Está en la página 1de 6

INGENIERIA EN SISTEMAS

COMPUTACIONALES

Razonamiento
probabilístico y
teorema de Bayes.
Del Ángel Lara Gustavo 14070746

Inteligencia Artificial

Marco Antonio Aguirre Lam.

Hora: 15:00 p.m. – 16:00 p.m.


Fecha: Lunes 16 de Abril de 2018
Tarea investigar:
El razonamiento es un proceso que permite a las personas extraer conclusiones a partir de
premisas dadas previamente
Concepto de Razonamiento Probabilístico
El razonamiento probabilístico es considerado un tipo de razonamiento que se apoya en los
modelos de la teoría de probabilidades. La probabilidad es un concepto matemático que tiene
que ver con las leyes del azar: es la frecuencia esperada o teórica cuando entran en función
las leyes de la casualidad.
Los sistemas de razonamiento basados en modelos de redes y, con base en las leyes de la
teoría de la probabilidad, se emplean para razonar en situaciones de incertidumbre.
La principal ventaja del razonamiento probabilístico en comparación con el razonamiento
lógico es que el agente lógico puede tomar decisiones racionales aún si disponer de suficiente
información para probar que una acción dada funcionará.
Teorema de Bayes
A) Definición
Sean A1,A2,...,An, sucesos mutuamente excluyentes y de probabilidad no nula, tales que A1
∪ A2 ∪ ... ∪ An = Ω. Si B es un suceso en Ω de probabilidad no nula, entonces:
B) Aplicación

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 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.4
5. En el testeo de hipótesis en Ciencia Política cuando se usa metodología process
tracing.

C) Ejemplo

En un sector de la ciudad, se contabilizaron 220.000 pasajeros que viajan en un período


determinado, - entre las 12:00 y las 13:00 horas -, las cifras señalan que el 20% de esta
población se transporta en la línea E1, un 35% se moviliza en la línea E2 y el restante en
otras líneas (Llamemos E3).

Distribución - Evento1
E1 fr E2 fr E3 fr
77.000 35% 44.000 20% 99.000 45%

La estadística muestra además que el 25% que ocupa la línea E1 son hombres, el 15% de los
hombres la línea E2 y el 60% de las mujeres viaja en las otras líneas de transporte.

Las distribuciones discretas de probabilidad se muestran, es las siguientes tablas a


continuación:

Distribución Género por Líneas


E1 E2 E3
H M H M H M
25% 75% 15% 85% 40% 60%

¿Cuál es la probabilidad que un hombre haya utilizado la línea de transporte E2?


Diagrama

Es claro que se definen tres carriles en el Diagrama 5 de árbol, E1, E2 y E3. Donde cada uno
de ellos cuenta con dos ramas binarias de género. Por tanto los eventos son: Pasajeros que
pueden utilizar una de las tres líneas y desde ahí, el evento que el Pasajero pueda ser hombre.

La Probabilidad Total de ser Hombre se calcula como:

Pc(H) = P(E1) · P(H/E1) + P(E2) · P(H/E2) + P(E3)·P(H/E3)

Es decir, en términos numéricos:

Aplicando el Teorema de Bayes:


Fuentes de información

Experimento 3

http://www.docirs.cl/entender_teorema_de_bayes_simple.asp

Teoremas principales en probabilidad

http://www.ma.uva.es/~antonio/Industriales/Apuntes_10-11/EstaE/10_Tema-03.pdf

Ejercicios Teorema de Bayes

https://www.sangakoo.com/es/temas/teorema-de-bayes

También podría gustarte