00:00:00
Bienvenidos a descubriendo la
00:00:01
Inteligencia artificial hoy vamos a ver
00:00:03
razonamiento
00:00:05
[Música]
00:00:09
probabilístico en los vídeos anteriores
00:00:11
hemos estado viendo bueno pues todas las
00:00:14
teoremas todas las herramientas que en
00:00:16
un momento dado nos aporta tanto la
00:00:17
probabilidad como la estadística para
00:00:19
poder trabajar con la incertidumbre de
00:00:20
acuerdo a partir de hoy lo que vamos a
00:00:22
empezar a hacer Bueno pues es eh
00:00:25
utilizar todo eso que hemos visto todo
00:00:27
lo que hemos conocido sus propiedades
00:00:29
pues para en un momento dado hacer
00:00:31
razonamiento e inferencia dentro de lo
00:00:34
que sería bueno pues con los agentes
00:00:35
inteligentes de acuerdo Entonces qué
00:00:37
ocurre que lo que tenemos que empezar a
00:00:38
hacer o lo que vamos a empezar a hacer
00:00:40
va a ser unos vídeos en principio Este
00:00:43
es el primer vídeo es un vídeo
00:00:44
introductorio sobre algunos conceptos
00:00:46
que vamos a necesitar para empezar ya a
00:00:49
trabajar con uno de las herramientas más
00:00:51
potentes que existe dentro de este
00:00:52
enfoque que son las redes vallesan de
00:00:54
acuerdo Entonces antes de meternos de
00:00:56
lleno en lo que son las redes vallesan
00:00:58
pues vamos a ver Bueno pues alguna como
00:01:00
siempre al una pequeña introducción
00:01:01
algunos conceptos sobre
00:01:04
razonamiento lo que es el razonamiento
00:01:06
probabilístico como la diferencia
00:01:07
probabilística de acuerdo Entonces en
00:01:09
base a esos En definitiva lo que hemos
00:01:12
visto todo lo que hemos visto
00:01:13
anteriormente cómo aplicarlo para que
00:01:15
para que en un momento dado podamos
00:01:16
hacer esos razonamientos ese inferencia
00:01:18
de acuerdo Entonces en base a esos
00:01:20
conocimientos vamos a ir empezando Bueno
00:01:21
pues a Ya a a particularizar para lo que
00:01:24
es son eh la Inteligencia artificial en
00:01:26
este caso un agente inteligente un
00:01:27
agente racional que haga uso de lo que
00:01:30
son las redes bayesianas la probabilidad
00:01:31
y la estadística de acuerdo empezamos
00:01:34
por lo que es el concepto de un concepto
00:01:36
que es la variable que yo creo que todo
00:01:37
el mundo entiende Es decir nosotros
00:01:38
vamos a trabajar con variables dentro
00:01:40
del mundo de redes vallenas vamos a
00:01:41
tener variables que se corresponden
00:01:43
básicamente con las variables aleatorias
00:01:44
que teníamos En probabilidad y al igual
00:01:47
que ell se representan en letras
00:01:48
mayúsculas de acuerdo eh dentro de las
00:01:51
variables tenemos dos conjuntos bien
00:01:53
diferenciados de variables por un lado
00:01:55
tenemos las las variables observadas que
00:01:57
se suele Llamar evidencias de acuerdo lo
00:01:59
que nosotros en un un momento dado o
00:02:00
nosotros o mejor dicho la gente vale Lo
00:02:02
que la gente sabe sobre el mundo es
00:02:04
decir son las cosas que nosotros podemos
00:02:06
medir las que podemos determinar no
00:02:07
definitiva lo lo que lo que la gente
00:02:09
está percibiendo de su entorno por otro
00:02:12
lado tenemos una serie de variables
00:02:14
ocultas que se llaman que es pu Pues
00:02:16
todo aquello que la gente no pues ni
00:02:18
sabe eh Ni conoce y que debe de alguna
00:02:21
forma pues razonar e inferir de acuerdo
00:02:24
en un momento dado eh Por poneros Un
00:02:26
ejemplo muy sencillo Pues imaginaros que
00:02:28
en un momento dado pues sale a la calle
00:02:30
y de pronto ves que el suelo está mojado
00:02:31
no entonces la evidencia O sea la la
00:02:34
variable observada es que el suelo está
