Teorema de Bayes
Una visión divina de la personalización
Thomas Bayes, 1702 - 1761
Por Ricci Graham
Knowledge Management. Enero 2001.
Nació: 1702 en Londres, Inglanterra
Murió: 17 de Abril 1761 en Tunbridge
Wells, Kent, Inglanterra
Muchos grandes hombres parecen haber nacido
anticipados a su época. Este axioma es particularmente
apto cuando se aplica al reverendo Thomas Bayes, un
teólogo inglés del siglo XVIII quien fue además un
matemático. Sus esfuerzos eclesiásticos para salvar las
almas de los protestantes ingleses han desaparecido
gradualmente de la memoria del publico; pero sus
exploraciones matemáticas –irrelevantes hace 200 años-
son considerablemente significativas ahora.
Las teorías que él desarrolló durante los años de
1700 en el área de probabilidad y estadística subrayan
algunos sistemas "inteligentes" de Software que
aprenden del input del usuario para personalizar
información. Estas teorías además han sido acreditadas
por avances en investigaciones legales y médicas. Visto
como un excéntrico durante su tiempo de vida, Bayes es
ahora percibido como un visionario.
Nacido en Londres en 1702, Thomas Bayes fue el
hijo de un ministro, un disidente que se oponía a las
doctrinas y practicas de la iglesia de Inglaterra. Bayes
siguió el llamado de su padre, siendo ordenado en la
iglesia presbiteriana en Tunbridge Wells a finales de la
década de 1720; sin embargo él retuvo su pasión por las
matemáticas, particularmente en el área de probabilidad
y estadística.
Bayes fue autor de trabajos en teología, pero
actualmente es mejor conocido por un par de tratados
matemáticos. "Introducción a la Doctrina de Fluxiones"
(1736) defiende las bases lógicas de los cálculos de
Isaac Newton en contra del ataque del Arzobispo George
Berkeley. "Ensayo para Resolver un Problema en la
Doctrina de Probabilidad" (publicación póstuma en
1763), generalmente se dice ser su trabajo más
convincente, el cual intenta establecer una fórmula
para calcular probabilidades entre diferentes variables
que están relacionadas casualmente pero para las cuales
las relaciones no pueden ser fácilmente derivadas por
medio de la experimentación.
Aquí en el siglo XXI, las fórmulas de probabilidad
que una vez parecieron tan esotéricas son la base para
aplicaciones en negocios marcadamente innovadores.
Corporaciones y grupos de investigación han aplicado
la base de los teoremas de probabilidad de Bayes, para
incrementar la estimación y mejorar los sistemas de
basados en conocimiento y agregar contexto a la
información. Por ejemplo, cuando se aplica a la
epidemiología, su trabajo puede ayudar a discernir la
probabilidad de que una enfermedad sea encontrada en
un grupo de personas con una característica dada, en la
base de las tasas globales de esa enfermedad y el
predominio de esa característica tanto en individuos
saludables como enfermos. Su uso más común es en
decisiones de análisis clínico, estimando la probabilidad
de un diagnóstico particular dada la aparición de algún
síntoma o resultado de un examen.
En el mundo de la alta tecnología, las matemáticas
Bayesianas han influenciado compañías como Microsoft
Corp. y Autonomy Corp. en el desarrollo de softwares
132

«Basado en el Conocimiento». En el asistente de
Microsoft Office –el módulo 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 qué consejo proporcionarle. De
este modo, el asistente de Office puede modificar la
elección de avisos que ofrece, mientras gana
conocimiento de los hábitos del individuo.
En Autonomy Corp., sus teoremas apoyan softwares
que pueden automáticamente organizar extensos e
inestructurados volúmenes de información, en
información 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.
Teorema de Bayes
Si las fórmulas de Bayes son útiles ahora, ¿por qué
fueron ignoradas tanto tiempo? Cuando él desarrolló
los teoremas hace 200 años, había poco uso práctico
para ellos; algunos estudiantes de probabilidad los
aplicaron en discusiones concernientes a la existencia
de Dios, mientras que otros usaron sus teorías para
evaluar las probabilidades en apuestas.
Sin embargo, en esta época de avances tecnológicos
bruscos, con la escalada del poder de las computadoras
y el desarrollo de ecuaciones matemáticas claves, los
científicos han descubierto maneras más directas de
poner los principios de Bayes a trabajar. Parece que el
conocimiento, se encuentra en el ojo del espectador.
133

