Redes bayesianas y diagnóstico médico. Una forma diferente de aprender probabilidades condicionadas

Abstract

[ES] Las redes bayesianas constituyen una herramienta formal que permite modelar procesos caracterizados por la incertidumbre, lo cual es propio de muchos problemas reales. Con una red bayesiana se puede establecer un modelo completo sobre un conjunto de variables aleatorias y sus relaciones. Dicho modelo se puede utilizar para estimar probabilidades de ciertas variables de la red, que se denominan variables de estado, cuando son fijadas otras variables, llamadas variables de evidencia. El proceso de obtener la distribución de probabilidad de las variables de estado dadas las evidencias se denomina inferencia probabilística bayesiana. En este trabajo, tras introducir las redes bayesianas, se expone cómo utilizarlas en el aula analizando problemas de diagnóstico médico. Con esto se persigue un aprendizaje más significativo de los conceptos de independencia y de probabilidad condicional, que son esenciales para una correcta aplicación de numerosos métodos probabilísticos y estadísticos.

[EN] Bayesian networks are a formal tool that allows to model processes characterized by uncertainty, which is typical of many real problems. A Bayesian network can establish a comprehensive model on a set of random variables and their relationships. This model can be used to estimate probabilities of certain variables of the network, which are called state variables, when other variables, named evidence variables, are fixed. The process of obtaining the probability distribution of the state variables, when the evidences are fixed, is named Bayesian probabilistic inference. In this work, after introducing the Bayesian networks, it is exposed how to use them in the classroom analysing medical diagnosis problems. This leads to a more meaningful learning of the concepts of independence and conditional probability, which are essential for the correct application of numerous probabilistic and statistical methods.