00:02:36
mojado la variable oculta es eh razonar
00:02:38
O inferir qué es lo que ha pasado es
00:02:40
decir por qué el suelo está mojado Puede
00:02:41
que haya llovido Puede que haya alguien
00:02:43
Bueno pues haya echado agua en el suelo
00:02:46
ha pasado algo no Entonces tenemos que
00:02:47
en un momento dado el agente lo que
00:02:49
tiene que hacer es recabar todas las
00:02:51
recopilar todas las evidencias que pueda
00:02:53
sobre el mundo sobre lo que puede
00:02:55
observar del mundo y de esa forma
00:02:57
inferir o razonar sobre Cuáles son bueno
00:02:59
Pues en este caso las causas que ha
00:03:01
producido el hecho de que por ejemplo el
00:03:03
suelo esté mojado no Y eso se llaman
00:03:05
variables ocultas en definitiva como
00:03:07
digo las observadas es lo que vemos del
00:03:10
mundo las ocultas son lo que tenemos que
00:03:11
inferir a partir de las observadas de
00:03:13
acuerdo en cuanto Bueno al nombre de
00:03:15
dominio se utiliza bastantes matemáticas
00:03:17
también pero bueno que simplemente por
00:03:19
por utilizar el nombre correcto pero En
00:03:21
definitiva son eh los posibles valores
00:03:24
eh que tienen esas variables es decir
00:03:26
estas variables Pues en un momento dado
00:03:27
pues van a tener una serie de valores
00:03:29
Vale pues todos los posibles valores
00:03:31
pues es es lo que se llama dominio
00:03:32
normalmente van minúsculas igual que
00:03:34
pasaba con eh Cuando hablábamos de
00:03:36
variables aleatorias de acuerdo y Eh
00:03:39
bueno simplemente deciros que esas
00:03:41
variables o sea Perdón esos valores de
00:03:43
esas variables deben ser exhaustivos y
00:03:45
mutuamente excluyentes Qué significa
00:03:46
exhaustivo exhaustivo es que El dominio
00:03:48
tiene que contemplar todos los posibles
00:03:50
valores de acuerdo que existan y
00:03:52
mutuamente excluyentes quiere decir que
00:03:53
uno no pueden solaparse al otro de
00:03:54
acuerdo un valor tiene que excluir a
00:03:56
otro de acuerdo eh aquí he puesto Bueno
00:03:59
pues simplemente de las representaciones
00:04:00
que hemos utilizado pues hasta ahora En
00:04:02
probabilidad vale la probabilidad por
00:04:03
ejemplo de que un una variable aleatoria
00:04:06
a sea igual a un tenga un valor en este
00:04:08
caso a minúscula de acuerdo eh que era
00:04:10
lo mismo que hacer que calcular que la
00:04:12
probabilidad tuviera este valor de
00:04:14
acuerdo Lo que pasa que esto se
00:04:15
utilizaba recordar cuando ya sabíamos
00:04:17
Cuál era la Val aleatoria entonces para
00:04:18
simplificar para hacerlo más más pequeño
00:04:21
Por así decirlo y no ser tan redundante
00:04:23
y tan grande y demás Bueno pues se ponía
00:04:25
solamente lo que era el valor y se
00:04:26
obviaba lo que era la varad aleatoria si
00:04:28
no se sabe bien Cuál es la variable pues
00:04:30
entonces hay que incluirla de acuerdo y
00:04:33
simplemente pues lo mismo que si se
00:04:34
utiliza la p mayúscula minúscula da
00:04:36
igual porque las dos simbolizan lo que
00:04:38
es la probabilidad Lo que pasa que en
00:04:40
algunas fórmulas a veces pues las ponen
00:04:41
en mayúscula y otas ve en minúscula de
00:04:43
acuerdo eso ya lo sabíamos y simplemente
00:04:45
deciros además que eh Bueno pues
00:04:47
Normalmente se va a trabajar en muchos
00:04:49
casos se va a trabajar con variables
00:04:50
bule anas es decir eh vamos a tener que
00:04:53
una variable solamente va a tener dos
00:04:55
posibles valores vale verdadero o falso
00:04:57
o cierto o falso o t y F true o false de
00:05:00
acuerdo también se suele utilizar el uno
00:05:02
y el cero también por el tema somos
00:05:04
informáticos y venimos de ese mundo y y
