La fórmula de Bayes, también llamada teorema de Bayes, es una fórmula matemática que permite calcular la probabilidad de que ocurra un evento A, sabiendo que ya ha ocurrido otro evento B.
Fórmula de Bayes: P(A|B) = (P(B|A) * P(A)) / P(B)
A es el evento cuya probabilidad queremos estimar.
B es el evento que ya conocemos.
P(A|B) es la probabilidad de que ocurra el evento A dado que el evento B ya ocurrió.
P(B|A) es la probabilidad de que ocurra el evento B dado que el evento A ya ocurrió.
P(A) es la probabilidad de que el evento A ocurra independientemente del evento B.
P(B) es la probabilidad de que el evento B ocurra independientemente del evento A.
Supongamos que tienes una bolsa que contiene 10 bolas amarillas y 10 bolas azules. Sacas una bola al azar sin mirar y ves que es amarilla.
¿Cuál es la probabilidad de que la próxima bola que saques también sea amarilla?
R: La siguiente bola extraída es amarilla.
B: La primera bola extraída es amarilla.
P(A|B) = (P(B|A) * P(A)) / P(B)
P(B|A) = 10/20 = 0,5 (probabilidad de sacar una bola amarilla sabiendo que la primera bola extraída es amarilla)
P(A) = 10/20 = 0,5 (probabilidad de sacar una bola amarilla)
P(B) = 10/20 + 10/20 = 1 (probabilidad de sacar una bola amarilla + probabilidad de sacar una bola azul)
P(A|B) = (0,5 * 0,5) / 1 = 0,25
Entonces la probabilidad de sacar una segunda bola amarilla es del 25%.
La fórmula de Bayes, desarrollada por el reverendo matemático Thomas Bayes (1702-1761) es uno de los conceptos fundamentales de la teoría de la probabilidad y la inferencia estadística (conjunto de técnicas para sacar conclusiones sobre una población a partir de una muestra de esta población).
Lo sorprendente de esta fórmula es que nos permite cambiar de opinión en función de la nueva información que recibimos. Aunque la fórmula es simple, muestra cómo nuestras ideas pueden evolucionar a medida que aprendemos cosas nuevas. En otras palabras, cuanto más sepamos sobre el pasado, mejor podremos predecir el futuro.
Esta fórmula también nos dice que la acumulación de información nos permite afinar nuestras predicciones. Por tanto, es una poderosa herramienta para la toma de decisiones.
Aunque nació en un contexto diferente, hoy encuentra todo su significado en el campo de la Inteligencia Artificial (IA).
En 1763, Richard Price (1723-1791), amigo de Thomas Bayes, presentó su fórmula en un artículo titulado "Un ensayo para resolver un problema en la doctrina de las posibilidades".
La noción de probabilidad subjetiva, que está en el centro de la fórmula de Bayes, fue controvertida en ese momento. Bayes no proporcionó una prueba formal de su fórmula, lo que llevó a los matemáticos a rechazarla por considerarla poco rigurosa.
Más tarde, fue el trabajo de Pierre Simon Laplace (1749-1827), Siméon Denis Poisson (1781-1840) y otros matemáticos los que ayudaron a solidificar los fundamentos de la teoría de la probabilidad y modernizar la fórmula de Bayes. Hoy en día, la fórmula de Bayes se utiliza ampliamente en campos como la medicina, las finanzas y la ingeniería.
La Inteligencia Artificial son sistemas informáticos capaces de imitar determinadas capacidades cognitivas humanas.
El aprendizaje automático y la inferencia probabilística son dos áreas de la IA que hacen un uso particular del teorema de Bayes.
En el contexto del aprendizaje automático, la fórmula de Bayes se utiliza en métodos de aprendizaje supervisado para estimar la probabilidad de que una determinada clase sea la causa de una observación determinada. Por ejemplo, en la clasificación de imágenes, un algoritmo de aprendizaje automático puede utilizar la fórmula de Bayes para estimar la probabilidad de que una imagen determinada sea un gato en lugar de un perro, en función de las características observadas en la imagen.
