Implementacin de Redes Bayesianas con Elvira y OpenMarkov en Java

Cecibel Chamba
Universidad Nacional de Loja
Marjorie Chinchay
Universidad Nacional de Loja
Karla Herrera
Universidad Nacional de Loja
Resmen
En el presente artculo se abordar los conceptos ms relevantes relacionados con los redes
bayesianas y la implementacin de una red bayesiana para aprobar Dcimo Mdulo en java
con la ayuda de los programas elvira y openMarkov.
Introduccin
La inteligencia articial posee varias tcnicas, entre las
cuales est presente las redes bayesianas, siendo stas muy
tiles a la hora de calcular probabilidades de que un suceso
ocurra de acuerdo a las causas que lo puedan ocasionar. Por
ello, es fundamental su conocimiento y su aplicacin dentro
de un lenguaje de programacin.
Desarrollo
Redes Bayesiana
son herramientas estadsticas que representan un conjunto
de incertidumbres asociadas sobre la base de las relaciones
de independencia condicional que se establecen entre
ellas.(Edwards, 1998). Tambin es conocida como un
conjunto de variables o estructura grca conectando estas
variables y un conjunto de probabilidades condicionales.
Codica incertidumbre asociada a cada variable por medio
de probabilidades y, gracias al teorema de Bayes, esta
incertidumbre es susceptible de ser modicada con base en
observaciones (o evidencias) sobre el modelo.Kadie C
Una red bayesiana consta de nodos, enlaces y parmetros.
cada nodo corresponde a una variable, que a su vez represen-
ta una entidad del mundo real.
La informacin cuantitativa de una red bayesiana viene dada
por:
La probabilidad a priori de los nodos que no tienenpa-
dres.
La probabilidad condicionada de los nodos con padres.
Cuando una variable se instancia o cambia su probabilidad,
informa a su padre a travs del paso de un mensaje. En ba-
se a este mensaje, el padre actualiza su probabilidad (Redes
Bayesiana, s.f.)
Denicin formal Una red bayesiana es:
Un conjunto de variables proposicionales, V
Un conjunto de relaciones binarias denida sobre las
variables de V, E.
Una distribucin de probabilidad conjunta sobre lasva-
riables de V.
Tales que:
(V, E)forman un grafo acclico, conexo y dirigido G.
(G, P) cumplen las hiptesis de independencia con-
dicional, tambin llamadas de separacin direccional,
que se enuncian a continuacin.
Las hiptesis de independencia condicional establecen
que cada nodo debe ser independiente de los otros nodos de
la red (salvo sus descendientes) dados sus padres
Figura 1: Red Bayesiana
(Nava, s.f.)
Modelado con redes bayesianas
Identicacin de variables
Para identicar las variables es importante conocer el pro-
blema a modelar y centrarse en aquellas que son de inters,
con el apoyo de preguntas como las siguientes:
Cecibel Chamba-Marjorie Chinchay - Karla Herrera Tutor: Ing Henry Paz
Cul es la situacin que se plantea?
Qu posibles causas pueden explicar esta situacin?
Qu otros factores pueden hacer que los problemas o
causas ocurran, o impedir que ocurran?
De qu evidencia se dispone para soportar dichas cau-
sas, problemas o factores?
Tipos de variables:
Variables objetivo :
Las variables objetivo suelen utilizarse para modelar
fenmenos latentes, es decir, fenmenos que no son
directamente observables
Variables de observacin:
Las variables de observacin se usan para modelar las
formas indirectas que tenemos de medir las variables
objetivo. Tambin sedenominan variables de eviden-
cia.
Factores:
Tambin se denominan variables de contexto. Los fac-
tores pueden dividirse en 4 categoras, en relacin al
tipo de inuencia en las variables afectadas:
Promotores:
Si el factor promotor ocurre, la variable afectada
ser ms probable (correlacin positiva).
