Predicciones bayesianas de probabilidad en pre s encia de ...
Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es...
-
Upload
gervasio-danon -
Category
Documents
-
view
216 -
download
0
Transcript of Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es...
![Page 1: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/1.jpg)
Sesión 6: Redes Bayesianas - Representación
“La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento”
[G. Shafer]
Modelos Gráficos Probabilistas
L. Enrique Sucar
INAOE
![Page 2: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/2.jpg)
Incertidumbre - RB I, L.E. Sucar 2
Redes Bayesianas• Introducción• Representación estructural
– Separación – D
– Correspondencia estructura – distribución de probabilidad (Mapa D, I, P)
– Axiomas de independencia
• Representación paramétrica– Parámetros
– Modelos canónicos
– Otras representaciones
![Page 3: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/3.jpg)
Incertidumbre - RB I, L.E. Sucar 3
Las redes bayesianas son una representación gráfica de dependencias para razonamiento probabilístico, en la cual los nodos y arcos representan:
Las redes bayesianas son una representación gráfica de dependencias para razonamiento probabilístico, en la cual los nodos y arcos representan:
RepresentaciónRepresentación
• Nodo: Variable proposicional. • Arcos: Dependencia probabilística. • Nodo: Variable proposicional. • Arcos: Dependencia probabilística.
La variable a la que apunta el arco es dependiente (causa-efecto) de la que está en el origen de éste.
La variable a la que apunta el arco es dependiente (causa-efecto) de la que está en el origen de éste.
![Page 4: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/4.jpg)
Incertidumbre - RB I, L.E. Sucar 4
![Page 5: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/5.jpg)
Incertidumbre - RB I, L.E. Sucar 5
La topología o estructura de la red nos da información sobre las dependencias probabilísticas entre las variables.
La red también representa las independencias condicionales de una variable (o conjunto de variables) dada otra variable(s).
La topología o estructura de la red nos da información sobre las dependencias probabilísticas entre las variables.
La red también representa las independencias condicionales de una variable (o conjunto de variables) dada otra variable(s).
EstructuraEstructura
![Page 6: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/6.jpg)
Incertidumbre - RB I, L.E. Sucar 6
Ej.: {Fva} es cond. indep. de {Fv, Fe, Nd} dado {Fb}
Esto es: P(Fva | Fv, Fe, Nd, Fb)= P(Fva | Fb)
Ej.: {Fva} es cond. indep. de {Fv, Fe, Nd} dado {Fb}
Esto es: P(Fva | Fv, Fe, Nd, Fb)= P(Fva | Fb)
Esto se representa gráficamente por el nodo Fb separando al nodo Fva del resto de las variables.
Formalmente, la independencia condicional se verifica mediante el criterio de separación-D
Esto se representa gráficamente por el nodo Fb separando al nodo Fva del resto de las variables.
Formalmente, la independencia condicional se verifica mediante el criterio de separación-D
![Page 7: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/7.jpg)
Incertidumbre - RB I, L.E. Sucar 7
![Page 8: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/8.jpg)
Incertidumbre - RB I, L.E. Sucar 8
En una RB todas la relaciones de independencia condicional representadas en el grafo corresponden a relaciones de independencia en la distribución de probabilidad.
Dichas independencias simplifican la representación del conocimiento (menos parámetros) y el razonamiento (propagación de las probabilidades).
En una RB todas la relaciones de independencia condicional representadas en el grafo corresponden a relaciones de independencia en la distribución de probabilidad.
Dichas independencias simplifican la representación del conocimiento (menos parámetros) y el razonamiento (propagación de las probabilidades).
