M Hidro Genie 2020

Modulo 6: Gestión de los Recursos Hídricos
Tema 5. Herramientas de apoyo a la Gestión

6.5.3 Sistemas de ayuda a la decisión en hidrología y gestión de recursos hídricos
Practicas
Angel Luis Udias Moinelo

Dr. Ingeniero de Minas
Scientific Officer. Joint Research Centre. European Commission
Profesor Contratado Doctor del Dpto. de Estadística e Investigación Operativa de la URJC
Mayoría Relativa
• 3 candidatos: Alberto, Bruno y clara

– 30 Votantes
11 votos 10 votos 9 votos

A 11
A B C B 10
B C B C 9
C A A Alberto es elegido
2
Mayoria Relativa
– 30 Votantes

A 11
A B C B 10
B C B C 9
¿Cual es el problema?
3
Mayoría Relativa
– 30 Votantes

A 11
A B C B 10
B C B C 9
¿Cual es el problema?
La mayoría de los votantes (10+9)/30
4 preferían una opción distinta de Alberto
Condorcet
– 30 Votantes
A B C
B C B
C A A
B es mejor que A 19 Bruno es elegido
B es mejor que C 21 40
C es mejor que A 19
C es mejor que B 9 28
5
A es mejor que B 11
A es mejor que C 11 22
Borda
– 30 Votantes
11 votos 10 votos 9 votos Puntos
A B C 2
B C B 1
C A A 0
Bruno es elegido
A 22 11*2
B 44 10*2+11*1+11*1
C 28 9*2+10*1
6
Borda
• Otro ejemplo
• 4 candidatos: Alberto, Bruno, Clara y Diana
– 7Votantes
3 votos 2 votos 2 votos Puntos
C B A 3
B A D 2
A D C 1
D C B 0
Alberto es elegido
A 13 1*3+2*2+3*2
B 12 2*3+3*2
C 11 3*3+2
D 6 2*1+2*2
7
Pero???
Borda
• Otro ejemplo
• 3 candidatos: Alberto, Bruno, Clara y -------
– 7 Votantes
3 votos 2 votos 2 votos Puntos 3 votos 2 votos 2 votos Puntos

C B A 3 C B A 2
B A D 2 B A C 1
A D C 1
D C B 0 A C B 0
A 13 1*3+2*2+3*2
A 6 2*2+2*1
B 12 2*3+3*2
C 11 3*3+2 B 7 2*2+3*1
8
D 6 2*1+2*2 C 8 3*2+2*1
Clara es elegida
Cuantificación: Preferencias y Creencias
Modelación de Creencias
Ejemplo: Diagramas de influencia probabilísticos

Una clase importante de diagramas de influencia son los que sólo incluyen
nodos probabilísticos (o determinísticos). Son la base de los
denominados Sistemas expertos probabilísticos. Un ejemplo, tomado
del sistema MUNIN, viene descrito, como sigue:
Ejemplo:
Un problema respiratorio (dispnea) puede deberse a tuberculosis, cáncer de
pulmón o bronquitis, a ninguna de ellas o a varias de ellas. Una reciente
visita a Asia aumenta las probabilidades de tuberculosis, mientras que
fumar es un factor de riesgo para el cáncer de pulmón y la bronquitis. Los
resultados de una radiografía no discriminan entre el cáncer y la
tuberculosis, como tampoco la presencia o la ausencia de dispnea.
El D.I. que representaría este problema es:
9
Cuantificación: Preferencias y Creencias
Modelación de Creencias
El Diagrama de Influencia
Los arcos entre los nodos de azar representa la no independencia entre las
variables y supone la asignación de distribuciones condicionadas de
probabilidad.
10
Etapas de Cuantificación:
Modelación de creencias: Incertidumbre
Actualización de información y teorema de

