Redes Bayesianas NETICA diagnóstico

Redes Bayesianas en software NETICA para el diagnstico de
enfermedades

Curso: Inteligencia Artificial
Ciclo: 2014-1

Preparado por:

U201000368 Fernndez Asencios, Nery
U201200646 Chavez Chimpay, Luis
U201121740 Lpez Sanchez, Edgar

Revisado por:
Gonzales Cavero, Franklin Israel

Lima, Julio 2014

Inteligencia Artificial 05/07/2014

EPE | APLICACIN DE REDES BAYESIANAS

2

ndice
1. Introduccin .......................................................................................................... 3
2. Antecedentes ....................................................................................................... 4
3. Objetivos .............................................................................................................. 5
3.1. General ........................................................................................................ 5
3.2. Especficos................................................................................................... 5
4. Alcance ................................................................................................................ 5
5. Redes Bayesianas ............................................................................................... 6
5.1 Concepto. 6
5.2 Inferencia Bayesiana
5.3 Tipos de redes ................................................................................................ 6
5.4 Aplicaciones ................................................................................................... 11
5.5 Importancia en la toma de decisiones
6. Caso Practico
6.1 Software NETICA
6.2 Ventajas y Desventajas
7. Conclusiones ....................................................................................................... 12
8. Bibliografa .......................................................................................................... 13



3

1. Introduccin

Las redes bayesianas modelan un fenmeno mediante un conjunto de variables y
las relaciones de dependencia entre ellas. Dado este modelo, se puede hacer
inferencia bayesiana; es decir, estimar la probabilidad posterior de las variables no
conocidas, en base a las variables conocidas. Estos modelos pueden tener
diversas aplicaciones, para clasificacin, prediccin, diagnostico, etc. Adems,
pueden dar informacin interesante en cuanto a cmo se relacionan las variables
del dominio, las cuales pueden ser interpretadas en ocasiones como relaciones de
causa-efecto.
Inicialmente, estos modelos eran construidos a mano, basados en un
conocimiento experto, pero en los ltimos aos se han desarrollado diversas
tcnicas para aprender a partir de datos, la estructura como los parmetros
asociados al modelo. Tambin es posible el combinar conocimiento experto con
los datos para aprender el modelo.



4

2. Antecedentes

El trmino redes bayesianas fue acuado por Judea Pearl en 1985 para hacer
hincapi en tres aspectos:
a. El carcter a menudo subjetivo de la informacin de entrada.
b. La dependencia de acondicionamiento de Bayes como base para la
actualizacin de la informacin.
c. La distincin entre los modos causales y probatorio de
razonamiento, lo que subraya Thomas Bayes en un documento
publicado pstumamente en 1763.
A finales de 1980 los textos seminales Razonamiento Probabilstico en Sistemas
Inteligentes

y Razonamiento Probabilstico en Sistemas Expertos resume las
propiedades de las redes Bayesianas y ayud a establecer las mismas como un
campo de estudio.
Variantes informales de este tipo de redes se utilizaron por primera vez por
el jurista John Henry Wigmore, en forma de grafos de Wigmore, para analizar la
evidencia en un juicio en 1913. Otra variante, llamada diagrama de rutas, fue
desarrollada por el genetista Sewall Wright y utilizado en ciencias de la
conducta y sociales (en su mayora con modelos paramtricos lineales).



5

3. Objetivos

3.1. General
Conocer los fundamentos tericos de una red bayesiana, inferencia
bayesianas y los tipos de red que existen.

3.2. Especficos
Describir las diferentes herramientas que se utilizan con redes
bayesianas
Demostrar caso prctico a travs del software NETICA
Mencionar las ventajas y desventajas encontradas en el uso de la
aplicacin con redes bayesianas

4. Alcance

El trabajo tendr por finalidad dar a conocer inicialmente conceptos sobre
redes bayesianas, inferencia y tipos de redes bayesianas. Por otro lado se
dar una breve explicacin de cada una de las zonas de seguridad propuesta
en el diseo.

Tambin, se mostrara un caso prctico sobre este tema, el cual es la
aplicacin de un software llamado NETICA, donde se podr comprender el uso
de las redes bayesianas para el diagnstico de enfermedades.

Por ltimo, se mencionara algunas ventajas y desventajas sobre las redes
bayesianas y sobre la aplicacin demostrada.



