticas de
Como foco activo de investigacin, las razonamiento.
redes bayesianas ofrecen variadas
propuestas de algoritmos tanto para el El mtodo ms usado en los ltimos aos
aprendizaje como para la realizacin de en tareas de aprendizaje, clasificacin y
inferencias brindando de este modo anlisis cualitativo de datos han sido las
distintas aplicaciones como clasificacin, redes bayesianas, las cuales permiten
prediccin y diagnstico. realizar representaciones entre las
relaciones de los atributos y
Las redes bayesianas se caracterizan por representacin del conocimiento con
poseen las redes bayesianas se puede incertidumbre debido al creciente aporte
destacar que permiten aprender sobre en campos de investigacin como teora
relaciones de dependencia y causalidad, de toma de decisiones, estadstica e
las cuales combinan conocimiento con inteligencia artificial.
datos.20
Con el uso de estas redes se ha eliminado
Adicionalmente, se manifiestan en la algunos problemas de razonamiento
toma de decisiones en general, en el probabilstico como el de poder
anlisis de riesgos, anlisis de fiabilidad, representar la incertidumbre en un
en el desarrollo de sistemas expertos de esquema general de razonamiento
origen comercial, este ultimo debido al describiendo las relaciones existentes
creciente manejo en el sector bancario entre las variable mediante probabilidades
condicionadas.21
19
PEARL JUDEA. (2000). Causality: Models,
Reasoning and Inference, CUP. Chapters 1, 5
and 7.
20
DAVID A. VELASCO. (2007). Redes 21
D.W. North. (1988)"A tutorial introduction to
Bayesianas un enfoque hacia la Inteligencia
Artificial. decision theory". IEEE Trans. Systems Science
and Cybernetics,. Reprinted in Shafer & Pearl. 4-
Debido a su fcil interpretacin las redes Es importante observar la estructura de la
bayesianas permiten extraer las red que suministra informacin sobre las
explicaciones ms probables dentro de dependencias probabilsticas entre las
una determinada observacin variables y las independencias
incorporando el conocimiento en forma condicionales de estas. La insercin de
cualitativa. La variabilidad e las relaciones de independencia en la
incertidumbre de algn proceso puede ser estructura de las redes bayesianas es una
capturado por las redes bayesianas desde excelente herramienta para representar
el punto de vista probabilstico, conocimiento de forma compacta basada
suministrando distribuciones de en la propagacin de las probabilidades
probabilidad para diferentes intervalos de acuerdo con las leyes de la teora de la
de tiempo dadas algunas condiciones probabilidad.
iniciales.
3. La toma de decisiones y el
La inferencia que se realiza dentro del mtodo bayesiano
proceso de elaboracin de una red
bayesiana consiste en extraer la La toma de decisiones se considera
informacin obtenida por las variables como una funcin basada en el ejercicio
manipuladas dentro del proceso de del anlisis en fro de la verificacin de
construccin de una red bayesiana hechos concretos y en la capacidad de
despus de ser comparada con las hacer inferencias sobre la ocurrencia de
variables no observadas. Esto permite eventos futuros.
que sea factible describir las relaciones
entre las variables a partir de los datos. Para mejorar las estimaciones de
Incluso es posible aprender la estructura probabilidad en la toma de decisiones, se
completa de la red a partir de datos hace necesaria la aplicacin del Teorema
completos o con algunos de sus valores de Bayes donde las estadsticas que se
desconocidos; lo cual puede utilizarse realizan consisten en observar el anlisis
para tomar decisiones radicales de los datos, lo que permite al
implantando posibles acciones tomando investigador realizar inferencias o hacer
beneficio de los resultados.22 exclusiones u opiniones personales sobre
el tema de estudio.23La Estadstica
Bayesiana tiene el propsito de
incorporar juicios encaminados en el
(3)- 19-68 (cubre slo la parte normativa de la anlisis de los datos basadas en la
teora de la decisin) experiencia.
22 23
GEIGER, D., and Goldszmidt, M. (1997). ALEXANDER, C. (2003).Operacional Risk.
Bayesian network classifiers. Machine Regulation, Analysis and Management. Financial
Learning 29, 131163. Times / Prentice Hall
La diferencia principal que existe entre la que las decisiones a menudo deben
estadstica clsica y la inferencia hacerse en condiciones de incertidumbre.