Bayes
Las creencias acerca de las probabilidades de los distintos resultados de
un experimento aleatorio pueden actualizarse al recibir nueva
información. Las creencias son dinámicas, cambian al acumularse
evidencia. Planteamos las ideas de revisión y actualización de
probabilidades con un ejemplo.
Ejemplo: Consideremos a un ingeniero de minas que tiene encomendada la
tarea de buscar aguas subterráneas para una localidad con importantes
problemas de sequía. Una vez que ha localizado un posible lugar el
ingeniero piensa que la probabilidad de que haya agua en este es de 0.6
(no hay pruebas sobre el lugar en sí, sino indicaciones de la gente de la
zona) y por tanto la probabilidad de que no la haya es 0.4. El ingeniero,
antes de decidir si perforar o no, realiza unas pruebas que son más
fiables a la hora de detectar agua si la hubiese. Concretamente esta
prueba tiene un 90% de fiabilidad, es decir da + si hay agua y - sino la
hay
11
con probabilidades 0.9 en ambos casos. Una vez hecha la prueba,
esta resulta positiva,
Teorema de Bayes
• En el contexto de la inferencia bayesiana, las probabilidades iniciales
sobre la presencia o no de agua reciben el nombre de probabilidades a
priori o iniciales.
• Las probabilidades de que la prueba de + o - dado que hay agua o no la
hay son probabilidades condicionadas. El uso de la nueva información,
es decir que la prueba ha dado positivo (o negativo en su caso), para
modificar las probabilidades iniciales da lugar a las probabilidades a
posteriori o finales. Esta actualización de las probabilidades se hace
usando el teorema de Bayes, que en este ejemplo concreto es:
12
Teorema de Bayes
• La probabilidad final que nos interesa: P( Agua |+), es proporcional a:
– la probabilidad a priori del suceso Agua ,
– multiplicado por la probabilidad de +| Agua (esta cantidad, vista como función
del suceso que nos interesa, Agua , recibe el nombre de verosimilitud, ya
que nos dice lo verosímil que es que haya agua una vez hemos observado
que la prueba ha resultado +).
Definición formal:
13
Teorema de Bayes
14
Algunos paquetes de software
• Algunos paquetes informáticos:
• Software: GeNIe
– https://download.bayesfusion.com/files.htm
l?category=Academia
15
Objetivo
En esta sesión explicamos como

estructurar y estudiar un problema de
decisión con GeNIe
https://download.bayesfusion.com/files.html?category=Academia
16
Principales Tareas
• Cómo crear un diagrama de influencia

• Un ejemplo
• Actividad
• Como añadir información en los nodos
• Cómo resolver el DI
• Añadir información
– Introduciendo evidencias
– Estableciendo valores de control
• Evaluar el valor de información
• Análisis de sensibilidad (opcional)
• Actividad
17
Preliminares
• Se descarga desde aquí.

– Pide registrarse, pero es gratis
• Hay un manual completo de GeNIe en
formato wikipedia!!!
(http://genie.sis.pitt.edu/wiki/GeNIe_Documentation)
–.
18
Tipos de nodos
• Tenemos cuatro tipos de nodos:

– Nodos de decisión:
– Nodos de azar:
– Nodos determinísticos:
– Nodos de valor:
• Para crear un nodo, se selecciona de la parte

19
superior de la cuadrícula y se hace “click”
dentro de la cuadrícula.
Tipos de nodos (en GeNIe)
• Tenemos cuatro tipos de nodos:

– Nodos de decisión:
– Nodos de azar:
– Nodos determinísticos:
– Nodos de valor:
20
Tipos de arcos
• Hay tres tipos de arcos:

– Los que inciden en nodos de decisión, que indican que la decisión
correspondiente se toma conociendo los valores de los antecesores.
– Los que inciden en nodos de azar, que indican que la incertidumbre
correspondiente se ve afectada por los valores de los antecesores.
– Los que inciden en el nodo de valor, que indican que las consecuencias
dependen de los valores de los antecesores.
• Una flecha que incida en un nodo de decisión aparecerá

difuminada, indicando que es un arco informativo, pero que no
representa una influencia.
• Para añadir un arco entre dos nodos, se selecciona el símbolo en la
parte superior, y se arrastra desde el nodo inicial al nodo final en la
cuadrícula.
21
Ejemplo 1: Los ligues de Paco
• Paco es la chica más popular de la Universidad.
• Es bien sabido que Paco sólo acepta el 30% de las invitaciones que
recibe para ir a una cita.
• De las invitaciones que acepta:
– El 40% de ellas provienen de chicas con Notas Altos
– El 40% de ellos provienen de chicas con Notas Medias
– El 20% de ellos provienen de chicas con Notas Bajas.
• De las invitaciones que rechaza:
– El 10% de ellos provienen de chicas con Notas Altas,
– El 30% de ellos provienen de chicas con Notas Medias
– El 60% de ellos provienen de chicas con Notas Bajas
• NOTA: En este ejemplo, la variable de “Notas” se discretiza en

categorías de alta, media y baja.
22
Ejemplo: 1
• Añadiendo un nodo de Azar:
Se entra en el nodo “pinchando” dos veces sobre él.

