Teorema de Bayes: qué es, fórmula y ejemplos

Definicion de Teorema de Bayes: qué es, fórmula y ejemplos

El **Teorema de Bayes** es un concepto matemático que describe cómo calcular la probabilidad de un evento basado en información previa. Se define mediante una **fórmula** que relaciona las probabilidades condicionales y las probabilidades a priori. **Ejemplos** de aplicación incluyen la detección de enfermedades y la predicción de eventos futuros.

El teorema de Bayes, que lleva el nombre del matemático británico del siglo XVIII Thomas Bayes, es una fórmula matemática para determinar la probabilidad condicional. La probabilidad condicional es la probabilidad de que ocurra un resultado basado en el resultado anterior que ocurrió en circunstancias similares. El teorema de Bayes brinda la capacidad de revisar predicciones o teorías existentes (actualizar probabilidades) a la luz de evidencia nueva o adicional.

En finanzas, el teorema de Bayes se puede utilizar para evaluar el riesgo de otorgar préstamos a prestatarios potenciales. El teorema también se llama regla de Bayes o ley de Bayes y es la base del campo de la estadística bayesiana.

Resultados clave

  • El teorema de Bayes permite actualizar las probabilidades previstas de un evento incorporando nueva información.
  • El teorema de Bayes lleva el nombre del matemático del siglo XVIII Thomas Bayes.
  • A menudo se utiliza en finanzas para calcular o actualizar evaluaciones de riesgos.
  • El teorema se ha convertido en un elemento útil en la implementación del aprendizaje automático.
  • El teorema no se utilizó durante dos siglos debido a la gran cantidad de potencia informática necesaria para realizar sus transacciones.

Comprender el teorema de Bayes

Las aplicaciones del teorema de Bayes están muy extendidas y no se limitan al sector financiero. Por ejemplo, el teorema de Bayes se puede utilizar para determinar la precisión de los resultados de las pruebas médicas, teniendo en cuenta la probabilidad de que una persona en particular tenga una enfermedad y la precisión general de la prueba. El teorema de Bayes se basa en incorporar distribuciones de probabilidad previas para generar probabilidades posteriores.

La probabilidad previa en la inferencia estadística bayesiana es la probabilidad de que ocurra un evento antes de que se recopilen nuevos datos. En otras palabras, representa la mejor estimación racional de la probabilidad de un resultado particular basada en el conocimiento actual antes de que se realizara el experimento.

La probabilidad posterior es la probabilidad revisada de que ocurra un evento después de tener en cuenta nueva información. La probabilidad posterior se calcula actualizando la probabilidad anterior utilizando el teorema de Bayes. En términos estadísticos, la probabilidad posterior es la probabilidad de que ocurra el evento A dado que ha ocurrido el evento B.

Wikieconomia / Lara Antal


Consideraciones Especiales

Por tanto, el teorema de Bayes da la probabilidad de un evento basándose en nueva información que está o puede estar asociada con ese evento. La fórmula también se puede utilizar para determinar cómo la probabilidad de que ocurra un evento podría verse afectada por nueva información hipotética, suponiendo que la nueva información resulte ser cierta.

Por ejemplo, considere sacar una carta de una baraja completa de 52 cartas.

Hay cuatro reyes en la baraja, por lo que la probabilidad de que sea un rey es cuatro dividido por 52, que es 1/13 o aproximadamente el 7,69%. Ahora supongamos que la carta seleccionada es una figura. La probabilidad de que la carta elegida sea un rey si es una figura es cuatro dividido por 12, o aproximadamente 33,3%, ya que hay 12 figuras en la baraja.

Fórmula del teorema de Bayes


PAG

(

A

∣

B

)

«=»

PAG

(

A

⋂

B

)

PAG

(

B

)

«=»

PAG

(

A

)

⋅

PAG

(

B

∣

A

)

PAG

(

B

)

Dónde:

PAG

(

A

)

«=»

Probabilidad de ocurrencia A

PAG

(

B

)

«=»

Probabilidad de que ocurra el evento B.

