Académique Documents
Professionnel Documents
Culture Documents
Introduccin
a) Presentacin y contextualizacin
Los temas que se tratan en la presente unidad temtica, tienen por finalidad que el
estudiante conozca los algoritmos para grafos que necesitan un mecanismo de
bsqueda para explorar los nodos y aristas de un grafo. Estos mtodos son la base
para la construccin de los algoritmos. La exploracin de un grafo comienza en un
nodo inicial y consiste en la denicin de un criterio para moverse hacia adelante y
hacia atrs a travs de las aristas del grafo, estos se pueden ejecutar siguiendo
modelos probabilsticos.
b) Competencia
Describe los modelos probabilsticos y grficos en sistemas expertos para el
desarrollo de los clculos.
c) Capacidades
1. Interpreta la construccin de modelos probabilsticos
2. Describe los modelos definidos grficamente empleando sus tcnicas.
3. Aplica las Tcnicas y herramientas formales de anlisis de sistemas desde los
modelos definidos grficamente.
4. Emplea las extensiones de los modelos grficos para desarrollar de manera
tcnica las probabilidades.
d) Actitudes
Muestra autonoma para resolver tus clculos aplicando modelos
probabilsticos.
Iniciativa para profundizar y ampliar los conocimientos con respecto a los
modelos probabilsticos.
Construccin
de
Modelos
Probabilsticos
TEMA 1
Competencia:
Interpretar la construccin de modelos
probabilsticos.
Los Algoritmos pueden ser utilizados para realizar una bsqueda exhaustiva
considerando el mismo nodo inicial y nal, es decir, el conjunto Visitados resultante
de
la
ejecucin
de
estos
algoritmos
contendr
la
componente
conexa
correspondiente a Xi .
de nodos
visitados.
4. Aadir S a C. Aadir a Visitados todos los nodos en S. Ir a la Etapa 2.
Construccin del
de
forma
intuitiva
las
relaciones
de
Esta
correspondencia
entre
dependencia
condicional
Modelos
TEMA 2
Definidos
Grficamente I
Competencia:
Describir los modelos definidos grficamente
empleando sus tcnicas.
Modelos de dependencia
Grafoide: Un grafoide es un conjunto de relaciones de independencia que es
cerrado con respecto a las propiedades de simetra, descomposicin, unin dbil,
contraccin e interseccin.
Por tanto, un grafoide debe satisfacer las cinco primeras propiedades, mientras
que un semigrafoide debe satisfacer slo las cuatro primeras.
Por otra parte, dado que solo las funciones de probabilidad no extremas
satisfacen la propiedad de interseccin, solo los modelos de dependencia
probabilsticos no extremos son grafoides.
Modelo
de
dependencia
compatible
con
una
M se dice
Dado que toda funcin de probabilidad cumple las cuatro primeras propiedades de la
independencia condicional, si un modelo de dependencia M
es compatible con una funcin de probabilidad p(x1,...,xn),
entonces el menor semigrafoide generado por M
tambin debe ser compatible con p(x1,...,xn). Por tanto,
un problema interesante desde el punto de vista prctico
es calcular el menor semigrafoide
dependencia M.
denido por un experto a partir de sus opiniones sobre las relaciones entre las
variables del modelo. Cada una de las independencias del conjunto indica que
variables contienen informacin relevante sobre otras y cuando el conocimiento
de algunas variables hace que otras sean irrelevantes para un conjunto de
variables dado.
modelos
denidos
por
listas
de
Una vez que se conoce la estructura cualitativa del modelo probabilstico (la
factorizacin de la funcin de probabilidad), la estructura cuantitativa de un modelo
particular se dene mediante la asignacin de valores numricos a los parmetros
asociados a las funciones de probabilidad condicionada que intervienen en la
factorizacin del modelo. Estos valores han de ser denidos por algn
experto, o estimados a partir de un conjunto de datos.Por tanto, si
la estructura cualitativa del modelo es desconocida, que es
el caso habitual en la prctica, entonces tanto la estructura
cualitativa, como la cuantitativa (los parmetros) han de ser
estimadas a partir del conjunto de datos disponible (una base
de
datos, etc.).
De
comenzarse
forma
con
independencia
factorizacin
de
y,
alternativa,
una
a
la
de probabilidad de las
lista
partir
funcin
tambin
de
de
de
ella,
puede
relaciones
de
obtener
una
probabilidad.
