UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA INDUSTRIAL

LICENCIATURA EN INGENIERÍA INDUSTRIAL

CURSO DE ESTADÍSTICA I

TEOREMA DE BAYES
CHARLA #6

PRESENTADO POR:
JUAN HAWKINS

TUTOR:
PROFA. ICENIT SANTAMARÍA

GRUPO 1II132

REPÚBLICA DE PANAMÁ
2023
ÍNDICE

Índice ............................................................................................................................................... 2
Introducción .................................................................................................................................... 3
Historia ............................................................................................................................................ 4
Teoremas relacionados ................................................................................................................... 5
1. Probabilidad condicional ......................................................................................................... 5
2. Teorema de la probabilidad total ............................................................................................ 6
Teorema de Bayes ........................................................................................................................... 8
1. Definición ................................................................................................................................. 8
2. Demostración matemática ...................................................................................................... 8
3. Ecuación general ...................................................................................................................... 9
Ejemplo práctico ........................................................................................................................... 10
Método tabular ............................................................................................................................. 13
Conclusiones ................................................................................................................................. 15
Referencias bibliográficas.............................................................................................................. 16

2
INTRODUCCIÓN

El teorema de Bayes, formulado por Thomas Bayes, es un principio en la teoría de la probabilidad

y la estadística que desempeña un papel importante en la actualización de nuestras creencias o
conocimientos sobre un evento a medida que adquirimos nueva información relevante.

Este teorema proporciona un enfoque lógico y sistemático para razonar en situaciones de incer-
tidumbre, permitiéndonos combinar nuestras creencias iniciales con nueva evidencia y obtener
estimaciones más precisas y ajustadas a la realidad.

En su forma más básica, el teorema de Bayes nos permite calcular la probabilidad de que ocurra
un evento A, dado que ha ocurrido un evento B. Esto implica ajustar nuestras estimaciones ini-
ciales en función de la evidencia adicional que hemos obtenido, lo que nos permite actualizar de
manera coherente nuestras creencias.

El teorema de Bayes encuentra aplicaciones en diversas disciplinas. Por ejemplo, en medicina,

puede ser utilizado para calcular la probabilidad de que una persona tenga una enfermedad en
función de los síntomas que presenta y la prevalencia de la enfermedad en la población. En inte-
ligencia artificial, se emplea en algoritmos de aprendizaje automático para actualizar modelos y
realizar predicciones más precisas. Además, se aplica en la detección de fraudes, el análisis de
riesgos y en muchas otras áreas en las que la toma de decisiones se basa en la incertidumbre.

3
HISTORIA

El teorema de Bayes recibe su nombre en honor al reve-

rendo Thomas Bayes, quien fue tanto estadístico como filó-
sofo. Bayes empleó la probabilidad condicional para desa-
rrollar un algoritmo que utiliza evidencia para calcular los lí-
mites de un parámetro desconocido.

En 1763, su trabajo fue publicado bajo el título "Un ensayo

para resolver un problema de la doctrina de las probabilida-
des", donde estudió cómo calcular una distribución para el
parámetro de probabilidad de una distribución binomial.
Tras el fallecimiento de Bayes, su familia confió sus docu-
Figura 1. Thomas Bayes
mentos a Richard Price, un amigo cercano que era ministro,
Fuente: LinkedIn
filósofo y matemático.

Durante dos años, Richard Price editó de manera significativa el manuscrito inédito antes de en-
viarlo a un amigo, quien lo presentó ante la Royal Society el 23 de diciembre de 1763. El trabajo
principal de Bayes, "Un ensayo para resolver un problema de la doctrina de las probabilidades",
fue editado por Price y publicado en Philosophical Transactions, una revista científica de la Royal
Society, en donde se incluyó el teorema de Bayes.

Price redactó una introducción al documento, donde se presentaban algunas de las bases filosó-
ficas de la estadística bayesiana y se seleccionó una de las dos soluciones propuestas por Bayes.
En reconocimiento a su trabajo sobre el legado de Bayes, Price fue elegido miembro de la Royal
Society en 1765.

4
TEOREMAS RELACIONADOS

1. Probabilidad condicional

La probabilidad condicional se refiere a la posibilidad de que ocurra un evento o resultado,

basándose en la existencia de un evento o resultado previo. Se calcula dividiendo la proba-
bilidad del evento condicional o sucesivo entre la probabilidad del evento anterior.

