Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 55 vistas

    Teorema de Bayes

    Cargado por

    Ernesto Sajquiy Buch
    El teorema de Bayes describe cómo actualizar las probabilidades de posibles causas cuando se obtiene nueva evidencia. Se parte de probabilidades iniciales y la fórmula de Bayes calcula las probabilidades posteriores incorporando la información de un evento ocurrido. Por ejemplo, si originalmente había un 3% de probabilidad de diabetes y un análisis de sangre indica niveles altos de glucosa en el 95% de diabéticos, la probabilidad posterior de diabetes calculada con Bayes es ahora del 59.5%.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Teorema de Bayes

    Cargado por

    Ernesto Sajquiy Buch
    55 vistas3 páginas
    El teorema de Bayes describe cómo actualizar las probabilidades de posibles causas cuando se obtiene nueva evidencia. Se parte de probabilidades iniciales y la fórmula de Bayes calcula las probabilidades posteriores incorporando la información de un evento ocurrido. Por ejemplo, si originalmente había un 3% de probabilidad de diabetes y un análisis de sangre indica niveles altos de glucosa en el 95% de diabéticos, la probabilidad posterior de diabetes calculada con Bayes es ahora del 59.5%.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El teorema de Bayes describe cómo actualizar las probabilidades de posibles causas cuando se obtiene nueva evidencia. Se parte de probabilidades iniciales y la fórmula de Bayes calcula las probabilidades posteriores incorporando la información de un evento ocurrido. Por ejemplo, si originalmente había un 3% de probabilidad de diabetes y un análisis de sangre indica niveles altos de glucosa en el 95% de diabéticos, la probabilidad posterior de diabetes calculada con Bayes es ahora del 59.5%.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    55 vistas3 páginas

    Teorema de Bayes

    Cargado por

    Ernesto Sajquiy Buch
    El teorema de Bayes describe cómo actualizar las probabilidades de posibles causas cuando se obtiene nueva evidencia. Se parte de probabilidades iniciales y la fórmula de Bayes calcula las probabilidades posteriores incorporando la información de un evento ocurrido. Por ejemplo, si originalmente había un 3% de probabilidad de diabetes y un análisis de sangre indica niveles altos de glucosa en el 95% de diabéticos, la probabilidad posterior de diabetes calculada con Bayes es ahora del 59.5%.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 3

    Teorema de Bayes

    El teorema de Bayes parte de una situación en la que es posible conocer las probabilidades
    de que ocurran una serie de sucesos Ai.

    A esta se añade un suceso B cuya ocurrencia proporciona cierta información, porque las
    probabilidades de ocurrencia de B son distintas según el suceso Ai que haya ocurrido.

    Conociendo que ha ocurrido el suceso B, la fórmula del teorema de Bayes nos indica como
    modifica esta información las probabilidades de los sucesos Ai.

    Ejemplo: Si seleccionamos una persona al azar, la probabilidad de que sea diabética es


    0,03. Obviamente la probabilidad de que no lo sea es 0,97.

    Si no disponemos de información adicional nada más podemos decir, pero supongamos que
    al realizar un análisis de sangre los niveles de glucosa son superiores a 1.000 mg/l, lo que
    ocurre en el 95% de los diabéticos y sólo en un 2% de las personas sanas.

    ¿Cuál será ahora la probabilidad de que esa persona sea diabética?

    La respuesta que nos dá el teorema de bayes es que esa información adicional hace que la
    probabilidad sea ahora 0,595.

    Vemos así que la información proporcionada por el análisis de sangre hace pasar, la
    probabilidad inicial de padecer diabetes de 0,03, a 0,595.

    Evidentemente si la prueba del análisis de sangre hubiese sido negativa, esta información
    modificaría las probabilidades en sentido contrario. En este caso la probabilidad de padecer
    diabetes se reduciría a 0,0016.
    Primer ejemplo.

    El parte meteorológico ha anunciado tres posibilidades para el fin de semana:

    a) Que llueva: probabilidad del 50%.

    b) Que nieve: probabilidad del 30%

    c) Que haya niebla: probabilidad del 20%.

    Según estos posibles estados meteorológicos, la posibilidad de que ocurra un accidente es la


    siguiente:

    a) Si llueve: probabilidad de accidente del 20%.

    b) Si nieva: probabilidad de accidente del 10%

    c) Si hay niebla: probabilidad de accidente del 5%.

    Resulta que efectivamente ocurre un accidente y como no estábamos en la ciudad no


    sabemos qué tiempo hizo (llovió, nevó o hubo niebla). El teorema de Bayes nos permite
    calcular estas probabilidades:

    Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se


    denominan "probabilidades a priori" (lluvia con el 50%, nieve con el 30% y niebla con el
    20%).

    Una vez que incorporamos la información de que ha ocurrido un accidente, las


    probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se
    denominan "probabilidades a posteriori".

    Vamos a aplicar la fórmula: 


    a) Probabilidad de que estuviera lloviendo: 

    La probabilidad de que efectivamente estuviera lloviendo el día del accidente (probabilidad


    a posteriori) es del 71,4%.

    b) Probabilidad de que estuviera nevando: 

    La probabilidad de que estuviera nevando es del 21,4%.

    c) Probabilidad de que hubiera niebla: 

    La probabilidad de que hubiera niebla es del 7,1% 


     

    También podría gustarte