Ejercicios resueltos del teorema de Bayes, paso a paso

Índice
  1. Recordatorio de la fórmula
  2. Ejercicios del teorema de Bayes, de menor a mayor dificultad
    1. Ejercicio 1: alumnos con gafas
    2. Ejercicio 2: dos urnas
    3. Ejercicio 3: filtro de correo basura
    4. Ejercicio 4: tres máquinas y piezas defectuosas
    5. Ejercicio 5: una prueba médica positiva
    6. Ejercicio 6: repetir la prueba
    7. Ejercicio 7: el testigo y el taxi
    8. Ejercicio 8: la moneda trucada
    9. Ejercicio 9: las tres cajas
    10. Ejercicio 10: bola que cambia de urna
  3. Resumen de resultados
  4. Errores que más se repiten en los problemas de Bayes
  5. Preguntas frecuentes
    1. ¿Cómo se resuelve un ejercicio del teorema de Bayes?
    2. ¿Cuál es la diferencia entre probabilidad a priori y a posteriori?
    3. ¿Por qué una prueba fiable da tantos falsos positivos?
    4. ¿Se puede aplicar Bayes varias veces seguidas?
  6. Fuentes

Actualizado el

Estos diez ejercicios resueltos del teorema de Bayes van de lo más directo (dos causas posibles y una tabla de datos) a problemas con varias etapas, como repetir una prueba médica o pasar una bola de una urna a otra. En todos se sigue el mismo método: identificar las causas, escribir sus probabilidades a priori, calcular la probabilidad total del dato observado y dividir.

Recordatorio de la fórmula

Si A1, A2, …, An son sucesos incompatibles que cubren todos los casos (un sistema completo) y B es un suceso con P(B) > 0:

P(Ai | B) = P(Ai)·P(B | Ai) / [P(A1)·P(B | A1) + … + P(An)·P(B | An)]

El denominador es P(B), calculada con la probabilidad total. Si necesitas repasar de dónde sale la fórmula y cómo se interpreta, está explicada paso a paso en la guía teórica del teorema de Bayes, y el denominador tiene su propia guía en el teorema de la probabilidad total.

Un truco para no perderse: dibuja un diagrama de árbol. Las primeras ramas son las causas Ai con su probabilidad; las segundas, el dato B dentro de cada causa. Cada camino completo se multiplica, y Bayes es «el camino que me interesa entre la suma de todos los caminos que acaban en B».

Ejercicios del teorema de Bayes, de menor a mayor dificultad

Ejercicio 1: alumnos con gafas

Enunciado. En una clase, el 60 % son chicas y el 40 % chicos. Llevan gafas el 20 % de las chicas y el 30 % de los chicos. Se elige al azar a alguien que lleva gafas. ¿Qué probabilidad hay de que sea una chica?

Planteamiento. Causas: M (chica), H (chico). Dato: G (gafas). P(M) = 0,6, P(H) = 0,4, P(G | M) = 0,2, P(G | H) = 0,3.

Cálculo. P(G) = 0,6·0,2 + 0,4·0,3 = 0,12 + 0,12 = 0,24. P(M | G) = 0,12 / 0,24.

Resultado. P(M | G) = 1/2. Aunque hay más chicas, las gafas son más frecuentes entre los chicos y las dos cosas se compensan.

Ejercicio 2: dos urnas

Enunciado. La urna 1 tiene 3 bolas rojas y 2 blancas; la urna 2, 1 roja y 4 blancas. Se lanza una moneda para elegir urna y se saca una bola: es roja. ¿Cuál es la probabilidad de que venga de la urna 1?

Planteamiento. P(U1) = P(U2) = 1/2; P(R | U1) = 3/5; P(R | U2) = 1/5.

Cálculo. P(R) = ½·3/5 + ½·1/5 = 3/10 + 1/10 = 2/5. P(U1 | R) = (3/10) / (2/5) = 3/4.

Resultado. 3/4 = 0,75. Cuando las causas son igual de probables a priori, la respuesta solo depende del cociente de verosimilitudes: 3 rojas frente a 1.

Ejercicio 3: filtro de correo basura

Enunciado. El 40 % de los correos que recibe una cuenta son spam. La palabra «oferta» aparece en el 30 % de los correos spam y en el 2 % de los legítimos. Llega un correo con «oferta». ¿Probabilidad de que sea spam?

Planteamiento. P(S) = 0,4, P(L) = 0,6, P(O | S) = 0,3, P(O | L) = 0,02.

Cálculo. P(S)·P(O | S) = 0,12; P(L)·P(O | L) = 0,012. P(S | O) = 0,12 / (0,12 + 0,012) = 0,12 / 0,132.