La probabilidad condicional, representada como P(A|B), indica la probabilidad de que ocu-

rra un evento A cuando otro evento B ya ha tenido lugar. En un diagrama de eventos, el
espacio muestral se representa como S, y se consideran los eventos A y B. Si el evento B ya
ha ocurrido, el espacio muestral S se reduce a B, ya que las posibilidades de ocurrencia de
un evento se encuentran dentro de B.

Figura 2. Diagrama de Venn para la probabilidad condicional, P(A|B).

Fuente: Probability Course.

5
 Para determinar las posibilidades de ocurrencia del evento A, es suficiente considerar la por-
ción común a ambos A y B, que se representa como la intersección de los eventos A y B (A ∩
B). Esta intersección representa la probabilidad de ocurrencia de A cuando B ya ha ocurrido.
Así se explica el concepto de problemas de probabilidad condicional, donde se evalúa la ocu-
rrencia de un evento dado cuando otro evento relacionado ya ha ocurrido.

Cuando se produce la intersección de dos eventos, la ecuación para la probabilidad condi-

cional de la ocurrencia de ambos eventos se expresa como:

P(A ∩ B)
P(A|B) = (1)
P(B)

De manera similar, la probabilidad de ocurrencia del evento B cuando el evento A ya ha ocu-

rrido se calcula utilizando la ecuación:

P(B ∩ A)
P(B|A) = (2)
P(A)

2. Teorema de la probabilidad total

La probabilidad de que ocurra un evento es 1 y para un evento imposible es 0. En la teoría

de la probabilidad, existe una regla fundamental que relaciona la probabilidad marginal y la
probabilidad condicional, conocida como la ley de la probabilidad total. Esta ecuación per-
mite calcular la probabilidad total de un evento a través de varios eventos distintos.

Para dos eventos A y B asociados con un espacio muestral S, el espacio muestral se puede
dividir en conjuntos A ∩ B, A ∩ B′ , A′ ∩ B, y A′ ∩ B′ . Estos conjuntos son mutuamente ex-
cluyentes o disjuntos, lo que significa que no comparten elementos.

Cuando la probabilidad de ocurrencia de un evento depende de la ocurrencia de otros even-

tos, utilizamos el teorema de la probabilidad total. Supongamos que los eventos B1 , B2 , …,
Bn forman una partición del espacio muestral S, donde cada evento tiene una probabilidad
de ocurrencia distinta a cero. Según el teorema de la probabilidad total, la probabilidad del
evento A se puede calcular como:

P(A) = ∑ P(A ∩ Bk ) (3)

k=1

6
De manera similar, la probabilidad del evento B se calcula utilizando la ecuación:

P(B) = ∑ P(B ∩ Ak ) (4)

k=1

Figura 3. Representación del teorema de la probabilidad total.

Fuente: Probability Course.

7
TEOREMA DE BAYES

1. Definición

Durante el estudio de la probabilidad condicional, se destaca la importancia de actualizar las

probabilidades al obtener nueva información. En general, se comienza el análisis con una
estimación inicial de probabilidad, también conocida como probabilidad previa, de los even-
tos de interés.

A medida que se obtiene información adicional, ya sea a través de muestras, datos especiales
o pruebas del producto, es necesario revisar y ajustar los valores de probabilidad. Este pro-
ceso implica el cálculo de las probabilidades posteriores, que son las probabilidades actuali-
zadas. El teorema de Bayes se utiliza como un método para calcular estas probabilidades
actualizadas.

El teorema de Bayes es una herramienta fundamental que describe la probabilidad de que

ocurra un evento en función de una condición dada. Se basa en el concepto de probabilidad
condicional y utiliza el teorema de la probabilidad total para realizar los cálculos necesarios.

Figura 4. Revisión de la probabilidad usando el teorema de Bayes.

Fuente: Estadística para administración y economía.

