Teorema de Bayes

Una visin divina de la personalizacin

Thomas Bayes, 1702 - 1761
Por Ricci Graham
Knowledge Management. Enero 2001.

sigui el llamado de su padre, siendo ordenado en la

iglesia presbiteriana en Tunbridge Wells a finales de la
dcada de 1720; sin embargo l retuvo su pasin por las
matemticas, particularmente en el rea de probabilidad
y estadstica.

Naci: 1702 en Londres, Inglanterra

Muri: 17 de Abril 1761 en Tunbridge
Wells, Kent, Inglanterra

Muchos grandes hombres parecen haber nacido

anticipados a su poca. Este axioma es particularmente
apto cuando se aplica al reverendo Thomas Bayes, un
telogo ingls del siglo XVIII quien fue adems un
matemtico. Sus esfuerzos eclesisticos para salvar las
almas de los protestantes ingleses han desaparecido
gradualmente de la memoria del publico; pero sus
exploraciones matemticas irrelevantes hace 200 aosson considerablemente significativas ahora.

Bayes fue autor de trabajos en teologa, pero

actualmente es mejor conocido por un par de tratados
matemticos. "Introduccin a la Doctrina de Fluxiones"
(1736) defiende las bases lgicas de los clculos de
Isaac Newton en contra del ataque del Arzobispo George
Berkeley. "Ensayo para Resolver un Problema en la
Doctrina de Probabilidad" (publicacin pstuma en
1763), generalmente se dice ser su trabajo ms
convincente, el cual intenta establecer una frmula
para calcular probabilidades entre diferentes variables
que estn relacionadas casualmente pero para las cuales
las relaciones no pueden ser fcilmente derivadas por
medio de la experimentacin.

Las teoras que l desarroll durante los aos de

1700 en el rea de probabilidad y estadstica subrayan
algunos sistemas "inteligentes" de Software que
aprenden del input del usuario para personalizar
informacin. Estas teoras adems han sido acreditadas
por avances en investigaciones legales y mdicas. Visto
como un excntrico durante su tiempo de vida, Bayes es
ahora percibido como un visionario.

Aqu en el siglo XXI, las frmulas de probabilidad

que una vez parecieron tan esotricas son la base para
aplicaciones en negocios marcadamente innovadores.
Corporaciones y grupos de investigacin han aplicado
la base de los teoremas de probabilidad de Bayes, para
incrementar la estimacin y mejorar los sistemas de
basados en conocimiento y agregar contexto a la
informacin. Por ejemplo, cuando se aplica a la
epidemiologa, su trabajo puede ayudar a discernir la
probabilidad de que una enfermedad sea encontrada en
un grupo de personas con una caracterstica dada, en la
base de las tasas globales de esa enfermedad y el
predominio de esa caracterstica tanto en individuos
saludables como enfermos. Su uso ms comn es en
decisiones de anlisis clnico, estimando la probabilidad
de un diagnstico particular dada la aparicin de algn
sntoma o resultado de un examen.

Nacido en Londres en 1702, Thomas Bayes fue el

hijo de un ministro, un disidente que se opona a las
doctrinas y practicas de la iglesia de Inglaterra. Bayes

En el mundo de la alta tecnologa, las matemticas

Bayesianas han influenciado compaas como Microsoft
Corp. y Autonomy Corp. en el desarrollo de softwares

132

Teorema de Bayes
Basado en el Conocimiento. En el asistente de
Microsoft Office el mdulo de ayuda para la adecuada
productividad de su negocio- los teoremas de Bayes
ayudan al software a evaluar los problemas de los
usuarios y a determinar qu consejo proporcionarle. De
este modo, el asistente de Office puede modificar la
eleccin de avisos que ofrece, mientras gana
conocimiento de los hbitos del individuo.
En Autonomy Corp., sus teoremas apoyan softwares
que pueden automticamente organizar extensos e
inestructurados volmenes de informacin, en
informacin relevante que ayuda a agruparse en lugares
de internet y sitios comerciales en la Web los cuales
sirven a las necesidades de cambio de los usuarios.

Si las frmulas de Bayes son tiles ahora, por qu

fueron ignoradas tanto tiempo? Cuando l desarroll
los teoremas hace 200 aos, haba poco uso prctico
para ellos; algunos estudiantes de probabilidad los
aplicaron en discusiones concernientes a la existencia
de Dios, mientras que otros usaron sus teoras para
evaluar las probabilidades en apuestas.
Sin embargo, en esta poca de avances tecnolgicos
bruscos, con la escalada del poder de las computadoras
y el desarrollo de ecuaciones matemticas claves, los
cientficos han descubierto maneras ms directas de
poner los principios de Bayes a trabajar. Parece que el
conocimiento, se encuentra en el ojo del espectador.

