Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A cumple cierta característica
que condiciona su probabilidad. El teorema de Bayes entiende la probabilidad de forma inversa al teorema
de la probabilidad total. El teorema de la probabilidad total hace inferencia sobre un suceso B, a partir de los
resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad de A condicionado a B.
El teorema de Bayes ha sido muy cuestionado. Lo cual se ha debido, principalmente, a su mala aplicación.
Ya que, mientras se cumplan los supuestos de sucesos disjuntos y exhaustivos, el teorema es totalmente
válido.
Donde B es el suceso sobre el que tenemos información previa y A(n) son los distintos sucesos
condicionados. En la parte del numerador tenemos la probabilidad condicionada, y en la parte de abajo la
probabilidad total. En cualquier caso, aunque la fórmula parezca un poco abstracta, es muy sencilla. Para
demostrarlo, utilizaremos un ejemplo en el que en lugar de A(1), A(2) y A(3), utilizaremos directamente A, B
y C.
1.Si un envase ha sido fabricado por la fábrica de esta empresa en Estados Unidos ¿Cuál es la probabilidad
de que sea defectuoso?
Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos, calculamos la probabilidad de que sea
defectuoso.
P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ] = [ 0,4 x 0,02 ] + [ 0,3 x 0,03 ] + [ 0,3 x
0,05 ] = 0,032
Expresado en porcentaje, diríamos que la probabilidad de que un envase fabricado por la fábrica de esta
empresa en Estados Unidos sea defectuoso es del 3,2%.
2. Siguiendo con la pregunta anterior, si se adquiere un envase y este es defectuoso ¿Cuáles es la
probabilidad de que haya sido fabricado por la máquina A?¿Y por la máquina B?¿Y por la máquina C?
Aquí se utiliza el teorema de Bayes. Tenemos información previa, es decir, sabemos que el envase es
defectuoso. Claro que, sabiendo que es defectuoso, queremos saber cual es la probabilidad de que se haya
producido por una de las máquinas.
Sabiendo que un envase es defectuoso, la probabilidad de que haya sido producido por la máquina A es del
25%, de que haya sido producido por la máquina B es del 28% y de que haya sido producido por la máquina
C es del 47%.
Prologo
Introducción
Seré uno más de los que intentan mejorar la reputación de Thomas Bayes ayudado
por el enfoque intuitivo de Paul Halmos, de modo que partiré con el simple y
frecuente ejemplo de dos buzones con bolitas de colores y su correspondiente
diagrama de árbol, para explicar haciendo un experimento de probabilidades
condicionales e ir introduciendo paulatinamente ciertos conceptos formales.
Después ingresar del mismo modo al cálculo de Bayes, con varios ejemplos y un
segmento de una aplicación computacional DocIRS (con javascript), para generar
árboles mediante ingreso de parámetros (Ver Aplicación Generadora de Arboles) .
Finalmente mostrar la formalización matemática del Teorema de Bayes, para lo cual
Internet está repleto de documentación, videos, aplicaciones y bibliografía, en
investigación médica, Teoría de Juegos y las más diversas áreas del conocimiento.
Obviamente incluyendo Wikipedia.
Experimento 1
Se tienen dos buzones. El Buzón 1 con 3 bolitas negras y 2 rojas. El Buzón 2, con 4
negras y 3 rojas.
Dibujo 1
El experimento aleatorio que utilizaremos, consiste en sacar una bolita del primer
buzón e introducirla en el segundo, para después extraer una bolita de este último
buzón y ahí preguntar probabilidades de ocurrencia. El hecho de sacar una bolita lo
llamaremos evento, cuya probabilidad es siempre diferente de cero. (El experimento
tiene como condición, siempre sacar una bolita)
Dibujo 2
• Primer evento: Sacar una bolita del Buzón 1, esta acción puede seguir dos carriles:
Comenzar sacando una bolita de color Negro o sacar una de color Rojo.
Inmediatamente introducirla en el Buzón 2. En ambas situaciones, se aumenta en
una bolita el espacio muestral o número total de bolitas del segundo buzón.