En la parte General, se rellena el “Identifier” (el nombre que aparecerá en la
pantalla) y el “Name” (donde podemos añadir información).
En la parte de “Definition” se añaden los nombres de las alternativas.
En los nodos de Azar, a cada posible valor debemos añadirle su probabilidad de
aparición.
23
Ejemplo: 1
• Añadiendo un segundo nodo de Azar para la variable Notas:
Doble click y editamos el nodo

Para eliminar una alternativa, se usa la tecla con “X” que aparece
junto con “Insert”. Para añadir la tecla “Insert”
En nuestro ejemplo el nodo “Notas” tendrá tres alternativas
Añadimos un arco desde el primer nodo
Hacemos doble clic en “Notas” y añadimos las

probabilidades
24
Ejemplo: 1
• Determinación de la probabilidad de que Maria acepte si conocemos la Nota del

candidato a la cita.
Para determinar la probabilidad de que María acepte una

invitación por un estudiante que tiene una Nota Baja:
Hacemos clic derecho sobre el nodo de Notas
Se despliegan las opciones y seleccionamos: Bajas
Actualizamos la red haciendo clic sobre
En el nodo de aceptación se observa el resultado
25
Ejemplo: 1 Th. de Bayes
• Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y
exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero. Sea B
un suceso cualquiera del que se conocen las probabilidades condicionales P(B | Ai).
Entonces, la probabilidad P(Ai | B) viene dada por la expresión
Donde:
P(Ai) son las probabilidades a priori.
P(B | Ai) es la probabilidad de B en la hipótesis Ai.
P(Ai | B) son las probabilidades a posteriori.
Además, unido a la definición de Probabilidad condicionada, obtenemos la

Fórmula de Bayes, también conocida como la Regla de Bayes:
26
Ejemplo: 1 (Th. de Bayes)
Por ejemplo si llamamos:
B Notas Bajas
• A1  Aceptación
• A2 Rechazo MNotas Medias
T Notas Altas
Sabemos que:
P(A1)=0.3 P(A2)=0.7
P(B/A1) =0,2 P(M/A1)=0.4 P(T/A1)=0.4

P(B/A2)=0,6 P(M/A2)= 0.3 P(T/A2)= 0.1
Por ejemplo: Si queremos determinar la probabilidad de que sea aceptado si

su nota ha sido baja. ¿P(A1/B)?
 B  P B  P( A1A)1PPB( A1)  P ( A2)  0.2  00..32  00..36  0.7  00..06

P A1
PB
48
 0.125
A1 A2
27
Información adicional
• De manera opcional, puedes mirar

también los diagramas de influencia
relativos a algunos problemas
prototípicos, situados en la carpeta
“Examples” de GeNIe. Por ejemplo, el
modelo "Hepar II.xdsl” puede utilizarse
en la práctica para diagnosticar
enfermedades del hígado.
28
Añadiendo información en los
nodos de decisión
• Se entra en el nodo “pinchando” dos veces sobre él.
• En la parte General, se rellena el “Identifier” (el nombre que
aparecerá en la pantalla) y el “Name” (donde podemos añadir
información).
• En la parte de “Definition” se añaden los nombres de las
alternativas.
• Por defecto pone 2 alternativas, para añadir alguna más se
pueden usar los comandos “Add” e “Insert” de la parte superior.
• Para eliminar una alternativa, se usa la tecla con “X” que
aparece junto con “Insert”
29
nodos de azar
• Los primeros dos puntos son como para los nodos de decisión
• En la parte de “Definition” se añaden los nombres de los
posibles valores de la variable. Por defecto pone 2 valores, para
añadir alguna más se pueden usar los comandos “Add” e
“Insert” de la parte superior.
• Para eliminar una alternativa, se usa la tecla con “X” que
aparece junto con “Insert”.
• A cada posible valor debemos añadirle su probabilidad de
aparición.
• Por defecto pone 0.5. Si el nodo de azar tiene predecesores,
esa probabilidad vendrá condicionada a los valores de los
predecesores, con lo que tendremos una distribución de
probabilidad en cada columna.
30
nodos de valor
• Los primeros dos puntos como para los

nodos de decisión
• En la parte de “Definition” se añaden los
valores para cada combinación de los
predecesores directos. Por defecto
pone 0.
31
Ejemplo 2: El manzano
• Un agricultor descubre un día que a su

manzano favorito se le están cayendo las
hojas. Esto puede ser por dos causas:
– Que el manzano tenga una enfermedad
– Que esté acusando los efecto de la sequía
• Las tablas de probabilidad condicionada
(CPT) son las siguientes
Enfermedad=enfermo Enfermedad=sano Sequia=Si Sequia=No
0.1 0.9 0.1 0.9
Enfermedad=enfermo Enfermedad=sano
Sequia=Si Sequia=No Sequia=Si Sequia=No
Caida Hojas=Si 0.95 0.9 0.85 0.02
32 Caida Hojas=No 0.05 0.1 0.15 0.98
Ejemplo: 2
• Identificamos la variables: Enfermedad, sequía, caída de hojas

