Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Practicas
2
Mayoria Relativa
• 3 candidatos: Alberto, Bruno y clara
– 30 Votantes
¿Cual es el problema?
3
Mayoría Relativa
• 3 candidatos: Alberto, Bruno y clara
– 30 Votantes
¿Cual es el problema?
La mayoría de los votantes (10+9)/30
4 preferían una opción distinta de Alberto
Condorcet
• 3 candidatos: Alberto, Bruno y clara
– 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
• 3 candidatos: Alberto, Bruno y clara
– 30 Votantes
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
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
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
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
Etapas de Cuantificación:
Modelación de creencias: Incertidumbre
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
Etapas de Cuantificación:
Modelación de creencias: Incertidumbre
Teorema de Bayes
14
Algunos paquetes de software
• Algunos paquetes informáticos:
• Software: GeNIe
– https://download.bayesfusion.com/files.htm
l?category=Academia
15
Objetivo
https://download.bayesfusion.com/files.html?category=Academia
16
Principales Tareas
–.
18
Tipos de nodos
– Nodos de azar:
– Nodos determinísticos:
– Nodos de valor:
20
Tipos de arcos
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
22
Ejemplo: 1
23
Ejemplo: 1
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.
26
Ejemplo: 1 (Th. de Bayes)
Por ejemplo si llamamos:
B Notas Bajas
• A1 Aceptación
• A2 Rechazo MNotas Medias
T Notas Altas
Sabemos que:
P(A1)=0.3 P(A2)=0.7
27
Información adicional
29
Añadiendo información en los
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
Añadiendo información en los
nodos de valor
31
Ejemplo 2: El manzano
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
33
Ejemplo 2:
Enfermedad=enfermo Enfermedad=sano
Sequia=Si Sequia=No Sequia=Si Sequia=No
Caida Hojas=Si 0.95 0.9 0.85 0.02
Caida Hojas=No 0.05 0.1 0.15 0.98
34
Ejemplo 2:
• Añadimos las probabilidades condicionadas de las (CPT) a los nodos de nuestra red
Enfermedad=enfermo Enfermedad=sano
Sequia=Si Sequia=No Sequia=Si Sequia=No
Caida Hojas=Si 0.95 0.9 0.85 0.02
Caida Hojas=No 0.05 0.1 0.15 0.98
• 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
• 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.
39
Ejemplo 2:
40
Ejemplo 2: Regamos el Árbol
• En tal situación el nodo Sequía tendría un nodo “Padre” que seria preciso
añadir a la red
Regar
Si No
Sequia: Si 0.01 0.3
Sequia: No 0.99 0.7
SI regamos NO regamos
44
Añadir información: incorporando evidencia
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.
46
Ejemplo 4: Asia – Problema clínico
• 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%.
47
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente
el problema:
48
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
49
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
50
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
51
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
52
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
54
Ejemplo 4: Asia – Problema clínico
• Construir una red Bayesiana que represente el problema:
55
Ejemplo 4: Asia – Problema clínico
• Por la inclusión de nodo Determinista,
cambia un poco esta parte de la red:
56
Ejemplo 4: Asia – Problema clínico
• 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).
57
Ejemplo 4: Asia – Problema clínico
• 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
Ejemplo 4: Asia – Problema clínico
• 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
59
Ejemplo 4: Asia – Problema clínico
• 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
Ejemplo 4: Asia – Problema clínico
• 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”.
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
Ejemplo 5: Agricultura y Agua
• 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• Construye la red:
– 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
Ejemplo 5: Agricultura y Agua
• La red completa:
70
Ejemplo 5: Agricultura y Agua
• 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
Ejemplo 5: Agricultura y Agua
• Con que situación crees que estarán mas contentos los agricultores,
pescadora y mediambientalistas
No se nada de
Precipitación baja
precipitación ni
y cubierta alta
cubierta vegetal
72
Ejemplo 5: Agricultura y Agua
• Con que situación crees que estarán mas contentos los agricultores,
pescadora y mediambientalistas
No se nada de
Precipitación alta
precipitación ni
y cubierta baja
cubierta vegetal
73
Ejemplo 5: Agricultura y Agua
• Repite el análisis si la situación del acuífero y el Caudal del río dependen de las
siguientes tablas de probabilidad condicional (CPT)
74
Ejemplo 5: Agricultura y Agua
• Con que situación crees que estarán mas contentos los agricultores,
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
En nuestro ejemplo agrícola se
podrían añadir funciones de utilidad
Resolviendo para la situación general:
82
En nuestro ejemplo agrícola se
podrían añadir funciones de utilidad
Fijando alguna de los nodos,
por ejemplo precipitación
alta y tenemos un valor
esperado que mejora:
83
Lectura adicional