Anlisis de Sensibilidad

Una red bayesiana, o red de creencia, es un modelo probabilstico multivariado que relaciona un conjunto de variables aleatorias mediante un grafo dirigido que indica explcitamente influencia causal. Gracias a su motor de actualizacin de probabilidades, el Teorema de Bayes, las redes bayesianas son una herramienta extremadamente til en la estimacin de probabilidades ante nuevas evidencias. Formalmente, las redes Bayesianas son grficos acclicos dirigidos cuyos nodos representan variables y los arcos que los unen codifican dependencias condicionales entre las variables. Los nodos pueden representar cualquier tipo de variable, ya sea un parmetro medible (o medido), una variable latente o una hiptesis. Existen algoritmos que realizaninferencias y aprendizaje basados en redes bayesianas. Si existe un arco que une un nodo A con otro nodo B, A es denominado un padre de B, y B es llamado un hijo de A. El conjunto de nodos padre de un nodo Xi se denota como padres (Xi). Un grfico acclico dirigido es una red Bayesiana relativa a un conjunto de variables si la distribucin conjunta de los valores del nodo

puede ser escrita como el producto de las distribuciones locales de cada nodo y sus padres:

Si el nodo no tiene padres, su distribucin local de probabilidad se toma como incondicional, en otro caso es condicional. Si el valor de un nodo es observable - y por tanto etiquetado como observado, dicho nodo es un nodo de evidencia. Las redes probabilsticas utilizan la expresividad de los grafos para automatizar el proceso de modelizacin probabilstica (incluso para un nmero elevado de variables). Los modelos resultantes combinan resultados de la teora de grafos (para representar las relaciones de dependencia e independencia del conjunto de variables) y de la probabilidad (para cuantificar estas relaciones). Esta unin permite realizar de forma eficiente tanto el aprendizaje automtico del modelo, como la inferencia a partir de la evidencia disponible. La base de conocimiento de estos sistemas es una funcin de probabilidad conjunta de todas las variables del modelo, mientras que el modulo de razonamiento implementa tcnicas eficientes de clculo de probabilidades condicionadas. Por ejemplo, las redes probabilsticas permiten definir un modelo conjunto con toda la informacin relevante sobre la precipitacin en las estaciones de la red secundaria (miles de variables), y tambin propagar cualquier evidencia en el modelo (por

ejemplo, ha llovido en Santander), obteniendo las probabilidades condicionadas de precipitacin en el resto de estaciones. Las redes probabilsticas son modelos apropiados para el tratamiento de problemas con incertidumbre y utilizan tcnicas estadsticas modernas de inferencia y estimacin para ajustar los parmetros a los datos y obtener conclusiones en base a los modelos resultantes. Estas permiten caracterizar probabilsticamente un conjunto de datos de forma automtica. Una ventaja de estos modelos es que tanto la estructura grfica como las probabilidades (los parmetros del modelo factorizado resultante) pueden ser aprendidas directamente de los datos, con algoritmos de aprendizaje apropiados, y sin necesidad de supervisin humana. Por tanto, pese a su complejidad terica, estos modelos son bastante intuitivos y fciles de aplicar en situaciones prcticas. Dependiendo del tipo de grafo utilizado (dirigido, no dirigido, mixto) y de la forma de codificar las relaciones de dependencia en el mismo, se tienen distintos tipos de redes probabilsticas. Las ms famosas son las redes Bayesianas (grafos dirigidos acclicos) y las redes de Markov (grafos no dirigidos).