133

Teorema de Bayes

Revisin de las estimaciones anteriores. Teorema de Bayes

Los conceptos tericos

de este tema se
encuentran en el libro
de texto en el capitulo
4.7 (pginas 196-201)

2.1 Un dado est cargado, de tal forma que el 40% de

las veces marca 1. Otro dado B est cargado y
marca 1 un 70% de las veces. Si se selecciona al
azar un dado y este da un 1.
a) Cul es la probabilidad de que el dado sea el dado
A?
2.2- La compaia Becks utiliza tres polticas para
recuperar las cuentas por cobrar: Visitas personales 70%
con un 75% de xito. Llamadas telefnicas 20% con
un 60% de recuperacin. A travs de carta 10% con un
65% de efectividad.
a. Calcule la efectividad conjunta para recuperar la
mora como porcentaje de personas que han pagado
su mora

2.3- Un gerente de personal ha establecido que el 50%

de los trabajadores que fueron contratados sin test de
aptitud trabajan en forma satisfactoria en su puesto y
el otro 50% no hace un trabajo satisfactorio. As mismo,
del otro grupo de empleados que se sometieron al test
de aptitud el gerente obtuvo la siguiente informacin:
- Del 100% de los trabajadores que hoy da hacen
bien su trabajo (opinin de su jefe inmediato):
- El 90% de ellos aprobaron dicho test de aptitud.
- El 10% de ellos reprobaron dicho test de aptitud.
- Del 100% de los trabajadores que hoy da no hacen
bien su trabajo, (opinin de su jefe inmediato):
- El 85% de ellos reprobaron dicho test de aptitud.
- El 15% de ellos aprobaron dicho test de aptitud.

satisfactorio en el trabajo, si un solicitante escogido

al azar pasa el test?. O sea, cul es la probabilidad
de que el rendimiento de un solicitante sea
satisfactorio si aprueba el test?
b. Cul es la probabilidad posterior del rendimiento
satisfactorio en el trabajo, si un solicitante escogido
al azar reprueba el test? O sea, cul es la
probabilidad de que el rendimiento de un solicitante
sea satisfactorio si reprueba el test?
2.4- Se realiza una nueva pelcula. La compaia
productora juzga la probabilidad de un xito arrollador
en p =.0.30. Tambin sabe que cierto crtico gusta del
75% de todas las pelculas que al final resultaron
grandes xitos, as como l expres su desatisfaccin
con el 25% de las pelculas que al final resultaron ser
xito. Por otra parte, el crtico expres que no le
gustaban el 90% de todas las que al final resultaron
rotundos fracasos, sin embargo, expres su opinin
favorable en el 10% de las pelculas que resultaron ser
un fracaso. Si la compaa utiliza el mtodo de Bayes,
a. Cmo corregira su cifra de probabilidad de xito
si supiera que el crtico elogi la pelcula?
b. Refierase al resultado del inciso a, donde el primer
crtico dio una opinin favorable. Un segundo crtico
da tambin una opinin favorable. Cmo cambian
las probabilidades posteriores?
Olvide los incisos a y b y replantee el siguiente
escenario:
c. Qu pasara con las probabilidades posteriores si
el primer crtico reprueba la pelcula severamente
(o sea, da una opinin desfavorable?
d. Posteriormente al primer crtico que dio una opinin
desfavorable, un segundo crtico da una opinin
favorable. Cmo cambian las probabilidades
posteriores?
2.5- Un productor de vino ha diseado una nueva y
distintiva botella con la esperanza de aumentar sus
ventas. El gerente ha estimado la probabilidad de xito
en 0.50. A fin de informarse mejor de la percepcin de
los clientes, pide un estudios de mercado.

a. Cul es la probabilidad posterior del rendimiento

134

Teorema de Bayes
El sabe que cuando la economa estn por elevarse,
(la demanda de este tipo de producto sube), los
consumidores muestran estar motivados y confiados
en la economa en un 90% de los estudio. Pero tambin
en un 10% de los estudios dirn lo contrario (o sea, los
consumidores entrevistados dirn estar desmotivados
y pesimistas con la economa).
As mismo, cuando la economa estn en recesin,
(la demanda de este tipo de producto baja ) los
consumidores no se impresionan, se muestran
desmotivados en un 60% de los estudios, y en un 40%
de los casos dir lo contrario. (o sea, los consumidores
entrevistados dirn estar motivados y confiados con la
economa).

Al realizar un nuevo estudio, ste muestra gran

entusiasmo y optimismo por parte de los consumidores
a. Cul es la probabilidad posterior de xito?
b. Cul es la probabilidad posterior de fracaso?
Al realizar un segundo estudio, ste muestra gran
entusiasmo y optimismo por parte de los consumidores
c. Cul es la probabilidad posterior de xito?
d. Cul es la probabilidad posterior de fracaso?

