23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u

observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser
cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante
el proceso de inferencia. El teorema de Bayes se ha derivado del trabajo realizado por el matemático
Thomas Bayes. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión,[1] visión
artificial[2](simulación de la percepción en general)[3] y reconocimiento de patrones por ordenador.

Contexto inicial

La incertidumbre y la imprecisión son connaturales en el proceso de razonamiento. La lógica

establece unas reglas de inferencia a partir de las cuales se construye el sistema de razonamiento
deductivo, en el que una proposición determinada es considerada como cierta o falsa, sin que se
admitan grados entre estos dos extremos. Los métodos de razonamiento aproximado, entre los que
se encuentran los métodos bayesianos, aportan modelos teóricos que simulan la capacidad de
razonamiento en condiciones de incertidumbre, cuando no se conoce con absoluta certeza la
verdad o falsedad de un enunciado o hipótesis, e imprecisión, enunciados en los que se admite un
rango de variación.

Entre los métodos de razonamiento aproximado se encuentran los métodos bayesianos, basados
en el conocido teorema de Bayes. Todos ellos tienen en común la asignación de una probabilidad
como medida de credibilidad de las hipótesis. En este contexto, la inferencia se entiende como un
proceso de actualización de las medidas de credibilidad al conocerse nuevas evidencias. Mediante la
aplicación del Teorema de Bayes se busca obtener las probabilidades de las hipótesis condicionadas
a las evidencias que se conocen. La diferencia entre los distintos métodos bayesianos, modelos
causales y redes bayesianas, estriba en las hipótesis de independencia condicional entre hipótesis y
evidencias. Dichas relaciones se expresan comúnmente mediante un grafo acíclico dirigido.

Evidencia y creencias cambiantes

La inferencia bayesiana utiliza aspectos del método científico, que implica recolectar evidencia que
se considera consistente o inconsistente con una hipótesis dada. A medida que la evidencia se
acumula, el grado de creencia en una hipótesis se va modificando. Con evidencia suficiente, a
menudo podrá hacerse muy alto o muy bajo. Así, los que sostienen la inferencia bayesiana dicen
que puede ser utilizada para discriminar entre hipótesis en conflicto: las hipótesis con un grado de
creencia muy alto deben ser aceptadas como verdaderas y las que tienen un grado de creencia muy
bajo deben ser rechazadas como falsas. Sin embargo, los detractores dicen que este método de

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 1/6
23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

inferencia puede estar afectado por un sesgo debido a las creencias iniciales que se deben sostener
antes de comenzar a recolectar cualquier evidencia.

¿Qué es lo atractivo de la Estadística Bayesiana?

i) Construcción axiomática
ii) Una sola regla de decisión
iii) La única que ofrece solución para ciertos problemas

Axiomas de coherencia

i) Comparación
ii) Transitividad
iii) Dominancia-Sustitución
iv) Referencia

Ejemplos de inferencia

Un ejemplo de inferencia bayesiana es el siguiente:

Durante miles de millones de años, el sol ha salido después de haberse puesto. El sol se ha puesto
esta noche. Hay una probabilidad muy alta de (o 'Yo creo firmemente' o 'es verdad') que el sol va
a volver a salir mañana. Existe una probabilidad muy baja de (o 'yo no creo de ningún modo' o 'es
falso') que el sol no salga mañana.

La inferencia bayesiana usa un estimador numérico del grado de creencia en una hipótesis aún
antes de observar la evidencia y calcula un estimador numérico del grado de creencia en la hipótesis
después de haber observado la evidencia. La inferencia bayesiana generalmente se basa en grados
de creencia, o probabilidades subjetivas, en el proceso de inducción y no necesariamente declara
proveer un método objetivo de inducción.

Definiciones formales

A pesar de todo, algunos estadísticos bayesianos creen que las probabilidades pueden tener un
valor objetivo y por lo tanto la inferencia bayesiana puede proveer un método objetivo de
inducción. (Ver método científico.) Dada una nueva evidencia, el teorema de Bayes ajusta las
probabilidades de la misma de la siguiente manera:

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 2/6
23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

donde

representa una hipótesis, llamada hipótesis nula, que ha sido inferida antes de que la nueva
evidencia, , resultara disponible.

se llama la probabilidad a priori de .

se llama la probabilidad condicional de que se cumpla la evidencia si la hipótesis

es verdadera. Se llama también la función de verosimilitud cuando se expresa como una función
de dado .

se llama la probabilidad marginal de : la probabilidad de observar la nueva evidencia

bajo todas las hipótesis mutuamente excluyentes. Se la puede calcular como la suma del
producto de todas las hipótesis mutuamente excluyentes por las correspondientes probabilidades
condicionales: .

se llama la probabilidad a posteriori de dado .

El factor representa el impacto que la evidencia tiene en la creencia en la

hipótesis. Si es posible que se observe la evidencia cuando la hipótesis considerada es verdadera,
entonces este factor va a ser grande. Multiplicando la probabilidad a priori de la hipótesis por este
factor va a resultar en una gran probabilidad a posteriori dada la evidencia. En la inferencia
bayesiana, por lo tanto, el teorema de Bayes mide cuánto la nueva evidencia es capaz de alterar la
creencia en la hipótesis.

Establecimiento de la inferencia

Los estadísticos bayesianos sostienen que aun cuando distintas personas puedan proponer
probabilidades a priori muy diferentes, la nueva evidencia que surge de nuevas observaciones va a
lograr que las probabilidades subjetivas se aproximen cada vez más. Otros, sin embargo, sostienen
que cuando distintas personas proponen probabilidades a priori muy diferentes, las probabilidades
subjetivas a posteriori pueden no converger nunca, por más evidencias nuevas que se recolecten.
Estos críticos consideran que visiones del mundo que son completamente diferentes al principio
pueden seguir siendo completamente diferentes a través del tiempo por más evidencias que se
acumulen.

