• Derecho y política de privacidad
twitter
email
  • Inicio
  • Nabucco Center
  • Spin-Off
  • Profesionales por el Bien Común

Inferencia bayesiana

03 Dic 2014
nabuccocenter
0
bayes

La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia. El teorema de Bayes se ha derivado del trabajo realizado por el reverendo Thomas Bayes. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión,1 visión artificial2 (simulación de la percepción en general)3 y reconocimiento de patrones por ordenador.

 

La inferencia bayesiana utiliza aspectos del método científico, que implica recolectar evidencia que se considera consistente o inconsistente con una hipótesis dada. A medida que la evidencia se acumula, el grado de creencia en una hipótesis se va modificando. Con evidencia suficiente, a menudo podrá hacerse muy alto o muy bajo. Así, los que sostienen la inferencia bayesiana dicen que puede ser utilizada para discriminar entre hipótesis en conflicto: las hipótesis con un grado de creencia muy alto deben ser aceptadas como verdaderas y las que tienen un grado de creencia muy bajo deben ser rechazadas como falsas. Sin embargo, los detractores dicen que este método de inferencia puede estar afectado por un prejuicio debido a las creencias iniciales que se deben sostener antes de comenzar a recolectar cualquier evidencia.

Ejemplos de inferencia

Un ejemplo de inferencia bayesiana es el siguiente:

  • Durante miles de millones de años, el sol ha salido después de haberse puesto. El sol se ha puesto esta noche. Hay una probabilidad muy alta de (o ‘Yo creo firmemente’ o ‘es verdad’) que el sol va a volver a salir mañana. Existe una probabilidad muy baja de (o ‘yo no creo de ningún modo’ o ‘es falso’) que el sol no salga mañana.

La inferencia bayesiana usa un estimador numérico del grado de creencia en una hipótesis aún antes de observar la evidencia y calcula un estimador numérico del grado de creencia en la hipótesis después de haber observado la evidencia. La inferencia bayesiana generalmente se basa en grados de creencia, o probabilidades subjetivas, en el proceso de inducción y no necesariamente declara proveer un método objetivo de inducción.

Definiciones formales

A pesar de todo, algunos estadísticos bayesianos creen que las probabilidades pueden tener un valor objetivo y por lo tanto la inferencia bayesiana puede proveer un método objetivo de inducción. (Ver método científico.) Dada una nueva evidencia, el teorema de Bayes ajusta las probabilidades de la misma de la siguiente manera:

P(H_0|E) = \frac{P(E|H_0)\;P(H_0)}{P(E)}

donde

  • H_0 representa una hipótesis, llamada hipótesis nula, que ha sido inferida antes de que la nueva evidencia, E, resultara disponible.
  • P(H_0) se llama la probabilidad a priori de H_0.
  • P(E|H_0) se llama la probabilidad condicional de que se cumpla la evidencia E si la hipótesis H_0 es verdadera. Se llama también la función de verosimilitud cuando se expresa como una función de E dado H_0.
  • P(E) se llama la probabilidad marginal de E: la probabilidad de observar la nueva evidencia E bajo todas las hipótesis mutuamente excluyentes. Se la puede calcular como la suma del producto de todas las hipótesis mutuamente excluyentes por las correspondientes probabilidades condicionales: \sum  P(E|H_i)P(H_i).
  • P(H_0|E) se llama la probabilidad a posteriori de H_0 dado E.

El factor P(E|H_0) / P(E) representa el impacto que la evidencia tiene en la creencia en la hipótesis. Si es posible que se observe la evidencia cuando la hipótesis considerada es verdadera, entonces este factor va a ser grande. Multiplicando la probabilidad a priori de la hipótesis por este factor va a resultar en una gran probabilidad a posteriori dada la evidencia. En la inferencia bayesiana, por lo tanto, el teorema de Bayes mide cuánto la nueva evidencia es capaz de alterar la creencia en la hipótesis.

About the Author

Leave a Reply Cancelar la respuesta

*
*

captcha *

Nabucco Center investiga, desarrolla y facilita las herramientas necesarias para el análisis de problemas complejos y la toma de decisiones desde instrumentos tecnológicos y científicos. Perseguimos avanzar en el empleo de herramientas matemáticas en el campo de la consultoría y el análisis...

Populares

Criptografía cuántica ¿nos sobrarán las claves largas de cifras y letras?

No Responses.

La competencia no es imprescindible para la evolución, revela una simulación informática

No Responses.

Caos y matemáticas

No Responses.

Modelizando un restaurante

No Responses.

Breve introducción dinámica de sistemas

No Responses.

Inteligencia computacional

No Responses.

Categorías

  • cambio tecnológico
  • ciencia
  • complejidad
    • dinamica de sistemas
  • cultura
  • data
  • investigación y sistemas complejos
  • matemáticas
  • modelización
  • PBC
  • sistemas dinámicos

busca en Nabucco Center

Comparte nuestra web

Síguenos

Síguenos en Twitter

Tweets por el @nabuccocenter.

Últimas entradas

  • Criptografía cuántica ¿nos sobrarán las claves largas de cifras y letras?
  • Sistemas dinámicos terminología para empezar
  • Startup uses blockchain, to ensure minerals come from ethical sources
  • Contratos «inteligentes» con blockchain, todavía vulnerables
  • Consciencia y cerebro, investigación de entropías cerebrales)

RSS Nature News

Nabucco Center 2016
Investigando fenómenos complejos
Política de CookiesEsta página utiliza cookies y otras tecnologías para que podamos mejorar su experiencia en nuestros sitios: Más información.