PROPAGACION SIMBLICA

Los mtodos de propagacin simblica conducen a soluciones que se expresan

como funciones de los parmetros. Por ello, las respuestas a cuestiones generales
pueden darse en forma simblica en funcin de los parmetros, y las respuestas a
preguntas especificas pueden obtenerse sin ms que sustituir los valores de los
parmetros en la solucin simblica, sin necesidad de rehacer la propagacin.
Por otra parte, la propagacin simblica permite estudiar con escaso esfuerzo
computacional la sensibilidad de los resultados a cambios en los valores de los
parmetros. La propagacin simblica es especialmente util en los casos
siguientes:
1. Cuando no se dispone de la especificacin numrica del modelo probabilstico.
2. Cuando los especialistas solo son capaces de especificar intervalos de los
parmetros en vez de valores concretos. En este caso, los mtodos de propagaci
on simbolica pueden utilizarse para obtener cotas inferiores y superiores de las
probabilidades para todos los valores posibles de los parametros en los intervalos
dados.
3. Cuando se requiere un anlisis de sensibilidad. Una de las cuestiones que
surge normalmente en este contexto es, como son de sensibles los resultados a
cambios en los parmetros y a los valores evidnciales?
Los algoritmos de propagacin simblica han sido introducidos recientemente en
la literatura.
Por ejemplo, Castillo, Gutirrez y Hada (1995c, 1995d) realizan la propagacin
simblica adaptando algunos de los metoosnumericos de propagacin descritos
en el Captulo 8 a este tipo de propagacin.
Estos mtodos realizan los clculos simbolicos necesarios utilizando paquetes de
calculo con posibilidades simbolicas (tales como Matemtica y Maple).
Otro mtodo con capacidades de calculo simbolico es el algoritmo de inferencia
Probabilstica simblica (SPI) (Shachter, Ambrosio y DelFabero (1990) y Li y
DAmbrosio (1994)). Este metodo es orientado a un objetivo y analiza solo los c
alculos que se requieren para responder a la pregunta en estudio. Con este m
etodo, los resultados se obtienen posponiendo la
evaluacion de las expresiones y manteniendolas en forma simbolica.
Sin embargo, los dos metodos anteriores tienen el mismo problema: necesitan
utilizar programas especiales, o un esfuerzo computacional extra, para poder tratar
las expresiones simbolicas. Por otra parte, el calculo y la simplificacion de
expresiones simbolicas es una tarea computacionalmente cara, y a veces
progresivamente ineficiente cuando se trata con grandes redes o grandes
conjuntos de parametros simbolicos. Recientemente, Castillo, Gutierrez y Hadi
(1996c) han introducido una solucion a la propagacion simbolica que utiliza
ventajosamente la estructura simbolica polinomial de las probabilidades de los
nodos (vease la Seccion 7.5.1) para

