El Teorema de Bayes es una herramienta fundamental en probabilidad y estadística. Permite actualizar nuestras creencias sobre un evento, dados nuevos datos.
Ejemplo 1: Diagnóstico Médico
Imaginemos una enfermedad rara. Digamos que afecta al 1% de la población (P(Enfermedad) = 0.01). Existe una prueba para detectarla. La prueba tiene una tasa de falsos positivos del 5% (P(Positivo | No Enfermedad) = 0.05). La prueba tiene una tasa de verdaderos positivos del 99% (P(Positivo | Enfermedad) = 0.99).
Si una persona obtiene un resultado positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad? Aplicamos el Teorema de Bayes: P(Enfermedad | Positivo) = [P(Positivo | Enfermedad) * P(Enfermedad)] / P(Positivo)
Must Read
Primero, calculamos P(Positivo). Esto puede ocurrir de dos maneras: tener la enfermedad y dar positivo, o no tener la enfermedad y dar positivo. P(Positivo) = [P(Positivo | Enfermedad) * P(Enfermedad)] + [P(Positivo | No Enfermedad) * P(No Enfermedad)]. P(Positivo) = (0.99 * 0.01) + (0.05 * 0.99) = 0.0099 + 0.0495 = 0.0594.
Ahora, sustituimos en la fórmula original: P(Enfermedad | Positivo) = (0.99 * 0.01) / 0.0594 = 0.0099 / 0.0594 = 0.1667. Por lo tanto, solo hay un 16.67% de probabilidad de tener la enfermedad, dado un resultado positivo. Esto demuestra la importancia de considerar la prevalencia de la enfermedad.
Ejemplo 2: Spam en el Correo Electrónico
Analicemos la detección de spam. Supongamos que el 60% de los correos son spam (P(Spam) = 0.6). La palabra "gratis" aparece en el 80% de los correos de spam (P("gratis" | Spam) = 0.8). La palabra "gratis" aparece en el 5% de los correos que no son spam (P("gratis" | No Spam) = 0.05).
Si un correo contiene la palabra "gratis", ¿cuál es la probabilidad de que sea spam? Aplicamos el Teorema de Bayes: P(Spam | "gratis") = [P("gratis" | Spam) * P(Spam)] / P("gratis"). Calculamos P("gratis"): P("gratis") = [P("gratis" | Spam) * P(Spam)] + [P("gratis" | No Spam) * P(No Spam)]. P("gratis") = (0.8 * 0.6) + (0.05 * 0.4) = 0.48 + 0.02 = 0.5.
Sustituimos: P(Spam | "gratis") = (0.8 * 0.6) / 0.5 = 0.48 / 0.5 = 0.96. Hay un 96% de probabilidad de que el correo sea spam si contiene la palabra "gratis".
Ejemplo 3: Marketing y Conversión
Una empresa realiza una campaña de marketing. El 2% de las personas que ven el anuncio compran el producto (P(Compra | Anuncio) = 0.02). El 10% de la población ve el anuncio (P(Anuncio) = 0.1). Queremos saber la probabilidad de que una persona que compra el producto haya visto el anuncio (P(Anuncio | Compra)).
Necesitamos saber P(Compra). Asumimos que las personas compran el producto con o sin ver el anuncio. Para simplificar, digamos que la probabilidad de comprar sin ver el anuncio es muy baja, cercana a cero, y puede ser ignorada. Por lo tanto, la probabilidad de comprar es prácticamente la misma que la probabilidad de comprar después de ver el anuncio.
Calculamos P(Anuncio | Compra) = [P(Compra | Anuncio) * P(Anuncio)] / P(Compra). Asumiendo que P(Compra) es aproximadamente igual a P(Compra | Anuncio) * P(Anuncio) (debido a la baja probabilidad de compra sin anuncio), entonces: P(Anuncio | Compra) = (0.02 * 0.1) / (0.02 * 0.1) = 1. Esto sugiere que casi todas las compras se deben al anuncio, aunque en la vida real esto es un caso límite idealizado.
Ejemplo 4: Control de Calidad
Una fábrica tiene dos máquinas que producen un producto. La máquina A produce el 60% de los productos (P(A) = 0.6). La máquina B produce el 40% (P(B) = 0.4). La máquina A produce un 5% de productos defectuosos (P(Defectuoso | A) = 0.05). La máquina B produce un 10% de productos defectuosos (P(Defectuoso | B) = 0.1).
Si seleccionamos un producto al azar y resulta ser defectuoso, ¿cuál es la probabilidad de que haya sido producido por la máquina A? Aplicamos el Teorema de Bayes: P(A | Defectuoso) = [P(Defectuoso | A) * P(A)] / P(Defectuoso). Calculamos P(Defectuoso) = [P(Defectuoso | A) * P(A)] + [P(Defectuoso | B) * P(B)]. P(Defectuoso) = (0.05 * 0.6) + (0.1 * 0.4) = 0.03 + 0.04 = 0.07.
Sustituimos: P(A | Defectuoso) = (0.05 * 0.6) / 0.07 = 0.03 / 0.07 = 0.4286. Hay un 42.86% de probabilidad de que el producto defectuoso haya sido producido por la máquina A.
Ejemplo 5: Predicción del Tiempo
La probabilidad de que llueva mañana es del 30% (P(Lluvia) = 0.3). Si llueve, la probabilidad de que haya nubes es del 90% (P(Nubes | Lluvia) = 0.9). Si no llueve, la probabilidad de que haya nubes es del 10% (P(Nubes | No Lluvia) = 0.1). Vemos nubes mañana, ¿cuál es la probabilidad de que llueva?
Aplicamos el Teorema de Bayes: P(Lluvia | Nubes) = [P(Nubes | Lluvia) * P(Lluvia)] / P(Nubes). Calculamos P(Nubes) = [P(Nubes | Lluvia) * P(Lluvia)] + [P(Nubes | No Lluvia) * P(No Lluvia)]. P(Nubes) = (0.9 * 0.3) + (0.1 * 0.7) = 0.27 + 0.07 = 0.34.
Sustituimos: P(Lluvia | Nubes) = (0.9 * 0.3) / 0.34 = 0.27 / 0.34 = 0.7941. Hay un 79.41% de probabilidad de que llueva mañana, dado que vemos nubes.
