in Genio
Decisiones Inteligentes en Tiempos de Incertidumbre
Revista de estudios universitarios
Grupo editorial inGenio San Cristóbal, 2024
Introducción
En la actualidad, la ciencia de datos y la inteligencia artificial están presentes en casi todos los aspectos de nuestra vida cotidiana, desde recomendaciones personalizadas en plataformas de entretenimiento, hasta diagnósticos médicos asistidos por algoritmos o sistemas de navegación inteligentes. Todos estos avances tienen algo en común, operan con información parcial, incierta o cambiante. En un mundo cada vez más impulsado por los datos, la capacidad de interpretar y tomar decisiones fundamentadasenescenariosinciertossehavueltoesencial. Anteestereto, los métodos de propagación de información juegan un papel clave, ya que permiten estimar probabilidades, identificar patrones y realizar inferencias a partirdelaevidenciaconocida
Entre los enfoques más relevantes se encuentran los métodos de propagación exacta, los métodos de propagación aproximada y las redes bayesianas. Cada uno de ellos responde a distintos niveles de complejidad computacionalyprecisión,ysueleccióndependedeltipodeproblemaquese desea resolver, así como de los recursos disponibles. Los métodos de propagación exacta buscan calcular con precisión las probabilidades de los eventos dentro de un sistema. Aunque garantizan resultados confiables, pueden volverse impracticables cuando se trata de sistemas muy grandes o altamente conectados. En cambio, los métodos de propagación aproximada ofrecen una solución viable para estos casos, ya que permiten realizar estimacionesrazonablementeprecisasconunmenorcostocomputacional,lo que los convierte en una alternativa eficiente para problemas a gran escala. Por su parte, las redes bayesianas representan una herramienta especialmente poderosa para modelar relaciones de dependencia entre variables.
Notación y Conceptos Preliminares
Antes de sumergirse en los métodos específicos para la difusióndelainformación,unotiene que entender ciertos conceptos básicosqueayudaránauniralazar en modelos coherentes. Estos conceptos se fundamentan en la teoría de la probabilidad y se presentan utilizando la notación matemática común que ayuda a describir variables, eventos y su conexiónunosconotros.
Una de las bases fundamentales en este contexto es la probabilidad condicional, que se expresa como ��(��|��), y que representa la probabilidad de que ocurraunevento ��,dadoqueyase ha observado el evento ��. Este concepto es esencial en la propagación de la información, ya quepermiteactualizarlascreencias en función de la nueva evidencia disponible. A partir de esta noción, sederivaelteoremadeBayes,una herramientacrucialenla inferencia probabilística:
��(��|��)= ��(��|��)∗��(��) ��(��)
ElteoremadeBayespermite invertir la dirección de una probabilidadcondicional,facilitando el cálculo de probabilidades a posteriori, es decir, después de haberobservadociertainformación.
Otro conceptoimportantees el de independencia condicional, que establece que dos variables son independientes entre sí, al conocer una tercera variable, la información de una no proporciona datos adicionales sobre la otra.
Esta propiedad es especialmente útilenlaobraderedesbayesianas, donde las dependencias entre variables se simbolizan claramente enungrafodirigido.
En cuanto a la notación general:
• Las variables aleatorias se suelen representar con letras mayúsculas (por ejemplo, ��,��,��).
• Los valores específicos que puedentomarestasvariablesse representan con letras minúsculas(porejemplo, ��,��,��).
• Las probabilidades se escriben conlafunción ��,comoen ��(�� = ��),queindicalaprobabilidadde quelavariable �� tomeelvalor ��.
Comprender esta notación es esencial para trabajar con modelos de propagación, ya que permite construir tablas de probabilidades, funciones de distribución y relaciones de dependencia de forma estructurada. Además, proporciona una base común que facilita la comunicaciónentreinvestigadores, ingenieros y profesionales de distintas disciplinas que utilizan estos métodos en sus campos de aplicación.
Análisisdesensibilidad
En los modelos probabilísticos, especialmente en aquellos construidos a partir de redes bayesianas o métodos de inferencia aproximada, el análisis de sensibilidad cumpleuna función esencial: Evaluar cómo pequeñas variaciones en los parámetros del modelo afectan las conclusiones obtenidas. En otras palabras, permite determinar qué tan robustas son las inferencias ante cambios en las probabilidades de entrada.
Esteanálisisesfundamental cuando se trabaja con información incompleta,subjetivaoproveniente de expertos humanos, como suele ser el caso en aplicaciones médicas,sistemasdediagnósticoo evaluación de riesgos. En estos escenarios, es frecuente que las probabilidades iniciales también llamadas aprioriesténbasadasen juicios o estimaciones que podrían noserdeltodoprecisas.