6

5. Redes Bayesianas

5.1 Concepto

Es un modelo probabilstico que relaciona un conjunto de variables
aleatorias mediante un grafo dirigido, son redes grficas sin ciclos en el que
se representan variables aleatorias y las relaciones de probabilidad que
existan entre ellas que permiten conseguir soluciones a problemas de
decisin en casos de incertidumbre.

Una red bayesiana es una representacin ilustrada de dependencias para
razonamiento probabilstico, en la cual los nodos representan variables
aleatorias y los arcos simbolizan relaciones de dependencia directa entre
las variables.

Un ejemplo muy simple puede ayudarnos a describir el funcionamiento de
una red bayesiana. Consideremos simplemente una variable aleatoria Z
dependiente de otras dos (factores F1 y F2).

Una red Bayesiana es una herramienta informtica a la que puede crearse
diferentes modelos dependiendo del caso de estudio segn la concepcin
que tenga el diseador y de las condiciones del comportamiento de las
variables. En esta herramienta sobresale debido a que no solo permite un
proceso hacia atrs, por ejemplo como una operacin financiera que ha
sido realizada en trminos de riesgos operacionales; sino tambin hacia



7

adelante donde la red puede calcular las probabilidades de prdida o de
beneficio usando la regla de Bayes.

La estructura del modelo bayesiano permite capturar las relaciones de
dependencia que existe entre los atributos de los datos que se estudien,
describiendo la distribucin de probabilidad que administra un conjunto de
variables especificando los clculos de independencia condicional junto con
probabilidades condicionales. As, las redes permiten especificar relaciones
de independencia entre conjuntos de variables, lo que las convierte en una
solucin de independencia.

5.2 Inferencia bayesiana

La incertidumbre es natural en el proceso de razonamiento donde se
pueden establecer reglas para inferir de manera deductiva una proposicin
determinada que puede ser verdadera o falsa, segn sea el lmite de esta
estimacin. Dentro de los mtodos de razonamiento se encuentran los
Modelos Bayesianos, que simulan diferentes condiciones de incertidumbre
cuando no se conoce si es verdadera o falsa la hiptesis enunciada en un
rango de variacin.

Todos los modelos bayesianos tienen en comn la asignacin de la
probabilidad como medida de creencia de una hiptesis, as es que, la
inferencia es un proceso de reajuste de medidas de creencia al conocerse
nuevos axiomas.

Cuando se utilizan evidencias y observaciones para establecer que una
suposicin sea cierta, es lo que se denomina como Inferencia Bayesiana.
La inferencia bayesiana observa la evidencia y calcula un valor estimado
segn el grado de creencia planteado en la hiptesis. Esto implica que al
tener mayor cantidad de datos disponibles se podr obtener resultados
ms satisfactorios.



8

La ventaja fundamental del uso de la inferencia bayesiana radica en la
utilidad que se le da para la toma de decisiones, actualmente su uso es
frecuente por que se obtienen resultados ms acertados en el contexto de
parmetros desconocidos.

Debido a que la inferencia bayesiana est fundada en un mtodo basado
en datos histricos, puede captar las situaciones en que la dinmica del
mercado muestre una firme estrategia de cambios importantes, lo cual
proporciona un buen indicador de las condiciones futuras del mercado.

Aplicando la inferencia Bayesiana es posible identificar distintos tipos de
patrones de transicin como estados de ganancias discretas en un gran
conjunto de datos administrativos. Adems, se puede investigar acerca de
los efectos y las condiciones del mercado por medio de la estimacin de un
modelo probabilstico.

Tambin se puede estudiar y analizar las deficiencias futuras de las
actividades operacionales de una empresa, con la aplicacin del mtodo de
inferencia bayesiana, el cual no deber basarse slo en datos histricos,
sino que se debe incluir el anlisis de los diferentes escenarios para poder
predecir un comportamiento futuro y la gravedad del riesgo; esto con el fin
de mejorar las polticas de gestin de riesgos.

La Inferencia bayesiana es una tcnica estadstica adecuada para reunir
las opiniones de expertos en el anlisis de datos. Actualmente existe una
amplia literatura que envuelve toda la teora de la inferencia bayesiana y
sus aplicaciones para el marco financiero y de negocios.