PAG

(

A

∣

B

)

«=»

Probabilidad de A dado B

PAG

(

B

∣

A

)

«=»

Probabilidad de B dado A

PAG

(

A

⋂

B

)

)

«=»

Probabilidad de que ocurran A y B

\begin{alineado} &P\left(A|B\right)=\frac{P\left(A\bigcap{B}\right)}{P\left(B\right)}=\frac{P\left (A\right)\cdot{P\left(B|A\right)}}{P\left(B\right)}\\ &\textbf{donde:}\\ &P\left(A\right)= \text{ Probabilidad de ocurrencia de A}\\ &P\left(B\right)=\text{ Probabilidad de ocurrencia de B}\\ &P\left(A|B\right)=\text{Probabilidad de ocurrencia de A dado B}\\ &P\left(B|A\right)=\text{ Probabilidad de B dado A}\\ &P\left(A\bigcap{B}\right))=\text{ Probabilidad de A y B ocurriendo}\\ \ end{alineado} ​PAG(A∣B)«=»PAG(B)PAG(A⋂B)​«=»PAG(B)PAG(A)⋅PAG(B∣A)​Dónde:PAG(A)«=» Probabilidad de ocurrencia APAG(B)«=» Probabilidad de que ocurra el evento B.PAG(A∣B)«=»Probabilidad de A dado BPAG(B∣A)«=» Probabilidad de B dado APAG(A⋂B))«=» Probabilidad de que ocurran A y B​

Ejemplos del teorema de Bayes

A continuación se muestran dos ejemplos del teorema de Bayes, el primero de los cuales muestra cómo se puede derivar la fórmula utilizando un ejemplo de inversión en acciones con Amazon.com Inc. (AMZN). El segundo ejemplo aplica el teorema de Bayes a las pruebas de fármacos.

Derivación de la fórmula del teorema de Bayes

El teorema de Bayes simplemente se deriva de los axiomas de probabilidad condicional, que es la probabilidad de un evento dado que ha ocurrido otro evento. Por ejemplo, una pregunta de probabilidad simple podría ser: «¿Cuál es la probabilidad de que baje el precio de las acciones de Amazon.com?» La probabilidad condicional lleva esta pregunta aún más lejos al preguntar: «¿Cuál es la probabilidad de que caiga el precio de las acciones de AMZN?» dado que ¿Cayó temprano el Promedio Industrial Dow Jones (DJIA)?

La probabilidad condicional del evento A dado que ocurre el evento B se puede expresar como:

Si A: “el precio de AMZN está cayendo”, entonces P(AMZN) es la probabilidad de que AMZN caiga; y B significa: “DJIA ya ha caído”, y P(DJIA) es la probabilidad de que DJIA haya caído; entonces la expresión de probabilidad condicional dice “la probabilidad de que AMZN caiga cuando el DJIA baje es igual a la probabilidad de que el precio de AMZN baje y el DJIA baje, además de la probabilidad de que el DJIA baje.

P(AMZN|DJIA) = P(AMZN y DJIA) / P(DJIA)

P(AMZN y DJIA) – probabilidad ambos Ocurren A y B. Esto también es lo mismo que la probabilidad de que ocurra A multiplicada por la probabilidad de que ocurra B dada la ocurrencia de A, expresada como P(AMZN) x P(DJIA|AMZN). El hecho de que estas dos expresiones sean iguales lleva al teorema de Bayes, que se escribe como:

si P(AMZN y DJIA) = P(AMZN) x P(DJIA|AMZN) = P(DJIA) x P(AMZN|DJIA)

entonces P(AMZN|DJIA) = [P(AMZN) x P(DJIA|AMZN)] / P(DINERO).

Donde P(AMZN) y P(DJIA) son las probabilidades de que Amazon y Dow Jones caigan, independientemente uno del otro.

La fórmula explica la relación entre la probabilidad de una hipótesis antes de la evidencia P(AMZN) y la probabilidad de una hipótesis después de la evidencia P(AMZN|DJIA), dada la hipótesis de Amazon dada la evidencia en el Dow Jones Industrial Average.

