REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD BICENTENARIA DE ARAGUA

RECTORADO ACADÉMICO
FACULTAD DE INGENIERÍA
ESCUELA DE SISTEMAS

Métodos de propagación exacta,

aproximada y por redes bayesianas

Prof. Deyanira Noguera Alumno:

José Penagos 28.249.603

Sección: 1

San Joaquín de Turmero, octubre, 2021

 Introducción
En los años 80, comienza a surgir la industria de los sistemas
expertos, con la finalidad de lograr generar un sistema capaz de reproducir la
actividad de un experto humano en tópicos específicos. Como en otras áreas
de la inteligencia artificial, los primeros resultados fueron atractivos y eso
generó una expectativa desmesurada. Sin embargo, la comunidad halló
severas dificultades en la manipulación de la gran cantidad de información
necesaria para poder llevar a cabo una actividad realmente experta en el
sentido humano.

Ante estas dificultades, se incorporaron nuevas tecnologías y surge

una nueva generación de Sistemas Expertos, mucho más fáciles y flexibles
de mantener y desarrollar. Actualmente, los desarrolladores tienen a
disposición, una tecnología madura basada en métodos sofisticados de
razonamiento, manejo de errores, incerteza, incompletitud y fallas.

Teniendo en cuenta, que dichos antecedentes forman la base de una

de las áreas de la Inteligencia Artificial más utilizadas en la actualidad, el
presente ensayo toma interés en el funcionamiento de los sistemas expertos,
indagando acerca de los diferentes algoritmos y métodos de propagación
que utilizan para la resolución de problemas, desde sus características hasta
sus beneficios e inconvenientes.
 Con fines de dar respuesta a los distintos planteamientos descritos en
la introducción del presente ensayo, es crucial conocer el objeto de estudio,
el cual, en este caso, es referido a los sistemas expertos.

El Comité de Sistemas Expertos de la British

Computer Society, presenta la siguiente definición
acerca de estos sistemas: "Se considera que un
sistema experto es la incorporación en un ordenador de
un componente basado en el conocimiento, que se
obtiene a partir de la habilidad de un experto, de forma
tal que el sistema pueda dar consejos inteligentes o
tomar decisiones inteligentes. Una característica
adicional deseable, y que para muchos es fundamental, es que el sistema
sea capaz, bajo demanda, de justificar su propia línea de razonamiento de
una forma inmediatamente inteligible para el que lo usa".

Siguiendo el orden de ideas de dicha

definición, diversos conocedores del tema, los
consideran como un subconjunto o rama de la
inteligencia artificial (IA), ya que utilizan esta
tecnología con la finalidad de simular el proceso de
razonamiento de un profesional humano, permitiendo
facilitar la resolución de problemas a usuarios sin
experiencia o servir de ayudante a profesionales
experimentados en una determinada área pudiendo
superar incluso las capacidades de estos últimos.

Tomando en cuenta que la misión de los sistemas expertos es

interpretar información a partir de la situación problema (evidencia) y
presentar todas las alternativas posibles, resulta de interés para la
investigación del presente ensayo, el mecanismo mediante el cual, los
sistemas expertos son capaces de realizar este análisis.

Este mecanismo es representado por los algoritmos de propagación, y

su utilidad consiste en propagar los efectos de la evidencia obtenida a través
de la red para darle valores a ciertas variables y a partir de estas, obtener la
probabilidad posterior de las demás variables. Estos algoritmos tienen dos
enfoques diferentes, los cuales son propagación exacta y aproximada.

En el caso de los
algoritmos de propagación
exacta, Hernández, L. en su
trabajo “Algoritmos de
Propagación I: Métodos
Exactos” describe que “los
métodos exactos se basan en la
idea de conseguir las distribuciones marginales de cada variable mediante la
modificación de las valoraciones de los nodos vecinos a través de
expresiones matemáticas exactas (fórmulas) ya preestablecidas - de ahí el
nombre de exactos.”

Siguiendo a esta idea, es posible resaltar que cuando se modifica la

información asociada en un nodo, ésta se traspasa a los nodos vecinos a
través de los arcos que los unen de manera progresiva. Aunque a simple
vista parece sencilla la idea de transmitir información de un nodo a otro, la
realidad es que el problema es NP-completo (8] y, por lo tanto, no siempre es
capaz de encontrar soluciones al problema de la inferencia local en tiempo
polinomial.

