Beruflich Dokumente
Kultur Dokumente
on de probabilidad
Se usaran may
usculas para indicar variables estocasticas y min
usculas
para indicar los valores que pueden tomar.
P (A = verdadero) = P (A = a) = P (a)
P (A = falso) = P (A = a) = P (a)
P (a b c) P (a,b,c) P (a b c)
P (a) P (a) P (a)
ue
M. Valenz
la - R
en
d o
1
n, 2
0 06
Notaci
on vectorial
ue
M. Valenz
la - R
en
d o
2
n, 2
0 06
Normalizaci
on
P (x, y)
P (y)
P (x, y)
P (y)
la - R
en
d o
3
n, 2
0 06
Probablidad condicional
ue
M. Valenz
la - R
en
d o
4
n, 2
0 06
1. 0 P (a) 1
2. P (verdadero) = 1 y P (falso) = 0
3. P (a b) = P (a) + P (b) P (a b)
ue
M. Valenz
la - R
en
d o
5
n, 2
0 06
ue
M. Valenz
la - R
en
d o
6
n, 2
0 06
Ejemplo
cavity
cavity
toothache
catch catch
0.108 0.012
0.016 0.064
toothache
catch catch
0.072 0.008
0.144 0.576
ue
M. Valenz
la - R
en
d o
7
n, 2
0 06
Teorema de Bayes
P (a|b) P (b)
P (b|a) =
P (a)
Recuerdese que
P (a b)
P (b|a) =
P (a)
ue
M. Valenz
la - R
en
d o
8
n, 2
0 06
Ejemplo
P (s|m) P (m)
= 0.0002
P (m|s) =
P (s)
ue
M. Valenz
la - R
en
d o
9
n, 2
0 06
Independencia
ue
M. Valenz
la - R
en
d o
10
n, 2
0 06
Definiciones de Pearl
Prior odds
Likelihood ratio
P (h)
P (h)
=
O(h) =
P (h) 1 P (h)
P (e|h)
L(e|h) =
P (e|h)
Posterior odds
O(h|e) =
P (h|e)
= L(e|h) o(h)
P (h|e)
la - R
en
d o
11
n, 2
0 06
Redes bayesianas
ue
M. Valenz
la - R
en
d o
12
n, 2
0 06
Ejemplo
cavity
weather
toothache
catch
ue
M. Valenz
la - R
en
d o
13
n, 2
0 06
ue
M. Valenz
la - R
en
d o
14
n, 2
0 06
La probabilidad de la hip
otesis H dada la evidencia e:
P (H, e)
P (H|e) =
P (e)
En caso de varias evidencias e1, e2, . . . , en:
P (e1|H)P (e2|H) P (en|H)
P (H)
P (H|e1, e2, . . . , en) =
P (e1)P (e2) P (en)
ue
M. Valenz
la - R
en
d o
15
n, 2
0 06
O-ruidoso (Noisy-OR)
ue
M. Valenz
la - R
en
d o
16
n, 2
0 06
Ejemplo de O-ruidoso
Se tienen las siguientes probabilidades:
P (fiebre|gripe, influenza, malaria) = 0.6
P (fiebre|gripe, influenza, malaria) = 0.2
P (fiebre|gripe, influenza, malaria) = 0.1
ue
M. Valenz
la - R
en
d o
17
n, 2
0 06
Ejemplo de O-ruidoso
Se tienen las siguientes probabilidades:
P (fiebre|gripe, influenza, malaria) = 0.6
P (fiebre|gripe, influenza, malaria) = 0.2
P (fiebre|gripe, influenza, malaria) = 0.1
ue
M. Valenz
gripe
F
F
F
F
T
T
T
T
la - R
en
d o
influenza
F
F
T
T
F
F
T
T
malaria
F
T
F
T
F
T
F
T
P (fiebre)
0.0
0.9
0.8
0.98
0.4
0.9
0.8
0.98
P (fiebre)
1.0
0.1
0.2
0.02 = 0.2 0.1
0.6
0.06 = 0.6 0.1
0.12 = 0.6 0.2
0.012 = 0.6 0.2 0.1
17
n, 2
0 06
Ejemplo mnimo
P (a)
0.5
A
F
T
P (a)
0.5
P (b)
1
0.1
P (b)
0
0.9
ue
M. Valenz
la - R
en
d o
18
n, 2
0 06
Funci
on de distribuci
on de probabilidad conjunta
P (a)
P (a)
P (b)
0.5
0.05
P (b)
0
0.45
ue
M. Valenz
la - R
en
d o
19
n, 2
0 06
Probabilidades anteriores
P (a)
P (a)
ue
M. Valenz
la - R
en
d o
P (b)
0.5
0.05
0.55
P (b)
0
0.45
0.45
0.5
0.5
20
n, 2
0 06
Probabilidades posteriores
P (a|b) =
=
P (a|b) =
=
P (a|b) =
ue
M. Valenz
P (a|b) =
la - R
en
d o
0.5
P (a, b)
=
P (b)
0.55
P (b|a)P (a) 1 0.5
=
= 0.9091
P (b)
0.55
P (a, b) 0.05
=
P (b)
0.55
P (b|a)P (a) 0.1 0.5
=
= 0.0909
P (b)
0.55
P (a, b)
0
P (b|a)P (a) 0 0.5
=
=
=
=0
P (b)
0.45
P (b)
0.55
P (a, b) 0.45 P (b|a)P (a) 0.9 0.5
=
=
=
=1
P (b)
0.45
P (b)
0.45
21
n, 2
0 06
El BNT (Bayesian Networks Toolbox) permite implementar redes bayesianas en MATLAB. Los siguientes comandos implmentan el ejemplo
mnimo anterior.
