Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ir a la navegaciónIr a la búsqueda
donde:
Thomas Bayes (1763)
Índice
1Fórmula de Bayes
2Aplicaciones
3Véase también
4Enlaces externos
5Referencias
Fórmula de Bayes[editar]
Aplicaciones[editar]
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 solo
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 obtiene la siguiente fórmula 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. 3
5. En el testeo de hipótesis en Ciencia Política cuando se usa
metodología process tracing.
Teorema de Karhunen-Loève
Ir a la navegaciónIr a la búsqueda
En la teoría de procesos estocásticos, el Teorema de Karhunen-Loève (así
llamado debido a Kari Karhunen y Michel Loève) es una representación de un
proceso estocástico como una combinación lineal infinita de funciones
ortogonales. Esta representación es análoga a la representación en series de
Fourier de una función definida en un intervalo acotado de números reales. A
diferencia de una serie de Fourier, en la cual los coeficientes son números
reales y la base de expansión está compuesta por funciones senoidales (es
decir, funciones seno y coseno), los coeficientes del teorema de Karhunen-
Loève son variables aleatorias y la base de expansión depende del proceso.
De hecho, la base de funciones ortogonales que se usa para la representación
queda determinada por la función de covarianza del proceso. Si vemos un
proceso estocástico como una función aleatoria F, es decir, una en la que el
valor aleatorio es una función en un intervalo [a, b], entonces este teorema
puede considerarse como una expansión ortonormal aleatoria de F.
En el caso de un proceso estocástico centrado {Xt} t ∈
[a, b] (donde centrado se refiere a que los valores esperados E(Xt) están
definidos y son iguales a 0 para todo t), el satisfacer una condición de
continuidad técnica, admite la descomposición
_{s}).}
Nótese que si {Xt}t es un proceso centrado y t1, ≤ t2, ..., ≤ tN son puntos en el
intervalo [a, b], entonces
{\displaystyle \sum _{k,\ell }\operatorname {Cov} _{\mathbf {X} }
(t_{k},t_{\ell })=\operatorname {Var} \left(\sum _{k=1}^{N}\mathbf {X}
_{k}\right)\geq 0.}
Teorema. Consideremos un proceso estocástico {Xt}t en que el índice t recorre
el intervalo [a, b], y con función de covariancia CovX. Supongamos además
que la función CovX(t,s) sea conjuntamente continua en las variables t, s.
Entonces CovX puede ser considerado como un núcleo positivo definido. Por
el Teorema de Mercer, el operador integral T correspondiente que actúa en
L2[a,b] (relativo a la medida de Lebesgue en [a,b]) tiene una base
ortonormal de vectores propios. Sea {ei}i la secuencia de los vectores propios
de T correspondientes a los valores propios no nulos y definamos:
t_{k}),}
donde
{\displaystyle a=t_{0}\leq \xi _{0}\leq t_{1}\leq \cdots \leq \xi _{\ell -1}\leq t_{n}=b}
{1}{2}}\right)\pi }}\right)^{2}\rightarrow 0}
uniformemente en t.