Revisión de las estimaciones anteriores. Teorema de Bayes
Los conceptos teóricos
de este tema se
encuentran en el libro
de texto en el capitulo
4.7 (páginas 196-201)
2.1 Un dado está cargado, de tal forma que el 40% de
las veces marca «1». Otro dado «B» está cargado y
marca «1» un 70% de las veces. Si se selecciona al
azar un dado y este da un «1».
a) ¿Cuál es la probabilidad de que el dado sea el dado
A?
2.2- La compañia Beck’s utiliza tres políticas para
recuperar las cuentas por cobrar: Visitas personales 70%
con un 75% de éxito. Llamadas telefónicas 20% con
un 60% de recuperación. A través 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. Así mismo,
del otro grupo de empleados que se sometieron al test
de aptitud el gerente obtuvo la siguiente información:
- Del 100% de los trabajadores que hoy día hacen
bien su trabajo (opinión 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 día no hacen
bien su trabajo, (opinión de su jefe inmediato):
- El 85% de ellos reprobaron dicho test de aptitud.
- El 15% de ellos aprobaron dicho test de aptitud.
a. ¿Cuál es la probabilidad posterior del rendimiento
Teorema de Bayes
satisfactorio en el trabajo, si un solicitante escogido
al azar pasa el test?. O sea, ¿cuál es la probabilidad
de que el rendimiento de un solicitante sea
satisfactorio si aprueba el test?
b. ¿Cuál es la probabilidad posterior del rendimiento
satisfactorio en el trabajo, si un solicitante escogido
al azar reprueba el test? O sea, ¿cuál es la
probabilidad de que el rendimiento de un solicitante
sea satisfactorio si reprueba el test?
2.4- Se realiza una nueva película. La compañia
productora juzga la probabilidad de un éxito arrollador
en p =.0.30. También sabe que cierto crítico gusta del
75% de todas las películas que al final resultaron
grandes éxitos, así como él expresó su desatisfacción
con el 25% de las películas que al final resultaron ser
éxito. Por otra parte, el crítico expresó que no le
gustaban el 90% de todas las que al final resultaron
rotundos fracasos, sin embargo, expresó su opinión
favorable en el 10% de las películas que resultaron ser
un fracaso. Si la compañía utiliza el método de Bayes,
a. ¿Cómo corregiría su cifra de probabilidad de éxito
si supiera que el crítico elogió la película?
b. Refierase al resultado del inciso «a», donde el primer
crítico dio una opinión favorable. Un segundo crítico
da también una opinión favorable. ¿Cómo cambian
las probabilidades posteriores?
Olvide los incisos «a» y «b» y replantee el siguiente
escenario:
c. ¿Qué pasaría con las probabilidades posteriores si
el primer crítico reprueba la película severamente
(o sea, da una opinión desfavorable?
d. Posteriormente al primer crítico que dio una opinión
desfavorable, un segundo crítico da una opinión
favorable. ¿Cómo cambian las probabilidades
posteriores?
2.5- Un productor de vino ha diseñado una nueva y
distintiva botella con la esperanza de aumentar sus
ventas. El gerente ha estimado la probabilidad de éxito
en 0.50. A fin de informarse mejor de la percepción de
los clientes, pide un estudios de mercado.
134
 Teorema de Bayes
El sabe que cuando la economía están por elevarse, Al realizar un nuevo estudio, éste muestra gran
(la demanda de este tipo de producto sube), los entusiasmo y optimismo por parte de los consumidores
consumidores muestran estar motivados y confiados
en la economía en un 90% de los estudio. Pero también a. ¿Cuál es la probabilidad posterior de éxito?
en un 10% de los estudios dirán lo contrario (o sea, los b. ¿Cuál es la probabilidad posterior de fracaso?
consumidores entrevistados dirán estar desmotivados
y pesimistas con la economía). Al realizar un segundo estudio, éste muestra gran
entusiasmo y optimismo por parte de los consumidores
Así mismo, cuando la economía están en recesión,
(la demanda de este tipo de producto baja ) los c. ¿Cuál es la probabilidad posterior de éxito?
consumidores no se impresionan, se muestran d. ¿Cuál es la probabilidad posterior de fracaso?
desmotivados en un 60% de los estudios, y en un 40%
de los casos dirá lo contrario. (o sea, los consumidores
entrevistados dirán estar motivados y confiados con la
economía).