• Añadimos los nodos de azar
Identificamos los estados de cada variable:

Enfermedad: Enfermo / Sano
Sequía: Sí / no
Caída de hojas: Sí / no
Existe una dependencia causal entre dos nodos A y B, cuando el estado que presente A
tenga un impacto en el estado de B.
En nuestro ejemplo, el hecho de que el árbol esté enfermo tendrá un impacto en la
caída de las hojas. La relación de causalidad entre los tres nodos se representa de
forma cualitativa:
33
Ejemplo 2:
• Especificar las relaciones entre las variables de forma cuantitativa

• Esto se hace a través de las tablas de probabilidad condicionada (CPT)

0.1 0.9 0.1 0.9
Caida Hojas=Si 0.95 0.9 0.85 0.02
Caida Hojas=No 0.05 0.1 0.15 0.98
En dichas tablas se especifica la probabilidad de que la variable hija presente un

determinado estado en función de los estados de las variables padre.
En nuestro ejemplo, como ni Enfermedad, ni sequía tienen nodos padre, las
distribuciones de probabilidad de las tablas no están condicionadas por nada.
34
Ejemplo 2:
• Añadimos las probabilidades condicionadas de las (CPT) a los nodos de nuestra red

0.1 0.9 0.1 0.9
Caida Hojas=Si 0.95 0.9 0.85 0.02
Caida Hojas=No 0.05 0.1 0.15 0.98
Fijarse en la diferencia entre unos y otros nodos

Fijarse
35 que cada columna en las tablas debe sumar uno
Ejemplo 2:
• Ejecutamos la red
Podemos ver las probabilidades de que un nodo presente un cierto estado colocándonos
sobre el mismo.
36
Ejemplo 2:
• Imaginemos que queremos usar nuestra red para obtener la probabilidad de que un
manzano esté enfermo, dada la información de que el árbol está perdiendo sus hojas.
Para ello:
– Introducimos la evidencia de que el árbol esta perdiendo sus hojas
Pulsamos el botón de actualizar el estado de la red

37
Ejemplo 2:
• Se obtienen los resultados que vemos en la figura:
La probabilidad de que el árbol este enfermo es del 49%

Y de
38 que haya sequía casi del 47%
Ejemplo 2:
• Podríamos preguntarnos por la probabilidad de que se le caigan las hojas al árbol si hay
sequía y no sabemos si esta enfermo o no.
La probabilidad de que se le caigan las hojas al árbol en

esta situación será del 86%.
Fijarse que la probabilidad de que este enfermo continua
siendo del 10%
39
Ejemplo 2:
• Podríamos preguntarnos por la probabilidad de sequía cuando no se caen las hojas y

se sabe que el árbol esta enfermo.
Da una probabilidad de sequía del 5%.
40
Ejemplo 2: Regamos el Árbol
• Imaginemos que en el ejemplo anterior nos planteamos que se podría regar el

árbol.
• En tal situación el nodo Sequía tendría un nodo “Padre” que seria preciso
añadir a la red
Ahora en lugar de llamar al Nodo “Sequía”, seria más correcto: “Efecto de la

sequía”. Y a ese nodo habría que asignar probabilidades condicionadas
41
Añadimos las probabilidades condicionadas (CPT) al nodo, y por ejemplo son
las siguientes:
Regar
Si No
Sequia: Si 0.01 0.3
Sequia: No 0.99 0.7
Que lo que quiere decir, es que si regamos el árbol, la probabilidad de que la

sequía produzca un efecto sobre el árbol es del 1% y la probabilidad de que
la sequía tenga efecto sobre el árbol en caso de que no se riegue es del
30%
¿Ya podríamos hacer preguntas sobre que probabilidad hay de que se

caigan las hojas dependiendo de que reguemos el árbol o no lo
reguemos?
42
SI regamos NO regamos
Probabilidad de caída de las Probabilidad de caída de las

