Universidad del Valle

Facultad de Ingenierı́a
Escuela de Ingenierı́a de Sistemas y Computación

Project Charter

Informe de LATEX sobre Judea Pearl

Autores:
Carlos Andrés Borja (borja.carlos@correounivalle.edu.co).
Nancy Stella Vega (nancy.vega@correounivalle.edu.co).
Luisa Marı́a Cardenas (cardenas.luisa@correounivalle.edu.co).

Diciembre 2020
Índice
1. Resumen 2

2. Introducción 2

3. Desarrollo 3
3.1. Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

4. Conclusiones 6

1
1. Resumen
Se trata de una de las mentes más impor-
tantes de los últimos 50 años, y quizá solo Alan
Turing haya tenido mayor impacto en el mundo
de la inteligencia artificial. A Pearl se le consi-
dera el creador de las redes Bayesianas que in-
trodujeron el aprendizaje probabilı́stico en la in-
teligencia artificial. Estas redes permiten a los
sistemas informáticos agregar y resumir millones
de observaciones y generar predicciones acerta-
das a partir de ellos, y han dado lugar a inno-
Figura 1: Judea Pearl en su oficina.
2. Introducción
La capacidad de aprender y sacar conclusio-
nes de un flujo constante de experiencia puede
estar incorporada en el cerebro humano, pero
programarlo en una computadora requiere re-
solver preguntas extremadamente difı́ciles sobre
cómo almacenar la experiencia de la máquina y
usarla de manera eficiente. Un problema central
es que la información de los sentidos es incomple-
2
vaciones cruciales en ámbitos tan dispares como
la telefonı́a móvil y la predicción meteorológi-
ca. Las redes neuronales que están detrás de los
algoritmos de aprendizaje profundo más avanza-
dos no hubieran sido posibles sin ellas. Establece
formas rigurosas para determinar las relaciones
causales al presentar un conjunto de reglas de ra-
zonamiento precisas que pueden mostrar la cau-
salidad a partir de una observación, Judea Pearl
desafió las convenciones al mostrar que la corre-
lación puede indicar causalidad.[3]
ta y ambigua. El aprendizaje y el razonamien-
to informático, por lo tanto, deben sopesar la
evidencia con precisión al considerar diferentes
conclusiones. El trabajo de Judea Pearl sentó las
bases para este tipo de inteligencia artificial, al
proponer métodos para representar asociaciones
estadı́sticas entre muchas piezas de información,
para hacer predicciones precisas a partir de esa
información y para inferir conexiones causales
entre eventos. Su investigación cambió el rostro
de la informática.

3. Desarrollo
Desde 1984 Pearl ha escrito tres libros funda-
mentales en inteligencia artificial: En el primero,
Heurı́stica: habla de las estrategias de búsque-
da inteligente para la resolución de problemas
informáticos. Pearl adoptó algoritmos heurı́sti-
cos (métodos para encontrar rápidamente una
respuesta ”suficientemente buena”, en lugar de
buscar eternamente una respuesta perfecta) y
sugirió formas de lograr un mayor estándar de
éxito.

.......

Su tercer libro, Causalidad: modelos, razo-

namiento e inferencia (2000), rechaza la timidez
de los académicos al saltar de la correlación a
la causalidad y establece formas rigurosas para
determinar las relaciones causales. Al presentar
un conjunto de reglas de razonamiento preci-
sas que pueden mostrar la causalidad a partir
de una observación, Pearl desafió las convencio-
nes al mostrar que la correlación puede indicar
causalidad.[4]

En Probabilistic Reasoning in Intelligent Sys-

tems: Networks of Plausible Inference, publicado
en 1988, Pearl desarrolla un enfoque fundamen-
tal, las redes bayesianas, para representar y ra-
zonar de manera eficiente con una gran cantidad
de piezas de evidencia incierta.

3
 El trabajo de Pearl fue más allá de la orien-
tación teórica basada en la lógica de la IA y
su tecnologı́a basada en reglas para sistemas
expertos Pearl identificó la incertidumbre co-
mo un problema central al que se enfrentan los
sistemas inteligentes y desarrolló una interpreta-
ción algorı́tmica de la teorı́a de la probabilidad
como una base eficaz para la representación y
adquisición de conocimientos centrándose en la
independencia condicional como un principio
organizador para capturar los aspectos estructu-
rales de las distribuciones de probabilidad .
Pearl mostró cómo se puede utilizar la teorı́a
de grafos para caracterizar la independencia con-
dicional, e inventó algoritmos de paso de mensa-
jes que explotan la estructura gráfica para rea-
lizar el razonamiento probabilı́stico de manera
efectiva, este avance ha tenido un impacto impor-
tante en una amplia variedad de campos donde
la restricción a modelos simplificados habı́a li-
mitado severamente el alcance de los métodos
probabilı́sticos; los ejemplos incluyen procesa-
miento del lenguaje natural, procesamiento del
habla, visión por computadora, robótica, bio-
logı́a computacional y codificación de control de
errores.
Pearl se dio cuenta de la abrumadora pre-
valencia de información incierta en los sistemas
del mundo real y desarrolló una base teórica y
algorı́tmica para la Inteligencia Artificial basada
en la teorı́a de la probabilidad. Su influencia fue-
ra de la IA también ha sido grande, pues forjó
vı́nculos entre la informática y la estadı́stica
donde antes no existı́an; sus modelos se utilizan
para describir todo, desde los efectos de las en-
fermedades hasta el comportamiento probable
de los terroristas; y sus ideas han revolucionado
la comprensión de la causalidad en estadı́stica,
psicologı́a, medicina y ciencias sociales.
Se le atribuye la invención de las redes baye-
sianas, un formalismo matemático para definir
modelos de probabilidad complejos, ası́ como
los principales algoritmos utilizados para la in-
ferencia en estos modelos. Este trabajo no solo
revolucionó el campo de la inteligencia artificial,
sino que también se convirtió en una herramienta
importante para muchas otras ramas de la inge-
nierı́a y las ciencias naturales. Más tarde creó un
marco matemático para la inferencia causal que
ha tenido un impacto significativo en las ciencias
sociales.