00:05:06
solemos utilizar esos valores pero
00:05:08
también viene hay una serie de
00:05:10
representaciones que vienen de la de la
00:05:11
lógica Por así decirlo eh las
00:05:14
representaciones más simbólicas en las
00:05:16
cuales Bueno pues muchas veces lo que se
00:05:17
hace Es que a la variable pues se le
00:05:19
pone el más o el menos delante para
00:05:20
indicar positivo o negativo eh o por
00:05:23
ejemplo puro de la lógica que poner la
00:05:26
variable o poner la variable con el
00:05:28
símbolo de negado delante de acuerdo el
00:05:30
símbolo este así de la negación lógica
00:05:32
que también se suele utilizar En
00:05:33
definitiva esos son diferentes
00:05:35
representaciones de valores buanos
00:05:38
Cuando tenemos variables que solamente
00:05:39
tienen dos valores dicho esto
00:05:42
simplemente advertir deciros que
00:05:44
nosotros en principio para simplificar
00:05:46
las cosas para no hacerlas demasiado
00:05:48
complejas eh ahora en lo que son en en
00:05:51
el mundo de las redes vallesan pues para
00:05:54
como digo simplificar las cosas aunque
00:05:56
se puede trabajar con valores continuos
00:05:58
de acuerdo pero vamos a empezar por
00:06:00
variables que tengan o sea valores
00:06:02
discretos de acuerdo y muchas veces
00:06:03
vamos a trabajar con simplemente con
00:06:05
valores bule anos para hacerlo todavía
00:06:06
incluso más sencillo pues son tablas más
00:06:08
pequeñas y demás Pero aún así bueno
00:06:10
simplemente advertir eso que a partir de
00:06:11
ahora no lo diré y salvo que diga lo
00:06:13
contrario se sobreentiende que las
00:06:15
variables van a tener van a ser
00:06:16
discretas de acuerdo van a ser valores
00:06:18
discretos A lo mejor cada variable
00:06:19
tendrá dos tres cuatro para simplificar
00:06:21
eh valores y cada uno de esos valores
00:06:24
tendrá una probabilidad asociada de
00:06:25
acuerdo y en principio Bueno pues eh Ya
00:06:28
os digo que aunque se puede utilizar
00:06:30
también se puede usar se puede
00:06:32
extrapolar Por así decirlo a valores
00:06:33
continuos y se puede trabajar con
00:06:34
valores continuos pero para para empezar
00:06:37
poco a poco pues vamos a trabajar con
00:06:38
valores eh Como digo discretos y muy
00:06:42
probablemente muy posiblemente los
00:06:43
primeros ejemplos en muchos de los
00:06:45
primeros ejemplos con valores bule anos
00:06:47
de acuerdo el siguiente concepto que
00:06:49
vamos a ver es el concepto de modelo de
00:06:50
acuerdo eh simplemente deciros que bueno
00:06:52
todos estos conceptos que muchas veces
00:06:54
doy Bueno yo podía explicar las cosas
00:06:56
con palabras sencillas seguro que lo
00:06:58
voas a entender Pero bueno lo digo sobre
00:07:00
todo para que si luego veis un vídeo o
00:07:02
leéis un libro O veis una web o lo que
00:07:03
sea sobre estos temas Pues que os suenen
00:07:06
de acuerdo porque y sepáis lo que os
00:07:07
están diciendo en cada en cada momento
00:07:09
de acuerdo Entonces como digo bueno el
00:07:10
concepto de modelo también es muy
00:07:11
sencillo igual que el de dominio En
00:07:13
definitiva y el modelo es lo que la
00:07:15
gente sabe sobre las relaciones entre
00:07:16
las variables observadas y las ocultas
00:07:18
es decir En definitiva Cómo funciona el
00:07:20
mundo Esas reglas que en un momento dado
00:07:22
pues definen el mundo de acuerdo
00:07:24
Entonces eso es lo que va a adquirir va
00:07:27
a ir adquiriendo la gente inteligente y
00:07:28
lo Cal de una base de conocimiento de
00:07:31
acuerdo ya lo puede representar como t
00:07:33
que representarlo en este caso estamos
00:07:34
trabajando con probabilidades pues vamos
00:07:35
