SII - TEMA 8

¿Qué son las redes bayesianas?. Una herramienta para modelar problemas complejos que involucran incertidumbre. Una herramienta para modelar problemas simples que involucran certeza. Una herramienta para modelar problemas complejos que involucran certeza.

¿Qué es la inferencia probabilística?. El proceso de deducir información desconocida a partir de información conocida utilizando probabilidades. El proceso de deducir información conocida a partir de información desconocida utilizando probabilidades. El proceso de deducir información desconocida a partir de información conocida utilizando estadísticas.

¿Cómo se representan las relaciones causales entre variables en una red bayesiana?. Mediante un grafo dirigido acíclico. Mediante un grafo no dirigido acíclico. Mediante un grafo dirigido cíclico.

¿Qué es la propagación hacia adelante en una red bayesiana?. El proceso de calcular la probabilidad conjunta de todas las variables dadas ciertas observaciones. El proceso de calcular la probabilidad marginal de una variable dada ciertas observaciones. El proceso de calcular la probabilidad condicional de una variable dada ciertas observaciones.

¿Qué es la propagación hacia atrás en una red bayesiana?. El proceso de calcular la probabilidad conjunta de todas las variables dadas ciertas observaciones. El proceso de calcular la probabilidad marginal de una variable dada ciertas observaciones. El proceso de actualizar las creencias sobre las variables ocultas dadas ciertas observaciones.

¿Qué es la actualización dinámica en una red bayesiana?. El proceso de actualizar las creencias sobre las variables ocultas dadas ciertas observaciones. El proceso de actualizar las creencias sobre las variables ocultas a medida que se recopila nueva información. El proceso de actualizar las creencias sobre las variables observadas a medida que se recopila nueva información.

¿Qué es el aprendizaje bayesiano?. El proceso de actualizar un modelo bayesiano a medida que se recopila nueva información. El proceso de crear un modelo bayesiano a partir de datos observados. El proceso de calcular la probabilidad conjunta de todas las variables en una red bayesiana.

¿Qué es la entropía en teoría de la información?. Una medida de la incertidumbre asociada a una distribución de probabilidad. Una medida del orden y la complejidad en un sistema. Una medida del error en un modelo estadístico.

¿Qué es el principio de máxima entropía?. El principio que dice que, dado cierto conjunto de restricciones, la distribución de probabilidad más probable es aquella que tiene mayor entropía. El principio que dice que, dado cierto conjunto de restricciones, la distribución de probabilidad más probable es aquella que tiene menor entropía. El principio que dice que, dado cierto conjunto de restricciones, todas las distribuciones de probabilidad son igualmente probables.

¿Qué es el algoritmo EM?. Un algoritmo para estimar los parámetros desconocidos en un modelo estadístico cuando hay datos faltantes o incompletos. Un algoritmo para calcular la propagación hacia adelante en una red bayesiana. Un algoritmo para calcular la propagación hacia atrás en una red bayesiana.

¿Qué es el método Monte Carlo?. Un método numérico para aproximar soluciones a problemas matemáticos mediante simulaciones aleatorias. Un método analítico para resolver ecuaciones diferenciales. Un método para calcular la propagación hacia adelante en una red bayesiana.

¿Qué es el muestreo de Gibbs?. Un algoritmo para simular muestras de una distribución de probabilidad condicional. Un algoritmo para calcular la propagación hacia adelante en una red bayesiana. Un algoritmo para calcular la propagación hacia atrás en una red bayesiana.

¿Qué es el teorema de Bayes?. Una fórmula que relación a la probabilidad condicional de dos eventos. Una fórmula que relaciona la probabilidad a priori y la probabilidad a posteriori de un evento dado cierta evidencia. Una fórmula que relaciona la media y la varianza de una distribución normal.