2. Demostración matemática

De acuerdo con la ecuación de la probabilidad condicional:

P(Ai ∩ B)
P(Ai |B) = (5)
P(B)

Utilizando la regla de multiplicación de probabilidades:

P(Ai ∩ B) = P(Ai )P(B|Ai ) (6)

8
 Utilizando el teorema de la probabilidad total:

n n

P(B) = ∑ P(B ∩ Ak ) = ∑ P(Ak )P(B|Ak ) (7)

k=1 k=1

Sustituyendo los valores de las ecuaciones (6) y (7) en la ecuación (5), se obtiene:

P(Ai )P(B|Ai )
P(Ai |B) = n (8)
∑k=1 P(Ak )P(B|Ak )

El teorema de Bayes es válido cuando se busca calcular la probabilidad revisada de eventos

mutuamente excluyentes cuya unión forma el espacio muestral completo. En el caso de n
eventos mutuamente excluyentes, denotados como A1 , A2 , …, An , donde la suma de todos
ellos abarca la totalidad del espacio muestral, el teorema de Bayes se aplica para calcular las
probabilidades posteriores P(Ai |B).

Usando las probabilidades previas P(A1 ), P(A2 ), ..., P(An ) y las probabilidades condicionales
correspondientes P(B|A1 ), P(B|A2 ), ..., P(B|An ), podemos aplicar el teorema de Bayes para
calcular las probabilidades posteriores de los eventos A1 , A2 , ..., An .

Cuando se aplica el teorema de Bayes, se utilizan los siguientes términos:

o La probabilidad P(Ai ) se considera como la probabilidad previa de una estimación Ai .
o La probabilidad P(Ai |B) se considera como la probabilidad posterior de una estimación
Ai .

3. Ecuación general

Si A y B son dos eventos, entonces la ecuación del teorema de Bayes es la siguiente:

P(B|A)P(A)
P(A|B) = (9)
P(B)

Donde:

P(A|B) es la probabilidad de que ocurra el evento A, dado que ha ocurrido el evento B.

P(B|A) es la probabilidad de que ocurra el evento B, dado que ha ocurrido el evento A.
P(A) es la probabilidad inicial del evento A.
P(B) es la probabilidad inicial del evento B, la cual es distinta de cero.

9
EJEMPLO PRÁCTICO

Una fábrica adquiere piezas de dos proveedores distintos. Denominaremos al evento de que la
pieza provenga del proveedor 1 como A1 , y al evento de que la pieza provenga del proveedor 2
como A2 . La fábrica ha determinado que el 65% de las piezas que adquiere provienen del provee-
dor 1, mientras que el 35% restante proviene del proveedor 2. Por lo tanto, al elegir una pieza al
azar, se asignarán las siguientes probabilidades previas: P(A1 ) = 0.65 y P(A2 ) = 0.35.

La calidad de las piezas compradas varía dependiendo del proveedor. La fábrica ha recopilado
información sobre la calidad de ambos proveedores, la cual se muestra en la Figura 5. Utilizare-
mos el evento G para referirnos a que la pieza está en buen estado, y el evento B para indicar que
la pieza está en mal estado. La información proporcionada en la Figura 5 nos permite establecer
los siguientes valores de probabilidad condicional.

P(G|A1 ) = 0.98 P(B|A1 ) = 0.02

P(G|A2 ) = 0.95 P(B|A2 ) = 0.05

Figura 5. Calidad de los dos proveedores.

Fuente: Estadística para administración y economía.

El diagrama de árbol presentado en la Figura 6 representa el proceso de recepción de una pieza

proveniente de uno de los dos proveedores, seguido de la determinación de si la pieza es de
buena o mala calidad. Este proceso se puede considerar como un experimento de dos pasos.
Observamos que existen cuatro posibles resultados experimentales: dos corresponden a que la
pieza esté en buen estado y dos corresponden a que la pieza esté en mal estado.

Cada uno de estos resultados experimentales se obtiene mediante la intersección de dos eventos.
Para calcular las probabilidades asociadas a estos eventos, podemos utilizar la ley de la multipli-
cación. Por ejemplo:

P(A1 ,G) = P(A1 ∩ G) = P(A1 )P(G|A1 )

10
Figura 6. Diagrama de árbol de los dos proveedores.
Fuente: Estadística para administración y economía.

Figura 7. Árbol de probabilidad de los dos proveedores.

Fuente: Estadística para administración y economía.