a ver luego Cómo se representan pero En
00:07:37
definitiva es eso es decir el modelo es
00:07:41
es ese tipo Bueno pues ese conjunto de
00:07:43
conocimientos más las reglas más las
00:07:44
inferencias que se pueden hacer con
00:07:46
ellas vale porque de hecho el modelo que
00:07:48
nos permite es hacer inferencias Pues
00:07:50
todo Ese Conjunto es lo que se le llama
00:07:52
modelo de acuerdo Entonces no tiene más
00:07:55
representación recordar que cuando
00:07:56
hablábamos bueno vimos la introducción
00:07:58
de Inteligencia artificial decíamos que
00:07:59
había Tres formas de representación Vale
00:08:01
atómicas factorizadas y estructuradas
00:08:04
dependiendo de si era más sencillo o más
00:08:05
complejo la forma de representar los
00:08:07
datos entonces en búsqueda dijimos que
00:08:10
bueno en principio mientras que no se
00:08:12
dijera nada eh en las búsquedas tenían
00:08:15
pues una representación atómica de los
00:08:17
datos lo que trabajamos con valores
00:08:19
aislados de acuerdo muchas veces pues
00:08:20
números o o con símbolos y demás Pero En
00:08:22
definitiva valores ahis lados de acuerdo
00:08:25
en este caso ya vamos a tener una
00:08:26
representación un poquito más compleja y
00:08:27
vamos a tener una representación que se
00:08:28
llama autorizado de acuerdo Entonces qué
00:08:31
es lo que se hace pues cada mundo
00:08:32
posible vale cada estado En definitiva
00:08:34
del mundo se representa mediante un
00:08:36
conjunto de pares variable valor bueno
00:08:38
Esto de conjunto de pares variable valor
00:08:41
básicamente es esto no es decir nosotros
00:08:43
vamos a tener unas probabilidades en
00:08:45
este caso la variable a vale tenemos la
00:08:47
variable a que tiene cuatro posibles
00:08:49
valores ya he dicho antes que tienen que
00:08:51
ser exhaustivos todos los valores
00:08:52
posibles como estabamos trabajando con
00:08:54
valores discretos como he dicho antes
00:08:55
Bueno pues los cuatro valores Eh no se
00:08:58
pueden solapar lo que decíamos antes es
00:09:00
decir cada uno de estos valores la Sub
00:09:02
un a sub2 a sub TR sub cuat representan
00:09:04
estados diferentes del mundo que no se
00:09:05
solo la paréntesis de acuerdo Entonces
00:09:07
cada uno de ellos tiene una probabilidad
00:09:09
060 010 028 y 0,02 deciros que a pesar
00:09:14
de que yo seamos en el mundo
00:09:16
hispanohablante utilizamos eh para
00:09:18
separar los decimales utilizamos la coma
00:09:20
de acuerdo eh He decidido representarlo
00:09:23
como en el mundo anglosajón que utilizan
00:09:24
el punto por la sencilla razón de que
00:09:26
luego muchas veces cuando se ponen
00:09:28
listas van pues se puede diferenciar
00:09:30
mejor entre lo que bueno pues los puntos
00:09:31
de los decimales de las comas de la
00:09:33
lista de acuerdo pues si pongo también
00:09:34
comas Eh muchas veces pues no se ve del
00:09:36
todo bien entonces Bueno voy a respetar
00:09:38
ese tipo de en muchos sitios se utiliza
00:09:41
también así por por la misma razón
00:09:42
entonces eh lo dejamos así con el punto
00:09:45
En definitiva nosotros tenemos estas
00:09:46
probabilidades las tenemos que almacenar
00:09:47
de alguna forma dentro de la base de
00:09:49
conocimiento qué es lo que se suele
00:09:50
hacer pues se suele almacenar como
00:09:52
vectores de acuerdo que Pero bueno en
00:09:54
este caso muchas veces Bueno pues a
00:09:56
veces ocurre que el orden no importa
00:09:58
Porque se sobre entiende Cuál es el
00:09:59
orden real de cada uno entonces Bueno
00:10:01
pues lo que podemos representar como un
00:10:03
conjunto Pero bueno En definitiva yo os
00:10:06
recomiendo que sí que bueno pues tengáis
00:10:08
