Redes Bayesianas

Redes Bayesianas

Teorema de Bayes
Indica la forma de calcular la probabilidad de un evento una vez que se
conoce la ocurrencia de un evento relacionado.

Por ejemplo, sabiendo la probabilidad de tener un dolor de cabeza dado que

se tiene gripe, se podría saber (si se tiene algún dato más), la probabilidad de
tener gripe si se tiene un dolor de cabeza.

2
 Redes Bayesianas

Regla de Bayes

Donde:
son las probabilidades previas (a priori).

es la probabilidad del Efectoj cuando se conoce la Causai.

son las probabilidades posteriores (a posteriori).

un conjunto de sucesos mutuamente excluyentes

y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero (0)

un suceso cualquiera del que se conocen las probabilidades condicionales

[Adaptado de Wikipedia, 2013]

3
 Redes Bayesianas

Teorema de Bayes: Ejemplo. Fumar causa cáncer pulmonar... (y no fumar

también :)

En un centro médico, de todos los fumadores de quienes se sospecha que tenían

cáncer pulmonar, el 90% lo tenía mientras que únicamente el 5% de los no
fumadores lo padecía. La proporción de fumadores es de 0.45,.

Eventos: "el paciente es fumador" , "el paciente no es fumador" y "el paciente tiene
cáncer pulmonar".

Probabilidades a priori: P(fumador) = 0.45 y P(no fumador) = 0.55 (determinado

por diferencia)

Probabilidades condicionales: P(cáncer|fumador) = 0.9 y P(cáncer|no fumador) =

0.05.

4
 Redes Bayesianas

Teorema de Bayes: Ejemplo 1. Fumar causa cáncer pulmonar... (y no fumar también :) …

¿Cuál es la probabilidad de que un paciente con cáncer pulmonar, seleccionado al azar, sea
fumador? ¿P(fumador|cáncer)?

Del teorema de Bayes se tiene

Fumar Cáncer

[Canavos, 1988]
5
 Redes Bayesianas

Propagación de Probabilidades
(inferencia)

Predicción Causa Regla de Bayes

Diagnóstico
Probabilidades
Marginales Efecto

El nodo “Causa” es padre del nodo “Efecto”.

“Efecto” es hijo de “Causa”.

6
 Redes Bayesianas

Redes Bayesianas
Las redes bayesianas (RB) son una representación gráfica de
dependencias para razonamiento probabilístico.

 Es un grafo acíclico dirigido formado por nodos

 Sus nodos representan variables aleatorias y los arcos representan

relaciones de dependencia probabilísticas directa entre las variables.

 Se les llama bayesianas porque la distribución de probabilidad

conjunta representada por estas redes es subjetiva y es actualizada
aplicando el Teorema de Bayes cuando se obtiene nueva evidencia.

[genie.sis.pitt.edu, 2013][Pearl, 2000] 7

[Charniak, 1991][Lascarides, 2013]
 Redes Bayesianas

Redes Bayesianas
 Da información sobre dependencias probabilísticas entre variables.
 Representa las independencias condicionales entre variables.
 Todo nodo X es independiente de todos los nodos que no son sus
descendientes dado sus nodos padres Pa(X).
 La cobija de Markov de un nodo es el conjunto de nodos que lo hacen
independientes del resto de la red. Para una R.B. esta formada por:
 Nodos padre
 Nodos Hijo
 Otros padres de los hijos
8
 Redes Bayesianas

Redes Bayesianas
 Depende de los nodos padre, es decir para poder muestrear un nodo
hijo del grafo es necesario antes haber muestreado a su nodo padre.
 Herramienta que permite proveer operaciones eficientes empleando
probabilidades.
 Topología de árbol.
 El orden debe respetar que los padres estén antes que los hijos.

9
 Redes Bayesianas

(Donde: C es comida, T es tifoidea, G es gripe, R es reacciones, F es fiebre y D es

Dolor). Esto es:
P(R|C, T, G, F, D) = P(R|T)

10
 Redes Bayesianas

Ejemplo
Mónica está preocupada por que ha tenido una tos muy fuerte (crónica)
desde hace varios días, por lo que va con su doctor.

El doctor le dice que dicho síntoma es característico de dos enfermedades:

Bronquitis y cáncer pulmonar.

El 54% de las personas que tiene cáncer pulmonar presentan dicho síntoma
y el 10% de las personas que tienen bronquitis también presentan ese
síntoma.

¿Cual enfermedad es más probable que tenga Mónica?

11
 Redes Bayesianas

El conjunto de tiene como elementos a los nodos T, B y C, que representan a las

variables “Tos”, “Bronquitis” y “Cáncer Pulmonar”, respectivamente, con los
siguientes valores:

12
 Redes Bayesianas

Además se obtienen, mediante observación de datos estadísticos, las

probabilidades:

 El paciente presenta tos crónica cuando tiene bronquitis y cáncer

pulmonar: P(t1 | b1, c1) = 0.75
 El paciente presenta tos crónica cuando tiene bronquitis y no tiene
cáncer pulmonar: P(t1 | b1, c2) = 0.1
 El paciente presenta tos crónica cuando no tiene bronquitis y tiene
cáncer pulmonar: P(t1 | b2, c1) = 0.5
 El paciente presenta tos crónica cuando no tiene bronquitis ni cáncer
pulmonar: P(t1 | b2, c2) = 0.05
 Probabilidad de tener cáncer pulmonar: P(c1) = 0.001
 Probabilidad de padecer bronquitis: P(b1) = 0.09

13
 Redes Bayesianas
Conociendo estas probabilidades se obtienen las siguientes tablas:

14
 Redes Bayesianas

Red bayesiana

15
 Redes Bayesianas

Al tener la distribución de probabilidades se sabe que, al tratarse de una

Red Bayesiana, la probabilidad conjunta de todas la variables en V es
expresada como:

P(B,C, T) = P(B)P(C)P(T | B,C)

así que se calculará lo siguiente:

La probabilidad a priori de que cualquier persona presente el síntoma de
tos crónica.

16
Redes Bayesianas

17
 Redes Bayesianas

Ahora se calculan las probabilidades a posteriori deseadas, es decir la

probabilidad de padecer, ya sea bronquitis o cáncer pulmonar dado que se
tiene como síntoma a la tos crónica.

Para el cáncer pulmonar se tiene que:

18
Redes Bayesianas

19
Redes Bayesianas

20
 Redes Bayesianas

Se puede concluir entonces que es más probable que Mónica

tenga bronquitis dado que la probabilidad a posteriori de la
bronquitis es mayor que la del cáncer pulmonar, al observarse el
síntoma de la tos crónica.

Redes Bayesianas y su uso en el Diagnostico médico; Adriana

Laura López Lobato; 2014 21
 Redes Bayesianas

Ejemplos de aplicaciones
• Apropiado para dominios de incertidumbre
• Diagnóstico médico e industrial
• Predicción financiera
• Exploración minera / petrolera
• Interpretación de imágenes (visión)
• Reconocimiento de voz
• Monitoreo / control de procesos industriales
• Robótica
• Modelado del estudiante
• Prevención financiera
• Marketing personalizado
• Lavado de dinero
[Súcar, 2012]
22
 Redes Bayesianas

Diseñar una red bayesiana que represente el modelo del estudiante para un
sencillo sistema tutor inteligente que tiene como objetivo el aprendizaje de la
división aritmética. A continuación se indican las tablas de probabilidades del
modelo.

Softwares recomendados: Elvira o GeNIe

23