Redes Bayesianas - Anlisis probabilstico de aprobacin de un mdulo

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.)

Figure 1. Thomas Bayes

probabilidades de este.

Figure 2. Frmula de Bayes

Si bien tenemos conocimiento de las probabilidades de
un suceso, dado que se producen otros sucesos, con este
teorema se calcula la probabilidad de que unos sucesos
dado que han originado un suceso determinado. Ms
tcnicamente, este teorema trata de obtener la probabilidad
inversa de una probabilidad.(Larraaga, n.d.)

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

El trmino "redes bayesianas" fue acuado por Judea

Pearl en 1985 a quien a su vez se le considera el padre de las
redes bayesianas.
A finales de 1980 los textos seminales Razonamiento
Probabilstico en Sistemas Inteligentes y Razonamiento
Probabilstico en Sistemas Expertos resumen las propiedades
de las redes Bayesianas y ayud a establecer las mismas

Faicn Rosa-Japa Lauro-Martnez Jhymer

como un campo de estudio.
Variantes informales de este tipo de redes fueron utilizadas por el jurista John Henry Wigmore, en forma de
grafos de Wigmore, para analizar la evidencia en un juicio
en 1913 y el llamado diagrama de rutas que fue desarrollado
por el genetista Sewall Wright y utilizado en ciencias de la
conducta y sociales.(Sucar, INAOE 2011)

Tutor: Ing. Henry Paz

Aprendizaje
Paramtrico.- Aprende las probabilidades de la red en
base a casos dados.
Estructural.- Son algoritmos capaces de aprender
enlaces.(Ricardo Conejo, Valencia Espaa, 2001)
Inferencia, Desicin y Aprendizaje

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:

La informacin proporcionada por una o ms variables

que se observan (evidencia) se propaga por la red y se
actualiza a esto se le llama inferencia.
Es posible aprender las probabilidades condicionales
que describen las relaciones entre las variables a partir
de los datos. Incluso es posible aprender la estructura
completa de la red a partir de datos completos o con
algunos de sus valores desconocidos a esto se le denomina
Aprendizaje.(Nava, n.d.)
Las Redes Bayesianas pueden utilizarse para tomar
decisiones ptimas introduciendo posibles acciones y la
utilidad de sus resultados utilizada en la toma de decisiones.

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.

Prediccin Frmula: P(Y|X)

Intercausal
Frmula: P(Y|A,-B)
(Lozano, n.d.)

Faicn Rosa-Japa Lauro-Martnez Jhymer

Tutor: Ing. Henry Paz

menos, de cuatro formas: clsicamente, como frecuencia
relativa cuando los ensayos tienden a infinito, axiomticamente o subjetivamente.

Figure 5. Tipo de inferencia

Las tres primeras son compatibles y se las ha englobado

bajo el nombre de perspectiva clsica de la probabilidad
o frecuentista y suele contraponerse a la cuarta que se ha
denominado perspectiva bayesiana de la probabilidad
Es en esta cuarta acepcin en la que se basan las redes
bayesianas al asumir que la probabilidad es un grado de
creencia atribuible a la ocurrencia de sucesos.
Utilizacin de las Redes Bayesianas

Figure 6. Tipo de inferencia

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.)

El uso 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 riesgos.
El uso que se le da a las redes bayesiana en el estudio y tratamiento de datos, consiste bsicamente en 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.(Lozano, n.d.)
Encriptacin del disco, archivos o correo electrnico.
Prevencin de fraudes.- Monitorear las transacciones
y actividades llevadas a cabo por el usuario despues de
la autenticacin al iniciar la sesin.
Demanda de acceso desde cualquier lugar y en
cualquier momento.- adaptar el acceso de ususarios
desde ubicaciones remotas.
Adaptar el acceso de usuarios desde sistemas desconocidos como: cabinas pblicas, sistemas de hotelera o
estaciones de trabajo compartidas.
El programa Elvira

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

El 1997 se plantea un proyecto con el objetivo de crear

un entorno que sirviera, por un lado, para la investigacin de
nuevos mtodos y algoritmos de razonamiento probabilstico
y, por otro, para la implementacin de sistemas expertos
bayesianos.
El programa resultante se llam Elvira,
tomando el antiguo nombre de la ciudad de Granada, a cuya
Universidad estn vinculados en mayor o menor medida
varios de los investigadores del proyecto.(Garca, n.d.)