El mecanismo de inferencia sobre redes bayesianas permite utilizarlas para
construir clasificadores. Para que esto se debe crear una red bayesiana en
la que las variables se interrelacionen en el grafo. La clase pertenecer a la
variable desconocida, objetivo de la inferencia. Proporcionada una



9

instancia cualquiera para la que se conozcan todos sus atributos, la
clasificacin se verificar infiriendo sobre el grafo la probabilidad posterior
de cada uno de los valores de la clase, y eligiendo aqul valor que
maximice dicha probabilidad.

5.3 Tipos de redes bayesianas

El problema Principal en el momento de construir una red Bayesiana
consiste en el tratamiento de variables discretas y continuas de forma
simultnea, debido a las restricciones del modelo condicional que conlleva
al proceso de discretizacin. Las redes bayesianas se pueden clasificar
segn en funcin del tipo de variables utilizadas.

5.3.1 Redes bayesianas continuas

Las redes bayesianas continuas son aquellas que tienen un nmero infinito
de posibles valores. En este tipo de redes resulta complicado determinar
explcitamente las probabilidades condicionadas para cada valor de las
variables, as que las probabilidades condicionadas se representan
mediante una funcin de probabilidad.

La mayora de las variables reales son de carcter continuo como por
ejemplo la variacin de la temperatura. Una red Bayesiana cuyas variables
sean todas continuas y estn todas representadas mediante funciones
normales lineales, tiene una distribucin normal multivariada. Este tipo de
variables debe ser manejada mediante el proceso de discretizacin debido
a la gran cantidad de datos que deben ser modelados por medio de
seleccin de rangos y de este modo hacer ms sencillo el proceso de
discretizacin.

Los mtodos supervisados y no supervisados corresponden a la divisin
del proceso de discretizacin de las variables. En los mtodos no
supervisados, la variable correspondiente a la clase no es considerada por



10

los atributos continuos y los valores son discretizados independientemente.
El mtodo ms simple es dividir el rango de valores cada atributo, en
intervalos, utilizando la informacin sobre los valores de los atributos.

Los mtodos supervisados tienen en cuenta la variable clase, y los puntos
de divisin que construye los rangos de cada atributo son elegidos segn el
valor de la clase.

5.3.2 Redes bayesianas dinmicas

Las redes Bayesianas dinmicas consienten en la exposicin de procesos
que contienen una variable aleatoria en cada intervalo de tiempo. El
proceso que se est estudiando puede entenderse como una serie de
procesos en un instante de tiempo.

El estado de las variables se representa en un lapso de tiempo para poder
representar los procesos dinmicos conocidos dentro de la red bayesiana.
Las probabilidades condicionales de este modelo no cambian con el
tiempo. Es decir, se repite las etapas temporales y las relaciones entre
dichas etapas.

La inferencia en una red bayesiana dinmica es la misma que para una red
bayesiana, y por esto se emplean los mismos mtodos. Esta inferencia
resulta mediante la reproduccin de los intervalos de tiempo, hasta que la
red sea lo suficiente larga para captar todas las observaciones.

5.4 Aplicaciones de redes bayesianas

La utilizacin de las redes bayesianas ha sido muy difundida en diferentes
campos como en la manipulacin de sistemas expertos en la medicina, en
la depuracin de programas de inteligencia artificial, en la gentica, en
procesos de produccin; todos estos enfocados a la solucin de problemas
y en la identificacin de probabilidades que disminuyan riesgo, como es el



11

uso primordial que se le da en la rama financiera. El uso que se le da a la
redes bayesiana en el estudio y tratamiento de datos, consiste bsicamente
con mejorar el esquema de prevencin de riesgo operacional; tal que sirva
como sistema de ayuda a la toma de decisiones en una situacin de
emergencia y realizar mejoras en las estrategias de operacionales.

Las redes bayesianas como herramienta de gestin de riesgo son de suma
importancia para el gremio financiero debido a sus grandes aportes en la
definicin de condiciones probabilsticas de inferencia, con un amplio
manejo de variables.

Las redes bayesianas son utilizadas para representar el conocimiento en
mtodos de razonamiento, explotacin de informacin, anlisis de los
deudores del sistema financiero y prediccin de ventas; basados en la
teora de la probabilidad, tal que se pueda predecir el valor de las variables
no observadas y explicar los resultados arrojados de las variables
observadas. El uso de las redes bayesianas permiten aprender sobre
relaciones de dependencia y combinar conocimiento con nuevos datos.