Resultado. 10/11 ≈ 0,909. Los filtros bayesianos combinan muchas palabras con esta misma cuenta.

Ejercicio 4: tres máquinas y piezas defectuosas

Enunciado. Una fábrica produce con tres máquinas: A hace el 50 % de las piezas, B el 30 % y C el 20 %. Fallan el 2 % de las piezas de A, el 3 % de las de B y el 5 % de las de C. a) ¿Qué proporción de piezas es defectuosa? b) Si una pieza es defectuosa, ¿qué máquina es la más probable?

Planteamiento. Tres causas que forman un sistema completo; dato D (defectuosa).

Cálculo.

MáquinaP(máquina)P(D | máquina)ProductoP(máquina | D)
A0,500,020,01010/29 ≈ 0,345
B0,300,030,0099/29 ≈ 0,310
C0,200,050,01010/29 ≈ 0,345
Total10,0291

Resultado. a) P(D) = 0,029, un 2,9 %. b) A y C empatan con 10/29; B queda en 9/29. La máquina que menos produce iguala a la que más porque falla más del doble. Comprueba siempre que las probabilidades a posteriori suman 1: 10 + 9 + 10 = 29.

Ejercicio 5: una prueba médica positiva

Enunciado. Una enfermedad afecta al 1 % de la población. Una prueba da positivo en el 95 % de los enfermos (sensibilidad) y da negativo en el 90 % de los sanos (especificidad). Una persona elegida al azar da positivo. ¿Probabilidad de que esté enferma?

Planteamiento. P(E) = 0,01; P(+ | E) = 0,95; P(+ | sano) = 1 − 0,90 = 0,10.

Cálculo. P(+) = 0,01·0,95 + 0,99·0,10 = 0,0095 + 0,099 = 0,1085. P(E | +) = 0,0095 / 0,1085 = 19/217.

Resultado. ≈ 0,0876, es decir, menos del 9 %. Es el ejemplo clásico de por qué no basta con mirar la sensibilidad: con una enfermedad poco frecuente, la mayoría de los positivos son falsos positivos (0,099 frente a 0,0095).

Ejercicio 6: repetir la prueba

Enunciado. La persona del ejercicio 5 repite la prueba y vuelve a dar positivo. Suponiendo que los dos resultados son independientes dada la situación real (enferma o sana), ¿cuál es ahora la probabilidad de que esté enferma?

Planteamiento. La probabilidad a posteriori del primer paso pasa a ser la probabilidad a priori del segundo: P(E) = 19/217.

Cálculo. P(E | ++) = 0,95·(19/217) / [0,95·(19/217) + 0,10·(198/217)] = 18,05 / (18,05 + 19,8) = 361/757.

Resultado. ≈ 0,477. Un segundo positivo multiplica por más de cinco la probabilidad, pero aún no llega a la mitad. Se obtiene lo mismo aplicando Bayes de una vez con P(++ | E) = 0,952 y P(++ | sano) = 0,12.

Ejercicio 7: el testigo y el taxi

Enunciado. En una ciudad, el 85 % de los taxis son verdes y el 15 % azules. Un testigo de un accidente dice que el taxi era azul. En las condiciones de esa noche, el testigo identifica bien el color el 80 % de las veces y se equivoca el 20 %. ¿Probabilidad de que el taxi fuera azul?

Planteamiento. P(Az) = 0,15, P(V) = 0,85; P(dice azul | Az) = 0,8, P(dice azul | V) = 0,2.

Cálculo. 0,15·0,8 = 0,12; 0,85·0,2 = 0,17. P(Az | dice azul) = 0,12 / 0,29 = 12/29.

Resultado. ≈ 0,414. Aunque el testigo acierta el 80 % de las veces, es más probable que el taxi fuera verde. La intuición tiende a responder 0,8 porque olvida la proporción de partida.

Ejercicio 8: la moneda trucada

Enunciado. En una bolsa hay dos monedas: una normal y otra con cara en los dos lados. Se saca una al azar, se lanza tres veces y sale cara las tres. ¿Probabilidad de que sea la trucada?

Planteamiento. P(T) = P(N) = 1/2. P(3 caras | T) = 1; P(3 caras | N) = (1/2)3 = 1/8.

Cálculo. P(T | 3C) = (1/2·1) / (1/2·1 + 1/2·1/8) = (1/2) / (9/16) = 8/9.

Resultado. 8/9 ≈ 0,889. Con n caras seguidas la fórmula da 2n/(2n + 1), que se acerca a 1 sin alcanzarlo nunca.