3.1. Redes Bayesianas inferir la probabilidad de un evento que depende

de otro, pero al mismo tiempo puede ser afectado
También conocidas como redes probabilı́sti-
por otras causales, en un gráfico de redes bayesia-
cas, son un tipo de estructura gráfica basada en
na los nodos representan las variables aleatorias
nodos, utilizadas para representar las dependen-
y los arcos o flechas la dependencia entre estas.[1]
cias en un razonamiento probabilı́stico, suelen
utilizarse en situaciones de tipo complejas para

Estas inferencias estadı́sticas se realizan utili- Probabilidad conjunta: Se conoce como la

zando probabilidad conjunta y condicional, Me- probabilidad de que dos o más eventos indepen-
diante un sistema de nodos padres y nodos hijos, dientes ocurran simultáneamente, o la intersec-
en el cual un hijo puede tener varios padres y un ción de eventos independientes.
padre puede tener varios hijos.

4
 Figura 2: Ejemplo de redes Bayesianas.

Probabilidad condicional: Es la probabilidad sianas: Una casa tiene una alarma que se activa
de que se desarrolle un evento como consecuen- ante intento de robo, pero puede activarse ante
cia de la existencia u ocurrencia de otro evento. temblores (el escenario es en Los Angeles). Dos
vecinos, Juan y Marı́a se han ofrecido a llamar al
dueño de la casa al trabajo, si escuchan la alar-
P (A ∩ B) ma. Juan a veces confunde el sonido de la alarma
P (A/B) =
P (B) con otros sonidos, pero llama de todos modos y
Marı́a a veces no la escucha por otras fuentes de
Ejemplo de un problema para aplicar redes baye- sonido que tiene encendida (TV, Música).[2]

Figura 3: Ejemplo de conjuntos.

3.2. Aplicaciones necesaria en proyectos de software.

Las redes bayesianas son comúnmente usa-
das durante la implementación de minerı́a de
datos, ya sea en actividades de negocios como
Prevención de fraude o mantenimiento preven-
tivo o para estimaciones de esfuerzo y calidad
También son de gran ayuda para los gesto-
res encargados del testeo o pruebas de software,
siendo utilizadas para analizar varios casos pro-
bables y analizar la respuesta del software a
distintos eventos.

5
 Figura 4: Ejemplo de aplicaciones.

des bayesianas se pueden considerar las distintas

Otra de sus aplicaciones es ser utilizada para acciones del usuario y las posibles reacciones de
mejorar la interacción entre software y usuario, las aplicaciones.
ya que mediante inferencia realizada con las re-

4. Conclusiones Definiciones sencillas o información fácilmente

condensada en una sola página, es difı́cil de en-
Como inconvenientes que se tuvieron en la contrarla. Sin embargo, se pudo lograr entender
búsqueda de la información fue que la mayorı́a de manera general los conceptos básicos de redes
de sus trabajos y aportes se encontraban en pa- bayesianas y la información de su biografı́a nos
pers lo cuál hace uso de modelos matemáticos da motivación a seguir adelante en la búsqueda
avanzados y por ende se deben tener conocimien- inquieta por las múltiples aplicaciones y campos
tos sólidos y avanzados ante estos modelos para de acción de las redes bayesianas.
una comprensión más extensa de los mismos.

6
Referencias
[1] Vicente Estruch Fuster, Francisco J. Boigues, Anna Vidal, and José I. Pastor. Redes bayesianas
y diagnóstico médico. una forma diferente de aprender probabilidades condicionadas. Modelling
in Science Education and Learning, 12(2):59–76, 2019.
[2] JUDEA PEARL. Causal diagrams for empirical research. Biometrika, 82(4):669–688, 12 1995.
[3] Judea Pearl. Causal inference in statistics: An overview. Statistics Surveys, 3:96–146, 01 2009.

[4] Judea Pearl and Dana Mackenzie. The Book of Why. Basic Books, New York, 2018.