El objetivo principal del análisis de sensibilidad es identificar qué variables o parámetros influyen con mayor peso en los resultados del modelo. Paraello,seexaminacómocambia la probabilidad de una conclusión deseada (por ejemplo, la probabilidad de una enfermedad dada la presencia de síntomas), al modificar las probabilidades condicionales de una o más variablesrelacionadas.
Existendiferentesformasde llevar a cabo este análisis. Una técnica común es la variación unitaria, que consiste en alterar un solo parámetro a la vez y observar su efecto sobre la salida. Otra técnica más completa es la variación simultánea de múltiples parámetros, aunque esta suele requerir mayor capacidad computacional.
El análisis de sensibilidad también es útil para validar el modelo. Si pequeñas modificaciones en los datos
iniciales provocan grandes alteraciones en los resultados, el modelo puede considerarse inestable o mal calibrado. Por el contrario, si el modelo muestra coherencia y estabilidad ante cambiosrazonables,sefortalecesu credibilidad.
Además de su uso técnico, este análisis tiene un valor estratégico en la toma de decisiones. Permite a los usuarios centrarseenaquellasvariablesque realmente importan, asignando recursosoesfuerzosderecolección dedatosdondemásimpactotiene. De esta forma, se logra una mejor comprensióndelsistemamodelado yseoptimizasuaplicaciónpráctica.
Medidasdecalidad
Evaluar la calidad de un modelo probabilístico es una tarea esencial para garantizar su utilidad en escenarios reales. Un modelo que produce inferencias debe no solo ser coherente desde el punto de vista lógico, sino también confiable y preciso en sus predicciones. Para lograrlo, se aplican distintas medidas de calidad, que permiten cuantificar el rendimientodelmodeloalmomento de hacer inferencias o tomar decisiones basadas en datos inciertos.
Una de las principales métricas utilizadas es la precisión de la inferencia, que se refiere a la capacidaddelmodeloparacalcular probabilidades cercanas a los valores reales esperados. Cuando se dispone de datos empíricos o históricos, es posible comparar las probabilidades predichas por el modelo con los resultados observados, y así determinar su gradodeexactitud.
Otramedidaimportanteesla consistencia del modelo. Esta propiedad implica que el modelo mantenga sus inferencias estables cuando se introducen nuevas evidencias relacionadas. En modelos bien diseñados, añadir información no debería causar resultados contradictorios o drásticamente diferentes, a menos quelanuevaevidencialojustifique.
En el caso de métodos aproximados, también se utiliza el error de inferencia, que representa la diferencia entre el valor real (o exacto) y el valor aproximado obtenido.Esteerrorpuedemedirse de diversas formas, como el error absoluto medio (MAE, por sus siglas en inglés) o el error cuadráticomedio(RMSE).
Para las redes bayesianas, se evalúa además la completitud y corrección estructural, es decir, si las dependencias entre variables estáncorrectamenterepresentadas y si se han omitido relaciones notables.Unaredmalestructurada
puede ofrecer resultados engañosos incluso cuando las probabilidades individuales son correctas.
Finalmente, en aplicaciones
donde la decisión es el objetivo principal como en sistemas médicos o de riesgo, se recurre a medidas como la utilidad esperada olacurvaROC(ReceiverOperating Characteristic), que permiten evaluar el desempeño del modelo entérminosdeaciertosyerroresen clasificacionesopredicciones.
Aplicar estas medidas de calidad no solo permite validar los modelos existentes, sino también compararlosentresí,optimizarlosy adaptarlosmejoralosdatosreales. En contextos donde la información es incompleta o ambigua, contar con herramientas que midan la confianza y precisión de las inferencias marca la diferencia entre una decisión acertada y una errónea.
Ejemplosdeaplicación
Losmétodosdepropagación ylasredesbayesianasnosoloson teorías abstractas; su verdadero valor radica en su aplicación práctica en diferentes campos. A continuación, se presentan tres ejemplos claros y concretos que ilustran cómo estas técnicas permiten resolver problemas complejos,manejarincertidumbrey apoyar la toma de decisiones en contextosmuyvariados.
• Medicina: Diagnóstico asistido porredesbayesianas
Enelcampodelamedicina, las redes bayesianas se utilizan para construir sistemas de diagnóstico asistido por computadora. Estos sistemas integran múltiples fuentes de información, como síntomas reportados por el paciente, resultados de exámenes clínicos y antecedentes médicos, para calcular laprobabilidad de distintas enfermedades. Gracias a la capacidad de manejar incertidumbre y datos incompletos, las redes bayesianas pueden ofrecer diagnósticos probabilísticos, que ayudan a los médicos a tomar decisiones más informadas y oportunas. Por ejemplo, en el diagnóstico de enfermedades complejas como el cáncer o trastornos neurológicos, estas herramientas permiten evaluar la influencia de diversos factores y mejorar la precisión clínica.