Ejercicio 9: las tres cajas

Enunciado. Hay tres cajas: una con dos monedas de oro, otra con dos de plata y otra con una de oro y una de plata. Se elige una caja al azar y se saca una moneda sin mirar la otra: es de oro. ¿Probabilidad de que la otra moneda de la caja también sea de oro?

Planteamiento. La otra moneda es de oro solo si la caja es la OO. Cada caja tiene probabilidad 1/3; P(oro | OO) = 1, P(oro | PP) = 0, P(oro | OP) = 1/2.

Cálculo. P(oro) = 1/3·1 + 1/3·0 + 1/3·1/2 = 1/2. P(OO | oro) = (1/3) / (1/2) = 2/3.

Resultado. 2/3, no 1/2. El error frecuente es pensar «quedan dos cajas posibles, mitad y mitad», pero la caja OO tiene el doble de formas de dar oro que la OP.

Ejercicio 10: bola que cambia de urna

Enunciado. La urna 1 tiene 4 bolas rojas y 6 negras; la urna 2, 3 rojas y 2 negras. Se pasa una bola al azar de la urna 1 a la urna 2 sin mirarla y después se saca una bola de la urna 2: es roja. ¿Probabilidad de que la bola que se pasó fuera roja?

Planteamiento. Causas: se pasó roja (TR) o negra (TN), con P(TR) = 4/10 y P(TN) = 6/10. Tras el paso, la urna 2 tiene 6 bolas: con TR hay 4 rojas, con TN hay 3 rojas.

Cálculo. P(R | TR) = 4/6, P(R | TN) = 3/6. P(R) = 4/10·4/6 + 6/10·3/6 = 16/60 + 18/60 = 17/30. P(TR | R) = (16/60) / (34/60) = 8/17.

Resultado. 8/17 ≈ 0,471. Antes de ver la bola, la probabilidad de haber pasado una roja era 0,4; sacar roja después la sube un poco, porque una roja pasada hace más fácil sacar roja.

Resumen de resultados

EjercicioProbabilidad a prioriProbabilidad a posteriori
1. Gafas0,601/2
2. Urnas0,503/4
3. Spam0,4010/11
4. Máquina A0,5010/29
5. Prueba médica0,0119/217
6. Dos positivos19/217361/757
7. Taxi azul0,1512/29
8. Moneda trucada0,508/9
9. Caja de oro1/32/3
10. Bola pasada roja0,408/17

Errores que más se repiten en los problemas de Bayes

  • Confundir P(A | B) con P(B | A). En el ejercicio 5, P(+ | E) = 0,95 pero P(E | +) ≈ 0,088. Son preguntas distintas.
  • Olvidar la probabilidad a priori. Es lo que hace que la respuesta intuitiva del ejercicio 7 (0,8) sea incorrecta.
  • Causas que no forman un sistema completo. Si las probabilidades a priori no suman 1, falta un caso o hay solapamiento.
  • Pasar de porcentajes a decimales a medias. Trabajar con fracciones exactas, como aquí, evita errores de redondeo que se acumulan en problemas de dos etapas.

Cuando la cantidad de datos es grande y las probabilidades se estiman por frecuencias, conviene saber también cómo se comportan las medias de muestras: lo explica el teorema central del límite. Y para las reglas básicas que se usan en todos estos cálculos (complementario, unión, intersección), está la guía de axiomas y propiedades de la probabilidad.

Preguntas frecuentes

¿Cómo se resuelve un ejercicio del teorema de Bayes?

Se identifican las causas posibles y su probabilidad a priori, se anota la probabilidad del dato observado dentro de cada causa, se calcula la probabilidad total del dato y se divide el producto de la causa que interesa entre ese total.

¿Cuál es la diferencia entre probabilidad a priori y a posteriori?

La a priori es la de la causa antes de conocer el dato (por ejemplo, el 1 % de prevalencia); la a posteriori es la misma probabilidad actualizada después de observarlo (el 8,76 % tras un positivo en el ejercicio 5).

¿Por qué una prueba fiable da tantos falsos positivos?

Porque si la enfermedad es rara, el pequeño porcentaje de error se aplica a una población sana muy grande. En el ejercicio 5 hay 0,099 de falsos positivos frente a 0,0095 de verdaderos.

¿Se puede aplicar Bayes varias veces seguidas?

Sí: la probabilidad a posteriori de un paso se usa como a priori del siguiente, siempre que los datos sean independientes dada la causa. Es lo que se hace en el ejercicio 6.

Fuentes

Teoremas

RELACIONADOS

Subir