Faicn Rosa
UNL CIS-loja
Japa Lauro
UNL CIS-loja
Martnez Jhymer
UNL CIS-loja
Affiliation
El presente artculo tiene como finalidad dar a conocer los conceptos ms relevantes de Redes
Bayesianas, asi como tambin el funcionamiento de la herramienta Elvira en conjunto con la
herramienta netbeans en la demostracin de un ejemplo para la prediccin de aprobacin de
un mdulo, tomando en cuenta las materias, sus respectivas calificaciones y las asistencias de
un alumno.
Palabras Clave: Redes bayesianas, Teorema de Bayes, Probabilidad, Inferencia
Introduccin
Las redes bayesianas son modelos grficos probabilsticos
que permiten organizar un conjunto de variables y las
relaciones existentes entre ellas, se puede hacer tambin
inferencia bayesiana es decir estimar la probabilidad
posterior en base a las variables ya conocidas, estos
modelos poseen diferentes aplicaciones que permiten el
diagnostico, clasificacin y la toma de decisiones, estas
informaciones pueden ser interpretadas como relaciones
causa efecto.(Constantino Malagon Luque, n.d.)
Estas redes eran hechas a mano basndose en el
conocimiento de un experto ahora las redes bayesianas
son elaboradas desarrollando diversas tcnicas para que el
aprendizaje pueda llevarse a cabo a partir de ciertos datos,
asi mismo es posible compartir estos datos como un caso de
estudio.
Permite representar el conocimiento con incertidumbre,
adems se puede manipular el razonamiento y la toma de
decisiones con multiples variables.
La reglas o probabilidades se pueden estimar a partir
de datos con una interpretacin clara y bien estructurada
teniendo en la actualidad un gran desarrollo.(Bedoya, n.d.)
probabilidades de este.
Histria
Thomas Bayes, matemtico britnico del siglo XVIII,
mundialmente conocido por su Teorema de Bayes.(Puga,
Agosto de 2007)
Este teorema solucionaba un problema que hasta el
momento no tena una solucin: el clculo de la probabilidad de las causas que interfieren en un suceso, dadas las
Concepto
Las redes bayesianas son grafos aciclicos dirigdos que
describen la distribucin de probabilidad, en la cual los nodos representan variables aleatorias y los arcos representan
relaciones de dependencia directa entre las variables.
Son un conjunto de variables proposicionales definidas
como V, un conjunto de relaciones binarias y una distribucin de probabilidad conjunta definidas sobre las variables
V,E.(Larragaa, 26 de julio de 2002)
Los nodos de una red bayesiana deben ser variables
proposicionales (toman un conjunto exhaustivo y excluyente
de valores).
Ejemplo de una red:
Inferencia
Tiene por objeto hallar la distribucin de probabilidad de
determinadas variables de inters dados lo valores de otras
variables.
Diagnstico
Figure 3. Ejemplo de una red bayesiana. Los nodos representan variables aleatorias y los arcos relaciones de dependencia.
Figure 4. Tipo de inferencia
(Fernndez, n.d.)
Frmula: P(X|Y)
Estructura de uns Red Bayesiana
Bsqueda (score).- Permite medir la estructura de la
red y el conocimiento que se puede adquirir, procedimiento de bsqueda para determinar el mejor modelo
de datos.
Anlisis de Dependencia.- Determinar el grado de dependencia usando pruebas estadsticas.
Intercausal
Frmula: P(Y|A,-B)
(Lozano, n.d.)
Dimensin Cualitativa
La dimensin cualitativa de una red bayesiana se basa
en la teora de grafos. Aunque la definicin de grafo puede
variar en funcin de los autores (p. e. Harary, 1969; Ronald,
1988; Spirtes, Glymour, y Scheines, 2000; Tutte, 1984;
Xiang, 2002), un grafo puede definirse como un conjunto
de nodos (variables o vrtices) y un conjunto de aristas (o
enlaces).(Moral, n.d.)
Sin embargo, una red bayesiana es un tipo especial de
grafo, o lo que se conoce como grafo dirigido acclico
(o GDA). En un GDA las aristas o enlaces que unen las
variables estn orientados y se representan grficamente
como flechas. Los enlaces dirigidos de una red bayesiana
indican influencia causal o dependencia entre las variables.
As pues, el grafo A => B indica influencia directa
de A sobre B; o lo que es lo mismo, que B depende de
A. En trminos causales diramos que A causa a B o que
B es el efecto de A. En una red bayesiana la estructura
grfica codifica relaciones de dependencia e independencia
condicional entre las variables que son usadas para agilizar la
actualizacin de probabilidades y la inferencia estadstica.(y
Javier Dolado, n.d.)
Dimensin Cuantitativa
En la dimensin cuantitativa una red bayesiana consta
de tres elementos importantes: el concepto de probabilidad
como un grado de creencia subjetiva relativa a la ocurrencia de un evento, el teorema de Bayes como heurstico
actualizador de creencias y un conjunto de funciones de
probabilidad condicionada.
En primer lugar, la probabilidad puede ser entendida, al
29 Enlaces:
7 del tipo Si No
22 del tipo Alto Medio Bajo
A continuacin la grfica de la Red Bayesiana.
Cdigo en Java
Para realizar una correcta implementacin del codigo
primeramente se utilizo una libreria intermedia para la
lectura de los datos desde Java. Dicha libreria se denomina
OpenMarkov, la misma da la posibilidad de leer los ficheros
de Elvira con extensin .elv y guardarlos en .pgmx.
Dentro del cdigo implementado para obtener la informacin
de la red bayesiana creada con Elvira directamente desde
una aplicacin Java utilizaremos el metodo denominado
iniciar:
Figure 13. Inteligencia Artificial, Simulacin, Sistemas Expertos, tica y Control Automatizado
// Abrimos el archivo
// que contiene la red
InputStream file =
new FileInputStream (
new File(" Modulo .pgmx"));
// Cargamos la red
// Bayesiana
String ante=
String . valueOf (
this. anteproyectos .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" Anteproyectos ",
ante );
String control =
String . valueOf (
this. conAutomatico .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" Control_Automatizado ",
control );
String eti=
String . valueOf (
this.etica. getSelectedItem ());
evidence . addFinding (
redPrueba ,
"Etica",
eti );
String exper=
String . valueOf (
this. sisExpertos .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" Sistemas_Expertos ",
exper );
String simu=
String . valueOf (
this. simulacion .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" Simulacion ",
simu );
String asis=
String . valueOf (
this. asistencias .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" ASISTENCIAS ",
asis );
posteriorProbabilities =
variableElimination .
Conclusiones
Las redes Bayesianas son modelos que combinan la
teora de grafos y de probabilidades, son aplicadas a la
toma de decisiones en dominios donde la incertidum-