Está en la página 1de 23

Alejandro Duque Gonzlez Juan Diego Jimnez Pulgarn

A partir de informacin (contenida en base de datos, libros, documentales, ect ) Analizarla, tratarla y generar resultados

Las redes Bayesianas son modelos grficos probabilsticos utilizados en la toma de decisiones (Castillo et al 1998, Neapolitan 2004, Korb y Nicholson 2004, Jensen 2001, 1996). Una red Bayesiana representa una funcin de distribucin conjunta sobre un conjunto finito de variables. Se componen de dos partes:
La parte cualitativa, es una estructura grfica (grafo) que describe las posibles variables y dependencias entre ellas. La parte cuantitativa est compuesta por probabilidades condicionadas que representan la incertidumbre del problema, dicho de otro modo, creencias de las relaciones causa efecto entre los nodos.

Desarrolladas a finales de los aos 70, se convirtieron durante los 90s en un esquema general de representacin de la incertidumbre. En una Red Bayesiana, la informacin proporcionada por una o ms variables observadas se propaga por la red y actualiza nuestra creencia acerca de las variables no observadas. A este proceso se le llama inferencia.

Una Red Bayesiana es un grafo a cclico que consta de: Un conjunto de nodos; uno por cada variable aleatoria del mundo. En cada nodo, se encuentran las probabilidades asociadas a esta variable. Un conjunto de arcos dirigidos que conectan los nodos; si hay un arco de X a Y decimos que X es un padre de Y (padres(X) denota el conjunto de variables que son padres de X). Una variable puede tener uno o mas padres o no tener ninguno, de igual manera puede tener uno o mas hijos o no tener ninguno. Las variables que no tienen padres ni hijos son las variables independientes.

Ejemplo de Russell y Norvig:

Caries es una causa directa para Dolor y Huecos Dolor y Huecos son condicionalmente independientes dada Caries Tiempo es independiente de las restantes variables

Ejemplo (Pearl, 1990):


Tenemos una alarma antirrobo instalada en una casa
La alarma salta normalmente con la presencia de ladrones Pero tambin cuando ocurren pequeos temblores de tierra

Tenemos dos vecinos en la casa, Juan y Mara, que han prometido llamar a la polica si oyen la alarma
Juan y Mara podran no llamar aunque la alarma sonara: por tener msica muy alta en su casa, por ejemplo Incluso podran llamar aunque no hubiera sonado: por confundirla con un telfono, por ejemplo

Robo y Terremoto son causas directas para Alarma


Tambin, Robo y Terremoto son causas para Juanllama y para Mariallama, pero esa influencia slo se produce a travs de Alarma: ni Juan ni Mara detectan directamente el robo ni los pequeos temblores de tierra En la red no se hace referencia directa, por ejemplo, a las causas por las cuales Mara podra no or la alarma: stas estn implcitas en la tabla de probabilidades P(Mariallama|Alarma)

Al momento de analizar la dependencia entre las variables tenemos tres casos diferentes; uno cuando el padre de una variable es el hijo de la otra (1), otro tipo cuando dos variables tienen uno de los padres en comn (2), y el otro cuando dos variables tienen un hijo en comn (3)
B A A C C Tipo 2 B C

Tipo 1

Tipo 3

Para entender la dependencia lo haremos con un ejemplo general y tomaremos cada uno de los casos.
Terremoto Robo

Noticia radio

Alarma

Llamada

Robo y Llamada son dependientes:


Si hay un robo es ms probable suene la alarma, lo que hace ms probable que reciba una llamada. Si recibo una llamada se incrementa la probabilidad de que haya sonado la alarma y por tanto de que me hayan robado.

Terremo to

Robo Alarm a

Noticia radio

Llamad a

Robo y Llamada son independientes si se conoce a Alarma:


Si hay un Robo ya no es mas probable que suene la Alarma (ya se sabe si suena o no) Si recibo una llamada no se incrementa la probabilidad de que suene la alarma (ya se sabe si

Noticia radio y Alarma son dependientes:

Terremo Robo Si oigo en la radio que ha to habido un terremoto es ms probable que ste Alarm haya ocurrido, lo que Noticia a hace ms probable que radio suene la alarma. Si suena la alarma se incrementa la Llamad probabilidad de que haya a ocurrido un terremoto y por tanto de que oiga la Noticia radiola radio. son independientes si se conoce a noticia en y Alarma

Terremoto:

Si oigo en la radio que ha habido un terremoto ya no es ms probable que ste haya ocurrido. (ya se sabe si ha ocurrido o no) Si suena la alarma ya no se incrementa la probabilidad de que haya ocurrido un terremoto ( ya se sabe si ocurri)

Terremoto y Robo son dependientes si se conoce Alarma:

Si suena la alarma y ocurre una de las causas Alarm (terremoto) me creo Noticia a menos la otra (robo) radio Si suena la alarma y ocurre una de las causas (robo) me creo menos la Llamad otra (terremoto) a A este efecto se le llama eliminacin de Terremoto y Robo son independientes: explicaciones Si desconozco si suena la alarma y ocurre una de las causas (terremoto) no hay razn para creer menos la otra (robo) Si desconozco si suena la alarma y ocurre una de las causas (robo) no hay razn para creer menos la otra (terremoto)

Terremo to

Robo

El primer paso consiste en seleccionar las variables de inters, para cada variable del dominio, es necesario decidir si ser utilizada como variable entrada o variable de salida. El tipo de variable (Booleano, etiquetas, numrico) y si es necesario discretizarla. Definir la topologa de la red, es decir, las relaciones causales entre las variables. Correlacin y causalidad. Causalidad implica correlacin pero no a la inversa. Definicin de las tablas de probabilidad para cada uno de los nodos Finalmente creada la red Bayesiana es necesaria su evaluacin y verificacin de su utilidad

structure uncertainties

Los diagramas de influencia, extienden las redes Bayesianas con dos nuevos tipos de nodos llamados utilidad (o valor) y decisin para modelar explcitamente la toma de decisiones.

Sistemas expertos para aplicaciones medicas e industriales Microsoft Answer Wizard (Office) Diagnstico de problemas de usuario (Aladdin) Home Health en la red de Microsoft (MSN) Intel Diagnstico de fallos de procesadores HP Nokia Diagnstico de redes celulares Nasa Sistema de ayuda a la decisin en misiones espaciales
Diagnstico de problemas de impresora

Tema 8: Introduccin a las redes bayesianas; Jos L Ruiz Reina, Universidad De Sevilla Inteligencia Artificial e ingeniera del conocimiento; Fernando Prez Nava; Universidad De La Laguna Redes bayesianas en la ingeniera del software; Daniel Rodrguez (Universidad de Alcal), Javier Dolado(Universidad del Pas Vasco)