Inhibidores:
Si el factor promotor ocurre, la variable afectada
es menos probable (correlacin negativa)
Requeridos:
Es indispensable que estos factores entren en ac-
cin para sea posible que ocurran las variables
afectadas. Por ejemplo, para que una poblacin
especca de bacterias crezca se requiere que la
temperatura est por encima de un determinado
nivel.
Preventivos:
Si el factor ocurre, la variable afectada no puede
ocurrir.
Auxiliares:
Son variables que se usan por conveniencia. Por ejem-
plo, para simplicar el proceso de modelado y especi-
cacin de parmetros
Tipos de Redes Bayesianas
Redes Bayesianas Continuas
son aquellas que tienen un nmero innito de posi-
bles valores. En este tipo de redes resulta complica-
do determinar explcitamente las probabilidades con-
dicionadas para cada valor de las variables, as que las
probabilidades condicionadas se representan mediante
una funcin de probabilidad.
Redes Bayesianas Dinmicas
Las redes Bayesianas dinmicas consienten en la expo-
sicin de procesos que contienen una variable aleato-
ria en cada intervalo de tiempo. El proceso que se est
estudiando puede entenderse como una serie de pro-
cesos en un instante de tiempo(El papel de las redes
bayesianas, s.f.)
Aplicaciones de las redes bayesianas
La utilizacin de las redes bayesianas ha sido muy difun-
dida en diferentes campos como en la manipulacin de siste-
mas expertos en la medicina, en la depuracin de programas
de inteligencia articial, en la gentica, en procesos de pro-
duccin; todos estos enfocados a la solucin de problemas y
en la identicacin de probabilidades que disminuyan riesgo,
como es el uso primordial que se le da en la rama nanciera.
Las redes bayesianas como herramienta de gestin de riesgo
son de suma importancia para el gremio nanciero debido a
sus grandes aportes en la denicin de condiciones probabi-
lsticas de inferencia, con un amplio manejo de variables.
Las redes bayesianas son utilizadas para representar el cono-
cimiento en mtodos de razonamiento, explotacin de infor-
macin, anlisis de los deudores del sistema nanciero y pre-
diccin de ventas; basados en la teora de la probabilidad, tal
que se pueda predecir el valor de las variables no observadas
y explicar los resultados arrojados de las variables observa-
das.
El uso de las redes bayesianas permiten aprender sobre rela-
ciones de dependencia y combinar conocimiento con nuevos
datos.
Elvira
El programa Elvira es fruto de un proyecto de investiga-
cin nanciado por la CICYT y el Ministerio de Ciencia y
Tecnologa, en el que participaron investigadores de varias
universidades espaolas y de otros centros. Aunque la se-
gunda fase del proyecto naliz en 2005, el desarrollo de
Elvira contina hasta la actualidad, con la adicin de nuevas
funcionalidades.
Elvira est destinado a la edicin y evaluacin de modelos
grcos probabilistas, concretamente redes bayesianas y dia-
gramas de inuencia.
Elvira est escrito y compilado en Java, lo cual permite
que funcione en diferentes plataformas y sistemas operativos
(MS-DOS/Windows, linux, Solaris, etc.).
(Andrs, s.f.)
Instalacin de Elvira
La ltima versin de Elvira es la 0.162 y ocupa 3.2
MB., para poder utilizar Elvira es necesario tener instalado
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mjchinchayc@unl.edu.ec, kkherrerap@unl.edu.ec
2
Cecibel Chamba-Marjorie Chinchay - Karla Herrera Tutor: Ing Henry Paz
previamente Java.
1. Descargar Elvira de la pgina ocial
http://leo.ugr.es/elvira/, ya sea para linux o para
windows.
Figura 2:Pgina ocial de Elvira
(Andrs, s.f.)
2. Al archivo .zip descargado se lo debe descomprimir.
Figura 3:Descomprensin del programa Elvira
3. Dar doble clic sobre el archivo elvira.jar
Figura 4:Pantalla Principal de Elvira
OpenMarkov
OpenMarkov es una herramienta informtica para mode-
los grcos probabilistas (MGPs) desarrollada por el Centro
de Investigacin sobre Sistemas Inteligentes de la UNED en
Madrid.
