Grafoide.

Un grafoide es un conjunto de relaciones de independencia que es cerrado

con respecto a las propiedades de simetra, descomposicin, unin dbil, contraccin
e interseccin.
Semigrafoide. Un semigrafoide es un conjunto de relaciones de independencia que
es cerrado con respecto a las propiedades de simetra, descomposicin, unin dbil
y contraccin.
Por tanto, un grafoide debe satisfacer las cinco primeras propiedades, mien- tras que
un semigrafoide debe satisfacer solo las cuatro primeras (ver Pearl y Paz (1987) y
Geiger (1990)).
Dada una lista inicial de independencias, un grafo, o una funcion de probabilidad
conjunta, siempre es posible determinar que relaciones de in- dependencia se
cumplen en el modelo y, por tanto, determinar su estructura cualitativa. Por tanto,
estos tipos de modelos denen clases particulares de los denominados modelos de
dependencia.
Modelo de Dependencia. Cualquier modelo M de un conjunto de variables
{X 1 ,..., Xn} mediante el cual se pueda determinar si la relacin I(X, Y |Z) es
o no cierta, para todas las posibles ternas de subconjuntos X, Y y Z, se
denomina modelo de dependencia.
Modelo de dependencia probabilstico. Un modelo de dependencia M se
denomina probabilstico si contiene todas las relaciones de independencia
dadas por una funcion de probabilidad conjunta p(x 1 ,..., xn).
Modelo de dependencia probabilstico no ex- tremo. Un modelo de
dependencia probabilstico no extremo es un mo- delo de dependencia
probabilstico obtenido de una funcion de probabilidad no extrema, o positiva;
es decir, p(x 1 ,..., xn) toma valores en el intervalo abierto (0, 1).
Dado que todas las funciones de probabilidad satisfacen las cuatro primeras
propiedades de independencia condicional, todos los modelos de dependencia
probabilsticos son semigrafoides. Por otra parte, dado que solo las funciones de
probabilidad no extremas satisfacen la propiedad de interseccion, solo los modelos
de dependencia probabilsticos no extremos son grafoides.
Modelo de dependencia compatible con una probabilidad. Un modelo de
dependencia M se dice compatible con una funcin de probabilidad p(x1 , . . . , xn )
si todas las relaciones de independencia derivadas M son tambin satisfechas
por p(x1 , . . . , xn ).

Obsrvese que un modelo de dependencia compatible con una probabilidad es aquel

que puede obtenerse de una funcion de probabilidad conjunta p(x 1 ,..., xn), pero sin
necesidad de ser

completo,

es

decir,

no

tienen

relaciones de independencia que pueden obtenerse de

por que contener todas las

p(x 1 ,..., xn).

Dado que toda funcion de probabilidad cumple las cuatro primeras propiedades de
la independencia condicional, si un modelo de dependencia M es compatible con
una funcion de probabilidad p(x1 , . . . , xn ), entonces el menor semigrafoide
generado por M tambien debe ser compatible con p(x 1 ,..., xn). Por tanto, un
problema interesante desde el punto de vista practico es calcular el menor
semigrafoide generado por un modelo de dependencia M . El siguiente algoritmo
puede ser utilizado con este n:
Generando un grafoide mnimo.
Datos: Un modelo de dependencia inicial M .
Resultado: El mnimo grafoide que contiene a M .

Generar nuevas relaciones de independencia aplicando las propieda- des de simetr

a, descomposicion, union debil, contraccion e inter- seccion a las relaciones
del modelo M . El conjunto resultante es el grafoide buscado.
El algoritmo anterior tambien puede ser utilizado para generar un semi- grafoide;
para ello basta con no utilizar la propiedad de interseccion. El ejemplo siguiente
ilustra este algoritmo.