Faicn Rosa-Japa Lauro-Martnez Jhymer

Tutor: Ing. Henry Paz

Figure 7. Programa Elvira

Figure 8. Red - Aprobacin de Mdulo

Cabe resaltar que en marzo de 2001, un grupo formado por

casi todos los mismos investigadores del Proyecto Elvira,
plantea un nuevo proyecto titulado Elvira II: Aplicaciones
de los Modelos Grficos Probabilsticos, que fue concedido
por el Ministerio de Ciencia y Tecnologa a finales de ese
mismo ao. Sus objetivos principales son dos: mejorar
las caractersticas del programa Elvira actual y desarrollar
aplicaciones en diversos campos, como la medicina, la
gentica, la agricultura y el comercio inteligente.

Figure 9. Inferencia - Aprobacin de Mdulo

Aplicacin de Redes Bayesianas con Elvira

Ejemplo Prctico
La Red Bayesiana utilizada para el ejemplo tiene como
finalidad simular el proceso de aprobacin del ciclo de
los estudiantes pertenecientes del Dcimo Mdulo de
la Carrera de Ingeniera en Sistemas de la Universidad
Nacional de Loja, la misma se estructura de la siguiente
manera:(Faicn R, n.d.)

Cada parmetro de calificacin tendr un tipo de valor

entre alto (s2), medio (s1) y bajo (s0). Para el ejemplo
realizaremos la explicacin basndonos en la materia de
Inteligencia_Artificial con la siguiente tabla de probabilidades:

30 Nodos de los cuales se tiene:

1 Nodo central que indica aprobacin o no del mdulo
6 Nodos que conforman las materias a aprobar
1 Nodo de Asistencia a clases
22 Nodos con parmetros de calificacin en las distintas materias.

Figure 10. Parametros a calificar en Inteligencia Artificial

29 Enlaces:
7 del tipo Si No
22 del tipo Alto Medio Bajo
A continuacin la grfica de la Red Bayesiana.

En el nodo Inteligencia_Artificial posee solo dos tipos de

valores si (s0) y no (s1) debido a que solo se presenta una
oportunidad de aprobar o no el mdulo.
A su vez tiene como padres los parametros anteriormente
analizados los mismos que convinados generan una tabla
relacional con 244 posibles combinaciones.

Faicn Rosa-Japa Lauro-Martnez Jhymer

Tutor: Ing. Henry Paz

Presentacin del ejemplo en Java
Presentacin del Programa.:

Figure 11. Padres del nodo Inteligencia Artificial

Figure 14. Pantalla Principal
Debido a la dimensin de la tabla resultante se tomaron los
10 primeros valores para la explicacin

Figure 12. Relacin en nodo Inteligencia Artificial

Asignacin de rangos de las calificaciones

Figure 15. Pantalla con datos

Esta distribucin se utiliza para asignar los valores de

calificacion en las materias.

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:

public void iniciar () {

try {

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

Faicn Rosa-Japa Lauro-Martnez Jhymer

PGMXReader pgmxReader =
new PGMXReader ();
ProbNet redPrueba =
pgmxReader . loadProbNet (
file , bayesNetworkName
). getProbNet ();
List <ProbNode > listPro =
redPrueba . getProbNodes ();
for (int i = 0;
i < listPro .size ();
i++) {
ProbNode probNode =
listPro .get(i);
}
// /////////////////////
EvidenceCase evidence =
new EvidenceCase ();
InferenceAlgorithm variableElimination =
new VariableElimination (
redPrueba );
variableElimination .
setPreResolutionEvidence (
evidence );
// Obtenemos el nodo
// principal Pase_Modulo
Variable paseModulo =
redPrueba . getVariable (
" Pase_Modulo ");
ArrayList <Variable >
variablesOfInterest =
new ArrayList <Variable >();
variablesOfInterest .
add( paseModulo );
// Computo de las posteriores probabilidades
HashMap <Variable , TablePotential >
posteriorProbabilities =
variableElimination .
getProbsAndUtilities ();
// Impresion de los resultados en consola
printResults (evidence ,
variablesOfInterest ,
posteriorProbabilities );
String inte=
String . valueOf (
this. inteligencia .
getSelectedItem ());
evidence . addFinding (
redPrueba ,
" Inteligencia_Artificial ",
inte );

Tutor: Ing. Henry Paz

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 .

