Está en la página 1de 13

Redes Bayesianas RedesBayesianas

MTODOS BAYESIANOS MTODOSBAYESIANOS


Estn basados en el teorema de Bayes y de ah su nombre Estn basados en el teorema de Bayes y de ah su nombre.
Permiten aprender sobre relaciones de dependencia o
causalidad y permiten combinar conocimiento, con datos
[H d O J t l 2004] [Hernndez O.J. et al, 2004]
TEOREMA DE BAYES TEOREMADEBAYES
Sea C={C
1
, C
2
, C
m
} un conjunto de eventos o clases {
1
,
2
,
m
} j
mutuamente excluyentes y exhaustivas, tales que la
probabilidad de ocurrencia de cada una de ellas es
mayor que cero:
, 1 0 ) m j P(Cj = >
Sea otro suceso del que se
conocen sus probabilidades condicionales a los
t t d l l
) ( ..., , 2 2 , 1 1 p p x X x X x X B = = = =
eventos representados por las clases:
C C C B P i i ) | (
TEOREMADEBAYES
(continuacin)
B d l h h t i d bt l b bilid d d Basados en los hechos anteriores, se puede obtener las probabilidades de
cada clase, as:

= =
n
j j
i i i i
i
C P C B P
C P C B P
B P
C P C B P
B C P
) ( ) | (
) ( ) | (
) (
) ( ) | (
) | (

= j 1
) ( ) | (
Evidencia
prori a ad probabilid tud Verosimili
posteriori a ad Probabilid
*
=
Evidencia
REDES DE CREENCIA REDESDECREENCIA
Redesdecreencia=RedesBayesianas
= Redes Probabilsticas =RedesProbabilsticas
Elementos:Padresyancestros
Representacin:Variablesdiscretasocontinuas
Estimacin de las probabilidades Estimacindelasprobabilidades,
casodiscreto
Si las probabilidades a priori de las clases son
desconocidas se asume que son equiprobables De desconocidas, se asume que son equiprobables. De
otra forma se estiman con las frecuencias:
s
C P
i
i = ) (
donde S
i
es el nmero de elementos en el conjunto de
s
C P i = ) (
donde S
i
es el nmero de elementos en el conjunto de
observaciones (la muestra) que pertenecen a la clase
C
i
y S es el nmero total de elementos en la muestra
de entrenamiento.
Estimacindelasprobabilidades,
casocontinuo
Regularmente,seasumenormalidadenladistribucin:
Ci x
2
) (
1

Ci
Ci
Ci Ci i e x g C x X P k k
2
,
2
2
1
) ( ) | ( ,


= =
Ejemplo Ejemplo
D N C
P(D/C) "+" ""
a 0,33 1
b 0,67 0
D N C
a 5 +
a 2.2
1 8
P(N/C) "+" ""
a 1.8
b 4 +
b 2 +
DominiodeN normal(3.7,0.16)
normal(2.33,0.61)
a 3
Otro ejemplo de red bayesiana Otroejemploderedbayesiana
Grafounidireccionalynocclico y
Antecedentes familiares
Fumador
Antecedentes familiares
(A)
(F)
Cncer de pulmn (C) Enfisema (E)
Sobrevivencia menor a 3 meses
Disnea (D)
Tabla de Probabilidad Condicional TabladeProbabilidadCondicional
(CPT,porsusiglaeningls)
Cncer de
pulmn?
F A F A F A F A
pulmn?
Si 0.8 0.5 0.7 0.1
No 0.2 0.5 0.3 0.9
Permiteespecificarladistribucincondicional p
P(Ci|Antecendentes,Fumar)
Redbayesianaconlasrespectivas y p
probabilidadesencadanodo
Algoritmo Bayesnet en Weka AlgoritmoBayesnet enWeka
Red Bayesiana con los datos de los lirios (Iris.arff)