![Page 9: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/9.jpg)
Incertidumbre - RB I, L.E. Sucar 9
Representación Gráfica
• Una red bayesiana representa en forma gráfica las dependencias e independencias entre variables aleatorias, en particular las independencias condiconales
• Independencia en la distribución– P(X | Y,Z) = P(X | Z)
• Independencia en el grafo– X “separada” de Y por Z
![Page 10: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/10.jpg)
Incertidumbre - RB I, L.E. Sucar 10
Representación Gráfica
Notación:
• Independencia en la distribución– I(X,Z,Y)
• Independencia en el grafo– < X | Z | Y >
X Z Y
![Page 11: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/11.jpg)
Incertidumbre - RB I, L.E. Sucar 11
Separación “D”
• El conjunto de variables A es independiente del conjunto B dado el conjunto C, si no existe trayectoria entre A y B en que
1. Todos los nodos convergentes están o tienen descendientes en C
2. Todos los demás nodos están fuera de C
![Page 12: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/12.jpg)
Incertidumbre - RB I, L.E. Sucar 12
Separación “D”• Tres casos básicos
– Arcos divergentes– Arcos en secuencia– Arcos convergentes
![Page 13: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/13.jpg)
Incertidumbre - RB I, L.E. Sucar 13
Separación “D” – casos básicos• caso 1: Secuencia:
X Z Y
• caso 2: Divergentes:
• caso 3: Convergentes:
X Z Y
X Z Y
![Page 14: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/14.jpg)
Incertidumbre - RB I, L.E. Sucar 14
Ejemplos Separación-D
A
DC
F G
B
E
I(A,CD,F)?I(A,CD,B)?I(BD,A,C)?I(A,G,B)?I(C,BEG,D)?
![Page 15: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/15.jpg)
Incertidumbre - RB I, L.E. Sucar 15
Bayes ball
• Otra forma de ver si dos conjuntos de variables (X, Z) están separados por otro (Y) es mediante al algoritmo de la “pelota de Bayes”
• Se sombrean los nodos en Y y se lanzan pelotas desde todos los nodos en X hacia Z
• Si alguna pelota llega a Z, no son condicionalmente independientes I (X,Y,Z)
![Page 16: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/16.jpg)
Incertidumbre - RB I, L.E. Sucar 16
Bayes ball
• Las reglas para el paso de las pelotas son:– Si el nodo es divergente (casos 1 y 2) y no está
sombreado, la pelota pasa– Si el nodo es divergente (casos 1 y 2) y está
sombreado, la pelota no pasa– Si el nodo es convergente (caso 3) y no está
sombreado, la pelota no pasa– Si el nodo es convergente (caso 3) y está
sombreado, la pelota pasa
![Page 17: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/17.jpg)
Incertidumbre - RB I, L.E. Sucar 17
Bayes ball
X Z Y
X Z Y
X Z Y
X Z Y
X Z Y
X Z Y
![Page 18: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/18.jpg)
Incertidumbre - RB I, L.E. Sucar 18
Correspondencia Grafo-Modelo
• Dada una distribución de probabilidad o modelo (M) y una representación gráfica de dependencias o grafo (G) debe existir una correspondencia entre las independencias representados en ambos
• Tres tipos básicos - mapas
![Page 19: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/19.jpg)
Incertidumbre - RB I, L.E. Sucar 19
Correspondencia Grafo-Modelo
• Mapa-D: las variables independientes están separadas en el grafo
• Mapa-I: las variables separadas en el grafo son independientes
• Mapa perfecto: mapa-I & mapa-D
• No es siempre posible tener un mapa perfecto (hay distribuciones con relaciones de independencia que no se pueden representar como un GAD)
![Page 20: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/20.jpg)
Incertidumbre - RB I, L.E. Sucar 20
Correspondencia Grafo-Modelo
• Mapa-I mínimo: las variables separadas en el grafo son independientes y al quitar cualquier arco se destruye esta condición
• Una red bayesiana es un grafo acíclico dirigido (GAD) que corresponde a un mapa-I mínimo de una distribución de probabilidad P
![Page 21: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/21.jpg)
Incertidumbre - RB I, L.E. Sucar 21
Especificación Estructural
• En una RB, cualquier nodo X es independiente de todos los nodos que no son sus descendientes dados sus nodos padres Pa(X) – “contorno de X”
• La estructura de una RB se especifica indicando el contorno (padres) de cada variable
![Page 22: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/22.jpg)
Incertidumbre - RB I, L.E. Sucar 22
Especificación Estructural
A
DC
F G
B
E
Pa(A) = Pa(B) = Pa(C) = APa(D) = A, BPa(E) = BPa(F) = C, DPa(G) = D
![Page 23: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/23.jpg)
Incertidumbre - RB I, L.E. Sucar 23
Cobija de Markov
• La “cobija de Markov” de un nodo es el conjunto de nodos que lo hacen independiente del resto de la red
• Para una RB la cobija de Markov está formada por:– Nodos padre– Nodos hijo– Otros padres de los hijos
![Page 24: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/24.jpg)
Incertidumbre - RB I, L.E. Sucar 24
Cobija de Markov
A
DC
F G
B
E
CM (D) ?
