PREDICCIN Y ANLISIS USANDO MODELOS GRFICOS PROBABILSTICOS

PLANTEAMIENTO DEL PROBLEMA

Nunca podemos predecir ciertamente que ocurrir en el futuro e incluso el pasado y el presente muchos aspectos importantes no se observan con certeza. La teora de la probabilidad nos da una base para modelar nuestras creencias sobre los diferentes posibles estados del mundo y actualiza esas creencias cuando encontramos nuevas evidencias. Estas creencias pueden ser combinadas con unas preferencias individuales para guiar nuestras acciones e incluso seleccionar las observaciones que hacemos. Nuestra capacidad para utilizar la teora de la probabilidad es real debido al desarrollo del marco de trabajo llamado modelos grficos probabilsticos. Este campo, que abarca mtodos como el Bayesian Networks y el Markov random fields, usa ideas de la estructura de datos discreta en ciencias de la computacin para codificar y manipular correctamente la distribucin de la probabilidad en espacios de grandes dimensiones, incluyendo miles de variables. Los campos de aplicacin de estos conocimientos son muy diversos, desde la bsqueda en la web, la medicina o la comprensin de imgenes hasta el procesamiento natural del lenguaje, decodificacin de mensajes o navegacin robot. PREGUNTA PROBLEMA

es la teora de los modelos grficos probabilsticos importante y til para predecir y analizar fenmenos que puedan ocurrir? JUSTIFICACION En las ltimas dos dcadas, los modelos grficos probabilsticos (en adelante MGPs) se han convertido en una herramienta fundamental para el tratamiento de la incertidumbre en problemas que requieren el manejo de grandes cantidades de informacin, como son la Inteligencia Artificial y la Minera de Datos. Cada vez son ms numerosas las empresas y centros de investigacin que demandan investigadores con una slida formacin en las citadas tcnicas, con un alto nivel de comprensin matemtica y estadstica, y con capacidad de implementacin de sistemas basados en modelos probabilsticos. Esto es una consecuencia de los avances tecnolgicos que han permitido el almacenamiento y procesamiento de grandes volmenes de datos, que potencialmente pueden ser empleados para la toma de decisiones. Algunos sectores empresariales en los que se estn empleando tcnicas basadas en MGPs son la banca (concesin de crditos), seguros (determinacin de riesgos), consultora (ayuda a la decisin, inversiones, etc.), sistemas informticos (deteccin de fallos), etc. La demanda empresarial de estas tcnicas ha motivado la formacin de empresas que desarrollan software especfico para la implementacin de MGPs. Pero desde el sector pblico tambin se usan MGPs para diversas tareas, destacando la prediccin meteorolgica en el Instituto Nacional de Meteorologa, as como los propios grupos de investigacin de las

universidades, que requieren investigadores con una slida formacin en la materia.

OBJETIVOS GENERAL Resaltar la utilidad de los modelos grficos probabilsticos en la prediccin y toma de decisiones ante un fenmeno que pudiese ocurrir. ESPECFICOS

Identificar los aspectos tericos fundamentales de los MGPs, en lo concerniente a representacin, aprendizaje y razonamiento. Reconocer las aplicaciones ms destacadas de los MGPs en la ciencia y la industria. Conocer el desarrollo de nuevas tcnicas y la resolucin de problemas usando MGPs.

INTRODUCCIN

La era de la informacin ha tenido un enorme impacto en nuestra sociedad ha travs de tecnologias de la informacin de enormes capacidades y aplicabilidad, siendo las bases de datos su ejemplo ms conduntente. Estas tecnologas han permitido la automatizacin del procesamiento de datos, principalmente su almacenamiento y recuperacin. A su ves, es constante el aumento de aparatos de medicin que almacenan la informacin directamente en formato digital. Esta informacin es almacenada en bases de datos cuya capacidad tampoco parece tener limites debido al imparable aumento de la capacidad de los sistemas de almacenamiento, y a la sorprendente eficiencia en la recuperacin de estos datos. La tecnologa de base de datos esta llegando a niveles tales de maduracin que desde las mas pequeas hasta las mas grandes empresas no dudan en guardar su informacin en estos formatos. Existen sin embargo dos pasos en el procesamiento de datos que ha encontrado dificultades: modelado automtico y razonamiento. La dificultad mayor rdica en casos multivariados, existiendo actualmente un nmero importante de situaciones con miles de variables que presentan complejas relaciones entre s. Tecnologas como el sensado remoto de imagenes, o redes de sensores inalmbricos, contribuyen con sensado de grandes cantidades de datos con correlaciones mutuas complejas. Los modelos probabilticos grficos han demostrado poseer cualidades adecuadas para modelar estos datos con una distribucin de probabilidad conjunta entre ellas, simplificada enormemente

con la explotacin de la estructura de independencias condicionales entre las variables. Su impacto en un sin nmero de aplicaciones en las ltimas dos dcadas es producto de un marco terico slido que justifica esta modelizacin simplificada, herramientas de razonamiento eficientes y herramientas de aprendizaje automtico a partir de datos.

Barber, D. Bayesian Reasoning and Machine Learning. En: www.cs.ucl.ac.uk/staff/D.Barber/brml Cohen, P. R. Empirical Methods for Artificial Intelligence. The MIT Press. 1995. Bishop, C. M. Pattern Recognition and Machine Learning. Springer. Halpern, J. Reasoning about uncertainty. The Mit Press. 2003. Koller, D. and Friedman, N.. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009. Moore, A. Statistical Data Mining Tutorials. Neapolitan, R. Learning Bayesian Networks. Prentice Hall. 2003 Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann Publishers, Inc..