un orden en este caso yo las he puesto
00:10:10
en orden y se almacenen en orden
00:10:11
entonces a pesar de que digo Aquí como
00:10:13
conjunto pero los suyos utilizar listas
00:10:15
vale unas listas de pares variables
00:10:17
valor en los cuales bueno como digo Son
00:10:19
como una especie de vector en las cuales
00:10:21
se almacenan los cuatro valores de
00:10:22
acuerdo Eh Esto viene a decir cuál es la
00:10:24
probabilidad de la variable a vale Y
00:10:26
entonces correspondería a su un a su dos
00:10:29
sub tres y a sub cuatro para representar
00:10:31
vectores por lo menos en matemática
00:10:33
Bueno pues se suele los libros
00:10:35
básicamente que hablan sobre matemática
00:10:37
lo suelen representar de dos formas la
00:10:39
primera es eh poniendo O sea la lo que
00:10:42
es la variable o lo que es la lo que sea
00:10:44
lo que estamos representando en este
00:10:45
caso eh la probabilidad de de la
00:10:47
variable a Bueno pues le suelen poner
00:10:49
arriba o una línea o una flechita de
00:10:51
acuerdo y otra forma que suelen utilizar
00:10:54
mucho libros americanos y bueno los
00:10:56
anglosajones en general es que todo lo
00:10:58
que tenga que ver con con vectores o con
00:11:01
matrices y demás suelen representarlo en
00:11:02
negrita es decir remarcan el lo que es
00:11:05
el la función o la variable o lo que sea
00:11:07
pues en negrita de acuerdo Entonces
00:11:09
Bueno yo lo he intentado hacer Así es
00:11:11
decir No sé si se verá bien lo he puesto
00:11:13
en negrita Y a partir de ahora para que
00:11:14
por lo menos se vea lo mejor posible le
00:11:16
pondré una barra encima de acuerdo
00:11:18
Entonces cuando aparezca una variable
00:11:19
cuando aparezca en algún sitio eh algo
00:11:22
en lo cual pues aparece una barra encima
00:11:24
significa que es un valor bueno es en
00:11:26
ese caso es una representación eh
00:11:29
autorizada es decir que en un momento
00:11:30
dado lo que almacena es una lista de
00:11:31
valores no solamente un único valor sino
00:11:33
una lista de valores en este caso está
00:11:35
la lista de cuatro valores bien otro
00:11:37
tema también de representación que
00:11:39
alguna vez lo he comentado pero que para
00:11:40
que quede claro es que cuando trabajamos
00:11:42
Bueno pues cuando por ejemplo hacemos
00:11:44
probabilidad condicional Pues por un
00:11:45
ejemplo de acuerdo Pues muchas veces eh
00:11:48
he utilizado dos dos formas de
00:11:50
representar las cosas y y voy a seguir
00:11:51
con ello porque es la que utilizan en
00:11:53
muchos libros y bu en mucha literatura
00:11:55
de de la Inteligencia artificial que es
00:11:57
utilizar la Bueno pues pues lo que es la
00:11:59
representación de la lógica vale como en
00:12:01
este caso vale la probidad de que se de
00:12:03
a una vez que se ha dado no B y C de
00:12:05
acuerdo lo que ocurre es que muchas
00:12:07
veces pues para para que quede más
00:12:08
compacto yo lo voy a hacer y muchos
00:12:10
libros también lo hacen es el o sea
00:12:13
sobre entender que que si hay una coma
00:12:15
Eso significa un an de acuerdo un una
00:12:18
una conjunción un I lógico de acuerdo
00:12:21
Entonces en vez de poner no B y C de
00:12:23
acuerdo con el símbolo lógico Bueno pues
00:12:25
se pone no B coma c pero En definitiva
00:12:27
eso significa que se tienen que dar no B
00:12:29
y C vale Y entonces Una vez que se han
00:12:31
dado pues ver cuál es la probabilidad de
00:12:32
que se de a de acuerdo Entonces como
00:12:34
digo Bueno pues voy a utilizar este tipo
00:12:36
de representación que es la que se
00:12:38
utilizar mucho y espero que bueno pues
00:12:40
que también así se se se comprenda bien