5.5 Importancia en la toma de decisiones

El mejor tratamiento que se le ha podido dar al manejo de la incertidumbre
es la probabilidad y dentro de l la inteligencia artificial es notable el uso del
mtodo bayesiano como herramienta principal para la definicin de
hiptesis resultantes del manejo de inferencias dentro del marco del
manejo de informacin probabilstica.

La extensin de las redes bayesianas son de gran utilidad por que utiliza
nodos de decisin y nodos de utilidad; los cuales permiten resolver
problemas de toma de decisiones. Para gestionarla de forma adecuada es
necesario procesar y descifrar grandes cantidades de datos, tal que sea
posible extraer el conocimiento necesario para una adecuada toma de
decisiones.



12

En la actualidad hay proyectos que permiten medir el grado de
incertidumbre de las relaciones de dependencia de entre las variables, un
ejemplo que se puede consultar para este caso es la red bayesiana para la
concesin de crditos bancarios capaz de aprender a partir de las fuentes
de datos sobre prstamos bancarios.

La toma de decisiones es tratada como un proceso de optimizacin en
donde se recomienda la mejor alternativa que optimice la utilidad esperada,
dadas las observaciones de los factores externos y preferencias que haga
la toma de decisiones. En el proceso de construccin de una red bayesiana
para la toma de decisiones, es importante definir el problema teniendo
claras todas las caractersticas del conflicto, tal que, posteriormente sea
posible recolectar los datos que sern las variables fundamentales en el
desarrollo del proyecto y se plantee un modelo del cual sea viable obtener
la mejor solucin que se acople a las necesidades del proyecto.

La redes bayesianas representan la incertidumbre con probabilidades,
ofreciendo una idea de qu tan fuertemente puede ocurrir un evento,
usando la comparacin como medio de informacin sobre posibles
consecuencias de una situacin. La capacidad del proceso creacin de las
redes bayesianas apunta su aplicacin a tcticas de toma de decisiones
estratgicas. Utilizando la estructura bayesiana para la optimizacin de
problemas, los expertos trabajan como un grupo de toma de decisiones
ofreciendo diferentes opiniones sobre la misma situacin; esto permite
tener diferentes soluciones para que permita identificar variables y las
relaciones entre ellas en el modelo y la cuantificacin de los grficos con
probabilidades numricas.

Debido a las limitaciones de probabilidad para la inferencia de una red
bayesiana, usualmente no es posible evitar contradicciones entre las
diferentes soluciones de los expertos en la toma de decisiones en grupo; ya
que se necesita identificar un conjunto de alternativas en el que grupo de



13

expertos tienen opiniones que consideran el problema segn el orden de
preferencias.

La ecuacin matemtica para la elaboracin de la red bayesiana se obtiene
sobre la base de los conocimientos obtenidos a partir de la decisin final
del grupo de expertos, teniendo en cuenta el conjunto de parmetros, de
acuerdo con la distribucin de variables. Cada declaracin obtenida de los
expertos se utiliza para generar indicadores cualitativos dentro de la
elaboracin de la red. Finalmente, se presenta el conocimiento cualitativo
obtenido del modelo presentando las declaraciones y luego se exponen las
restricciones de desigualdad de las probabilidades observadas.

6 Caso Practico

Las redes bayesianas son herramientas de modelado estadstico
destinadas a representar un conjunto de incertidumbres relacionadas. Su
estructura grfica y su fundamento probabilstico las hace apropiadas para
modelar sistemas multivariados orientados a la clasificacin, el diagnstico
y la toma de decisiones. En este trabajo se describen los pasos a seguir
para estimar y validar redes bayesianas utilizando el software Netica. En
concreto, se describe cmo construir la estructura grfica del modelo, cmo
estimar sus parmetros, cmo usar el modelo para evaluar el impacto de
evidencias sobre las variables que contiene y cmo evaluar su bondad de
ajuste. Todos los pasos se describen intentando hacerlos comprensibles
para los investigadores en ciencias del comportamiento y la salud.

6.1 Software NETICA

Netica es un programa poderoso, fcil de usar, completo para trabajar con
redes de creencia y diagramas de influencia. Esto tiene un interfaz de
usuario intuitivo y liso para dibujar las redes, y las relaciones entre
variables pueden ser entradas como probabilidades individuales, en forma
de ecuaciones, o aprendidas de ficheros de datos (que puede estar en la
forma ordinaria delimitada por etiqueta y tener " datos que fallan ").