Primero, definimos la topologa de la red, y se cargan las distribuciones
de probabilidad condicionales:
N=2;
dag=zeros(N,N);
dag(1,2)=1;
node_sizes=2*ones(1,N);
bnet=mk_bnet(dag,node_sizes);
bnet.CPD{1}=tabular_CPD(bnet,1,[0.5 0.5]);
bnet.CPD{2}=tabular_CPD(bnet,2,[1 0.1 0 0.9]);
ue
M. Valenz
la - R
en
d o
22
n, 2
0 06
Inferencias en BNT
ue
M. Valenz
la - R
en
d o
23
n, 2
0 06
ue
M. Valenz
evidence{2}=2;
[engine, loglik] = enter_evidence(engine, evidence);
marg = marginal_nodes(engine,1);
marg.T
la - R
en
d o
24
n, 2
0 06
P (a)
0.5
P (a)
0.5
B
F
F
T
T
A
F
T
F
T
P (b)
0.2
P (c)
0.4
0.1
0.2
0.05
P (b)
0.8
P (c)
0.6
0.9
0.8
0.95
ue
M. Valenz
la - R
en
d o
25
n, 2
0 06
Funci
on de distribuci
on de probabilidad conjunta
P (a)
P (a)
P (b)
0.1
0.1
P (b)
0.4
0.4
la - R
en
d o
26
n, 2
0 06
Probabilidades anteriores
la - R
en
d o
27
n, 2
0 06
Probabilidades posteriores
P (a, b|c) =
=
P (a|b, c) =
P (a, b, c) 0.38
=
= 0.4471
P (c)
0.85
P (c|a, b)P (a, b) 0.95 0.4
=
= 0.4471
P (c)
0.85
P (a, b, c) 0.38
=
= 0.5429
P (b, c)
0.7
ue
M. Valenz
la - R
en
d o
28
n, 2
0 06
Un ejemplo m
as
P (a)
0.3
A
F
T
P (b)
0.4
0.6
P (b)
0.6
0.4
P (a)
0.7
A
F
T
P (c)
0.8
0.1
P (c)
0.2
0.9
Probabilidad posterior
P (a|c) =
ue
M. Valenz
la - R
en
d o
29
n, 2
0 06
Ejemplo de Pearl
Como aparece en el texto:
Burglary
P (b)
0.001
Earthquake
Alarm
JohnCalls
A
t
f
P (j)
0.90
0.05
B
t
t
f
f
E
t
f
t
f
P (e)
0.002
P (a)
0.95
0.94
0.29
0.001
MaryCalls
A
t
f
P (m)
0.70
0.01
ue
M. Valenz
la - R
en
d o
30
n, 2
0 06
Ejemplo de Pearl
Como se debe cargar en BNT:
Burglary
P (b)
0.999
P (b)
0.001
Earthquake
E
F
F
T
T
Alarm
JohnCalls
A
F
T
P (j)
0.95
0.10
P (j)
0.05
0.90
B
F
T
F
T
P (a)
0.999
0.06
0.71
0.05
MaryCalls
P (e)
0.998
P (e)
0.002
P (a)
0.001
0.94
0.29
0.95
A
F
T
P (m)
0.99
0.30
P (m)
0.01
0.70
ue
M. Valenz
la - R
en
d o
31
n, 2
0 06
Creaci
on de la red
N = 5;
dag = zeros(N,N);
B = 1; E = 2; A = 3; J = 4; M = 5;
dag(B,A) = 1;
dag(E,A) = 1;
dag(A,[J M]) = 1;
node_sizes = 2*ones(1,N);
bnet = mk_bnet(dag, node_sizes);
ue
M. Valenz
la - R
en
d o
32
n, 2
0 06
B, [0.001]);
E, [0.002]);
A, ...
J, [0.05 0.90]);
M, [0.01 0.70]);
ue
M. Valenz
la - R
en
d o
33
n, 2
0 06
ue
M. Valenz
0.9080
0.0920
es decir, P (B|A) = 0.9080.
la - R
en
d o
34
n, 2
0 06
evidence = cell(1,N);
evidence{J} = 2;
[engine, loglik] = enter_evidence(engine, evidence);
m = marginal_nodes(engine, B);
m.T
ue
M. Valenz
la - R
en
d o
35
n, 2
0 06
AB
AC
BC
ue
M. Valenz
AB, AC, y BC representan los resultados de los juegos entre los equipos,
y pueden tomar valores en {p, e, g} donde p representa que el primer
equipo pierda, e representa empate, y g representa que el primer equipo
gane.
la - R
en
d o
36
n, 2
0 06
Probabilidades anteriores
P (A = 1)
0.25
P (A = 2)
0.25
P (A = 3)
0.25
ue
M. Valenz
la - R
en
d o
37
n, 2
0 06
Probabilidades condicionales
P (p)
0.55
0.40
0.30
0.20
0.15
0.10
0.05
P (e)
0.40
0.50
0.55
0.60
0.55
0.50
0.40
P (g)
0.05
0.10
0.15
0.20
0.30
0.40
0.55
la - R
en
d o
38
n, 2
0 06