Probabilidad y Estadística en Medicina
UNED
Curso de Experto Universitario en
Probabilidad y Estadística en Medicina
www.ia.uned.es/cursos/prob-estad
Fundamentos de redes bayesianas
F. J. Díez Vegas
Dpto. Inteligencia Artificial. UNED
[email protected]
www.ia.uned.es/~fjdiez
Origen histórico
(cid:88) Antecedentes
(cid:179) S. Wright (genética), 1921
(cid:88) Desarrollo - década de los 80
(cid:179) J. Pearl (inteligencia artificial), UCLA, 1982-1992
(cid:179) S. Lauritzen y D. Spiegelhalter (probabilidad - estadística),
U. Oxford - U. Aalborg, 1988
(cid:179) R. Howard y J. Matheson; R. Shachter (economistas -
teoría de la decisión), U. Stanford, 1984-1986
(cid:88) Expansión - década de los 90
(cid:179) Universidades: Stanford, Carnegie-Mellon, MIT, Pittsburgh...;
Aalborg, Pavía...; Granada, UPV, UCLM, Almería, Málaga,
UNED…
(cid:179) Empresas privadas: Microsoft, IBM, SRI, Rockwell, etc.;
HUGIN, Lumina, Norsys, etc.
Francisco Javier Díez Vegas
1
Probabilidad y Estadística en Medicina
UNED
Punto de partida: teoría de grafos
(cid:88) Concepto de grafo
(cid:179)Conjunto de nodos y enlaces
(cid:179)Grafos dirigidos y no dirigidos
(cid:179)Predecesor, sucesor, ascendiente, descendiente
(cid:179)Camino cerrado, camino abierto
B
A
D
C
B
A
D
C
Grafos dirigidos: ciclos y bucles
(cid:88) Ciclos
(cid:88) Bucles
A
B
C
B
A
D
C
A
B
C
B
A
D
C
B
A
D
C
Francisco Javier Díez Vegas
2
Probabilidad y Estadística en Medicina
UNED
Grafos dirigidos acíclicos: tipos
(cid:88) Grafo dirigido acíclico
(GDA)
(cid:88) Poliárbol
= GDA sin bucles
(cid:88) Árbol
= cada nodo un solo padre
(salvo nodo raíz, sin padres)
C
C
B
A
E
A
E
A
D
D
D
C
B
F
B
F
E
Definición de red bayesiana
(cid:88) Elementos
(cid:179)Conjunto de variables {Xi }
(cid:179)Grafo dirigido acíclico
• Cada nodo del grafo representa una variable Xi
(cid:179)Distribución de probabilidad condicional (tabla)
para cada variable: P(xi | pa(xi))
• Para un nodo sin padres: P(xi | pa(xi)) = P(xi )
(cid:88) Resultado: probabilidad conjunta para la red
P x
(
,
1
L
,
x
n
)
=
(cid:88) Propiedad de Markov
P x pa x
(
(
|
i
))
i
n
∏
i
1
=
(cid:179) Dado un conjunto de variables {Yj } tales que ninguna Yj
es descendiente de Xi en el grafo, se cumple que
P(xi | pa(xi), y1, … , yn ) = P(xi | pa(xi ))
Francisco Javier Díez Vegas
3
Comentarios de: Fundamentos de redes bayesianas (0)
No hay comentarios