Regla de Bayes

Actualizando probabilidades con nueva información

La Regla de Bayes permite actualizar la probabilidad de una hipótesis cuando se observa nueva evidencia.

👉 Es la base de la inferencia bayesiana y muchos modelos de machine learning.

Definición corta

La Regla de Bayes calcula la probabilidad de $A$ A dado $B$ B usando la probabilidad de $B$ B dado $A$ A.

Definición matemática

$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}$

$P(A)$

$P(B\mid A)$

$P(B\mid \neg A)$

$P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)}\approx 0.68,\; P(B)\approx 0.25$

👉 donde:

$P(A)$ : probabilidad previa (prior)
$P(B|A)$ : verosimilitud (likelihood)
$P(B)$ : evidencia
$P(A|B)$ : probabilidad posterior

🧠 Intuición

La Regla de Bayes responde:

👉 “¿Cómo cambia mi creencia sobre $A$ al observar $B$ ?”

Creencia inicial  ↓  Nueva evidencia  ↓  Creencia actualizada

📊 Componentes clave

			
Prior → lo que crees antes  Likelihood → evidencia  Posterior → lo que crees después

📊 Ejemplo simple

Supongamos:

enfermedad rara
test médico

P(enfermedad) = bajo  Test positivo  ↓  Actualizar probabilidad

👉 Bayes combina ambas informaciones.

🔄 Relación con probabilidad condicional

Parte de: $P(A,B)=P(A|B)P(B)=P(B|A)P(A)$

👉 reorganizando obtenemos Bayes.

🧠 Interpretación probabilística

$\text{Posterior} \propto \text{Likelihood} \times \text{Prior}$ Posterior∝Likelihood×Prior

👉 aprendizaje como actualización.

📊 Ejemplo conceptual

Datos  ↓  Modelo  ↓  Actualizar creencias

🧠 Uso en machine learning

La Regla de Bayes se usa en:

Naive Bayes
modelos bayesianos
inferencia probabilística
aprendizaje con incertidumbre

📊 Ejemplo conceptual

Entrada X  ↓  Modelo  ↓  P(Y|X)

🧠 Ejemplo en ML

clasificación:

$P(clase | datos)$

👉 base de predicción probabilística.

📊 Ejemplo en Python

			
# ejemplo simple
P_A = 0.1
P_B_given_A = 0.8
P_B = 0.2
P_A_given_B = (P_B_given_A * P_A) / P_B
print(P_A_given_B)

		

🧠 Qué muestra este ejemplo

actualización de probabilidad
integración de evidencia
inferencia

⚠️ Errores comunes

Confundir P(A|B) con P(B|A)

Son diferentes.

Ignorar el prior

Es clave.

Subestimar P(B)

Debe considerarse correctamente.

📊 Ejemplo conceptual en ML

Datos  ↓  Bayes  ↓  Posterior  ↓  Decisión

🧠 Interpretación profunda

La Regla de Bayes refleja un principio fundamental:

👉 Aprender es actualizar creencias con evidencia

Conclusión

La Regla de Bayes permite actualizar probabilidades en función de nueva evidencia, siendo clave en inferencia y machine learning.

👉 Es uno de los conceptos más importantes en todo el campo.

Related Concepts

Probabilidad condicional
Probabilidad marginal
Verosimilitud
Inferencia bayesiana
Naive Bayes