Multiplicando la probabilidad anterior por el factor nunca se podrá

obtener una probabilidad superior a 1. Ya que es al menos mayor que , lo que

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 3/6
23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

permite la igualdad (véase probabilidad conjunta), reemplazando con

en el factor esto dejará una probabilidad posterior de 1. Por lo tanto,
la probabilidad posterior no llegará a ser mayor que uno sólo si fuese menor que
lo que nunca es cierto.

La probabilidad de dado , , puede ser representada como una función de su

segundo argumento, lo que puede hacerse propocionando un valor. Tal función se denomina
función de verosimilitud; es función de dado . Una proporción de dos funciones de
verosimilitudes que se denomina proporción de verosimilitud, . Por ejemplo:

La probabilidad marginal , puede ser representada además como la suma de los productos de
todas las probabilidades de las hipótesis exclusivas mutuamente y que corresponden a
probabilidades condicionales: .

Como resultado, se puede reescribir el teorema de Bayes como:

Con dos evidencias independientes y , la inferencia bayesiana se puede aplicar

iterativamente. Se puede emplear la primera evidencia para calcular la primera probabilidad
posterior y emplear ésta en el cálculo de la siguiente probabilidad y continuar de esta forma con las
demás.

La independencia de evidencias implica que:

Aplicando el teorema de Bayes de forma iterativa, implica

Empleando los ratios de verosimilitud, se puede encontrar que

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 4/6
23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

Esta iteración de la inferencia bayesiana puede ser expandida con la inclusión de más evidencias. La
inferencia bayesiana se emplea en el cálculo de probabilidades en la toma de decisión. Se emplean
en las probabilidades calculadas en la teoría de cálculo de riesgos, en la denominada función de
pérdida que refleja las consecuencias de cometer un error.

Véase también

Teorema de Bayes - Fundamento de la inferencia

Inferencia bayesiana en filogenias

Referencias

1. "Statistical Decision Theory and Bayesian Analysis", James O. Berger; 1985 ;Springer

2. "Bayesian Approach to Image Interpretation", Sunil K. Kopparapu, Uday B. Desai; 2001 Springer

3. "Perception as Bayesian Inference", David C. Knill, Whitman Richards;1996 ;Cambridge

University Press

Bibliografía

Berger, J.O. (1999) Statistical Decision Theory and Bayesian Analysis. Second Edition. Springer
Verlag, New York. ISBN 0-387-96098-8 and also ISBN 3-540-96098-8.

Bolstad, William M. (2004) Introduction to Bayesian Statistics, John Wiley ISBN 0-471-27020-2

Bretthorst, G. Larry, 1988, Bayesian Spectrum Analysis and Parameter Estimation in Lecture Notes
in Statistics, 48, Springer-Verlag, New York, New York

Dawid, A.P. and Mortera, J. (1996) Coherent analysis of forensic identification evidence. Journal of
the Royal Statistical Society, Series B, 58,425-443.

Foreman, L.A; Smith, A.F.M. and Evett, I.W. (1997). Bayesian analysis of deoxyribonucleic acid
profiling data in forensic identification applications (with discussion). Journal of the Royal
Statistical Society, Series A, 160, 429-469.

Gardner-Medwin, A. What probability should the jury address?. Significance. Volume 2, Issue 1,
March 2005

Gelman, A., Carlin, B., Stern, H., and Rubin, D.B. (2003). Bayesian Data Analysis. Second Edition.
Chapman & Hall/CRD, Boca Raton, Florida. ISBN 1-58488-388-X.

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 5/6
23/8/2019 Inferencia bayesiana - Wikipedia, la enciclopedia libre

Gelman, A. and Meng, X.L. (2004). Applied Bayesian Modeling and Causal Inference from
Incomplete-Data Perspectives: an essential journey with Donald Rubin's statistical family. John
Wiley & Sons, Chichester, UK. ISBN 0-470-09043-X

Giffin, A. and Caticha, A. (2007) Updating Probabilities with Data and Moments

Jaynes, E.T. (1998) Probability Theory: The Logic of Science .

Lee, Peter M. Bayesian Statistics: An Introduction. Second Edition. (1997). ISBN 0-340-67785-6.

O'Hagan, A. and Forster, J. (2003) Kendall's Advanced Theory of Statistics, Volume 2B: Bayesian
Inference. Arnold, New York. ISBN 0-340-52922-9.

Pearl, J. (1988) Probabilistic Reasoning in Intelligent Systems, San Mateo, CA: Morgan Kaufmann.

Robert, C.P. (2001) The Bayesian Choice. Springer Verlag, New York.

Robertson, B. and Vignaux, G.A. (1995) Interpreting Evidence: Evaluating Forensic Science in the
Courtroom. John Wiley and Sons. Chichester.

Winkler, Robert L, Introduction to Bayesian Inference and Decision, 2nd Edition (2003) Probabilistic.
ISBN 0-9647938-4-9

Referencias externas

Libro on-line textbook: Teoría de la información Theory, Inferencia, y algoritmos de aprendizaje ,

por David MacKay, tiene capítulos sobre métodos bayesianos, incluyendo ejemplos; argumentas a
favor de los métodos bayesianos (del estilo de Edwin Jaynes); métodos modernos sobre Método
de Montecarlo, y métodos variacionales; y ejemplos ilustrativos acerca de como se emplean las
redes bayesianas en los algoritmos de compresión de datos.

Última edición hace 1 año por 2deseptiembre

https://es.m.wikipedia.org/wiki/Inferencia_bayesiana 6/6