Faicn Rosa-Japa Lauro-Martnez Jhymer

getProbsAndUtilities (
variablesOfInterest );
printResults (evidence ,
variablesOfInterest ,
posteriorProbabilities );
} catch ( Exception e) {
System .err. println (e.
getMessage ());
e. printStackTrace ();
}
}
public void printResults (
EvidenceCase evidence ,
ArrayList <Variable >
variablesOfInterest ,
HashMap <Variable , TablePotential >
posteriorProbabilities ) {
String evidencias =
" Evidencias : \n";
for ( Finding finding :
evidence . getFindings ()) {
evidencias =
evidencias + finding . getVariable ()
+ ": "+ finding . getState ()+"\n";
}
this. consola . setText ( evidencias );

for ( Variable variable :

variablesOfInterest ) {
double value ;
TablePotential
posteriorProbabilitiesPotential =
posteriorProbabilities .get( variable );
int stateIndex = -1;
try {
stateIndex =
variable . getStateIndex ("si");
value =
posteriorProbabilitiesPotential .
values [ stateIndex ];
this. resultado . setText (
Util. roundedString (value , "0.001"));
} catch ( InvalidStateException e) {
e. printStackTrace ();
}
}
}

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-

Tutor: Ing. Henry Paz

bre representa un papel importante.

Estos modelos se han aplicado al desarrollo de nuevos
algoritmos que permiten la propagacin de nuevas
probabilidades en redes que representan problemas
reales.
Dentro del estudio de las redes bayesianas se encuentran algoritmos que podran considerarse como parte
de la minera de datos.
El uso de las redes bayesianas como tcnica es muy
utilizada en la prediccn de probabilidades y la toma
de decisiones en el rea financiera.
Recomendaciones
Se recomienda desarrollar distintas aplicaciones para
distintos entornos ya sean web, mviles o de escritorio, con el fin de resolver distintos problemas mediante
el uso de redes bayesianas.
La redes bayesianas han sido de gran utilidad en la
medicina por lo que sera recomendable buscar nuevos
campos de aplicacin en distintas reas.
References
Bedoya, O. (n.d.). Inteligencia Artificial. Retrieved from http://
eisc.univalle.edu.co/~oscarbed/IA
Constantino Malagon Luque, t. . (n.d.).
Faicn R, M. J., Japa L. (n.d.). Cdigo en Java. Retrieved
from http://mundial-ag.googlecode.com/svn/trunk/
\\PredicciC3B3nMundialAlgoritmosGenC3A9ticos/
Fernndez, E. (n.d.). Anlisis de Clasificadores Bayesianos. Retrieved from www.fi.uba.ar/laboratorios/lsi
Garca, A. M.
(n.d.).
Redes Bayesianas y aplicaciones.
Retrieved from http://redesbayesianasyaplicaciones
.weebly.com/historia.html
Larragaa, P. (26 de julio de 2002). Redes Bayesianas.
Larraaga, P. (n.d.). Clasificadores Bayesianos.
Lozano, M. R. (n.d.). El papel de las Redes Bayesianas
en la toma de decisiones.
Retrieved from http://
www.urosario.edu.co/Administracion/documentos/
investigacion/laboratorio/miller_2_3.pdf
Moral, S. (n.d.). Una introduccin a las Redes Bayesianas. Retrieved from decsai.ugr.es/~smc/redesia2.pdf
Nava, F. P. (n.d.). Redes Bayesianas e Inteligencia Artificial: Aplicaciones en Educacin.
Puga, J. L. (Agosto de 2007). Modelados con una Red Bayesiana.
Ricardo Conejo, E. M. (Valencia Espaa, 2001). Modelado del
alumno: Un enfoque bayesiano.
Sucar, L. E. (INAOE 2011). Clasificadores Bayesianos.
y Javier Dolado, D. R. (n.d.). Redes Bayesianas en la Ingeniera
de Software. Retrieved from http://www.cc.uah.es/drg/