Sesión 9 – Representación y

Manejo de Incertidumbre

Dr. Miguel Ángel Barrientos Martínez

Primavera 2020

Inteligencia Artificial – Redes

Neuronales (AINN)
Tópicos
Tipos de Redes Bayesianas
Presencia de la Evidencia Presencia de Causas o Evidencias
Probabilidad Condicional

Definición
Generalización Redes Bayesianas
Dependencia Condicional Parámetros Caracterizar Red
Bayesiana

Concepto Separación D
Separación D Triplets Activos e Inactivos
Ejemplos

2 BI - Primavera 2020 - Sesión 9

Diferentes Tipos de Redes Bayesianas
 Tenemos múltiples causas que pueden explicar un efecto
 El efecto H puede ser explicado por S y/o R

3 BI - Primavera 2020 - Sesión 9

Presencia de una Causa o Evidencia
 Podemos ignorar las demás causas dado que conocemos
la ocurrencia de una de ellas

4 BI - Primavera 2020 - Sesión 9

En este caso la evidencia es H

 ¿Cuál es la probabilidad de R dado que sabemos que se

cumple H?

5 BI - Primavera 2020 - Sesión 9

El Resultado …
 La probabilidad de R dado H se obtiene de la siguiente
forma y es equivalente a 1.85%. La cual contrasta con la
probabilidad de R dado H y S que es aproximadamente
1.42%

6 BI - Primavera 2020 - Sesión 9

Probabilidad condicional
 ¿Cuál es la probabilidad de la ocurrencia de R dado que H
se presenta y el evento S no sucede? La presencia de H es
solo por azar o es debido a que el evento R sucede

7 BI - Primavera 2020 - Sesión 9

El Resultado
 La probabilidad de R dado H y no S es equivalente a
8.33%

8 BI - Primavera 2020 - Sesión 9

Dependencia Condicional
 Ante la ausencia de información de H, R y S son eventos
independientes
 Si H es conocida, entonces R y S son condicionalmente
dependientes

9 BI - Primavera 2020 - Sesión 9

Definición General de una Red Bayesiana
 En una red de 5 variables aleatorias no se requiere
enumerar todas las posibles combinaciones, solo se
requiere utilizar las distribuciones de probabilidad
inherentes a cada variable aleatoria

10 BI - Primavera 2020 - Sesión 9

Quiz
 Las variables aleatorias son binarias, solo tienen 2 estados

11 BI - Primavera 2020 - Sesión 9

Resultado

12 BI - Primavera 2020 - Sesión 9

Otro Ejemplo de Red Bayesiana
 ¿Cuántos parámetros probabilísticos se requieren para
representar la siguiente Red Bayesiana?

13 BI - Primavera 2020 - Sesión 9

Red Bayesiana- 16 Variables Aleatorias Binarias

 Número de Parámetros Necesarios para representar la

siguiente red Bayesiana – No se requieren 216 – 1= 65535

14 BI - Primavera 2020 - Sesión 9

El número correcto de parámetros es

15 BI - Primavera 2020 - Sesión 9

Concepto “D-Separation”
 Separación D se refiere a la posibilidad de separar nodos
de la Red Bayesiana

16 BI - Primavera 2020 - Sesión 9

Resultado del Quiz
 Tenemos dos casos de condicionalmente dependientes


17 BI - Primavera 2020 - Sesión 9

Continua Separación D
 Condicionalmente Dependientes

18 BI - Primavera 2020 - Sesión 9

Resultados del Quiz
 Condicionalmente dependientes dado que conocemos el
valor del Nodo C

19 BI - Primavera 2020 - Sesión 9

Separación D
 Mediante el uso de Triplets Activos o Inactivos
 Determinar si las variables son dependientes o no
dependientes dada la evidencia que se tiene

20 BI - Primavera 2020 - Sesión 9

Quiz

21 BI - Primavera 2020 - Sesión 9

Resultados

22 BI - Primavera 2020 - Sesión 9