Para descargarlo, se necesita ir a su pgina ocial
http://www.openmarkov.org/inicio.html y situarse en la op-
cin Descargas. (CISIAD, s.f.)
Figura 5: Pgina ocial de OpenMarkov
(CISIAD, s.f.)
OpenMarkov guarda sus archivos en pgmx lo que ofrece
la oportunidad de realizar la conexin de archivos con esta
extensin en aplicaciones de java.
Figura 6:Ventana Principal de OpenMarkov
(Chamba Cecibel, s.f.)
Red Bayesiana para calculara la probabilidad de aprobar
dcimo mdulo en la Universidad Nacional de Loja
Para la realizacin de esta red, se toma en cuenta las ma-
terias vistas en el mdulo, cada una de ellas se convierte en
un nodo
Anteproyectos
Control Automatizado
tica Profesional
Inteligencia Articial
Simulacin
Sistemas Expertos
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mjchinchayc@unl.edu.ec, kkherrerap@unl.edu.ec
3
Cecibel Chamba-Marjorie Chinchay - Karla Herrera Tutor: Ing Henry Paz
Figura 7:Red Bayesiana para aprobar Dcimo Mdulo
Luego de ello, se especica los parametros a evaluar de
cada una de las materias, que se convierten tambin en no-
dos.
Al nal, se coloca un valor de probabilidad a cada nodo
hasta llegaral nodo principal. La tabla nal de probabilidades
Figura 8:Tabla de probabilidad de la Aprobacin de Dcimo Mdulo
[gura 8 ] se calcula de acuerdo a prametros como
Si las asistencias son mayores o menores al 80
Las notas de los mdulos anteriores han sido altas, ba-
jas o medias.
La nota de cada una de las materias hasta el momen-
to, es decir si se ha alcanzado el valor de aprobado o
reprobado hasta el momento.
Implementacin de Redes Bayesianas con Java
1. Realizar la red bayesiana en elvira, tomando en cuenta
los valores y probabilidades de cada nodo.
Figura 9:Red Bayesiana realizada en Elvira
2. Abrir el archivo con extensin elv en OpenMarkov y
guardarlo con la extensin por defecto de esta aplica-
cin, es decir pgmx.
3. Crear la conexin para utilizar el archivo de openmar-
kov en java.
En cualquier IDE de desarrollo en Java se crea una
nueva aplicacin y se adjunta la librera de OpenMar-
kov.
Esta aplicacin posee el constructor y dos mtodos:
en el constructor se obtiene el archivo con extensin
pgmx, se recorre cada uno de los nodos del archivo
pgmx y se guardan en una lista creada para ello.
Figura 10:Mtodo Constructor
(Chamba Cecibel, s.f.)
El siguiente mtodo en cambio sirve para obtener los
atributos de cada uno de los nodos e ir presentandolos
en la interfaz, en este caso se ha utilizado una tabla.
Los atributos presentados son:
getName: Obtiene el nombre del nodo.
getNode: Obtiene el nodo completo, es decir con
todos sus atributos.
getNodeType: Obtiene el tipo de nodo, es-
te valor puede ser Chance, Utility, Deci-
sion, Sv_Sum, Sv_Product, Cost, Eectiveness,
CE(Cost-Eectiveness).
getRelevance: Obtiene la .....
getApproximateMaximumUtilityFunction:
Obtiene la mxima probabilidad.
getApproximateMinimumUtilityFunction:
Obtiene la mnima probabilidad.
getUtilityFunction: Obtiene los nodos que lo
afectan y sus probabilidades.
getChildren: Obtiene los hijos del nodo.
getParents: Obtiene los padres del nodo
getCoordinateX: Obtiene la posicin del nodo
de acuerdo a las Xs
getCoordinatey: Obtiene la posicin del nodo
de acuerdo a las Ys
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mjchinchayc@unl.edu.ec, kkherrerap@unl.edu.ec
4
Cecibel Chamba-Marjorie Chinchay - Karla Herrera Tutor: Ing Henry Paz
Figura 11: Mtodo para la presentacin de datos en la interfaz
(Chamba Cecibel, s.f.)
getProbNet: Obtiene toda la red.