• Finanzas: Gestión de riesgos y deteccióndefraudes
En el sector financiero, las redes bayesianas y métodos aproximados son muy útiles para modelar el comportamiento de clientes, evaluar riesgos y detectar posibles fraudes. Mediante la representación de variables como patrones de gasto, historial crediticioyseñalesdealerta,estas redes permiten identificar relaciones y dependencias que no son evidentes a simple vista. Esto facilita la detección temprana de actividades sospechosas o riesgos
financieros, permitiendo a las instituciones tomar medidas preventivas. Además, los métodos de inferencia aproximada aceleran el procesamiento en contextos con grandes volúmenes de datos, optimizando la capacidad de respuesta.
• Inteligencia Artificial y Robótica: Toma de decisiones bajoincertidumbre
Enlainteligenciaartificialyla robótica, los métodos de propagación de probabilidades son fundamentales para que los sistemasautónomospuedantomar decisiones seguras y eficientes en entornos inciertos. Por ejemplo, un vehículo autónomo utiliza datos de sensores para percibir su entorno,
pero estos datos pueden ser imprecisos o estar incompletos. Mediante redes bayesianas, el vehículo calcula la probabilidad de diferentes escenarios y elige la mejor acción en función de la seguridad y la eficiencia. Esta capacidad para razonar bajo incertidumbre es clave para adaptarse a condiciones cambiantes, como tráfico o condiciones climáticas adversas, mejorando la autonomía y confiabilidaddelsistema.
Conclusión
los métodos de propagación exacta y aproximada y las redes bayesianas son herramientas fundamentales para el análisis y la toma de decisiones en entornos donde prevalece la incertidumbre. La capacidad de gestionarinformaciónparcial,modelarrelacionescomplejasentrevariablesy brindarinferenciassólidasloshaaseguradosuaplicaciónexitosaendominios tandiversoscomolamedicina,lasfinanzasylainteligenciaartificial.
A lo largo del desarrollo se ha evidenciado cómo cada enfoque tiene sus fortalezas particulares: los métodos exactos aseguran precisión en contextos manejables, mientras que los métodos aproximados permiten mantenerlaeficienciacuandolossistemassevuelvendemasiadocomplejos. Por su parte, las redes bayesianas ofrecen un marco intuitivo y visualmente comprensiblepararepresentardependenciasyrealizarinferencias,inclusoen ausenciadetodoslosdatos.
Más allá del aspecto técnico, estas herramientas también reflejanuna manera de pensar en términos probabilísticos, reconociendo que muchas decisiones reales deben tomarse sin certezas absolutas. Entender y aplicar estas metodologías permite no solo optimizar resultados, sino también aumentarlaconfianzaenlosprocesosdeanálisis,algoesencialenlaeradel bigdataylainteligenciaartificial.
Con el avance de la tecnología y el crecimiento exponencial de los datos,esprevisiblequelaimportanciadeestosmétodoscontinúeenaumento. Por ello, su comprensión y dominio no solo constituyen una ventaja competitiva, sino también una necesidad para quienes deseen afrontar con éxitolosdesafíosdelmundomoderno.
Créditos
• Docente:YusbelisdelCarmenPérezSánchez.
• Estudiante:JoséAntonioPulidoColmenares.
• ReferenciasBibliográficas:
Montes, J. (S/F). Sistemas expertos SE. Disponible en: https://www.gestiopolis.com/sistemas-expertos-se/, consultado 2025,mayo25
Numberanalytics (2025). Descubra 8 aplicaciones innovadoras delasredesbayesianashoy. Disponibleen:https://www.numberan alytics.com/blog/discover-8-innovative-applications-bayesiannetworks,consultado2025,mayo25
Odelandum (2024). ¿Qué es el análisis de sensibilidad?. Disponible en: https://modelandum.com/que-es-analisissensibilidad/,consultado2025,mayo25
QuestionPro (2018). ¿Cómo realizar un muestreo probabilístico?. Disponible en: https://www.questionpro.com/blog/ es/como-realizar-un-muestreo-probabilistico/, consultado 2025, mayo25
SafetyCulture Content Team (2025). ¿Qué son las normas de calidad?. Disponible en: https://safetyculture.com/es/temas/asegur amiento-de-la-calidad-y-control-de-calidad/normas-de-calidad/, consultado2025,mayo25
Sangüesa, R. (S/F). Redes bayesianas. Disponible en: https://openaccess.uoc.edu/bitstream/10609/138187/26/Data%20m ining_M%C3%B3dulo%207_Redes%20bayesianas.pdf, consultado 2025,mayo25