11
El proceso de cálculo de estas probabilidades conjuntas se representa a través de un árbol de
probabilidad, como se muestra en la Figura 7. Al seguir el árbol de izquierda a derecha, las pro-
babilidades en cada rama del primer paso corresponden a probabilidades previas, mientras que
las probabilidades en cada rama del segundo paso son probabilidades condicionales. Para calcular
la probabilidad de cada uno de los resultados experimentales, simplemente se multiplican las
probabilidades de las ramas que conducen a ese resultado. La Figura 7 muestra cada una de estas
probabilidades conjuntas, junto con las probabilidades en cada rama.

Ahora, supongamos que las piezas de ambos proveedores se utilizan en el proceso de fabricación
de esta empresa y que una máquina se avería al intentar procesar una pieza defectuosa. Dada la
información de que la pieza está en mal estado (evento B), nos interesa determinar cuál es la
probabilidad de que provenga del proveedor 1 (evento A1 ) y cuál es la probabilidad de que pro-
venga del proveedor 2 (evento A2 ). Para responder a estas preguntas, aplicaremos el teorema de
Bayes utilizando la información del árbol de probabilidad de la Figura 7.

Dado que B es el evento de que la pieza esté en mal estado, buscamos las probabilidades poste-
riores P(A1 |B) y P(A2 |B).

P(A1 )P(B|A1 ) 0.65(0.02)

P(A1 |B) = = = 0.4262
P(A1 )P(B|A1 ) + P(A2 )P(B|A2 ) 0.65(0.02) + 0.35(0.05)

P(A2 )P(B|A2 ) 0.35(0.05)

P(A2 |B) = = = 0.5738
P(A1 )P(B|A1 ) + P(A2 )P(B|A2 ) 0.65(0.02) + 0.35(0.05)

En este ejemplo podemos observar que al principio la probabilidad de seleccionar una pieza pro-
veniente del proveedor 1 era de 0.65. Sin embargo, al tener la información adicional de que la
pieza está en mal estado, la probabilidad de que provenga del proveedor 1 disminuye a 0.4262.

En contraste, la probabilidad de que la pieza provenga del proveedor 2, dado que está en mal
estado, aumenta a 0.5738. Esto significa que, si la pieza está en mal estado, la probabilidad de
que sea del proveedor 2 es mayor que la probabilidad de que sea del proveedor 1, superando el
50–50 inicialmente establecido.

12
MÉTODO TABULAR

Para realizar los cálculos del teorema de Bayes de manera organizada, es útil emplear un método
tabular. El método tabular se puede aplicar al problema de las piezas provenientes de los provee-
dores, como se muestra en la Figura 8. Los cálculos se llevan a cabo siguiendo los siguientes pasos:

Paso 1 Se crean las siguientes columnas en una tabla:

o Columna 1: Eventos mutuamente excluyentes Ai de los cuales se desea calcular la
probabilidad posterior.
o Columna 2: Probabilidades previas P(Ai ) de los eventos.
o Columna 3: Probabilidades condicionales P(B|Ai ) de la nueva información B dada
cada evento.

Paso 2 En la columna 4, se calculan las probabilidades conjuntas P(Ai ∩ B) para cada evento
y la nueva información, utilizando la ley de la multiplicación.

Estas probabilidades conjuntas se obtienen multiplicando las probabilidades previas

de la columna 2 por las correspondientes probabilidades condicionales de la columna
3; es decir, P(Ai ∩ B) = P(Ai )P(B|Ai ).

Paso 3 Se suman las probabilidades de la columna 4. Esta suma corresponde a la probabilidad

de la nueva información, P(B).

De esta manera, en la Figura 8 se muestra que la probabilidad de que una pieza sea
del proveedor 1 y esté en mal estado es de 0.0130, mientras que la probabilidad de
que la pieza sea del proveedor 2 y esté en mal estado es de 0.0175.

Como estas son las únicas dos formas de tener una pieza en mal estado, la suma de
0.0130 + 0.0175, que es igual a 0.0305, representa la probabilidad de encontrar una
pieza en mal estado entre las piezas recibidas de ambos proveedores.

Paso 4 En la columna 5, se calculan las probabilidades posteriores utilizando la relación básica

de la probabilidad condicional.