00:12:42
de acuerdo bien visto esto que eran los
00:12:44
conceptos más básicos para poder Bueno
00:12:46
pues empezar ahora cuando hablamos de lo
00:12:49
que es la la razonamiento y sobre todo
00:12:50
la inferencia lógica o sea Perdón la
00:12:53
inferencia probabilística que lo que
00:12:54
vamos a ver eh A partir del vídeo eh
00:12:57
siguiente Bueno pues Pues he dicho
00:13:00
muchas veces que normalmente lo que
00:13:01
trabajamos son con tablas de
00:13:03
probabilidad En definitiva las tablas de
00:13:05
las distribuciones de probabilidad se
00:13:06
pueden representar de dos formas como
00:13:07
tablas o como funciones cuando hablamos
00:13:09
de valores discretos como en este caso
00:13:11
que vamos a trabajar con valores
00:13:12
discretos pues utilizan lo que se llaman
00:13:14
las tablas de probabilidad y de hecho en
00:13:16
las redes vallian cada nodo Por así
00:13:19
decirlo de una red vallesana va a tener
00:13:20
asociada tabla una tabla de probabilidad
00:13:23
de acuerdo Entonces Bueno aquí he puesto
00:13:25
un ejemplo simplemente para que a veces
00:13:27
lo he comentado he hablado de ell y
00:13:29
demás Pero bueno no yo creo que no
00:13:30
habíamos puesto todavía un ejemplo claro
00:13:32
sobre ello Y entonces como ahora a
00:13:33
partir de ahora si vamos a usarlas
00:13:35
bastantes Pues bueno pues os pongo el
00:13:36
ejemplo de lo que es una tabla de
00:13:37
probabilidad por lo menos una que he
00:13:40
inventado vale Pero bueno que que es muy
00:13:42
parecida a las que veréis en cualquier
00:13:44
sitio La estada de probabilidad
00:13:46
normalmente en este caso he puesto Solo
00:13:48
dos variables porque es la forma más
00:13:50
sencilla de de verlo es decir eh si
00:13:52
tuviéramos más variables pues tendría
00:13:54
más dimensiones Y entonces es más
00:13:55
difícil de representar de acuerdo
00:13:56
Entonces bueno en el caso de dos
00:13:57
variables tenemos variable a y la
00:13:59
variable B de acuerdo aquí en la en lo
00:14:01
que son las columnas en la parte de
00:14:02
arriba he puesto los valores posibles de
00:14:04
la variable a en este caso tiene tres
00:14:06
valores posibles a sub un a sub2 y a sub
00:14:09
TR de acuerdo y aquí en la fila se he
00:14:11
puesto Bueno pues la los valores
00:14:13
posibles de la variable B de acuerdo b
00:14:15
sub1 b sub2 y b sub TR de acuerdo
00:14:18
Entonces qué es lo que viene a
00:14:19
representar una tabla de probabilidad En
00:14:21
definitiva viene a representar la
00:14:23
probabilidad conjunta es decir cuál es
00:14:24
la probabilidad de que se dé por ejemplo
00:14:26
a sub2 y que se dé B sub3 al mismo
00:14:29
tiempo no pues la probabilidad que sea a
00:14:30
sub2 y b sub3 es 0,12 de acuerdo eso
00:14:34
vale para el resto de valores iguales es
00:14:36
decir momento dado Queremos saber cuál
00:14:38
es la probabilidad de que se de a sub3 y
00:14:39
b sub 1 pues es eh 0,16 De dónde vienen
00:14:43
estos valores estos valores Pues muchas
00:14:44
veces vienen de la propia experiencia es
00:14:46
decir lo que se van haciendo son pruebas
00:14:48
de acuerdo se van se va obteniendo datos
00:14:50
de del mundo real y se van calculando
00:14:52
nuevamente mediante frecuencias
00:14:54
relativas o frecuencias absolutas pues
00:14:56
estas estas estos valores y se
00:14:58
almacenando en Tablas de acuerdo
00:15:00
Entonces lo que vamos a tener en la base
00:15:02
de conocimiento muchas veces son o
00:15:04
vectores como hemos dicho no vectores
00:15:06
que En definitiva daros cuenta que
00:15:07
cualquiera de estas filas se puede
00:15:09
representar como un vector de acuerdo o
00:15:11
o tablas que En definitiva las tablas
00:15:14