hojas del 12% hojas del 33%
43
Cómo resolver el DI
• La forma más sencilla es pulsando la tecla con el rayo amarillo

que aparece en el menú de la parte superior.
• En los nodos de decisión aparecen, en la parte “Value”, el valor
esperado para cada combinación de las alternativas. La
alternativa con mayor valor esperado aparece en negrita.
• En el nodo de valor aparece, en la parte de value, los valores
esperados para cada combinación de alternativas de los
distintos nodos de decisión. Las combinaciones con mayor valor
esperado aparecen en negrita.
• Para el ejemplo y más información mira “Evaluating a model” y
“Viewing results” de la wiki GeNIe.
44
Añadir información: incorporando evidencia
• Supongamos que nuestro diagrama de influencia modeliza el

funcionamiento de un televisor, cada elemento está representado con
algún nodo y puede estar en buen estado o estropeado. Hemos
detectado que la pantalla, a primera vista, no funciona y queremos
estimar, por ejemplo, si el problema está en la lámpara de rayos
catódicos o en algún otro elemento, es decir, queremos detectar el
nodo más probable que falla… Con el comando “Set Evidence”,
añadimos información nueva a un nodo de azar en el diagrama: el
valor que ha tomado la variable. Se añade pinchando en el nodo con el
botón derecho del ratón, y se elimina con “Clear Evidence”.
– El comando análogo para nodos de decisión se llama “Set Decision”.
• Mira el ejemplo: “Entering and retracting evidence”.
45
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que calcule la probabilidad de que un paciente
tenga tuberculosis, cáncer de pulmón o bronquitis en función de diversos
factores – por ejemplo – si el paciente ha estado o no en Asia recientemente.
• En primer lugar, uno de los posibles síntomas de la tuberculosis es la

respiración dificultosa (disnea), que también puede ser ocasionada por el
cáncer de pulmón o por la bronquitis (el 80% de los pacientes de bronquitis
muestra este síntoma), e incluso por la coincidencia de más de una de estas
enfermedades;
• El 70% de los pacientes que padecen tuberculosis y/o cáncer muestran
también disnea
• También, en un 10% de los casos de disnea, puede ocurrir que no se deba a
ninguna de estas enfermedades.
46
• Una visita reciente a a Asia aumenta el riesgo de tener la tuberculosis, de un
1% a un 5%, mientras que fumar se sabe que es un factor de riesgo para el
cáncer, cuya probabilidad aumenta de un 1 a un 10% en los fumadores, y la
bronquitis de pulmón, cuya probabilidad incrementa de un 30 a un 60%.
• Los resultados de una sola radiografía del pecho no discriminan entre el

cáncer de pulmón y la tuberculosis, como tampoco lo hacen la presencia o la
ausencia de disnea. La radiografía da positivo cuando el paciente tiene una de
las dos enfermedades en un 98% de los casos, y puede dar positivo sin que
exista ninguna de las dos en un 5% de los casos.
47
• Construir una red Bayesiana que represente
el problema:
48
• Construir una red Bayesiana que represente el problema:
• En primer lugar, uno de los posibles síntomas de la tuberculosis es la respiración

dificultosa (disnea), que también puede ser ocasionada por el cáncer de pulmón o por la
bronquitis
– el 80% de los pacientes de bronquitis muestra este síntoma, e incluso por la coincidencia de
más de una de estas enfermedades;
– también, en un 10% de los casos de disnea, puede ocurrir que no se deba a ninguna de estas
enfermedades.
49
• En primer lugar, uno de los posibles síntomas de la tuberculosis es la respiración

dificultosa (disnea), que también puede ser ocasionada por el cáncer de pulmón o por la
bronquitis
– el 80% de los pacientes de bronquitis muestra este síntoma, e incluso por la coincidencia de
más de una de estas enfermedades;
– De los que no tienen bronquitis, el 70% de los pacientes que padecen tuberculosis y/o cáncer
muestran también disnea
– también, en un 10% de los casos de disnea, puede ocurrir que no se deba a ninguna de estas
enfermedades.
50
• Una visita reciente a a Asia aumenta el riesgo de tener la tuberculosis, de un 1% a un

5%,
• Mientras que fumar se sabe que es un factor de riesgo para el cáncer, cuya probabilidad
aumenta de un 1 a un 10% en los fumadores, y la bronquitis de pulmón, cuya
probabilidad incrementa de un 30 a un 60%.
51
• Una visita reciente a a Asia aumenta el riesgo de tener la tuberculosis, de un 1% a un