![Page 25: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/25.jpg)
Incertidumbre - RB I, L.E. Sucar 25
Axiomas de Independencia
• A partir de ciertas relaciones de independencia se pueden derivar otras, sin necesidad de evaluar las probabilidades
• Para esto se pueden utilizar ciertas reglas. Las reglas básicas se conocen como axiomas de independencia.
![Page 26: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/26.jpg)
Incertidumbre - RB I, L.E. Sucar 26
Axiomas de Independencia• Simetría
I(X, Z, Y) I(X, Z, Y)
• DescomposiciónI(X, Z, Y U W) I(X, Z, Y) & I(X, Z, W)
• Unión débilI(X, Z, Y U W) I(X, Z U W, Y)
• ContracciónI(X, Z, Y) & I(X, Z U Y, W) I(X, Z, Y U W)
• IntersecciónI(X, Z U W, Y) & I(X, Z U Y, W) I(X, Z, Y U W)
![Page 27: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/27.jpg)
Incertidumbre - RB I, L.E. Sucar 27
• Simetría
• Descomposición
• Unión débil
• Contracción
• Intersección
X Z Y
X ZY
W
X Z W Y
X ZY
W
X Z Y W
![Page 28: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/28.jpg)
Incertidumbre - RB I, L.E. Sucar 28
Complementa la definición de una red bayesiana las probabilidades condicionales de cada variable dados sus padres.
Nodos raíz: vector de probabilidades marginales
Otros nodos: matriz de probabilidades condicionales dados sus padres
Complementa la definición de una red bayesiana las probabilidades condicionales de cada variable dados sus padres.
Nodos raíz: vector de probabilidades marginales
Otros nodos: matriz de probabilidades condicionales dados sus padres
ParámetrosParámetros
![Page 29: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/29.jpg)
Incertidumbre - RB I, L.E. Sucar 29
Especificación Paramétrica
• Dado que los contornos (padres) de cada nodo especifican la estructura, mediante las probabilidades condicionales de dichos nodos podemos especificar también las probabilidades requeridas
• Aplicando la regla de la cadena y las independencias condicionales, se puede verificar que con dichas probabilidades se puede calcular la probabilidad conjunta
![Page 30: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/30.jpg)
Incertidumbre - RB I, L.E. Sucar 30
Especificación Paramétrica
A
DC
F G
B
E
P(A,B,C,D,E,F,G)= P(G|F,E,D,C,B,A) P(F|E,D,C,B,A) P(E|D,C,B,A) P(D|C,B,A) P(C|B,A) P(B|A) P(A)= P(G|D) P(F|D,C) P(E|B) P(D|B,A) P(C|A) P(B) P(A)
![Page 31: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/31.jpg)
Incertidumbre - RB I, L.E. Sucar 31
Especificación Paramétrica
• En general, la probabilidad conjunta se especifica por el producto de las probabilidades de cada variable dados sus padres:
P(X1,X2, ..., Xn) = P(Xi | Pa(Xi))
![Page 32: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/32.jpg)
Incertidumbre - RB I, L.E. Sucar 32
P(C)
P(T|C) P(G)
P(R|T) P(F|T,G)
Comida
GripeTifoidea
Fiebre DolorReacciones
P(D|T,G)
Ejemplo
![Page 33: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/33.jpg)
Incertidumbre - RB I, L.E. Sucar 33
P(C)
P(T|C) P(G)
P(R|T) P(F|T,G)
Comida
GripeTifoidea
Fiebre DolorReacciones
P(D|T,G)
EjemploIns Sal
0.2 0.8
![Page 34: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/34.jpg)
Incertidumbre - RB I, L.E. Sucar 34
P(C)
P(T|C) P(G)
P(R|T) P(F|T,G)
Comida
GripeTifoidea
Fiebre DolorReacciones
P(D|T,G)
Ins Sal
0.2 0.8Ins Sal
Si .7 .1
No .3 .9
![Page 35: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/35.jpg)
Incertidumbre - RB I, L.E. Sucar 35
P(C)
P(T|C) P(G)
P(R|T)
P(F|T,G)
Comida
GripeTifoidea
Fiebre DolorReacciones
P(D|T,G)
Ins Sal
0.2 0.8
Ins Sal
Si .7 .1
No .3 .9
Si, Si Si,No No,Si No,No
F 0.8 0.6 0.5 0.1
~F 0.2 0.4 0.5 0.9
![Page 36: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/36.jpg)
Ejemplo de una red baysiana
HUGIN
![Page 37: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/37.jpg)