Además, la fórmula de Bayes está en el centro de la inferencia bayesiana, un enfoque probabilístico para la toma de decisiones en sistemas de inteligencia artificial. A diferencia del enfoque frecuentista que se basa en datos de entrenamiento fijos, la inferencia bayesiana actualiza sus creencias probabilísticas a medida que observa nuevos datos. Esto permite una toma de decisiones más adaptativa y sólida, especialmente en entornos complejos y dinámicos.
La Fórmula Bayes, diseñada hace más de 250 años, es un método para aprender de la incertidumbre del futuro. De hecho, mide la creencia, nos dice que podemos aprender de los datos faltantes o de las aproximaciones o incluso de la ignorancia total.
Por tanto, va en contra de la creencia de que la ciencia requiere objetividad y precisión. Esto explica por qué esta fórmula fue declarada muerta por los científicos de la época.
Esta teoría de la probabilidad, que no quería morir, con la llegada de los ordenadores ha quedado ampliamente demostrada. Ésta es la única lógica de los algoritmos de inteligencia artificial. La fórmula de Bayes sigue siendo una herramienta poderosa en diversos campos de la ciencia y la tecnología. Al combinar principios estadísticos sólidos con algoritmos informáticos sofisticados, la fórmula de Bayes continúa desempeñando un papel vital en la construcción de sistemas de inteligencia artificial inteligentes y adaptables.
La velocidad de la luz: el límite absoluto que nada puede superar 
La realidad se nos escapa: verdades que nunca podremos demostrar 
La física del Universo en 50 ecuaciones: guía de uso 
La identidad de Kaya: La ecuación que complica nuestra descarbonización 
La velocidad insuperable en el Universo: cuando la energía se vuelve infinita 
El Embalamiento Electromagnético: El Secreto de la Velocidad de la Luz 
Comprender el Efecto Fotoeléctrico: La Luz y los Electrones 
¿A qué distancia está el horizonte? 
¿Cómo Inyectan Electricidad los Paneles Solares en la Red? 
Dinámica del momento para explicar la propulsión de cohetes o medusas 
Cómo la energía de los electrones dicta las propiedades químicas 
El papel clave de la incertidumbre cuántica: Ninguna partícula puede estar en reposo 
Energía y Potencia: No las confunda, el tiempo marca la diferencia 
¿Por qué hay un límite para el frío, pero no para el calor? 
La Ley de la Caída de los Cuerpos de Galileo 
La Ley de los Gases Ideales: Una ecuación, miles de aplicaciones 
La ecuación de Schrödinger revolucionó nuestra visión de la materia 
La magia del teorema de Noether: Del principio de mínima acción a las leyes de conservación 
Relación entre masa gravitacional y masa inercial y el principio de equivalencia 
Terceira Equação da Física: A Quantidade de Movimento para Compreender as Colisões 
A segunda equação essencial em física: A intuição de uma grandeza que se conserva 
A primeira equação da física: Como matematizar a força 
La fuerza electromagnética o fuerza de Lorentz 
La energía solar recibida depende del ángulo de incidencia 
¿Por qué el mármol es más frío que la madera? 
¿Por qué un fotón que no tiene masa tiene energía? 
Fórmula de Bayes e inteligencia artificial 
Las siete constantes fundamentales de la física 
¿Qué temperatura se siente en el espacio interestelar? 
Curvas de radiación del cuerpo negro: ley de Planck 
El principio de equivalencia, los efectos gravitacionales son indistinguibles de la aceleración 
E=mc2: Los cuatro conceptos fundamentales del universo revisados 
¿Cómo pesar
el sol? 
Ecuación de la caída libre de cuerpos (1604) 
Coulomb vs Newton: La misteriosa similitud de las fuerzas del Universo 
Ecuación de Boltzmann sobre la entropía (1877) 
Las ecuaciones de la relatividad especial (1905) 
La ecuación de la relatividad general (1915) 
Ecuaciones de la rotación planetaria: entre momento cinético y equilibrio gravitacional 
Ecuación de la velocidad orbital de un planeta 
La
ecuación de Planck 
Entender la ecuación de Schrödinger sin matemáticas 
Las tres leyes de Newton: De la manzana que cae a los planetas que orbitan 
Las ecuaciones
de Maxwell 
La ecuación de Dirac 
Conservación de la energía 
Ecuación de la inducción electromagnética 
¿Por qué las partículas elementales no tienen masa? 
Diferencia entre calor y temperatura