14

Una vez que se crea una red, el conocimiento que contiene puede ser
transferido a otras redes con la opcin cortar y pegar o guardar de forma
modular mediante la creacin de una biblioteca de nodos con enlaces
desconectados. Por supuesto , las redes y las bibliotecas se pueden
guardar en archivos o imprimirse .

Netica puede utilizar las redes para llevar a cabo diversos tipos de
inferencia utilizando los algoritmos ms rpidos y modernos. Dado un
nuevo caso de que tengamos conocimiento limitado , Netica encontrar los
valores o probabilidades apropiadas para todas las variables desconocidas.
Estos valores o probabilidades se pueden mostrar en un nmero de
maneras diferentes , incluyendo grficos de barras y metros . El caso
puede ser convenientemente guardados en un archivo, que posteriormente
trasladado de nuevo en la red (o una red diferente ) para su posterior
consulta , o para tener en cuenta la nueva informacin sobre el caso.
Netica puede utilizar diagramas de influencia para encontrar las mejores
decisiones que maximizan los valores esperados de las variables
especificadas. Netica puede construir planes condicionales , ya que las
decisiones en el futuro puede depender de observaciones an no se ha
hecho, y los tiempos y las interrelaciones entre las decisiones se
consideran .

Netica puede ser utilizado para transformar una red en un nmero de
maneras. Las variables que ya no son de inters pueden ser removidos sin
necesidad de cambiar las relaciones globales entre las variables restantes
(tcnicamente, las probabilidades se "agregan" cuando no conocemos el
valor de la variable, y una operacin ms compleja se utiliza cuando lo
hacemos) . Modelos probabilsticos pueden ser explorados por este tipo de
operaciones, revertir los enlaces individuales de la red, eliminando o
aadiendo influencias causales, la optimizacin de una decisin a la vez,
etc. Estas operaciones se pueden realizar con tan solo un clic del mouse, lo
que hace Netica muy adecuado para fcil explorar, y para la enseanza de
la red de creencias y conceptos influencia del diagrama.



15

6.1.1 Aplicacin del sistema Netica

6.1.1.1 Estimacin

El primer paso que hay que dar para construir una red bayesiana pasa por
especificar su estructura grfica. En este sentido, podramos decir que las
redes bayesianas siguen un proceso de construccin parecido al que hay
que seguir cuando se generan modelos de ecuaciones estructurales. El
hecho de que la estimacin estructural sea un pre-requisito, en
comparacin con la estimacin paramtrica, para generar un modelo de red
bayesiana ha hecho cuestionar, por ejemplo, parte de la investigacin
sobre juicios y/o aprendizaje causal publicados en la ltima mitad de siglo.
Existen dos procedimientos genricos para crear redes bayesiana: uno
basado en rutinas automticas, donde se ponen en funcionamiento cierto
nmero de algoritmos que son capaces de identificar la estructura grfica
subyacente en un conjunto de datos; y otro centrado en el juicio de
expertos, donde se utiliza el conocimiento que un grupo de expertos tiene
sobre un dominio particular para generar el modelo estadstico. En este



16

trabajo no vamos a tratar ningn procedimiento automtico de generacin
de redes bayesianas propiamente dicho. Ms bien, se describir la forma
de crear estructuras y de estimar parmetros manualmente y de manera
rpida a partir de una base de datos. Se recomienda a los lectores
interesados en estos procedimientos automticos a profundizar en el
estudio de las referencias que se citan ms abajo.

6.1.1.2 Estimacin Estructural

Existen numerosos procedimientos automticos (p. e., algoritmos PC y K2)
destinados a generar grafos dirigidos a cclicos destinados a convertirse en
redes bayesianas. Sin embargo, Netica no incorpora ninguno de estos
procedimientos automticos de estimacin estructural. Lo nico que
podemos hacer con Netica, como se describir ms abajo, es generar
automticamente un conjunto de nodos o variables con sus respectivos
niveles o estados para, posteriormente, especificar manualmente la
estructura grfica. As, partiendo del juicio de expertos en la materia a
trabajar, o tomando como base estudios previos, podemos generar una
estructura grfica a partir de una base de datos. En este sentido, el trabajo
de Nadkarni y Shenoy (2004) describe un procedimiento relativamente
sencillo para construir estructuras causales bayesianas a partir del juicio de
expertos.

