Introducción:

Gran parte de la vida de las personas se caracteriza por la incertidumbre. Muchos

fenómenos de nuestro mundo parecen estar dominados por un comportamiento
aleatorio. La mayor parte de las decisiones se toman en un ambiente caracterizado
por la ausencia de un conocimiento completo de las situaciones. Los conceptos de
probabilidad pueden ser sumamente útiles cuando se hace frente a la incertidumbre
que caracteriza a la mayor parte de los entornos en que se toman decisiones.
Thomas Bayes, matemático, nació en Londres, Inglaterra en 1702 y murió en
Tunbridge Wells, Kent, Inglaterra el 17 de abril de 1761. Posiblemente De Moivre,
autor del afamado libro “La doctrina de las probabilidades”, fue su maestro
particular, pues se sabe que por ese entonces ejercía como profesor en Londres.
En 1719, se matriculó en la universidad Edinburgo donde estudió lógica y teología.
Estudió el problema de la determinación de la probabilidad de las causas a través
de los efectos observados. Dando así una contribución enorme a la teoría de la
probabilidad aplicada principalmente al ámbito científico, ya que procura sacar
conclusiones generales (enunciar leyes) a partir de lo objetivamente observado, y
no viceversa.

Desarrollo:
El teorema de Bayes es utilizado para calcular la probabilidad de un suceso,
teniendo información de antemano sobre ese suceso. En otras palabras, es un
procedimiento que nos permite expresar la probabilidad condicional de un evento
aleatorio A dado B, en términos de la distribución de probabilidad del evento B dado
A y la distribución de probabilidad de solo A.
Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos,
necesitamos una fórmula. La fórmula se define matemáticamente como:

Donde B es el suceso sobre el que tenemos información previa y A(n) son los
distintos sucesos condicionados. En la parte del numerador tenemos la probabilidad
condicionada, y en la parte de abajo la probabilidad total.
Aplicaciones:
 Filtros adaptativos: Estos filtros predicen si un mensaje es SPAM o no
SPAM, calculando la probabilidad asociada a cada evidencia (token) del
mensaje. De esta manera los filtros adaptativos calculan, utilizando el
teorema de Bayes, la probabilidad de que un correo sea SPAM a partir de la
 información que se les proporciona en los mensajes seleccionados como
SPAM y no SPAM. Estos mensajes deben ser numerosos y representativos,
siendo ésta la clave para obtener buenos resultados en el análisis. Su mayor
ventaja es la capacidad de adaptación a las nuevas características de
mensajes SPAM.
 Estudio de enfermedades: El teorema de Bayes puede ayudar a discernir la
probabilidad de que una enfermedad sea encontrada en un grupo de
personas con una característica dada, tomando como datos las tasas
globales de la enfermedad y el predominio de dichas características en
personas tanto sanas como enfermas.
 Riesgos de personal en empresas: Dado que las mega empresas tienen
contratados a miles de trabajadores, el hecho de que se les modifique sus
prestaciones de ley, así como su salario representa un riesgo a la empresa
en cuanto a los costos y los trabajadores, dichos riesgos se calculan con el
teorema de Bayes.
 Bolsa de valores: Es posible determinar la probabilidad de perder dinero dado
que una empresa haya tenido ya impacto en la bolsa de valores,
dependiendo de los activos de la empresa.
 Casos judiciales: En algunos casos penales, se tiene que recurrir a este
teorema junto con otras áreas del conocimiento para determinar una
sentencia basándose en las probabilidades, por ejemplo, un evento A “El
acusado es culpable”, C “El acusado ha confesado” podemos hacer un
análisis del caso y las probabilidades de que haya sido culpable dado que ha
confesado o viceversa y así determinar la probabilidad de que sea culpable.
 Flujo de gente en el sistema de transporte: Es posible determinar la
probabilidad de que una persona viaje en alguna de las líneas más
transitadas si es que éste ingresó en una de las menos concurridas y en un
horario transitado.
 Gestión de Calidad: Dependiendo de distintas líneas de producción en
alguna fábrica se puede tener noción de la probabilidad de que alguna pieza
salga defectuosa, después de conocer la probabilidad de que de cada línea
de producción salga un porcentaje defectuosas y así tener un control sobre
las piezas defectuosas

Conclusiones:
En lo personal, el teorema de Bayes me resulta una herramienta muy útil, sin
embargo creo que puede ser mal comprendida y es lo que nos lleva a la crítica
acerca de si es un parámetro confiable del cual podamos sacar conclusiones, el
problema radica en que cuando decimos “el suceso A ha ocurrido” se puede pensar
que es un hecho determinista, y por lo tanto no tiene objeto calcular la probabilidad
P(A), pues si A ha ocurrido es claro que debe ser 1. Pero el problema es bien distinto
si lo que afirmamos es “en caso de que A ocurra”, que es la interpretación correcta
para la aplicación del teorema. Dicho lo anterior también me gustaría agregar que
si bien las aplicaciones puntuales de este teorema son sin lugar a duda fascinantes;
es posible aplicarlo a casi cualquier problema del cual tengamos los elementos
suficientes, como lo son un suceso B del cual tenemos información previa y A como
un suceso condicionado, de esta forma podemos hacer una combinación
inimaginable de problemas a resolver y considero que la parte realmente interesante
es la demostración de por qué esto se cumple y que implica su cumplimiento. Sin
lugar a duda este teorema en su momento carecía del impacto que ahora tiene y
me hacen darme cuenta de que la probabilidad es una rama de las matemáticas
más importantes y, valga la redundancia, probablemente una de las más utilizadas
por todo el mundo.

Referencias:
Aznar, E. R. (2007). Thomas Bayes. Recuperado 29 agosto, 2018, de
https://www.ugr.es/%7Eeaznar/bayes.htm
Budnick, F. S. (2007). Matemáticas aplicadas para administración, economía y
ciencias sociales (4ª ed.). Ciudad de México, México: Mc Graw Hill.
D'Alessio Torres, V. J. (2018, 14 mayo). Teorema de Bayes. Recuperado 29 agosto,
2018, de https://www.lifeder.com/teorema-de-bayes-explicacion-aplicaciones-para-
que-sirve-ejercicios-resueltos/
Lagunes, F.J. (2005). Sistema de análisis y filtraje de correo masivo no solicitado
SPAM. (Tesis de maestría). Centro de Investigación y de Estudios Avanzados del
Instituto Politécnico Nacional, México.
López, J. F. (2018, 21 febrero). Teorema de Bayes. Recuperado 29 agosto, 2018,
de http://economipedia.com/definiciones/teorema-de-bayes.html