Evitar los clculos simblicos. La principal idea del mtodo consiste en obtener las
expresiones simblicas mediante un algoritmo numrico que calcula los
coeficientes de los polinomios correspondientes.
Entonces, todos los clculos se hacen de forma numrica, evitando la
manipulacin de expresiones simblicas costosas.
En la Seccin 10.2 se introduce la notacin y el marco de trabajo de los metodos
simblicos.
La Seccin 10.3 discute la generacion automatica decodigo simbolico. La
estructura algebraica de las probabilidades se analiza en la Seccion 10.4. La
Seccion 10.5 muestra como se pueden utilizar los mtodos de propagacion simb
olica de evidencia para obtener las expresiones simblicas de las probabilidades
de ocurrencia de los nodos. La Seccion 10.6 presenta una mejora del metodo
anterior para el caso de tareas orientadas a un objetivo. La Seccion 10.7 trata del
problema de la evidencia aleatoria simblica.
La Seccion 10.8 muestra como hacer un estudio de sensibilidad
mediante los metodos simbolicos. Finalmente, la Seccion 10.9analiza el
problema de la propagacion simbolica de la evidencia en redes Bayesianas
normales. 10.2 Notacion y Conceptos Preliminares
En el Captulo 6 se ha visto que la funcion de probabilidad conjunta asociada
a las redes probabilsticas de Markov descomponibles y Bayesianas
puede darse mediante una factorizacion como producto de probabilidades
condicionales p(x1, . . . , xn) =n_i=1p(xi|i). (10.1)
En el caso de redes Bayesianas, los conjuntos condicionantes son los padres
del nodo, i, i = 1, . . . , n. En el caso de redes de Markov descomponibles,
estos conjuntos se obtienen aplicando la regla de la cadena a la factorizacion
obtenida a partir de la cadena de conglomerados (vease el Captulo 6). Por tanto,
aunque algunos de los metodos introducidos en estecaptulo pueden ser f
acilmente extendidos para tratar una representacion
potencial de la funcion de probabilidad conjunta, por simplicidad, pero sin perdida
de generalidad, se utiliza el conjunto de probabilidades condicionalesen (10.1)
como representacion parametrica basica de la funcion deprobabilidad conjunta.
Sea X = {X1, . . . , Xn} un conjunto de n variables discretas, cada una
de las cuales puede tomar valores en el conjunto {0, 1, . . . , ri}, y sea B =(D,P) una
red Bayesiana definida sobre X, donde el grafo dirigido acclico D determina la
estructura del conjunto de probabilidades condicionales, y P = {p(x1|1), . . . ,
p(xn|n)} es el conjunto de probabilidades condicionales que se necesitan para
especificar la funcion de probabilidad conjunta.
Algunas de las probabilidades condicionales en (10.1) pueden darse enforma num
erica y otras en forma simbolica, es decir, p(xi|i) pueden ser familias param
etricas o probabilidades totalmente especificadas numericamente.

Definicin 10.1 Nodo Simblico.

Cuando p(xi|i) es una familia parametrica simbolica (es decir, depende de al
menos un parametro en formasimbolica), el nodo Xi se denomina un nodo simb
olico, y se utiliza i paradenotar sus correspondientes parametros simb
olicos.Como se ha visto en la Seccion 7.5.1, cuando p(xi|i) es una familia param
etrica, es decir, cuando Xi es un nodo simbolico, una eleccion convenientede los
parametros es la siguiente
ij = p(Xi = j|i = ), j {0, . . . , ri}, (10.2) donde es cualquier posible
realizacin de los padres, i, de Xi. Por ello, el primer subndice de ij se refiere
al nmero del nodo, el segundo subndice se refiere al estado del nodo, y los
restantes subndices se refieren a lasrealizaciones de sus padres. Puesto que
_rij=0 ij = 1, para todo i y ,no todos los parmetros son libres, es decir, uno
cualquiera de ellos puede ser escrito como la unidad menos la suma del resto. Por
ejemplo, el primer parmetro puede escribirse como
i0 = 1ri_j=1ij. (10.3)
Para simplificar la notacion en los casos en los que la variable Xi no tiene padres,
se utiliza ij para denotar pi(Xi = j), j {0, . . . , ri}. Se ilustra esta notacin usando
el ejemplo siguiente.
Ejemplo 10.1 Nodos simblicos.
Considrese una red Bayesiana discreta consistente en las variables X =
{X1, . . . , X8} cuyo correspondiente grafo dirigido cclico se muestra en la Figura
10.1. La estructura del grafo implica que la probabilidad conjunta del conjunto de
nodos puede escribirse en la forma (10.1), como
p(x) = p(x1)p(x2|x1)p(x3|x1)p(x4|x2, x3)p(x5|x3)p(x6|x4)p(x7|x4)p(x8|x5).(10.4)
Por simplicidad, y sin prdida de generalidad, supngase que todos los nodos
representan variables binarias con valores en el conjunto {0, 1}. Esto y la
estructura de la distribucin de probabilidad en (10.4) implica que la funcin de
probabilidad conjunta de las ocho variables depende de 34 parmetros = {ij}.
Ntese, sin embargo, que solamente 17 de ellos son libres (puesto que las
probabilidades en cada una de las probabilidades condicionales deben sumar la
unidad). Estos 17 parmetros se dan en la
Tabla 10.1.
FIGURA 10.1. Un grafo dirigido acclico.