¿Qué es la inferencia causal en una red bayesiana?. Es la inferencia que se realiza cuando se tiene evidencia sobre una variable y se quiere calcular la probabilidad de otra variable. Es la inferencia que se realiza cuando se tiene evidencia sobre una variable y se quiere calcular la probabilidad de todas las variables en la red. Es la inferencia que se realiza cuando no se tiene evidencia sobre ninguna variable y se quiere calcular la probabilidad de todas las variables en la red.

¿Qué es el razonamiento intercausal en una red bayesiana?. Es el razonamiento que permite justificar una hipótesis a partir de varias evidencias. Es el razonamiento que permite calcular la probabilidad de una variable dada otra variable, sin tener en cuenta las relaciones causales entre ellas. Es el razonamiento que permite calcular cómo afecta un cambio en una variable a otras variables relacionadas con ella.

¿Qué es el aprendizaje estructural en redes bayesianas?. Es el proceso de aprender los parámetros del modelo a partir de datos observados. Es el proceso de aprender la estructura del modelo a partir de datos observados. Es el proceso de aprender tanto los parámetros como la estructura del modelo a partir de datos observados.

¿Qué es un nodo latente en una red bayesiana?. Es un nodo que no tiene padres en la red. Es un nodo que no tiene hijos en la red. Es un nodo que representa una variable que no se puede observar directamente.

¿Qué es el algoritmo de eliminación de variables en una red bayesiana?. Es un algoritmo para calcular la probabilidad conjunta de todas las variables en la red. Es un algoritmo para calcular la probabilidad de una variable dada la evidencia de otras variables en la red. Es un algoritmo para simplificar el cálculo de la probabilidad de una variable dada la evidencia de otras variables en la red.

¿Qué es la independencia condicional en una red bayesiana?. Es la propiedad que tienen dos variables cuando su probabilidad conjunta es igual al producto de sus probabilidades marginales. Es la propiedad que tienen dos variables cuando su probabilidad conjunta es igual a la suma de las probabilidades condicionales de una variable dada la otra y su negación. Es la propiedad que tienen dos variables cuando su probabilidad condicional no depende de ninguna otra variable en la red.

¿Qué es el algoritmo de propagación hacia atrás en una red bayesiana?. Es un algoritmo para calcular la probabilidad conjunta de todas las variables en la red. Es un algoritmo para calcular la probabilidad de una variable dada la evidencia de otras variables en la red. Es un algoritmo para propagar hacia atrás las creencias sobre una variable a partir de las creencias sobre sus hijos en la red.

¿Qué es el teorema de Bayes y cómo se utiliza en redes bayesianas?. El teorema de Bayes establece cómo actualizar nuestras creencias sobre una hipótesis a partir de nueva evidencia. En redes bayesianas, se utiliza para calcular las probabilidades condicionales necesarias para realizar inferencia. El teorema de Bayes establece cómo calcular las probabilidades marginales y conjuntas a partir de las probabilidades condicionales. En redes bayesianas, se utiliza para construir la estructura de la red. El teorema de Bayes establece cómo calcular las probabilidades condicionales a partir de las probabilidades marginales y conjuntas. En redes bayesianas, se utiliza para aprender los parámetros del modelo a partir de datos observados.

¿Qué es la inferencia exacta en una red bayesiana?. Es un método para calcular la probabilidad de una variable dada la evidencia de otras variables en la red utilizando el algoritmo de propagación hacia atrás. Es un método para calcular la probabilidad de una variable dada la evidencia de otras variables en la red utilizando el algoritmo de eliminación de variables. Es un método para calcular la probabilidad de una variable dada la evidencia de otras variables en la red utilizando el algoritmo de muestreo.

¿Qué es el aprendizaje estructural en redes bayesianas?. Es un proceso mediante el cual se ajustan los parámetros del modelo a partir de datos observados. Es un proceso mediante el cual se aprende la estructura óptima del modelo a partir de datos observados. Es un proceso mediante el cual se seleccionan las variables relevantes para incluir en el modelo.