5%,
• Mientras que fumar se sabe que es un factor de riesgo para el cáncer, cuya probabilidad
aumenta de un 1 a un 10% en los fumadores, y la bronquitis de pulmón, cuya
probabilidad incrementa de un 30 a un 60%.
52

ausencia de disnea.
• La radiografía da positivo cuando el paciente tiene una de las dos
enfermedades en un 98% de los casos, y puede dar positivo sin que exista
ninguna de las dos en un 5% de los casos.
Implementamos un “OR” en un nodo

determinístico, es decir si padece
tuberculosis o cáncer padece una de las
dos enfermedades (no distinguibles en
53
los rayos o por la disnea)

ausencia de disnea.
54

ausencia de disnea.
55
• Por la inclusión de nodo Determinista,
cambia un poco esta parte de la red:
Que quedaría de la siguiente forma
Con lo que la tabla de probabilidades condicionadas (CPT) para la Disnea se

reduce un poco:
56
• Resultados:
– Si sabemos el hecho de que un paciente es un fumador, ajustaremos nuestra
creencia (mayores riesgos) con respecto cáncer y a la bronquitis de pulmón. Sin
embargo, nuestra creencia con respecto a tuberculosis no cambia (es decir, la
tuberculosis es condicionalmente independiente de fumar).
No sabemos si fuma Fuma
57
• Resultados:
– Si sabemos el hecho de que un paciente es un fumador, ajustaremos nuestra
creencia (mayores riesgos) con respecto cáncer y a la bronquitis de pulmón. Sin
embargo, nuestra creencia con respecto a tuberculosis no cambia (es decir, la
tuberculosis es condicionalmente independiente de fumar).
Si Fuma No Fuma
58
• Resultados:
– Ahora, suponga que obtenemos un resultado positivo en la radiografía de
un paciente. Esto afectará nuestra creencia con respecto al cáncer de
pulmón
– Indirectamente también la creencia respecto a la bronquitis
No ha hecho una radiografía Positivo Rayos X
59
• Resultados:
– Si sabemos que el paciente también sufre de disnea, el resultado de la
radiografía también habría afectado nuestra creencia con respecto a la
bronquitis (es decir, la “bronquitis” no es condicionalmente independiente
“de fumar dado” de la “radiografía” y de la “disnea”.
Positivo Rayos X
Positivo Rayos X
Y padece Disnea
60
• Resultados:
– Si sabemos que el paciente también sufre de disnea, el resultado de la
radiografía también habría afectado nuestra creencia con respecto a la
bronquitis (es decir, la “bronquitis” no es condicionalmente independiente
“de fumar dado” de la “radiografía” y de la “disnea”.
Positivo Rayos X Positivo Rayos X , padece