6.1.1.3 Caso Practico

Asumamos que trabajamos en una clnica especializada en el diagnstico y
tratamiento de procesos gripales y que solemos trabajar, de manera
genrica, con dos tipos de enfermedades. La gripe A (o virus H1N1) es una
enfermedad poco corriente (un 22,727% de la poblacin la contrae cada
ao) mientras que la gripe comn es ms frecuente (supongamos que el
resto de los casos que no son gripe A son gripe comn). El dolor de cabeza
y los problemas respiratorios estn asociados con ambas enfermedades. El
dolor de cabeza est presente en el 88,89% de los casos de la gripe comn



17

mientras que este sntoma est nicamente presente en el 66,67% de los
casos que son diagnosticados como gripe A. Adicionalmente, los
problemas respiratorios no estn presentes en la mayora de los casos de
la gripe comn (94,44%) mientras que estn presentes en la mayora de los
casos en que se ha contrado el virus de la gripe A (en el 83,33% de los
casos). Cul es la probabilidad de que una persona que tenga dolor de
cabeza haya contrado la gripe comn? Cul es la probabilidad de que
una persona haya contrado la gripe comn si tiene dolor de cabeza y sufre
problemas respiratorios?

6.1.1.4 Solucin

Para modelar este problema se podra generar una red bayesiana
divergente (ver Figura 1), tambin llamado modelo de causa comn, donde
hubiese una variable que representase el tipo de enfermedad con dos
posibles estados (gripe comn y gripe A) y dos variables que representasen
a los sntomas dolor de cabeza y problemas respiratorios (ambas variables
con dos posibles estados: S y No).

Para generar esta estructura de red bayesiana con Netica tendramos que
proceder del siguiente modo.



18

6.1.1.5 Estimacin Paramtrica

De igual manera a como ocurre con la estimacin estructural, la estimacin
de los parmetros de una red bayesiana puede hacerse automticamente o
a partir del juicio de expertos. Existen diversos algoritmos como el CB el
ELR o el EM que han sido diseados para estimar los parmetros de una
red bayesiana atendiendo a diferentes condicionantes estadsticos. Netica
incorpora tres algoritmos diferentes para estimar los parmetros de una red
bayesiana: un mtodo basado en la frecuencia relativa conjunta, el
algoritmo EM y un algoritmo que evala la reduccin del gradiente de
aprendizaje (similar a los implementados en las Redes Neurales Artificiales
que llevan a cabo computaciones del tipo backpropagation). En este trabajo
se va a explicar cmo utilizar el mtodo de estimacin basado en la
frecuencia relativa ya que es el ms recomendable en casos en los que no
se presuponen variables latentes y no hay una alta presencia de casos
perdidos.

La versin ms sencilla del algoritmo de mxima verosimilitud basado en
las frecuencias relativas (conjuntas) queda expresado matemticamente
con la ecuacin:



19

Ecuacin (1)

donde se refiere al nmero de casos que contiene la base de
datos en los que las variables toman el valor
es el nmero de casos en que
. No obstante, el uso de este modelo de estimacin puede
dar lugar a dos tipos de problemas. Por un lado, podra generar
estimaciones no definidas que se producen cuando alguna combinacin
particular de estados de variables no est presente y, por otro lado, cabra
la posibilidad de incurrir en estimaciones sobre ajustadas que generaran
parmetros sesgados en el caso de que haya combinaciones de estados
en las variables que estn su representadas o sobre-representadas. Por
ello, Netica usa una funcin que introduce un factor de correccin en la
ecuacin (1) basado en la Ley de la Sucesin de Laplacey que dejara la
ecuacin del siguiente modo:

Ecuacin (2)
donde se refiere al nmero de estados que tiene la variable .
La estimacin de probabilidades basadas en el juicio de expertos es, en la
mayora de los casos, un proceso subjetivo y consiste en rellenar tablas de
probabilidad condicional. Por ejemplo, Das (2004) desarroll un mtodo
para ayudar a los expertos humanos a estimar las probabilidades
necesarias para parame trizar tablas de probabilidad condicional teniendo



20

en cuenta los riesgos sistemticos que se comenten al evaluar
probabilidades . Otra opcin para parame trizar un modelo de red
bayesiana podra ser utilizar resultados de investigaciones previas donde
estuvieron involucradas las variables de nuestra red. Consideremos los
datos introducidos en el ejemplo anterior y veamos cmo se ubican los
parmetros del modelo en una red bayesiana.