Sin embargo, es posible encontrar estructuras sencillas en las que el

tiempo de resolución es polinomial, como puede ser el caso de los grafos
encadenados (un nodo tiene un máximo de un sólo padre y/o un sólo hijo),
árboles (cada nodo sólo tiene un padre) y poliárboles (existe un único camino
que une dos nodos cualesquiera del grafo).

De esta manera, existen diversos métodos de propagación exacta

como es el método del poliárbol de Pearl (2000), el cual resulta de fácil
implementación y trabaja en tiempo polinomial, lo cual se debe al tipo de
grafos con los que trabaja (árboles, cadenas y poliárboles), sin embargo,
esto también limita su uso ya que este método no puede ser utilizado en
grafos con ciclos.

Luego tenemos el método por condicionamiento, a diferencia del

método del poliárbol, este presenta la capacidad de trabajar con ciclos. En
contraposición se ven obligados a solicitar un conjunto de variables para
poder aplicar el método para poliárboles, lo que produce un aumento de
memoria y tiempo computacional debido al crecimiento exponencial en el
número de nodos de corte.

También es posible mencionar el método basado en eliminación de

variables, los cuales se basan en la eliminación de variables bajo una
secuencia dada para obtener la probabilidad 'a posteriori' de un conjunto de
variables de interés. Este método también permite trabajar con ciclos y es
muy rápido, ya que, sólo se basa en la información que suministra una
variable. Su inconveniente es que es necesario repetir cálculos si se desea
obtener distintas probabilidades 'a posteriori'.

Finalmente, se tiene el método basado en árboles en cliques, que

consiste en agrupar de forma adecuada las variables involucradas en la red
causal, formar un grafo acíclico dirigido relacionando entre sí estos
conjuntos, y aplicar un tratamiento semejante al utilizado en poliárboles. Su
único inconveniente es cómo determinar los mejores cliques.

El aspecto que los distintos métodos exactos tienen en común es que

todos construyen un grafo de grupos, mientras que la diferencia deriva en
que cada uno busca el que resulta más adecuado para el esquema de
inferencia que define. Cabe destacar, que el funcionamiento de estos
algoritmos es eficiente en redes de hasta 30 nodos, sin embargo, no son
recomendables en caso de trabajar sobre una red que supere este límite.

Una vez habiendo explicado los métodos de

propagación exactos, es importante explicar los
métodos de propagación aproximada, ya que se
caracterizan por emplear diversas técnicas de
simulación para llegar a conclusiones aproximadas, en
casos donde los métodos exactos toman un tiempo
computacional prolongado para propagar una red o directamente no son
aplicables. Los métodos aproximados pueden clasificarse en métodos de
simulación estocástica y los métodos de búsqueda determinista.

En el caso de los métodos de búsqueda

determinista, los resultados de las simulaciones no
tienen ninguna distribución de probabilidad, y
obtienen la misma aproximación para cualquier
ejecución, es decir, siempre con los mismos valores
de entrada se producirán los mismos valores de salida. Se puede mencionar
técnicas como el muestreo sistemático y el método de búsqueda de la
máxima probabilidad.

En cambio, los métodos de simulación estocástica, se refieren a

aquellos en los que los resultados del modelo tienen una distribución de
probabilidad, además de que, generan la muestra a partir de la función de
probabilidad conjunta usando algunos mecanismos aleatorios y por esta
razón, el proceso no produce necesariamente los mismos resultados, en
distintas simulaciones del modelo. El objetivo de la simulación es extraer
conclusiones sobre cierto sistema real sin necesidad de experimentar
directamente sobre el sistema en cuestión.

Entre estos se encuentran, el método de ponderación por

verosimilitud, muestreo estratificado o sistemático, muestreo por importancia
basado en precomputación aproximada, el método de aceptación – rechazo,
entre otros.

Culminando los métodos de propagación, también se encuentra el uso

de las redes bayesianas. Teniendo en cuenta, la definición que ofrece
Ferrero, M. (2005), se podría decir que “Una Red Bayesiana (RB) es un
modelo gráfico probabilístico representado mediante un grafo dirigido acíclico
que describe la factorización de una distribución de probabilidad conjunta
determinada, donde la estructura de dicho grafo exhibe las variables junto
con las relaciones (dependencias e independencias) existentes entre ellas.”
 La estructura de la red permite especificar la función de probabilidad
conjunta de estas variables como el producto de funciones de probabilidad
condicionadas, por lo general, más sencillas. Este enfoque representa una
buena estrategia para hacer frente a problemas relacionados con la
incertidumbre, donde las conclusiones no pueden ser construidas sólo a
partir de un conocimiento previo sobre el problema. Los nodos de una red
bayesiana representan variables aleatorias y los arcos representan
relaciones de dependencia directa entre las variables.