Y padece Disnea Disnea y es fumador
61
Ejemplo 5: Agricultura y Agua
• De acuerdo a una evaluación ministerial el 75% de las veces en que la cubierta vegetal
(arbórea) de una cuenca fluvial es alta, los agricultores consideran que hay poco terreno
disponible para cultivo. Mientras que el 65% de las ocasiones en las que la cubierta
vegetal es baja consideran que la superficie dedicada a cultivos es adecuada (mucha)
• La población de peces es alta el 80% y media el 20% de los años con buen flujo de
agua en el rió. Si la cantidad de agua en el rió solo es aceptable, el 50% de los años
habrá población de peces media y el 35% será baja. El 80% de los años que la
población es baja a causa te un mal flujo de agua en el rió, y el 20% de los años con
ese flujo la población de peces es media.
• La pesca en los ríos de la región depende del estado de la población de los peces en el
río. La pesca es buena el 70% de los años con una alta población de peces en el rió y
50% de los años con una población media de peces, sin embargo es regular el 80% de
los años con una población de peces baja.
• Cuando el caudal en el rió sea bueno la situación del acuífero será buena, cuando el
caudal sea aceptable la situación será media y cuando el caudal sea malo la situación
del acuífero será mala.
• El caudal (flujo) del rió se considera bueno cuando la precipitación es alta si la cubierta
vegetal es alta, aceptable si cualquiera de las dos tiene una baja calidad y mala calidad
si la precipitación y la cubierta vegetal son de mala calidad
• La producción agrícola es proporcional a la cantidad de suelo dedicada a cultivos, si se
supera el 30% del suelo disponible la producción es considerada alta por el 60% de los
agricultores, si la superficie es inferior al 30% el 60% de los agricultores dice que su
producción es baja.
• Los ingresos de los agricultores son altos el 85% de los años que la producción agrícola
es alta y baja el 90% de los años en que la producción es baja.
62
• Construye la red:
– La pesca en los ríos de la región depende del estado de la población de los
peces en el río. La pesca es buena el 70% de los años con una alta población
de peces en el rió y 50% de los años con una población media de peces, sin
embargo es regular el 80% de los años con una población de peces baja.
63
– La población de peces es alta el 80% y media el 20% de los años con buen
flujo de agua en el rió. Si la cantidad de agua en el rió solo es aceptable, el
50% de los años habrá población de peces media y el 35% será baja. El 80%
de los años que la población es baja a causa de un mal flujo de agua en el
rió, y el 20% de los años con ese flujo la población de peces es media.
64
– Cuando el caudal en el rió sea bueno la situación del acuífero será buena,
cuando el caudal sea aceptable la situación será media y cuando el caudal
sea malo la situación del acuífero será mala.
65
– El caudal (flujo) del rió se considera bueno cuando la precipitación es alta si
la cubierta vegetal es alta, aceptable si cualquiera de las dos tiene una baja
calidad y mala calidad si precipitación y cubierta vegetal son de mala calidad
66
– La producción agrícola es proporcional a la cantidad de suelo dedicada a
cultivos, si se supera el 30% del suelo disponible la producción es considerada
alta por el 60% de los agricultores, si la superficie es inferior al 30% el 60% de
los agricultores dice que su producción es baja.
67
– Los ingresos de los agricultores son altos el 85% de los años que la
producción agrícola es alta y baja el 90% de los años en que la
producción es baja.
68
– De acuerdo a una evaluación ministerial el 75% de las veces en que la cubierta
vegetal (arbórea) de una cuenca fluvial es alta, los agricultores consideran que
hay poco terreno disponible para cultivo. Mientras que el 65% de las ocasiones
en las que la cubierta vegetal es baja consideran que la superficie dedicada a
cultivos es adecuada (mucha)
69
• La red completa:
70
• Con que situación crees que estarán mas contentos los agricultores,
pescadora y mediambientalistas
No se nada de
Precipitación alta
precipitación ni
y cubierta alta
cubierta vegetal
71
No se nada de
Precipitación baja
precipitación ni
y cubierta alta
cubierta vegetal
72
No se nada de
Precipitación alta
precipitación ni
y cubierta baja
cubierta vegetal
73
• Repite el análisis si la situación del acuífero y el Caudal del río dependen de las
siguientes tablas de probabilidad condicional (CPT)
74
pescadora y mediambientalistas ahora
No se nada de
Precipitación alta
precipitación ni
y cubierta baja
cubierta vegetal
75
NODOS DE DECISION:
Función de valor
• En la red probabilística construida faltaría por añadir nodos de valor o utilidad. En
los que dicho valor se determina a partir de una función de nodos anteriores.
76
NODOS DE DECISION:
Función de valor
• A cada nodo de Valor se asigna una función para componer los valores de los nodos que
inciden y al resolver la red se obtiene un valor para cada una de las alternativas, de acuerdo a
dicho valor.
77
NODOS DE DECISION:
Función de valor
• Otro ejemplo seria este correspondiente al conjunto de depuradoras de un rio.
DECISION:
• Otro ejemplo seria esteFunción
correspondiente al deconjuntovalor
de depuradoras de un
rio. En el nodo de valor superior, el valor depende de cada uno de los
estados. Y en el nodo inferior por una combinación de funciones.
NODOS DE DECISION:
Función de valor
• Si fijamos la intensidad de depuración en las tres depuradoras. Cada nodo toma un
valor
En nuestro ejemplo agrícola se
podrían añadir funciones de utilidad
81
Resolviendo para la situación general:
82
Fijando alguna de los nodos,
por ejemplo precipitación
alta y tenemos un valor
esperado que mejora:
83
Lectura adicional
• Guidelines for the use of Bayesian networks as a participatory tool

for Water Resource Management. Compiled John Bromley.
• Planning improvements in natural resources management. Jeremy
Cain. Centre for Ecology and Hydrology. 2001
• Sistemas de Ayuda a la Decisión. S. Ríos Insua, C. Bielza, y A.
Mateos. Ra-Ma. Madrid 2002
• Procesos de Decisión Multicriterio. S. Ríos, MJ. Ríos Insua, S. Ríos
Insua. EUDEMA. Madrid 1989
• Making Hard Decisions. An introduction to Decision Analysis.
Clemen, R.T., Duxbury Press. 1996
• Decisiones Inteligentes: guía práctica para tomar mejores
decisiones. Hammond, J. S., Keeney, R. L. Gestion. 2000
• Negotiation Analysis: the science and art of collaborative decision
making. Raiffa, H. U. Press. Cambridge 2002
• Decision Theory: An Introduction to the Mathematics of Rationality.
S. French. Ellis Horwood, Chichester, 1988
84