• Segundo evento: Sacar una bolita del Buzón 2,- después de haber introducido la
bolita que proviene del Buzón 1, - la cual también sigue los dos mismos carriles (N o
R)-,
Diagrama 2
Evento 2 (i)
• Sacar una bolita negra cuando la primera fue negra, N/N
• Sacar una bolita roja cuando la primera fue negra, N/R
Evento 2 (ii)
• Sacar una bolita negra cuando la primera fue roja, R/N
• Sacar una bolita roja cuando la primera fue roja, R/R
Después marcamos con un circulo rojo cada uno de los rojos posibles de sacar del
Buzón 2.
A partir del diagrama, calculamos la probabilidad de sacar una bolita roja del Buzón
2, dado el experimento en cuestión. Respondiendo la pregunta formulada: ¿Cuál es
la probabilidad que sea roja?
(Nótese que esto significa que primero calcularemos la Probabilidad Total del sacar
una bolita roja)
Nótese que la suma de las probabilidades de las ramas bifurcadas siempre debe
sumar 1.
Ahora, veamos qué se preguntaría el reverendo Thomas Bayes, autor del Teorema
que analizaremos más adelante:
¿Cuál es la probabilidad de sacar una bolita roja del segundo buzón, dado que la
primera bolita fue negra?
Llamemos PB(N/R) a esta probabilidad formulada por Bayes, para tener una notación
coherente.
Es decir, tomamos la probabilidad de sacar una bolita roja, cuando partimos por el
carril de las negras y lo dividimos por la probabilidad total de sacar una roja
calculada en [1] y ahí tenemos una aplicación concreta del Teorema de Bayes.
Formalizando el Experimento 1
Observamos que el Evento2 está condicionado por el Evento1, por eso son eventos
llamados mutuamente excluyentes (o independientes). Es decir, para que ocurra el
segundo evento debe ocurrir el primero. Otra propiedad de estos eventos, es que su
probabilidad siempre es diferente de cero.
Entonces, el proceso estocástico se dará sobre los buzones 1 y 2, los cuales están
cargados inicialmente con bolitas negras y rojas. Al poner en movimiento el
experimento, observamos que cada uno de los eventos que lo constituyen, son
sucesos probabilísticas y parte del espacio muestral (número total de posibilidades
del experimento).
Por tanto, la expresión con notación formal del calculo de la probabilidad en [1] es:
Pc(R) = P(N)·P(R/N)+P(R)·P(R/R)
Experimento 2
Realicemos un experimento al revés, donde está dado un diagrama de árbol con
cinco fuentes de entregables, los cuales - en un segundo evento-, pueden ser
rechazados o aprobados. Los valores de cada carril y rama son absolutos y nos
preguntan:
Experimento 3
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.
Diagrama 5
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.
Se considera que los eventos A = {A1,A2,A3,...,An} son causas posibles del evento E, de
ahí que el Teorema de Bayes nos permite estimar la probabilidad de que un
elemento particular de A ocurra siempre que el suceso E haya ocurrido.
V. Conclusión
La importancia que tiene para empresas como DocIRS, donde uno de sus focos es el
tratamiento documental de datos, análisis estadístico de contenidos, desarrollo y
gestión de plataformas tecnológicas, para el control y seguimiento de proyectos y
contratos, es entender que el Teorema de Bayes nos ayuda y nos induce a abrir
conocimiento permanentemente, mejorar los algoritmos y la gestión de calidad.
Por esa razón, dada una exigencia en una de nuestras plataformas, desarrollé una
simple rutina a modo de ejemplo, donde apliqué el Teorema de Bayes, - sin
mencionar el teorema, ni nada por el estilo -, solo utilizando un diagrama de árbol
para la estimación de los resultados. La expliqué y traspasé al equipo de desarrollo
asignándoles una serie de tareas análogas, pero más complejas. La experiencia me
demostró una vez más, que es posible transmitir un conocimiento en forma
"mecánica" o por recetas de cocina, como dirían los académicos.
En efecto, una acertada aplicación del Teorema de Bayes nos fue señalando cómo
debemos ir adaptando nuestros procesos, en función de las probabilidades,
estimadas desde los datos almacenados en las bases de datos, requerimientos y
accesos de usuarios, incidentes, fallas, reclamos, funcionamiento de nuestro
networking, seguridad de la información, evolución del negocio del cliente,
elementos que se están generando permanentemente.