135

Teorema de Bayes

Resolucin de Ejercicios propuestos

Ejercicio 2.1

P(B/1) = P(B1)/P(1)

P(A/1) = P(A1)/P(1)

Evento
Probabilidad
Elemental del evento
Dado A
0.5
Dado B
0.5
1.0

Probabilidad de escoger
aleatoriamente el
dado X de una caja

P(1/evento
elemental)
0.4
0.7

Probabilidad de que el
dado seleccionado sea
el x y que el nmero
obtenido sea 1

P(1,evento
elemental)
0.4*0.5=0.20
0.7*0.5=0.35
P(1) = 0.55

Probabilidad de obtener
un 1 en el dado
X

Probabilidad
(Dado X/1)
0.2/0.55= 0.36
0.35/0.55=0.64
1.00

Probabilidad de que
el resultado de lanzar
el dado sea 1

Ejercicio 2.2

Evento
Probabilidad
(Poltica)
del evento
Visita
0.7
Telfono
0.2
Carta
0.1
1.00

P(Pague
/evento)
0.75
0.60
0.65

P(pague y
suceda evento)
0.7*0.75 = 0.525
0.2*0.6 = 0.120
0.1*0.65 = 0.065
P(pague) = 0.71

P (Evento/
Pag)
0.525/0.71= 0.74
0.12/0.71 = 0.17
0.065/0.71= 0.09
1.00

136

Teorema de Bayes

Tabla de Ayuda para ejercicio #2.3

Evento.

P(evento) P(

/ evento)

Total

La probabilidad del
evento "
"=

P(evento
y

P(evento /

1.00

137

Teorema de Bayes

Tabla de Ayuda para ejercicio #2.4

Evento.

P(evento) P(

/ evento)

Total

La probabilidad del
evento "
"=

P(evento
y

P(evento /

1.00

138

Teorema de Bayes

Tabla de Ayuda para ejercicio #2.5

Evento.

P(evento) P(

/ evento)

Total

La probabilidad del
evento "
"=

P(evento
y

P(evento /

1.00

139

Teorema de Bayes

Tabla de Ayuda extra

Evento.

P(evento) P(

/ evento)

Total

La probabilidad del
evento "
"=

P(evento
y

P(evento /

1.00

140

Ejercicio 2.3. Pruebas de aptitud a empleados Tip

Al final, el
rendimiento del
empleado es

En el test de aptitud, el candidato

.. el test.
Aprueba

Reprueba

Satisfactorio

0.90

0.10

No satisfactorio

0.15

0.85

Evento.
P(evento) P(reprobar
El
el test /
rendimiento
evento)
final del
empleado es..

P(evento P(evento /
y
reprobar
reprobar el test)
el test)

Evento.
P(evento) P(aprobar
El
el test/
rendimiento
evento)
final del
empleado es..

P(evento P(evento /
y aprobar aprobar el
el test)
test)

0.50

0.10

0.05

0.11

Satisfactorio

0.50

0.90

0.45

0.86

No
satisfactorio

0.50

0.85

0.425

0.89

No
satisfactorio

0.50

0.15

0.075

0.14

0.475

1.00

Total

0.525

1.00

Total
141

La probabilidad del
evento "reprobar la
prueba" es =

La probabilidad del
evento "aprobar la
prueba" es =

Teorema de Bayes

Satisfactorio

Total

Un
fracaso
0.10

La probabilidad del
evento "crtico de una
opinin favorable" es
=

0.7

0.295

0.070

1.00

0.24

P(evento /
crtico de
opinin
favorable)
0.76

0.90

0.25

Desfavorable

0.90

0.25

La probabilidad del
evento "crtico de una
opinin no favorable"
es =

0.7

Un
fracaso
Total

0.3

Un xito
arrollador

P(evento) P(crtico da
Evento.
La
opinin no
pelcula
favorable /
resulta en:
evento)

0.10

Un fracaso

Evento.
P(evento) P(crtico P(evento y
La
de opinin crtico)
pelcula
favorable/
resulta en:
evento)
Un xito
0.3
0.75
0.225
arrollador

0.75

Favorable

La opinin del crtico respecto a las

pelculas fue:

Un xito

Al final, las
pelculas
resultaron en

Ejercicio 2.4. La nueva pelcula y el crtico. Tip

0.705

0.630

0.075

P(evento
y crtico)

1.00

0.89

0.11

P(evento /
crtico da
opinin no
favorable)

Teorema de Bayes

142

0.40

0.90

La probabilidad del
evento "estudio con
opinin favorable" es =

0.50

Un fracaso

Total

0.50

Un xito

Evento.
P(evento) P(resultado
El resultado
de estudios es
del nuevo
favorable /
Producto
evento)
(botella)
es..

0.65

0.20

0.45

1.00

0.31

0.69

P(evento /
resultado
de
estudios es
favorable)

Respondi
positivamente.
Ventas altas xito
Respondi
negativamente.
Ventas bajas
Fracaso

Al final el
mercado ..

P(evento
y
resultado
del
estudio)

Ejercicio 2.5. Nuevo diseo

de la botella

Total

Evento.

0.40

/ evento)

La probabilidad del
evento "
"=

P(evento) P(

0.60

Motivados,
No motivados,
interesados, creen indiferentes, creen
que Ventas (Gral.) que Ventas (Gral.)
subirn
bajarn
0.90
0.10

Los consumidores se mostraron en el

estudio

P(evento
y

1.00

P(evento /

Teorema de Bayes

143