Modelos Gráficos Probabilı́sticos
13 de abril de 2015
1. Se sabe que una prueba para la detección de una cierta enfermedad da positiva en el 96 % de
los casos en que se está enfermo, y negativa en el 94 % de los sanos. Cierta persona se somete
a la prueba y se sabe que, a su edad, una de cada 145 personas está enferma sin saberlo.
a) ¿Cuál es la probabilidad de que la prueba de positiva?
b) Si el resultado es positivo, ¿cuál es la probabilidad de que esté enferma realmente?
c) Si la prueba fuese negativa, ¿cuál es la probabilidad de que a pesar de todo esté enferma?
2. Da ejemplos prácticos de tres variables X, Y, Z en las que se cumpla:
a) X es independiente de Y , pero X es dependiente de Y dado Z.
b) X es dependiente de Y , pero X es independiente de Y dado Z.
Dibuja las redes bayesianas que representen las relaciones entre las variables de estos ejemplos.
3. Supongamos la siguiente red bayesiana donde todas las variables tienen dos estados (variables
binarias).
A
B C
D E
Supongamos que tenemos los siguientes valores de probabilidad:
P (a) = 0,2
P (b|a) = 0,8 y P (b|a) = 0,2
P (c|a) = 0,2 y P (c|a) = 0,05
P (d|b, c) = 0,9 y P (d|b, c) = 0,9
P (d|b, c) = 0,7 y P (d|b, c) = 0,05
P (e|c) = 0,8 y P (e|c) = 0,6
a) Escribe la tabla de probabilidad para los potenciales asociados a las distribuciones
P (D|B, C) y P (C|A).
b) Escribe un árbol de probabilidad para el potencial de P (D|B, C).
c) Calcula el resultado de la combinación de los potenciales P (D|B, C) y P (C|A) repre-
sentados con tablas.
d ) Marginaliza sobre las variables {A, B, C} (o sea, borra la variable D) el potencial obte-
nido como resultado en el punto anterior.
4. Supongamos la red bayesiana del ejercicio anterior.
a) Usando el algoritmo de eliminación de variables, queremos obtener la distribución de
probabilidad a posteriori para la variable D considerando que no tenemos ninguna ob-
servación. Suponiendo que las variables se eliminan siguiendo el orden E, C, B, A, detalla
paso a paso los cálculos que se realizan. No hace falta mostrar el contenido (los números)
de los potenciales que se van obteniendo.
b) Para el algoritmo Shafer-Shenoy, construir un árbol de grupos asociado a la red bayesiana
anterior siguiendo el orden de eliminación E, D, C, B, A.
5. Describe brevemente las caracterı́sticas de las dos grandes clases de métodos para el apren-
dizaje de la estructura de una red bayesiana.
6. Se desea estimar la probabilidad condicionada de una variable Y dado su conjunto de variables
padres X1 , X2 ,...,Xm en una red bayesiana, a partir de una base de datos (completa) que
contiene instancias de todas las variables presentes en la red. Describe cuál serı́a el estimador
escogido y por qué.
7. Dado el conjunto de variables X = X1 , X2 , X3 , X4 , C todas con tres casos,
a) Dibuja una red para cada una de las siguientes topologı́as: BAN, augmented naive ba-
yesian k-dependiente con k=2, NB y TAN.
b) Indica la complejidad de cada una de las redes, medida como el número de parámetros
a almacenar en la red.
c) Ordena los modelos de menor a mayor complejidad.
8. Cuál es la topologı́a de una red obtenida por algún algoritmo de clasificación de los denomi-
nados Semi, como el Semi-Naive de Kononenko o Semi de Pazzani 2002