Ejemplo numérico del teorema de Bayes

Como ejemplo numérico, imagine que hay una prueba de drogas que tiene una precisión del 98%. Esto significa que el 98% de las veces muestra un resultado verdadero positivo para la persona que usa el medicamento, y el 98% de las veces muestra un resultado verdadero negativo. para aquellos que no usan la droga.

Supongamos además que el 0,5% de las personas consumen la droga. Si una persona seleccionada al azar da positivo en una droga, se puede realizar el siguiente cálculo para determinar la probabilidad de que la persona sea realmente un consumidor de drogas.

(0,98 x 0,005)/ [(0.98 x 0.005) + ((1 – 0.98) x (1 – 0.005))] = 0,0049 / (0,0049 + 0,0199) = 19,76%

El teorema de Bayes muestra que incluso si una persona da positivo en este escenario, la probabilidad de que no tome el medicamento es aproximadamente del 80%.

¿Cuál es la historia del teorema de Bayes?

El teorema fue descubierto entre los artículos del ministro y matemático presbiteriano inglés Thomas Bayes y publicado póstumamente, leído ante la Royal Society en 1764. Los avances en la potencia informática, ignorados durante mucho tiempo en favor de los cálculos booleanos, han llevado a un aumento en el número de aplicaciones que utilizan el teorema de Bayes. Ahora se utiliza para una amplia variedad de cálculos probabilísticos, incluidos cálculos financieros, genética, uso de drogas y control de enfermedades.

¿Qué establece el teorema de Bayes?

El teorema de Bayes establece que la probabilidad condicional de un evento basada en la ocurrencia de otro evento es igual a la probabilidad del segundo evento, dado el primer evento multiplicado por la probabilidad del primer evento.

¿Qué se calcula en el teorema de Bayes?

El teorema de Bayes calcula la probabilidad condicional de un evento basándose en los valores de probabilidades conocidas asociadas específicas.

¿Qué es la calculadora del teorema de Bayes?

La calculadora del teorema de Bayes calcula la probabilidad del evento A condicional al evento B dadas las probabilidades previas de A y B, y la probabilidad de B dada A. Calcula probabilidades condicionales basadas en probabilidades conocidas.

¿Cómo se utiliza el teorema de Bayes en el aprendizaje automático?

El teorema de Bayes proporciona un método útil para pensar en la relación entre un conjunto de datos y la probabilidad. En otras palabras, el teorema establece que la probabilidad de que una hipótesis dada sea verdadera dados datos observados específicos se puede expresar como encontrar la probabilidad de observar los datos dada la hipótesis multiplicada por la probabilidad de que la hipótesis sea verdadera independientemente de los datos divididos. por la probabilidad de observar los datos independientemente de la hipótesis.

Línea de fondo

En su caso más simple, el teorema de Bayes toma el resultado de una prueba y lo relaciona con la probabilidad condicional de ese resultado de la prueba dados otros eventos relacionados. Para falsos positivos de alta probabilidad, el teorema proporciona una probabilidad más razonable de un resultado particular.

Preguntas Frecuentes

**Pregunta 1:** ¿En qué se basa el teorema de Bayes?
**Respuesta 1:** El teorema de Bayes se basa en la probabilidad condicional, que es la probabilidad de que ocurra un evento basándose en el resultado anterior que ocurrió en circunstancias similares.

**Pregunta 2:** ¿Cuáles son las aplicaciones del teorema de Bayes?
**Respuesta 2:** Las aplicaciones del teorema de Bayes son amplias y no se limitan al sector financiero. Por ejemplo, se puede utilizar para evaluar el riesgo de otorgar préstamos, determinar la precisión de las pruebas médicas, entre otros usos.

**Pregunta 3:** ¿Cuál es el resultado clave del teorema de Bayes?
**Respuesta 3:** El teorema de Bayes permite actualizar las probabilidades previstas de un evento incorporando nueva información. También es utilizado en la implementación del aprendizaje automático y la estadística bayesiana.

¿Problemas o dudas? Te ayudamos

Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.

Scroll al inicio