Bayesiana consiste en que la estadstica
clsica utiliza intervalos de estimacin y Los modelos bayesianos tambin se han
prueba de hiptesis y el anlisis aplicado a los precios en el comercio de
estadstico Bayesiano evala las acciones materias primas, en este contexto, la
de la alternativa de decisin dentro del aplicacin de un modelo bayesiano se
contexto de las consecuencias hace a travs de las expectativas de
econmicas. Estas consecuencias precios de los fabricantes; por ejemplo si
econmicas pueden ser formuladas como se supone que todos los pedidos son de
valores econmicos o prdida de un gran lote de reserva y que el fabricante
oportunidad comercial representados en cree que los precios de las rdenes de
un contexto evaluativo. compra, son generados por una
distribucin normal segn dicha orden de
Desde un aspecto prctico, el anlisis compra. Supngase, adems, que el
estadstico clsico utiliza procedimientos fabricante no est seguro de la media de
de decisin basndose totalmente en el distribucin de los precios de compra, lo
estudio de los datos obtenidos a travs de cual representa una incertidumbre ante los
un muestreo aleatorio de la poblacin posibles valores de la media de
total, los procedimientos de decisin distribucin.24
relacionados con el mtodo de inferencia
Bayesiana incluye el anlisis de los datos El anlisis posterior permite al fabricante
de la muestra, pero no depende perfeccionar la estimacin de la varianza
nicamente de la disponibilidad de dichos del menor precio ofrecido siguiendo un
datos. anlisis bayesiano que le permite entrar al
mercado con una ptima competencia.
Una de las principales aplicaciones de los
Modelos Bayesianos es la derivacin de Debido al crecimiento de la actividad en
las diferentes alternativas con el propsito el sector financiero las redes bayesianas
de alterar las probabilidades asocindolas han realzado su importancia ya que son
con una situacin de decisin, en la que utilizadas como herramienta de anlisis
los datos en los que se basa en s, es en en el riesgo financiero, obligando a las
los juicios de los individuos. entidades financieras a formular distintos
mtodos de deteccin y regulacin en el
La Inferencia Bayesiana es una tratamiento de riesgos operacionales.
alternativa til para anlisis en
aplicaciones empresariales en proporcin 24
ZELLNER, A. (1987): Introduccin a la
de los costos reales y las oportunidades en inferencia bayesiana en Econometra.: John
Wiley & Sons.
En este caso los modelos de redes riesgo, considerar el riesgo operacional
bayesianas tienen presente al informacin con aspectos relacionados al mercado y al
histrica de los datos que corresponden a crdito, apoyar la gestin y la toma de
los acontecimientos de riesgo como decisiones o incluso realizar modelos de
indicadores de perdida para poder diagnostico medico, adems de optimizar
explicar la informacin contenida en los proceso de la ingeniera de software.25
trminos financieros.
Son demasiados los procesos en que las
Las redes bayesianas que se construyen redes bayesianas han brindado su apoyo,
para indicar factores de riesgo a continuacin se presentan algunos
operacional, representan bsicamente la interesantes proyectos investigativos y
definicin de variables y la estimacin de aplicativos que sirven para comprender
probabilidades de diferentes categoras de mejor el objetivo de los mtodos
un evento, entre ellas estn la ms usadas bayesianos.
para expresar probabilidades
condicionales en los indicadores de Por ejemplo en el capo de la medicina se
riesgos. encuentran diferentes proyectos que han
servido para realizar diagnsticos para
Durante el proceso de creacin de una red la clasificacin de servicios mdicos;
bayesiana se debe revisar las como es el caso del licenciado Severino
probabilidades condicionales de la Fernndez Galn de la universidad de
informacin histrica requerida Madrid, quien en su tesis doctoral
inicialmente y aplicar la metodologa desarrolla un sistema que ayuda a los
distribucin de probabilidad segn sea el onclogos a determinar algn tipo de
caso de estudio, por ejemplo el nmero de cncer en la faringe de los humanos y el
operaciones o productos sujetos a modelo de crecimiento que este tenga.
prdidas para el estudio de riesgos Fernndez afirma: El diagnstico y el
operacionales; en donde se deber pronstico de la extensin de un cncer
recopilar toda la informacin contenida son tareas llenas de incertidumbre. Esto
en datos externos como fraudes y robos y es debido, por un lado, a la naturaleza no
de este modo sacar el mayor provecho al determinista de que las esta enfermedad
en foque bayesiano. y, por otro lado, a la informacin
incompleta, imprecisa o errnea que el
Cada empresa est en la libertad de onclogo puede obtener. Por ello, las
construir el modelo de red bayesiana que redes bayesianas resultan apropiadas para
mejor se adecue a sus necesidades, ya sea
para acrecentar la transparencia del 25
NEIL, M. & Trahan E. (2002). Using Bayesian
proceso de operacin, realizar un anlisis Networks Topredic Operational Risk. Capital
para revelar situaciones extremas de Markets News.
el modelado de procesos causales con
incertidumbre como los que determinan la
evolucin de un cncer.26