Factorizaciones de una Funcin de Probabilidad

Ejemplo
Generando grafoides. Supngase que se tiene un con- junto de cuatro
variables {X1, X2, X3, X4} y que se da la siguiente lista de relaciones de
independencia:
M = {I(X1, X2|X3), I(X1, X4|X2), I(X1, X4|{X2, X3})}.
La Tabla 5.2 muestra las relaciones de independencia iniciales, y las relaciones
derivadas necesarias para completar el modelo hasta convertirlo en un semigrafoide
y un grafoide, respectivamente. Las nuevas relaciones de independencia son
generadas utilizando un programa de ordenador llamado X-pert Maps,2 que
implementa el Algoritmo 5.2. La Tabla 5.2 tambin muestra las relaciones de
independencia que se utilizan para obtener las nuevas independencias.
Por tanto, las cinco primeras propiedades pueden ser utilizadas para aumentar un
modelo de dependencia M compatible con una funcin de probabilidad p(x 1 ,..., xn).

Tanto el modelo inicial como el completado son compatibles con p(x 1 ,..., xn). Esto
motiva el siguiente problema:

Pregunta 5.3. Constituyen las cuatro propiedades descritas anteriormente una

caracterizacin completa de los modelos probabilsticos?
Pearl y Paz (1987) (ver Pearl, (1988) p. 88) conjeturaron que las primeras cuatro
propiedades (simetra, descomposicin, unin dbil, y contraccin) eran completas.
Sin embargo, esta conjetura fue refutada por Studeny (1989) encontrando,
primeramente, un propiedad que no puede derivarse de las cuatro anteriores y
mostrando, despus, que no existe ningn conjunto completo de propiedades que
caractericen los modelos probabilsticos (Studeny (1992)).
Como se ver en los captulos siguientes, la estructura cualitativa de un modelo
probabilstico puede ser representada mediante un modelo de dependencia que
permitir obtener una factorizacin de la funcin de probabilidad. En la seccin
siguiente se introducen algunos conceptos sobre factorizaciones de una funcin de
probabilidad.
Factorizaciones de una Funcin de Probabilidad
Cualquier funcin de probabilidad de un conjunto de variables aleatorias puede ser
denida por medio de funciones de probabilidad condicionada ms sencillas formando
una factorizacin. En esta seccin se analizan distintas formas de factorizar una
funcin de probabilidad.

Construccin de Modelos Probabilsticos

Lista inicial
M = {I(X1, X2|X3), I(X1, X4|X2), I(X1, X4|X2X3)}
RIC adicionales para Semigrafoide
Propiedad
RIC
Derivada de
Simetra
I(X
2 , X1 |
Derivadas
Simetra
I(X4, X1|
Simetra
I(X4, X1|
Contraccion
I(X1,
Simetra
I(X2X4,
Union Debil I(X1, X2|
Simetra
I(X2, X1|
Descomposic I(X1, X4|
Simetra
I(X4, X1|
RIC adicionalesXpara
3) Grafoide
Propiedad
RIC

I(X1, X2|X3)
I(X1, X4|X2)
I(X1, X4|X2X3)
I(X1, X2 |X3) y I(X1,
I(X1, X2X4|X3)
I(X1, X2X4|X3)
I(X1, X2|X3X4)
I(X1, X2X4|X3)
I(X1, X4|X3)
Derivada de

I(X1, X2X4|
Derivadas

I(X1, X2|X3 X4 ) y I(X1,

Simetra

) I(X2X4,

X4|X2) I(X1, X2X4|)

Descomposici

X1|) I(X1,

I(X1, X2X4|) I(X1, X2|

on Simetra

X2|) I(X2,

) I(X1, X2X4|) I(X1,

X1|) I(X1,

X2|X4) I(X1, X2X4|)

X2|X4)

I(X1, X4|)

Interseccion

Union Debil
Simetra

TABLA 5.2. Mnimos semigrafoide y grafoide generados por la lista inicial M de

relaciones de independencia condicional (RIC) en (5.9), obtenidos utilizando el
Algoritmo 5.2.