135
 Teorema de Bayes

Resolución de Ejercicios propuestos

Ejercicio 2.1

Probabilidad de que el
dado seleccionado sea
P(B/1) = P(B1)/P(1) P(A/1) = P(A1)/P(1) el “x” y que el número
obtenido sea “1”

Evento Probabilidad P(“1”/evento P(“1”,evento Probabilidad

Elemental del evento elemental) elemental) (Dado X/”1”)
Dado A 0.5 0.4 0.4*0.5=0.20 0.2/0.55= 0.36
Dado B 0.5 0.7 0.7*0.5=0.35 0.35/0.55=0.64
1.0 P(“1”) = 0.55 1.00

Probabilidad de obtener Probabilidad de que

Probabilidad de escoger
un “1” en el dado el resultado de lanzar
aleatoriamente el
“X” el dado sea “1”
dado “X” de una caja

Ejercicio 2.2

Evento Probabilidad P(“Pague” P(“pague” y P (Evento/

(Política) del evento /evento) suceda evento) ”Pagó”)
Visita 0.7 0.75 0.7*0.75 = 0.525 0.525/0.71= 0.74
Teléfono 0.2 0.60 0.2*0.6 = 0.120 0.12/0.71 = 0.17
Carta 0.1 0.65 0.1*0.65 = 0.065 0.065/0.71= 0.09
1.00 P(“pague”) = 0.71 1.00

136
 Teorema de Bayes

Tabla de Ayuda para ejercicio #2.3

Evento. P(evento) P( P(evento P(evento /

y

/ evento) ) )

Total La probabilidad del 1.00

evento "
"=

137
 Teorema de Bayes

Tabla de Ayuda para ejercicio #2.4

Evento. P(evento) P( P(evento P(evento /

y

/ evento) ) )

Total La probabilidad del 1.00

evento "
"=

138
 Teorema de Bayes

Tabla de Ayuda para ejercicio #2.5

Evento. P(evento) P( P(evento P(evento /

y

/ evento) ) )

Total La probabilidad del 1.00

evento "
"=

139
 Teorema de Bayes

Tabla de Ayuda extra

Evento. P(evento) P( P(evento P(evento /

y

/ evento) ) )

Total La probabilidad del 1.00

evento "
"=

140
 Ejercicio 2.3. Pruebas de aptitud a empleados “Tip”
Al final, el En el test de aptitud, el candidato
rendimiento del ……….. el test.
empleado es … Aprueba Reprueba
Satisfactorio 0.90 0.10

No satisfactorio 0.15 0.85

Evento. P(evento) P(reprobar P(evento P(evento / Evento. P(evento) P(aprobar P(evento P(evento /
El el test / y reprobar El el test/ y aprobar aprobar el
rendimiento evento) reprobar el test) rendimiento evento) el test) test)
final del el test) final del
empleado es.. empleado es..
Satisfactorio 0.50 0.10 0.05 0.11 Satisfactorio 0.50 0.90 0.45 0.86

No 0.50 0.85 0.425 0.89 No 0.50 0.15 0.075 0.14

satisfactorio satisfactorio

Total La probabilidad del 0.475 1.00 Total La probabilidad del 0.525 1.00
evento "reprobar la evento "aprobar la
prueba" es = prueba" es =

141
Teorema de Bayes
 Ejercicio 2.4. La nueva película y el crítico. Tip
Al final, las La opinión del crítico respecto a las
películas películas fue:
resultaron en …
Favorable Desfavorable

Un éxito 0.75 0.25

Un fracaso 0.10 0.90

Evento. P(evento) P(crítico P(evento y P(evento / Evento. P(evento) P(crítico da P(evento P(evento /
La de opinión crítico) crítico de La opinión no y crítico) crítico da
película favorable/ opinión película favorable / opinión no
resulta en: evento) favorable) resulta en: evento) favorable)
Un éxito 0.3 0.75 0.225 0.76 Un éxito 0.3 0.25 0.075 0.11
arrollador arrollador

Un 0.7 0.10 0.070 0.24 Un 0.7 0.90 0.630 0.89

fracaso fracaso

Total La probabilidad del 0.295 1.00 Total La probabilidad del 0.705 1.00
evento "crítico de una evento "crítico de una
opinión favorable" es opinión no favorable"
= es =

142
Teorema de Bayes
 Ejercicio 2.5. Nuevo diseño Al final el Los consumidores se mostraron en el
mercado …….. estudio…
de la botella
Motivados, No motivados,
interesados, creen indiferentes, creen
que Ventas (Gral.) que Ventas (Gral.)
subirán bajarán
Respondió 0.90 0.10
positivamente.
Ventas altas ‡ Éxito
Respondió 0.40 0.60
negativamente.
Ventas bajas ‡
Fracaso

Evento. P(evento) P(resultado P(evento P(evento / Evento. P(evento) P( P(evento P(evento /

El resultado de estudios es y resultado y
del nuevo favorable / resultado de
Producto evento) del estudios es
(botella) estudio) favorable) / evento) ) )
es..
Un éxito 0.50 0.90 0.45 0.69

Un fracaso 0.50 0.40 0.20 0.31

Total La probabilidad del 0.65 1.00 Total La probabilidad del 1.00

evento "estudio con evento "
opinión favorable" es = "=

143
Teorema de Bayes