Redes Bayesianas

Es un Grafo Dirigido en el que cada nodo representa una variable y cada arco una
dependencia probabilstica en la cual se especifica la probabilidad condicional de cada
variable dados sus padres un grafo puede tener diferentes tipos de Enlaces.

Dos nodos o variables pueden estar conectados por ms de una arista o arco, o un
nodo puede estar conectado consigo mismo.

Una variable a la que apunta el arco es dependiente de la que est en el origen de

este.

Tambin llamadas

Redes de creencia

Redes probabilsticas

Redes causales

Mapas de conocimiento

X1 X3

Arco

Nodo o variable

X
2

Aprendizaje de redes bayesianas

Aprendizaje estructural: obtener la estructura de la red.

Aprendizaje paramtrico: conocida la estructura del grafo, obtener las probabilidades

correspondientes a cada nodo.
Aprendizaje estructural

El aprendizaje estructural conlleva explorar un espacio de grafos. Esta tarea es muy

compleja. A poco que se incrementa el nmero de variables (nodos), el nmero de
posibles grafos a construir con ellas se dispara.

Por eso en muchas ocasiones se restringe el espacio de bsqueda a grafos con

caractersticas concretas.

Algunos algoritmos para las redes bayesianas son:

*rbol

*Poliarbol

Cuando fue concebido

El trmino "redes bayesianas" fue acuado por Judea Pearl en 1985 para hacer
hincapi en tres aspectos:

1. El carcter a menudo subjetivo de la informacin de entrada.

2. La dependencia de acondicionamiento de Bayes como base para la actualizacin de

la informacin.

3. La distincin entre los modos causales y probatorio de razonamiento, lo que

subraya Thomas Bayes en un documento publicado pstumamente en 1763.

Ventajas y Desventaja

Desventajas:

Su complejidad computacional

Ventajas:

Permiten representar al unsono la dimensin cualitativa y cuantitativa de un

problema en un entorno grfico inteligible.

Pueden trabajar con datos perdidos de una manera eficiente, algo que en la prctica
es deseable.
Aplicaciones

Las redes bayesianas son un tipo de modelos de minera de datos que pueden ser
utilizados en cualquiera de las siguientes actividades de negocio:

Prevencin del fraude

Prevencin del abandono de clientes

Blanqueo de dinero

Marketing personalizado

Mantenimiento preventivo

Scoring de clientes

Clasificacin de datos estelares

Tipos de Redes Bayesianas

Redes Bayesianas Discretas manejan variables con valores discretos y las redes que
no cumplen con esta condicin se les aplican mtodos de discretizacion.

Redes Bayesianas Gaussianas Permiten trabajar tanto con valores discretos como con
valores continuos.

Hallazgo.

Evidencia.

Probabilidad a Priori

Probabilidad a Posteriori

Mtodos de Discretizacion

Propagacin de la Probabilidad o conceptos Bsicos

Caractersticas

Se obtiene una buena representacin grfica.

Anlisis de la Sensibilidad
Incertidumbre
Se puede trabajar con gran nmero de variables al mismo tiempo.
 Permiten aprender sobre relaciones de dependencia y causalidad
.
Redes Bayesianas
Un modelo grfico probabilstico no es solo la representacin cualitativa sino
tambin cuantitativa de las relaciones de las variables y lo representamos
asignando valores a cada uno de los arcos.

0,60

P B.A B
A

Una red bayesiana se compone de dos partes una parte cualitativa que es una
estructura grfica o grafo que describe las posibles variables y las dependencias entre
ellas.

Y la parte cuantitativa que est compuesta de probabilidades condicionales que

representan la incertidumbre del problema.

A B

A C
P (B|A)

P (B|C)

Propagacin de probabilidades
B
Para obtener conclusiones a medida que se va conociendo ms informacin o
evidencia. Actualizar la tabla de probabilidades de las variables en funcin de las
observaciones.

Aprendizaje Paramtrico y Estructural

El proceso de construccin, validacin y utilizacin de redes bayesianas consiste en

definir las estructuras y los parmetros de la red.

Obtencin de la Estructura.
 Obtencin de parmetros: conociendo la estructura de la red el
correspondiente grafo y una base de datos de las variables asociadas.

Redes Bayesianas y Minera de Datos

Pasos de la Minera de Datos

Paso 1: Preparacin de los Datos.

Los datos son formateados de modo que las herramientas puedan
manipularlos.

Paso 2: Seleccin y Limpieza.

Consiste en la seleccin de variables y Discretizacion de Datos.

Paso 3: Minera de Datos

Se produce la extraccin del conocimiento donde se aplican algoritmos para la
creacin de las redes bayesianas.
Bsicamente se compone de dos aspectos:

Introduccin del mejor modelo cualitativo partiendo de los datos y/o

conocimiento previo.
Estimacin de las Tablas de probabilidades.
Mtodo ms usado: basado en las frecuencias de los datos.
Paso 4: Interpretacin de resultados
Consiste en realizar inferencias basndose en evidencias obtenidas.

Paso 5: Explotacin de los resultados

Es donde se analiza toda la informacin procesada anteriormente.

Teorema de Bayes