Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 766 vistas

    Teorema de Bayes

    Cargado por

    Rodrigo Ledesma
    El teorema de Bayes establece cómo calcular la probabilidad condicional de un evento A dado B en términos de la probabilidad condicional de B dado A y las probabilidades marginales de A y B. Se aplica en estadística bayesiana para actualizar las probabilidades subjetivas a priori con nueva evidencia. El documento incluye un ejemplo numérico sobre la probabilidad de que un tornillo defectuoso provenga de una máquina en particular.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd

    Teorema de Bayes

    Cargado por

    Rodrigo Ledesma
    766 vistas2 páginas
    El teorema de Bayes establece cómo calcular la probabilidad condicional de un evento A dado B en términos de la probabilidad condicional de B dado A y las probabilidades marginales de A y B. Se aplica en estadística bayesiana para actualizar las probabilidades subjetivas a priori con nueva evidencia. El documento incluye un ejemplo numérico sobre la probabilidad de que un tornillo defectuoso provenga de una máquina en particular.

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    DOC, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El teorema de Bayes establece cómo calcular la probabilidad condicional de un evento A dado B en términos de la probabilidad condicional de B dado A y las probabilidades marginales de A y B. Se aplica en estadística bayesiana para actualizar las probabilidades subjetivas a priori con nueva evidencia. El documento incluye un ejemplo numérico sobre la probabilidad de que un tornillo defectuoso provenga de una máquina en particular.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    766 vistas2 páginas

    Teorema de Bayes

    Cargado por

    Rodrigo Ledesma
    El teorema de Bayes establece cómo calcular la probabilidad condicional de un evento A dado B en términos de la probabilidad condicional de B dado A y las probabilidades marginales de A y B. Se aplica en estadística bayesiana para actualizar las probabilidades subjetivas a priori con nueva evidencia. El documento incluye un ejemplo numérico sobre la probabilidad de que un tornillo defectuoso provenga de una máquina en particular.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    de 2

    Alumno: Rodrigo Alonso Ledesma y Hernández Posgrado: MASPYC Materia:

    Control Estadístico del Proceso Profesor: Fernando Radillo Ruiz


    Tarea: Teorema de Bayes

    Teorema de Bayes

    El teorema de Bayes, enunciado por Thomas Bayes, en la teoría de la probabilidad, es el


    resultado que da la distribución de probabilidad condicional de un evento aleatorio A dado B en
    términos de la distribución de probabilidad condicional del evento B dado A y la distribución de
    probabilidad marginal de sólo A.

    Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales


    que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que
    se conocen las probabilidades condicionales P(B | Ai). Entonces, la probabilidad P(Ai | B) viene
    dada por la expresión:

    donde:
    • P(Ai) son las probabilidades a priori.
    • P(B | Ai) es la probabilidad de B en la hipótesis Ai.
    • P(Ai | B) son las probabilidades a posteriori.
    Esto se cumple

    Además, unido a la definición de Probabilidad condicionada, obtenemos la Fórmula de Bayes,


    también conocida como la Regla de Bayes:

    Aplicaciones
    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.
    Como observación, se tiene y su demostración resulta trivial.

    Ejemplo
    El 60% de los tornillos producidos por una fábrica proceden de la máquina A y el 40% de la
    Máquina B. La proporción de defectuosos en A es 0.1 y en B es 0.5. ¿Cuál es la probabilidad de
    que un tornillo de dicha fábrica sea defectuoso? ¿Cuál es la probabilidad de que, sabiendo que un
    tornillo es defectuoso, proceda de la máquina A? En este ejemplo, tenemos un experimento en
    dos etapas; en la primera, los sucesos son:
    A: tornillo fabricado por la máquina A
    B: tornillo fabricado por la máquina B
    Los valores de las probabilidades de estos sucesos son conocidos: p(A) = 0.6 y p(B) = 0.4.
    Los resultados de la segunda etapa son:
    D: tornillo defectuoso
    D : tornillo no defectuoso

    Las probabilidades de estos sucesos dependen del resultado de la primera etapa:


    p(D/A) = 0.1 y p(D/B) = 0.5

    A partir de estos valores podemos determinar también:


    p(D/A) =1 - P(D/A) =1 - 0.1 = 0.9
    p( D/B) =1 - P( D/B) =1 - 0.5 = 0.5

    El suceso D se puede poner como: D = DA + DB, sucesos mutuamente excluyentes; luego


    utilizando el teorema de las probabilidades totales:
    p(D) = p(D/A)p(A) + p(D/B)p(B) = (0.1)(0.6) + (0.5)(0.4) = 0.26

    La otra probabilidad es p(A/D), probabilidad de un resultado de la primera etapa condicionada


    a un resultado de la segunda; podemos aplicar el teorema de Bayes para resolverlo:
    p(D/A)p(A) (0,1)(0,6) 3
    p(A/D) = = =
    p(D/A)p(A) + p(D/B)p(B) (0,1)(0,6) + (0,5)(0,4) 13

    También podría gustarte