Sus inconvenientes son la limitación en cuanto al rango de

aplicaciones. Necesitan un gran número de probabilidades numéricas, y
normalmente no se dispone de toda esta información por lo que es necesario
recurrir a estimaciones de expertos humanos, además que la presencia de
bucles complica extraordinariamente los cálculos, y por esta razón, los
métodos de simulación estocástica resultan más eficientes que los métodos
exactos, por mucho que resulte costoso, en términos de tiempo de
computación, lograr el grado de aproximación deseado.
 Conclusión
Durante el desarrollo del ensayo, se pudo evidenciar la importancia
que tienen los sistemas expertos en la toma de decisiones, debido a su
capacidad para emular el razonamiento de personas especializadas en
determinadas áreas, y ofrecer resultados equivalentes a este, lo cual es
motivo de sus variadas aplicaciones en campos como la medicina y la
seguridad de operaciones de crédito financiero.

También se hizo énfasis en los distintos métodos de propagación

aplicados a los sistemas expertos, destacando a los métodos exactos, los
cuales son útiles en caso de que la red a analizar sea reducida, sin embargo,
en el caso contrario, demuestran ineficiencia debido a la cantidad de cálculos
y tiempo computacional que toma encontrar una solución exacta para una
red amplia.

En cambio, los métodos de propagación aproximada, son más

recomendables para el análisis de situaciones más complicadas, ya que, a
pesar de que llega a conclusiones con un grado menor de exactitud, toman
un tiempo más razonable que los métodos exactos y resultan más prácticos
en ese aspecto.

Finalmente, se llega al análisis de las redes bayesianas, las cuales

proporcionan una representación gráfica para un conjunto de variables
aleatorias y las relaciones existentes entre ellas, lo cual otorga una visión
global de la situación problema, sin embargo, requiere de una gran cantidad
de información probabilística lo cual dificulta llegar a una solución
aproximada aceptable.
 Referencias bibliográficas
Blog 01, A. (2020, 15 mayo). Sistemas expertos Bayesianos. Ph. D.

Guillermo Choque. Recuperado 25 de octubre de 2021, de

https://guillermochoque.net/index.php/2020/05/15/sistemas-expertos-

bayesianos/

Fernández, A. (2007). Universidad de Almería.

https://w3.ual.es/~afa109/downloads/dea.pdf

Ferrero, M. (2005). Métodos y algoritmos determinísticos de inferencia

aproximada en Redes Bayesianas.

https://haitta.com/publications/Metodos_y_algoritmos_deterministicos_

de_inferencia_aproximada_en_Redes_Bayesianas_-

_Mariano_Ferrero.pdf

Hernández, L. (2005). Algoritmos de Propagación I: Métodos Expertos.

https://ruidera.uclm.es/xmlui/bitstream/handle/10578/6098/CCT0020C

AP2.pdf?sequence=1&isAllowed=y

Next, J. C. O. P. (s. f.). «MÉTODOS DE PROPAGACIÓN EXACTA,

APROXIMADA Y POR REDES BAYESIANAS». Prezi.Com.

Recuperado 25 de octubre de 2021, de

https://prezi.com/p/15krw891ved9/metodos-de-propagacion-exacta-

aproximada-y-por-redes-bayesianas/?fallback=1
Rivera, M. (2011). EL PAPEL DE LAS REDES BAYESIANAS EN LA TOMA

DE DECISIONES.

https://www.urosario.edu.co/Administracion/documentos/investigacion/

laboratorio/miller_2_3.pdf

Salmerón, A. (2005). Algoritmos de Propagación II. Métodos de Monte Carlo.

https://ruidera.uclm.es/xmlui/bitstream/handle/10578/6099/CCT0020C

AP3.pdf;sequence=1

Untitled Document. (s. f.). Conganat. Recuperado 24 de octubre de 2021, de

https://conganat.uninet.edu/IIICVHAP/conferencias/004/texto.htm