Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Oscar Bedoya
oscarbed@eisc.univalle.edu.co
* Redes bayesianas
* Teorema de Bayes
* Aplicaciones
Redes Bayesianas
Probabilidad incondicional
p(Caries)=0.1
• La probabilidad a priori o incondicional de que una persona tenga
caries es del 10%
• Esta información se obtiene a partir de la observación de los
casos vistos hasta el momento
• Si no hay más información disponible, se tiene que p(Caries)=0.1
Redes Bayesianas
Probabilidad condicional
p(Caries|DolorDientes)=0.8
• Se cuenta con evidencia acerca de una situación particular
• Las probabilidades a priori pierden vigencia
Redes Bayesianas
Probabilidad condicional
p(Caries|DolorDientes)=0.8
• Si se llega a saber más información, digamos C, se deberá
considerar la probabilidad
p(Caries | DolorDientes, C)
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
p(Caries)
p(CariesDolorDientes)
p(CariesDolorDientes)
p(Caries|DolorDientes)
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
p(Caries)=0.06+0.04=0.1
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
p(CariesDolorDientes)=(0.06+0.04)+(0.06+0.01)-0.06=0.11
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
p(CariesDolorDientes)=0.06
Redes Bayesianas
DolorDientes DolorDientes
Caries 0.06 0.04
Caries 0.01 0.89
p(Caries|DolorDientes)=p(CariesDolorDientes)/p(DolorDientes)
=0.06/(0.06+0.01)
=0.85
Redes Bayesianas
GanoIA GanoIA
GanoParcial1 0.80 0.10
GanoParcial1 0.05 0.05
p(GanoIA)
p(GanoIA|GanoParcial1)
p(GanoIA|GanoParcial1)
p(GanoIAGanoParcial1)
p(GanoIAGanoParcial1)
Redes Bayesianas
GanoIA GanoIA
GanoParcial1 0.80 0.10
GanoParcial1 0.05 0.05
p(GanoIA)=0.85
p(GanoIA|GanoParcial1)=0.05/0.1=0.5
p(GanoIA|GanoParcial1)=0.1/0.9=0.111
p(GanoIAGanoParcial1)=0.8
p(GanoIAGanoParcial1)=0.85+0.9-0.8=0.95
Redes Bayesianas
Regla de Bayes
• p(B|A)=(p(A|B)*p(B))/p(A)
Regla de Bayes
Un doctor sabe que la meningitis provoca una rigidez en el cuello del
paciente el 50% de las veces. El doctor conoce también algunos
hechos incondicionales, la probabilidad a priori de que un paciente
sufra meningitis es de 1/50000 y la probabilidad a priori de que
algún paciente padezca rigidez en el cuello es de 1/20
Redes Bayesianas
Regla de Bayes
Un doctor sabe que la meningitis provoca una rigidez en el cuello del
paciente el 50% de las veces. El doctor conoce también algunos
hechos incondicionales, la probabilidad a priori de que un paciente
sufra meningitis es de 1/50000 y la probabilidad a priori de que
algún paciente padezca rigidez en el cuello es de 1/20
p(R|M)=0.5
p(M)=1/50000
p(R)=1/20
Redes Bayesianas
Regla de Bayes
Un doctor sabe que la meningitis provoca una rigidez en el cuello del
paciente el 50% de las veces. El doctor conoce también algunos
hechos incondicionales, la probabilidad a priori de que un paciente
sufra meningitis es de 1/50000 y la probabilidad a priori de que
algún paciente padezca rigidez en el cuello es de 1/20
p(R|M)=0.5
p(M)=1/50000
p(R)=1/20
Se quiere saber la probabilidad de que alguien sufra de Meningitis
dado que tiene rigidez en el cuello
Redes Bayesianas
Regla de Bayes
Un doctor sabe que la meningitis provoca una rigidez en el cuello del
paciente el 50% de las veces. El doctor conoce también algunos
hechos incondicionales, la probabilidad a priori de que un paciente
sufra meningitis es de 1/50000 y la probabilidad a priori de que
algún paciente padezca rigidez en el cuello es de 1/20
p(R|M)=0.5
p(M)=1/50000
p(R)=1/20
Por lo tanto,
p(M|R)=(p(R|M)*p(M))/p(R)
=1/5000=0.0002
Redes Bayesianas
Regla de Bayes
Un doctor sabe que la meningitis provoca una rigidez en el cuello del
paciente el 50% de las veces. El doctor conoce también algunos
hechos incondicionales, la probabilidad a priori de que un paciente
sufra meningitis es de 1/50000 y la probabilidad a priori de que
algún paciente padezca rigidez en el cuello es de 1/20
p(R|M)=0.5
p(M)=1/50000
p(R)=1/20
Por lo tanto,
p(M|R)=(p(R|M)*p(M))/p(R) 1 de cada 5000
pacientes que padecen
=1/5000=0.0002 de rigidez en el cuello
tendrán meningitis
Redes Bayesianas
Red bayesiana
• Modelo probabilístico multivariado que
relaciona un conjunto de variables
aleatorias mediante un grafo dirigido que
indica explícitamente influencia causal
• Modelo desarrollado por Judea Pearl
• El motor de inferencia se basa en el
teorema de Bayes
Avería
L R
Redes Bayesianas
L R
Redes Bayesianas
Redes Bayesianas
Robo Invasión
Alarma
Juan María
Redes Bayesianas
Alarma
Juan María
* Probabilidad a priori
Redes Bayesianas
Alarma
Juan María
Regla de Bayes
Si se cuenta con evidencia base A y C se tiene
p(B|A,C)=(p(A,C|B)*p(B))/p(A)
Redes Bayesianas
Alarma p(A|R,I)
Juan María
p(J|A) p(M|A)
Redes Bayesianas
Cloudy
Sprinkles Rain
WetGrass
Redes Bayesianas
p(Cloudy)=0.5
p(Cloudy)=0.5 Cloudy
Sprinkles Rain
WetGrass
Redes Bayesianas
Cloudy
Sprinkles Rain
WetGrass
Cloudy P(Sprinkles|Cloudy)
V 0.1
F 0.5
Redes Bayesianas
Cloudy
Sprinkles Rain
WetGrass
Cloudy P(Rain|Cloudy)
V 0.8
F 0.2
Redes Bayesianas
Cloudy
Sprinkles Rain
WetGrass
Sprinkles Rain P(WetGrass|Sprinkles,Rain)
V V 0.51
V F 0.19
F V 0.15
F F 0.001
Redes Bayesianas
Redes Bayesianas
Redes Bayesianas
rich
p(spam|rich)
spam
p(¬spam|rich)
Redes Bayesianas
rich
p(spam|rich)
spam
p(¬spam|rich)
p(spam|rich)=p(rich|spam)*p(spam)/p(rich)
Redes Bayesianas
easy
rich look
spam
p(spam|rich,look)
Redes Bayesianas