Teorema de Bayas

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 4

Teorema de bayas- estadística frecuentiva vs valenciana

Estadística bayesiana

La estadística bayesiana se basa en la probabilidad subjetiva, trabaja con la actualización de la


evidencia considerando los conocimientos adquiridos previos a una investigación, más la
evidencia obtenida con esta. La interpretación de los resultados requiere la especificación
de las hipótesis por contrastar y su probabilidad a priori antes del estudio. La evidencia
del estudio se mide con el factor Bayes. La conjunción de las probabilidades a priori de
las hipótesis con el factor Bayes permite calcular la probabilidad a posteriori de cada una.
La hipótesis con mayor grado de certidumbre en su actualización es la aceptada para la
toma de la decisión.

El paradigma bayesiano se basa en los siguientes postulados:

- La probabilidad describe grados de creencia, sin frecuencias límite. Como tal uno puede
hacer afirmaciones probabilísticas acerca de muchas cosas y no solo datos sujetos a
variabilidad aleatoria. Por ejemplo, puedo decir: “La probabilidad de que Einstein tomara
una copa de té el 1ro de agosto de 1948” es 0.35, esto no hace referencia a ninguna
frecuencia relativa, sino que refleja la certeza de que yo tengo de que la proposición sea
verdadera.
- Podemos hacer afirmaciones probabilísticas de parámetros.
- Podemos hacer inferencia de un parámetro por medio de distribuciones de probabilidad.
Las inferencias como estimaciones puntuales y estimaciones de intervalos se pueden
extraer de dicha distribución.

Regla de Bayes

La regla de Bayes tiene un papel fundamental en la estadística bayesiana, se utiliza para


determinar la probabilidad de un modelo dado un conjunto de datos. Recordemos que lo que el
modelo determina es la probabilidad de los datos condicionales a valores particulares de los
parámetros y la estructura del modelo. Por otra parte, usamos la regla de Bayes para ir de la
probabilidad de los datos, dado el modelo, a la probabilidad del modelo, dados los datos.
El teorema de Bayes fue descrito por el matemático británico Thomas Bayes, describe la
probabilidad de un evento basado en conocimiento previo de las condiciones que pueden estar
relacionadas con el evento, en otras palabras, qué tan probable es que ocurra algo pasándome en
una certeza.

El teorema en su forma más sencilla es:

P(B/ A)x P( A)
P( A /B)=
P (B)

Donde B es el suceso que conocemos, A el conjunto de posibles causas, excluyentes entre sí, que
pueden producirlo y, por tanto, P(A/B) son las posibilidades a posteriori, P(A) las posibilidades a
priori y P(B/A) la posibilidad de que se dé B en cada hipótesis de A.

Su utilidad se ha demostrado, a diferencia de la estimación estadística tradicional, como un modo


de variar nuestras expectativas según la experiencia concreta que tenemos sobre algo, lo que
tiene mucha utilidad en diversos campos, desde la medicina, el juego de azar y hasta el
tratamiento informático de datos.

Estadística frecuentiva

La estadística frecuentista también llamada inferencia frecuentista es un enfoque de la


estadística. El polo opuesto es la estadística bayesiana. Las probabilidades se interpretan
como frecuencias relativas en el límite de un número infinito de repeticiones del
experimento. La probabilidad se asocia con la frecuencia con la que ocurre un evento en
el largo plazo. Además, los parámetros son considerados fijos y no se les asigna una
distribución de probabilidad. Se hacen inferencias sobre los parámetros basándose en las
propiedades de las muestras observadas. Se centra en estimadores puntuales e intervalos
de confianza basados en propiedades de muestras observadas.

El punto de vista frecuentista se basa en los siguientes puntos (Wasserman, 2005):

- La probabilidad se refiere a un límite de frecuencias relativas, las probabilidades son


propiedades objetivas en el mundo real.
- En un modelo, los parámetros son constantes fijas (desconocidas). Como consecuencia
no se pueden realizar afirmaciones probabilísticas útiles en relación a éstos.
- Los procedimientos estadísticos deben diseñarse con el objetivo de tener propiedades
frecuentistas bien definidas. Por ejemplo, un intervalo de confianza del 95% debe
contener el verdadero valor del parámetro con frecuencia límite de al menos el 95%.

Conclusiones

En conclusión, la elección entre la estadística frecuentista y la estadística bayesiana depende


en gran medida del contexto y los objetivos del análisis estadístico. La estadística frecuentista
se destaca por su enfoque objetivo y la ausencia de la necesidad de especificar distribuciones
a priori, lo que puede ser ventajoso en situaciones donde no se dispone de información
subjetiva o previa sobre los parámetros en estudio. Su énfasis en estimadores puntuales y la
construcción de intervalos de confianza basados en propiedades de las muestras también
puede hacerla más fácil de entender y aplicar en ciertos casos.

Por otro lado, la estadística bayesiana ofrece un marco flexible que permite la incorporación
de información previa y la actualización continua de creencias a medida que se obtienen
nuevos datos. Esto puede ser particularmente valioso en situaciones con conocimientos
expertos o cuando se busca gestionar eficazmente la incertidumbre. La capacidad de
proporcionar distribuciones de probabilidad para los parámetros ofrece una visión más
completa de la variabilidad y la confianza en las estimaciones.

No hay un enfoque que sea universalmente superior; más bien, la elección entre la estadística
frecuentista y la estadística bayesiana debería basarse en la naturaleza del problema, la
disponibilidad de información previa y las preferencias del analista. En muchos casos, una
combinación de ambos enfoques, conocida como estadística bayesiana empírica, puede
aprovechar lo mejor de ambos mundos al integrar la información subjetiva y objetiva de
manera coherente.

Otro
En resumen, la decisión entre la estadística frecuentista y la estadística bayesiana está
fuertemente influenciada por el contexto y los objetivos del análisis estadístico. La estadística
frecuentista se caracteriza por su enfoque imparcial y la falta de necesidad de especificar
distribuciones a priori, lo cual puede ser beneficioso en escenarios donde no se cuenta con
información subjetiva o previa sobre los parámetros en cuestión. Su énfasis en estimadores
puntuales y la construcción de intervalos de confianza basados en propiedades de las
muestras también simplifica su comprensión y aplicación en determinadas situaciones.

En contraste, la estadística bayesiana proporciona un marco adaptable que facilita la


incorporación de información previa y la actualización continua de creencias a medida que se
adquieren nuevos datos. Esto resulta especialmente valioso en contextos con conocimientos
especializados o cuando se busca gestionar la incertidumbre de manera efectiva. La
capacidad de ofrecer distribuciones de probabilidad para los parámetros brinda una
perspectiva más completa sobre la variabilidad y la confianza en las estimaciones.

No existe un enfoque que sea universalmente preferible; en cambio, la elección entre la


estadística frecuentista y la estadística bayesiana debería fundamentarse en la naturaleza
específica del problema, la disponibilidad de información previa y las preferencias del
analista. En muchos casos, una combinación de ambos enfoques, conocida como estadística
bayesiana empírica, puede aprovechar lo mejor de ambos enfoques al integrar de manera
coherente la información subjetiva y objetiva.

También podría gustarte