M Hidro Genie 2020

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

M Hidro Genie 2020

Cargado por

Copyright:

Formatos disponibles

Modulo 6: Gestión de los Recursos Hídricos

Tema 5. Herramientas de apoyo a la Gestión

Angel Luis Udias Moinelo

• 3 candidatos: Alberto, Bruno y clara

11 votos 10 votos 9 votos

11 votos 10 votos 9 votos

11 votos 10 votos 9 votos

11 votos 10 votos 9 votos

11 votos 10 votos 9 votos Puntos

3 votos 2 votos 2 votos Puntos 3 votos 2 votos 2 votos Puntos

Ejemplo: Diagramas de influencia probabilísticos

Actualización de información y teorema de

En esta sesión explicamos como

• Cómo crear un diagrama de influencia

• Se descarga desde aquí.

• Tenemos cuatro tipos de nodos:

• Para crear un nodo, se selecciona de la parte

• Tenemos cuatro tipos de nodos:

• Hay tres tipos de arcos:

• Una flecha que incida en un nodo de decisión aparecerá

• NOTA: En este ejemplo, la variable de “Notas” se discretiza en

• Añadiendo un nodo de Azar:

Se entra en el nodo “pinchando” dos veces sobre él.

• Añadiendo un segundo nodo de Azar para la variable Notas:

Doble click y editamos el nodo

Añadimos un arco desde el primer nodo

Hacemos doble clic en “Notas” y añadimos las

• Determinación de la probabilidad de que Maria acepte si conocemos la Nota del

Para determinar la probabilidad de que María acepte una

Además, unido a la definición de Probabilidad condicionada, obtenemos la

P(B/A1) =0,2 P(M/A1)=0.4 P(T/A1)=0.4

Por ejemplo: Si queremos determinar la probabilidad de que sea aceptado si

 B  P B  P( A1A)1PPB( A1)  P ( A2)  0.2  00..32  00..36  0.7  00..06

• De manera opcional, puedes mirar

• Los primeros dos puntos como para los

• Un agricultor descubre un día que a su

• Identificamos la variables: Enfermedad, sequía, caída de hojas

Identificamos los estados de cada variable:

• Especificar las relaciones entre las variables de forma cuantitativa

Enfermedad=enfermo Enfermedad=sano Sequia=Si Sequia=No

En dichas tablas se especifica la probabilidad de que la variable hija presente un

Enfermedad=enfermo Enfermedad=sano Sequia=Si Sequia=No

Fijarse en la diferencia entre unos y otros nodos

Pulsamos el botón de actualizar el estado de la red

• Se obtienen los resultados que vemos en la figura:

La probabilidad de que el árbol este enfermo es del 49%

La probabilidad de que se le caigan las hojas al árbol en

• Podríamos preguntarnos por la probabilidad de sequía cuando no se caen las hojas y

Da una probabilidad de sequía del 5%.

• Imaginemos que en el ejemplo anterior nos planteamos que se podría regar el

Ahora en lugar de llamar al Nodo “Sequía”, seria más correcto: “Efecto de la

Que lo que quiere decir, es que si regamos el árbol, la probabilidad de que la

¿Ya podríamos hacer preguntas sobre que probabilidad hay de que se

Probabilidad de caída de las Probabilidad de caída de las

• La forma más sencilla es pulsando la tecla con el rayo amarillo

• Supongamos que nuestro diagrama de influencia modeliza el

• En primer lugar, uno de los posibles síntomas de la tuberculosis es la

• Los resultados de una sola radiografía del pecho no discriminan entre el

• En primer lugar, uno de los posibles síntomas de la tuberculosis es la respiración

• En primer lugar, uno de los posibles síntomas de la tuberculosis es la respiración

• Una visita reciente a a Asia aumenta el riesgo de tener la tuberculosis, de un 1% a un

• Una visita reciente a a Asia aumenta el riesgo de tener la tuberculosis, de un 1% a un

• Los resultados de una sola radiografía del pecho no discriminan entre el