Es importante destacar que las probabilidades conjuntas P(Ai ∩ B) se encuentran en

la columna 4, y la probabilidad P(B) es la suma de los valores de la columna 4.

13
Figura 8. Método tabular para los cálculos del ejemplo de los dos proveedores.
Fuente: Estadística para administración y economía.

14
CONCLUSIONES

El teorema de Bayes juega un papel fundamental al proporcionar una metodología sistemática

para actualizar las probabilidades a priori de un evento y convertirlas en probabilidades a poste-
riori, utilizando la información nueva o evidencia disponible. Esta herramienta resulta especial-
mente valiosa al tomar decisiones o realizar inferencias basadas en la información más reciente.

Al combinar la información previa o las creencias iniciales con la evidencia observada, nos permite
obtener estimaciones más precisas de las probabilidades a posteriori. Esto resulta especialmente
relevante cuando ya se dispone de algún conocimiento previo sobre el evento en cuestión.

La importancia de la evidencia en la actualización de las probabilidades es subrayada por el teo-

rema de Bayes. La evidencia puede aumentar o disminuir la probabilidad de un evento, según
cómo se relacione con las creencias iniciales. A medida que se obtiene más evidencia, su influen-
cia en las probabilidades a posteriori aumenta.

En el ámbito de la inferencia estadística, permite obtener estimaciones de los parámetros desco-

nocidos de un modelo probabilístico basándose en los datos observados y el conocimiento previo.
Esto resulta particularmente útil en el análisis de datos y en la toma de decisiones basadas en la
información disponible.

15
REFERENCIAS BIBLIOGRÁFICAS

@ALeonardoBanuelosS. (2018, febrero 09). Introducción al teorema de Bayes. México. Retrieved

from https://youtu.be/sUXLrA98DUc
@MatematicasprofeAlex. (2022, mayo 26). Teorema de Bayes: Ejemplo 1. Colombia. Retrieved
from https://youtu.be/NdcpLrFd2RM
@MatematicasprofeAlex. (2022, mayo 30). Teorema de Bayes: Ejemplo 2. Colombia. Retrieved
from https://youtu.be/cwZXnCX5Qdw
@MatematicasprofeAlex. (2022, mayo 25). Teorema de Bayes: Introducción. Colombia. Retrieved
from https://youtu.be/bDfCURXoKkU
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para administración y economía
(Décima ed.). México: Cengage. Retrieved from https://www.upg.mx/wp-
content/uploads/2015/10/LIBRO-13-Estadistica-para-administracion-y-economia.pdf
BYJU'S. (2021, marzo 01). Conditional probability. Retrieved from Sitio web de BYJU'S:
https://byjus.com/maths/conditional-probability/
BYJU'S. (2022, septiembre 06). Total probability theorem. Retrieved from Sitio web de BYJU'S:
https://byjus.com/maths/total-probability-theorem/
Fundación Wikimedia. (2023, junio 13). Teorema de Bayes. Retrieved from Sitio web de
Wikipedia: https://es.wikipedia.org/wiki/Teorema_de_Bayes
Math is fun. (2017). Conditional probability. Retrieved from Sitio web de Math is fun:
https://www.mathsisfun.com/data/probability-events-conditional.html
Newbold, P., Carlson, W., & Thorne, B. (2008). Estadística para administración y economía (Sexta
ed.). España: Pearson. Retrieved from https://fad.unsa.edu.pe/bancayseguros/wp-
content/uploads/sites/4/2019/03/Estadistica-para-administracion-y-la-economia.-6Ed.-
Newbold-2008.pdf
Pishro-Nik, H. (2014). Conditional probability. Retrieved from Sitio web de Probability Course:
https://www.probabilitycourse.com/chapter1/1_4_0_conditional_probability.php
Pishro-Nik, H. (2014). Law of total probability. Retrieved from Sitio web de Probability Course:
https://www.probabilitycourse.com/chapter1/1_4_2_total_probability.php
Ruiz, C. (2022, octubre 21). Inferencia bayesiana (según T. Tao). Retrieved from Sitio web de
LinkedIn: https://www.linkedin.com/pulse/inferencia-bayesiana-seg%C3%BAn-tao-
bourbaki-colegio-/?originalSubdomain=es

16