Probabilidades y Estadística Descriptiva e Inferencial · IV Medio · Probabilidad Condicional y Teorema de Bayes · 2.º Período

Teorema de Bayes y toma de decisiones

Uso del Teorema de Bayes para actualizar probabilidades a la luz de nueva evidencia. Se enfatiza su aplicación en algoritmos computacionales, medicina y ciencias sociales.

En resumen:El Teorema de Bayes es quizás uno de los conceptos más transformadores de la estadística inferencial. Permite invertir la condicionalidad: si conocemos la probabilidad de observar una evidencia dado un evento, Bayes nos enseña a calcular la probabilidad del evento dada la evidencia observada. En IV Medio, este teorema se aplica para entender cómo la ciencia actualiza sus teorías y cómo los algoritmos de recomendación o los filtros de spam aprenden de nuestro comportamiento.

• Objetivos de Aprendizaje (OA)
• OA 2
• OA i

Acerca de este tema

El Teorema de Bayes es quizás uno de los conceptos más transformadores de la estadística inferencial. Permite invertir la condicionalidad: si conocemos la probabilidad de observar una evidencia dado un evento, Bayes nos enseña a calcular la probabilidad del evento dada la evidencia observada. En IV Medio, este teorema se aplica para entender cómo la ciencia actualiza sus teorías y cómo los algoritmos de recomendación o los filtros de spam aprenden de nuestro comportamiento.

El estudio de Bayes en Chile se conecta con la formación ciudadana al analizar, por ejemplo, la validez de las encuestas de opinión o los falsos positivos en pruebas de seguridad. Es una herramienta contra el pensamiento dogmático, ya que cuantifica cómo la nueva evidencia debe modificar nuestras creencias previas. El aprendizaje activo, mediante el uso de simuladores digitales y debates sobre ética de datos, permite que los estudiantes comprendan la profundidad de este teorema más allá de la fórmula.

Preguntas Clave

1. ¿Cómo actualizamos nuestras creencias con nueva evidencia?
2. ¿Qué son los falsos positivos y por qué importan?
3. ¿De qué manera el Teorema de Bayes fundamenta el aprendizaje automático?

Cuidado con estas ideas erróneas

Idea errónea común

Ignorar la probabilidad a priori (base rate fallacy).

Qué enseñar en su lugar

Los estudiantes suelen enfocarse solo en la precisión del test (la evidencia) y olvidan qué tan común es el evento en la población general. Usar visualizaciones de '1000 personas' en cuadritos ayuda a ver que, si la enfermedad es rara, la mayoría de los positivos serán falsos aunque el test sea bueno.

Idea errónea común

Creer que el Teorema de Bayes solo sirve para medicina.

Qué enseñar en su lugar

Muchos piensan que es un cálculo aislado. Al mostrar aplicaciones en el aprendizaje automático (Machine Learning) y en la vida diaria (decidir si alguien está enojado por un mensaje de texto), los alumnos entienden que es un modelo universal de aprendizaje.

Ideas de aprendizaje activo

Juego de Simulación

El Filtro de Spam Humano

Los estudiantes reciben una serie de 'correos electrónicos' con palabras clave. Deben usar el Teorema de Bayes para calcular la probabilidad de que un correo sea spam basándose en la presencia de palabras como 'gratis' o 'premio', actualizando la probabilidad con cada nueva palabra encontrada.

50 min·Grupos pequeños

Debate Formal

Falsos Positivos y Justicia

Se presenta un caso de un test de drogas en el trabajo con un 99% de precisión pero aplicado a una población donde el consumo es muy bajo. Los estudiantes deben debatir si es justo despedir a alguien con un resultado positivo, tras calcular la probabilidad real de que sea consumidor.

40 min·Toda la clase

Círculo de Investigación

Bayes en la Ciencia

Los grupos investigan cómo se usó el razonamiento bayesiano para localizar restos de naufragios o para validar descubrimientos en física de partículas. Deben explicar al curso cómo la 'probabilidad a priori' cambió tras obtener los datos experimentales.

55 min·Grupos pequeños

Preguntas frecuentes

¿Cómo ayuda el aprendizaje centrado en el estudiante a entender Bayes?

Dado que el Teorema de Bayes es altamente contraintuitivo, el aprendizaje activo permite que los estudiantes 'choquen' con sus propios prejuicios estadísticos. Al resolver casos de falsos positivos en grupos, los alumnos deben explicar la lógica a sus pares, lo que clarifica por qué la probabilidad previa es tan determinante en el resultado final.

¿Qué es la probabilidad a priori?

Es la creencia inicial o la probabilidad que tenemos de un evento antes de observar cualquier evidencia nueva. Es fundamental en Bayes porque actúa como el punto de partida que luego será actualizado por los nuevos datos.

¿Qué significa un 'falso positivo' en este contexto?

Un falso positivo ocurre cuando el test o la evidencia indica que un evento ha sucedido (o una condición está presente), pero en realidad no es así. Bayes nos ayuda a ver que en poblaciones con baja prevalencia, los falsos positivos pueden superar a los positivos reales.

¿Cómo se usa el Teorema de Bayes en la Inteligencia Artificial?

Se utiliza en los clasificadores Naive Bayes para tareas como categorizar textos, reconocer voz o filtrar correos. La IA usa el teorema para calcular cuál es la categoría más probable para un conjunto de datos observados, aprendiendo constantemente de la nueva información.