M. Ing.

María Alejandra Ochoa

 REDES BAYESIANAS

El algoritmo de Bayes pertenece al grupo de algoritmos de APRENDIZA JE

AUTOMÁTICO que resuelve problemas de CLASIFICACIÓN SUPERVISADA.
Una red bayesiana es un GRAFO ACÍCLICO (lineal) dirigido, donde cada nodo
representa una variable y cada arco una dependencia probabilística donde se
especifica la probabilidad de cada variable dados sus padres. La variable a la que
apunta el arco es independiente (causa – efecto) de la que está en el origen.
 REDES BAYESIANAS

Obtener una red bayesiana es un proceso de aprendizaje que se divide en dos etapas:
- Aprendizaje ESTRUCTURAL: consiste en obtener la red, es decir, las relaciones de
dependencia e independencia entre las variables involucradas

- Aprendizaje PARAMÉTRICO: tiene por finalidad obtener las probabilidades a priori

y las condicionales.
 REDES BAYESIANAS

Una fábrica de tornillos tiene dos máquinas, la M1, que es más antigua, y hace el de
75% todos los tornillos, y la M2, más nueva pero pequeña, que hace el 25% de los
tornillos. La M1 hace un 4% de tornillos defectuosos, mientras que la M2 tan sólo
hace un 2% de tornillos defectuosos. Si escogemos un tornillo al azar, ¿Qué
probabilidad hay de que salga defectuoso?

TEOREMA DE LA PROBABILIDAD TOTAL

P(D) = (0,75 x 0,04 ) + (o,25 x 0,02)

P(D) = (0,03 ) + (0,005) = 0,035

REDES BAYESIANAS

Si sabemos que un tornillo es defectuoso, ¿Qué probabilidad hay de que haya

sido fabricado por la máquina M1? Es decir, nos estamos preguntando por la
probabilidad condicionada P (M1 / D).
 REDES BAYESIANAS

Aplicar Bayes en Juega Tenis

Estado Humedad Viento Juega Tenis

Lluvia Alta Fuerte Si

Nublado Alta Fuerte Si
Soleado Alta Fuerte No
Lluvia Normal Fuerte No
Nublado Normal Fuerte Si
Soleado Normal Fuerte Si
Lluvia Alta Leve Si
Nublado Alta Leve Si
Soleado Alta Leve No
Soleado Alta Leve No
Lluvia Normal Leve Si
Lluvia Normal Leve Si
Nublado Normal Leve Si
Soleado Normal Leve Si
REDES BAYESIANAS

Si – 2/10 (0,20)
Soleado - 5/14 (0,36)
No – 3/4 (0,75)

Si – 4/10 (0,40)
Estado Lluvia - 5/14 (0,36)
No – 1/4 (0,25)

Si – 4/10 (0,40)
Nublado - 4/14 (0,29)
No – 0/4 (0,00)

Si – 4/10 (0,40)
Alta - 7/14 (0,50)
No – 3/4 (0,75)
Humedad
Si – 6/10 (0,60)
Normal - 7/14 (0,50)
No – 1/4 (0,25)

Si – 4/10 (0,40)
Fuerte - 6/14 (0,43)
No – 2/4 (0,50)
Viento
Si – 6/10 (0,60)
Leve - 8/14 (0,57)
No – 2/4 (0,50)
 REDES BAYESIANAS
Probabilida
Variables
d A Priori

Máxima
Si 0,71 10 Regla Bayes
Verosimilitud
Juega Tenis

No 0,29 4 Numerador Denominador Resultado

0,22
Si 2 0,20 (2/10) 0,07 (0.36*0.20) 0,33 (0.07+0.14+0.11)
Soleado 0,36 5 (0.07/0.33)
No 3 0,75 (3/4) 0,27 (0.75*0.36) 0,36 (0.27+0.09+0.00) 0,75
Estado Si 4 0,40 (4/10) 0,14 (0.40*0.36) 0,33 (0.07+0.14+0.11) 0,43
Lluvia 0,36 5
No 1 0,25 (1/4 ) 0,09 (0.25*0.36) 0,36 (0.27+0.09+0.00) 0,25
Si 4 0,40 (4/10) 0,11 (0.40*0.29) 0,33 (0.07+0.14+0.11) 0,35
Nublado 0,29 4
No 0 0,00 (0/4) 0,00 (0.00*0.29) 0,36 (0.27+0.09+0.00) 0,00
Si 4 0,40 (4/10) 0,20 (0.40*0.50) 0,50 (0.20+0,30) 0,40
Alta 0,50 7
No 3 0,75 (3/4) 0,38 (0.75*0.50) 0,50 (o,38+0,13) 0,75
Humedad
Si 6 0,60 (6/10) 0,30 (0.60*0.50) 0,50 (0.20+0,30) 0,60
Normal 0,50 7
No 1 0,25 (1/4) 0,13 (0.25*0.50) 0,50 (o,38+0,13) 0,25
Si 4 0,40 (4/10) 0,17 (0.40*0.43) 0,51 (o,17+0,34) 0,33
Fuerte 0,43 6
No 2 0,50 (2/4) 0,21 (0.50*0.43) 0,50 (o,21+0,29) 0,43
Viento
Si 6 0,60 (6/10) 0,34 (0.60*0.57) 0,51 (o,17+0,34) 0,67
Leve 0,57 8
No 2 0,50 (2/4) 0,29 (0.50*0.57) 0,50 (o,21+0,29) 0,57
 REDES BAYESIANAS

ESTADO
Con estado Soleado, las chances de “SI” jugar se reducen y las
A priori Si No de “NO” jugar se duplican. Con Lluvia las chances de “SI” jugar
Soleado 0,36 0,22 0,75 se incrementan y las de “NO” jugar se decrementan. Y con
Lluvia 0,36 0,43 0,25 estado Nublado, las chances de “SI” jugar se incrementan y se
Nublado 0,29 0,35 0,00 anulan para el “NO” jugar.

Estado
0,80 0,75

0,70

0,60

0,50
0,43
0,40 0,36 0,36 0,35
0,29
0,30 0,25
0,22
0,20

0,10
0,00
0,00
Soleado Lluvia Nublado

A priori Si No
 REDES BAYESIANAS

HUMEDAD Con la humedad alta, las chances de “SI” jugar

descienden 10 puntos respecto de la
A priori Si No probabilidad a priori y las chances de “NO” jugar
Alta 0,50 0,40 0,75
se incrementan en 25 puntos. Con humedad
Normal 0,50 0,60 0,25
normal, la posibilidad de “SI” jugar aumenta 10
puntos y las de “NO” jugar se reducen a la mitad
respecto de la probabilidad a priori.

Humedad
0,80 0,75

0,70
0,60
0,60
0,50 0,50
0,50
0,40
0,40
0,30 0,25

0,20
0,10
0,00
Alta Normal

A priori Si No
 REDES BAYESIANAS

VIENTO
Con el viento fuerte, la probabilidad de “SI” jugar
desciende 10 puntos y no se modifica para la
opción “NO” jugar y con el viento leve, la
A priori Si No
Fuerte 0,43 0,33 0,43 probabilidad de “SI” jugar se incrementa 10
Leve 0,57 0,67 0,57 puntos también respecto la probabilidad a priori
y no se modifica para la opción de “NO” jugar.

Viento
0,80
0,70 0,67

0,60 0,57 0,57

0,50 0,43 0,43

0,40 0,33
0,30
0,20
0,10
0,00
Fuerte Leve

A priori Si No