La
Modelos
TEMA 3
Definidos
Grficamente
II
Competencia:
Aplicar las tcnicas y herramientas formales
de anlisis de sistemas desde los modelos
definidos grficamente.
depende
correspondiente
de
la correcta
denicin del
caracterizado por la
condicionalmente
dependientes
independientes.
completa
Por otra parte, un modelo de dependencia puede ser denido de forma alternativa
mediante un grafo (dirigido o no dirigido), una lista de
relaciones de independencia, o un conjunto de funciones
de probabilidad condicionada. Estas tres alternativas
determinan tres metodologas diferentes para construir un
modelo de dependencia:
o
Estas
metodologas
requieren
ciertos
X1,...,
Xn
sus
relaciones
pueden
ser
En algunas ocasiones, el orden de las variables (es decir, la direccin de las aristas)
es importante en el grafo (grafos dirigidos) y en otras no (grafo no dirigido). Las
representaciones grcas tienen la ventaja de mostrar explcitamente las relaciones
entre las variables y conservar estas relaciones de forma cualitativa (es decir, para
cualquier valor numrico de los parmetros).
estructura
cualitativa,
puede
construirse
una
Dependiendo del carcter dirigido o no dirigido del grafo G, los mapas perfectos
se denominan mapas perfectos dirigidos o no dirigidos, respectivamente.
En los casos en los que no existe un mapa perfecto, es necesario asegurarse de que
el modelo grco que se utilice no posea ninguna independencia que no est
contenida en el modelo, y que el nmero de independencias del modelo que no sean
reproducidas por el grafo sea mnimo. Esto motiva las siguientes deniciones.
Mapa de independencia. Un grafo G se dice que es un mapa de independencia (I mapa) de un modelo de dependencia M si
probabilstico
como
sea
posible.
Se
probabilsticos
denidos
porgrafos
no
Extensiones
de losModelos
Grficos
TEMA 4
Competencia:
Emplear las extensiones de los modelos
grficos para desarrollar de manera tcnica
las probabilidades.
de
En algunos casos, el conjunto de grafos puede ser reducido a un conjunto menor que
es una representacin ms simple y eciente del modelo.
Grafos redundantes. Dados dos grafos G1 y G2 , se dice que G1 es redundante
dado G2 si el conjunto de relaciones de independencia contenidas en G1 est
contenido en G2 .
El teorema siguiente muestra las condiciones para que dos grafos dirigidos
sean redundantes.
Redundancia en multgrafos dirigidos. Sean D1 y D2 dos grafos dirigidos acclicos
sobre el mismo conjunto de variables X, y sean G1 y G2 los grafos no dirigidos
asociados respectivos. Entonces, D2 es redundante dado D1 si (a) G2 est contenido
en G1 , (b) cada v-estructura de D1
estructura (Xi , Xj , Xk ) de D2
contenga el camino Xi Xj Xk .
y una factorizacin
de la
Siempre
se
puede
encontrar
una
.(7.14)
Donde la primera igualdad se ha obtenido considerando la particin de las variables
{{X2 , X3 }, X1 , X4} y aplicando la regla de la cadena a la funcin de probabilidad
p(x), y la segunda igualdad se ha obtenido utilizando la relacin de independencia I
(X1 , X2 |X3), que implica p(x1 |x2 , x3) = p(x1 |x3).
(7.15)
Que incluye todas las relaciones de independencia de la lista causal.
..(7.28)
pueden
ser
consideradas
como
familias
paramtricas,
una
. (7.30)
Para cada i y s. Por tanto, uno de los parmetros puede escribirse comouno menos
la suma de los restantes. Por ejemplo,
...(7.31)
Obsrvese que todos los parmetros que intervienen en el producto anterior estn
asociados a variables distintas. Por tanto p(x1,...,xn) es un monomio de grado menor
o igual que el nmero de variables. Obsrvese tambin que p(x1,...,xn) puede
resultar un polinomio si slo se considera el conjunto de parmetros libres. Para ello
solo se necesita reemplazar los parmetros iri si por
Esta
El problema de la compatibilidad
El anlisis de la estructura paramtrica de las probabilidades, introducido en la
seccin anterior, permite resolver el problema de la compatibilidad de los modelos
multifactorizados, es decir, permite obtener la familia de funciones de probabilidad
compatible con el conjunto de factorizaciones dado en (7.29). Obsrvese que
siempre existe una solucin trivial para este problema, ya que el modelo de
independencia total cumple todas las relaciones de independencia posibles
probabilidad
que
cumpla
las
relaciones
de
de
es la matriz
de
compatibilidad
de
los
modelos
en un
y Vi
son