21

6.1.1.6 Uso

Antes de poder usar nuestra red para solucionar las preguntas que nos
planteaba el ejemplo expuesto con anterioridad necesitamos compilar el
modelo para que se ponga a funcionar en modo de inferencia. El proceso
de compilacin consiste en generar una distribucin previa de las
probabilidades asociadas a cada uno de los estados de cada variable
utilizando el Teorema de la Probabilidad Total . Este teorema establece que
si disponemos de un conjunto mutuamente excluyente de eventos
cuyas probabilidades suman la unidad,
entonces la probabilidad arbitraria de un evento B vendra definida por la
expresin:



22

6.1.1.7 Respondiendo las preguntas

Sin embargo, si, como plantea el ejemplo anterior, el paciente nos dice que
ha experimentado dolores de cabeza en los dos ltimos das podramos
estimar la probabilidad de que esa persona sufra gripe comn o gripe A.

No obstante, imaginemos que a lo largo de la consulta descubrimos que el
paciente tiene serios problemas para respirar.



23

6.2 Ventajas y Desventajas

Se puede representar de manera simultnea la dimensin cualitativa y
cuantitativa de un problema o caso.

Con el software Netica se puede estimar en porcentajes la enfermedad con
los sntomas indicados.

Identifican efectos de interaccin y modelan relaciones no lineales entre
variables

Se puede realizar inferencias bidireccionales

Se necesita de juicios de expertos para las probabilidades.



24

7 Conclusiones

El software Netica sirve para instituciones mdicas para detectar con un
porcentaje alto la enfermedad relacionado con sus sntomas.

Las redes bayesianas modelan un fenmeno mediante un conjunto de
variables y las relaciones de dependencia entre ellas.

Una red bayesiana es un grafo acclico dirigido que describe la distribucin
de probabilidades conjunta que gobierna un conjunto de variables
aleatorias.

Son un tipo de modelo de minera de datos, que pueden ser utilizados en
innumerables aplicaciones.

Las redes Bayesianas son utilizadas para proveer una forma compacta de
representar el conocimiento y mtodos flexibles de razonamiento.



25

8 Bibliografa

http://www.urosario.edu.co/urosario_files/38/38e60ea0-497e-4197-913d-
e156ae0bb084.pdf

http://www.frlp.utn.edu.ar/materias/ia/IA2012-TrabajoTeorico-
Grupo04.pdf

http://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf

http://www.lcc.uma.es/~eva/aic/Redes%20Bayesianas.pdf

http://www.sc.ehu.es/ccwbayes/publications/postscript/lalaguna260702.p
df

http://www.cs.us.es/cursos/ia2-2005/temas/tema-08.pdf

https://www.lsi.us.es/docs/doctorado/memorias/TESINA-Roche.pdf

https://www.google.com.pe/url?sa=t&rct=j&q=&esrc=s&source=web&cd=
15&ved=0CIIBEBYwDg&url=http%3A%2F%2Fdecsai.ugr.es%2F~smc%
2Fredesia2.pdf&ei=HUv6Urv6BK_isASx2YK4DQ&usg=AFQjCNH3lD2ibc
mNmrEsDd9bDqInL-xuGA&sig2=V7f9f28QUbt2ms0DVaJjLw

http://www.um.es/analesps/v23/v23_2/18-23_2.pdf

https://www.google.com.pe/url?sa=t&rct=j&q=&esrc=s&source=web&cd=
7&cad=rja&ved=0CFkQFjAG&url=http%3A%2F%2Fwww.unioviedo.es%
2Freunido%2Findex.php%2FRema%2Farticle%2Fview%2F9800%2F953
9&ei=iG_8UqOJAce_0gHJnYC4AQ&usg=AFQjCNFFl-EoOL2umCa-
9k_L7WswvdpM0A&sig2=5_iD4IwfeBbpW41CQxyJ6w

https://www.norsys.com/

Redes Bayesianas NETICA diagnóstico

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Redes Bayesianas NETICA diagnóstico

Încărcat de

Drepturi de autor:

Formate disponibile

Redes Bayesianas en software NETICA para el diagnstico de

S-ar putea să vă placă și