Incertidumbre - RB I, L.E. Sucar 37
Modelos canónicos
• El tamaño de la tabla de probabilidad condicional crece exponencialmente con el número de padres de un nodo, por lo que puede crecer demasiado
• Una forma de reducir este problema es utilizando ciertos modelos para representar las tablas sin requerir especificar todas las probabilidades – modelos canónicos
![Page 38: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/38.jpg)
Incertidumbre - RB I, L.E. Sucar 38
Modelos canónicos
• Tipos de modelos:– Modelo de interacción disjuntiva (Noisy OR)– Modelo de interacción conjuntiva (Noisy AND)– Compuerta Max (Noisy Max gate)– Compuerta Min (Noisy Min gate)
![Page 39: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/39.jpg)
Incertidumbre - RB I, L.E. Sucar 39
Noisy OR
• Se aplica cuando varias “causas” pueden ocacionar un “efecto” c/u por si sola, y la probabilidad del efecto no disminuye si se presentan varias causas
• Se considera que todas las variables son binarias• Por ejemplo, este modelo se puede aplicar cuando
varias enfermedades pueden producir el mismo síntoma
![Page 40: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/40.jpg)
Incertidumbre - RB I, L.E. Sucar 40
Noisy OR
Causa-2Causa-1
efecto
Causa-n
![Page 41: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/41.jpg)
Incertidumbre - RB I, L.E. Sucar 41
Noisy OR
• Propiedades:– Responsabilidad: el efecto es falso si todas sus
posibles causas son falsas– Independencia de excepciones: si un efecto es
la manifestación de varias causas, los mecanismos que inhiben la ocurrencia del efecto bajo una causa, son independientes de los que lo inhiben bajo otras causas
![Page 42: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/42.jpg)
Incertidumbre - RB I, L.E. Sucar 42
Noisy OR
• Probabilidades:– Probabilidad de que el efecto sea inhibido por
la causa i:qi = P(¬E | Ci )
– En base a esto se puede calcular la matriz de probabilidad condicional como:P(E | C1, ...Cn) =
Ci=1 qi, E=0
1 – Ci=1 qi, E=1
![Page 43: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/43.jpg)
Incertidumbre - RB I, L.E. Sucar 43
Noisy OR
• Ejemplo: 3 causas, q1=q2=q3=0.1
P(E | C1, C2, C3)
C1 0 0 0 0 1 1 1 1C2 0 0 1 1 0 0 1 1C3 0 1 0 1 0 1 0 1
E=0 1 .1 .1 .01 .1 .01 .01 .001E=1 0 .9 .9 .99 .9 .99 .99 .999
![Page 44: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/44.jpg)
Incertidumbre - RB I, L.E. Sucar 44
Otras representaciones
• Otras formas compactas de representar las tablas de probabilidad condicional:– Árboles de decisión– Diagramas de decisión– Redes neuronales
![Page 45: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/45.jpg)
Incertidumbre - RB I, L.E. Sucar 45
CPT – árbol de decisión
A=0
B=1
C=0
A=1
0.2 0.5
0.1B=0
P(C|A,B)
00 01 10 11
0.2 0.5 0.1 0.10.8 0.5 0.9 0.9
![Page 46: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/46.jpg)
Incertidumbre - RB I, L.E. Sucar 46
CPT – diagrama de decisión
B
C
B
0.2 0.5
P(C|A,B)
00 01 10 11
0.2 0.5 0.2 0.50.8 0.5 0.8 0.5
0 1
0 1 1
0.8
0
![Page 47: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/47.jpg)
Incertidumbre - RB I, L.E. Sucar 47
CPT – red neuronal
A
B
P(C=0)P(C|A,B)
00 01 10 11
0.2 0.5 0.1 0.10.8 0.5 0.9 0.9
P(C=1)
![Page 48: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/48.jpg)
Incertidumbre - RB I, L.E. Sucar 48
Referencias
• Pearl 88 – Cap. 3
• Neapolitan 90 – Cap. 5
• Notas Jordan – Cap. 2
![Page 49: Sesión 6: Redes Bayesianas - Representación “La probabilidad no es realmente sobre números, es sobre la estructura del razonamiento” [G. Shafer] Modelos.](https://reader035.fdocuments.co/reader035/viewer/2022062519/5665b45a1a28abb57c90cf13/html5/thumbnails/49.jpg)
Incertidumbre - RB I, L.E. Sucar 49
Actividades
• Hacer ejercicios de representación de redes bayesianas