Y por ltimo, se presenta los resultados de la red, de
acuerdo a los valores seleccionados en la red bayesiana
hecha en elvira.
Figura 12:Mtodo para presentar los resultados de la red
(Chamba Cecibel, s.f.)
4. Ejecutar la aplicacin A continuacin se presenta la
interfaz de la aplicacin.
Figura 13:Interfaz de la aplicacin
Al presionar el botn de "Probabilidad para aprobar el
Mdulo.
a
parecern los datos obtenidos de la red hecha
en elvira
Figura 14:Ejecucin de la aplicacin
Conclusiones
Las redes bayesianas son muy tiles a la hora de cal-
cular la probabilidad de un suceso, tomando en cuenta
los factores que inciden en l.
Las redes bayesianas realizadas en elvira o en open-
markov pueden ser utilizadas como parte de aplicacio-
nes mucho ms grandes desarrolladas en algn lengua-
je de programacin.
Recomendacin
Realizar un clculo adecuado del valor de la probabili-
dad de cada uno los atributos de un nodo, este debera
ser colocado en base a algn estudio, encuesta; es decir
en base a valores reales que permitan obtener resulta-
dos ms ptimos.
Tener conocimientos acerca de un lenguaje de progra-
macin, por ejemplo java, para el desarrollo de aplica-
ciones de inteligencia articial; puesto que al tenerlos
es ms fcil su programacin y la utilizacin de las
libreras existentes.
Referencias
Andrs, E. C. (s.f.). Pgina ocial de elvira. Descargado de
http://leo.ugr.es/elvira/
Chamba Cecibel, H. K., Chinchay Marjorie. (s.f.). Implementacin
de una red bayesiana para la aprobacin de dcimo mdulo de
ingeniera en sistemas en java con elvira y openmarkov. Descar-
gado de https://github.com/yece/redeesBayesianas
CISIAD. (s.f.). Openmarkov. Descargado de
http://www.openmarkov.org/inicio.html
Edwards. (1998). Tools for and experiences with bayesian norma-
tive modelling. () [On the electrodynamics of moving bodies].
doi: http://www.psico.uniovi.es/REMA/v13n1/a2/p3.html
El papel de las redes bayesianas. (s.f.). Descargado de
https://www.google.com.ec/url?sa=trct=jq=esrc=ssource=webcd=9cad=rjauact=8ved=0CFcQFjAIurl=http %3A %2F %2Fwww.urosario.edu.co %2FAdministracion %2Fdocumentos %2Finvestigacion %2Flaboratorio %2Fmiller
23
.pd f ei =
YZOLU qHG67JsQTug4CYAgusg =
AFQjCNHf trvGZxhXBYaanu
0
78Fb7446tQbvm =
bv,67720277, d.cWc
Nava, F. P. (s.f.). Redes bayesianas
e inteligencia articial. Descargado de
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mjchinchayc@unl.edu.ec, kkherrerap@unl.edu.ec
5
Cecibel Chamba-Marjorie Chinchay - Karla Herrera Tutor: Ing Henry Paz
http://fdoperez.webs.ull.es/doc/RedesBayesianasEduc.pdf, Redes bayesiana. (s.f.). Descargado de
http://www.google.com.ec/url?sa=trct=jq=esrc=ssource=webcd=10cad=rjauact=8ved=0CFgQFjAJurl=http %3A %2F %2Fwww.lcc.uma.es %2F eva %2Faic %2FRedes %2520Bayesianas.pdfei=cT6LU-OXOZWksQSmwICIAwusg=AFQjCNHTQTkmsaH10Ug5rRk59
I
F3GD0S gbvm =
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mjchinchayc@unl.edu.ec, kkherrerap@unl.edu.ec
6