son como matrices En definitiva que
00:15:16
pueden ser de dos dimensiones como en
00:15:17
este caso pero pueden ser de más
00:15:19
dimensiones de acuerdo y eh En
00:15:22
definitiva Bueno pues pu se hay que
00:15:24
meter una línea por cada uno de los
00:15:26
valores y una columna por cada uno de
00:15:27
los valores de acuerdo Cuando tenemos
00:15:29
dos variables si tuviéramos más bueno
00:15:30
pues se extrapola al número de de de
00:15:33
dimensiones que tengamos bien una vez
00:15:36
que tenemos lo que es una tabla de
00:15:38
probabilidad conjunta de acuerdo en el
00:15:40
cual sabemos Cuál es la probabilidad de
00:15:41
que se dé Eh Pues a y b por ejemplo a
00:15:44
sub1 y b sub1 de acuerdo o a sub 3 y b
00:15:47
sub2 por ejemplo Bueno pues a partir de
00:15:49
esa tabla podemos obtener lo que se llan
00:15:51
las probabilidades marginales algunas
00:15:53
veces lo hemos visto ya en en lo que son
00:15:54
los vídeos de probabilidad hemos hablado
00:15:56
de la probabilidad de la de lo hos visto
00:15:58
incluso representado varias formas eh
00:16:00
matemáticamente mediante fórmulas
00:16:02
matemáticas pero muchas veces Bueno pues
00:16:04
no con con si no se ponen ejemplo pues
00:16:06
no no se entiende a lo mejor del todo
00:16:08
bien aprovechando que tenemos lo que son
00:16:10
las tablas de probabilidad vamos a ver
00:16:11
de probabilidad conjuntas vamos a ver
00:16:14
cómo se calcular la probabilidad
00:16:15
marginal Bueno pues a partir de una de
00:16:17
ellas porque va a ser eh algo que vamos
00:16:19
a utilizar bastante de acuerdo dentro de
00:16:20
las redes valesan vamos a utilizar mucho
00:16:22
lo que se llama la marginalización de
00:16:24
acuerdo Qué es la marginalización pues
00:16:26
En definitiva eh lo de marginalizar
00:16:29
viene de poner al margen de acuerdo eso
00:16:31
el nombre viene de ahí de hecho poner al
00:16:33
margen pues
00:16:34
ciertas cierto probabilidades que se
00:16:37
obtienen pues sumando valores de la
00:16:39
tabla de verdad de acuerdo Entonces cómo
00:16:42
se hacía o cómo se hace realmente cómo
00:16:44
vamos a trabajar cómo vamos a
00:16:45
marginalizar Bueno pues lo que se hace
00:16:47
Es que a partir de lo que es las tablas
00:16:49
de de probabilidad conjuntas que son
00:16:51
estos nueve valores de aquí en medio en
00:16:53
los márgenes he puesto Cuáles son las
00:16:55
probabilidades marginales de cada uno de
00:16:57
los valores de acuerdo qué es lo que se
00:16:59
hace Bueno pues en un momento si tenemos
00:17:01
esta esta tabla tenemos est tabla de
00:17:03
probabilidad conjuntas bien cada una de
00:17:05
las celdas sabemos que es la probidad
00:17:06
que se de a sub 1 por ejemplo y b sub 1
00:17:08
no pero qué pasa si nosotros lo que
00:17:10
queremos obtener la probabilidad
00:17:11
solamente de B sub 1 Cómo la calculamos
00:17:13
vale Cómo la calculamos a partir de esta
00:17:15
tabla Bueno pues sencillo lo único que
00:17:16
se hace Es que se fija la variable en
00:17:18
este caso B sub1 nos centramos en esa
00:17:20
variable en este caso en la primera fila
00:17:22
y lo único que hacemos Es sumar los
00:17:24
valores sumar los valores de de todos
00:17:26
los posibles valores de a vale en este
00:17:27
caso a sub 1 sub2 o sub TR eh fijando B
00:17:30
sub1 Entonces lo sumamos en este caso
00:17:32
0,11 0,08 y 0,16 y nos da 035 vale eso
00:17:38
bueno en principio lo que se llama
00:17:39
marginalizar a vale dado en un momento
00:17:42
dado un valor que es p sub1 entonces la
00:17:44
probabilidad de que se dé B sub1 Es 0,35
00:17:47
de acuerdo y lo hemos obtenido a partir
00:17:49
de esta tabla bien lo mismo ocurriría
00:17:51
con b sub2 b sub2 lo fijamos En
00:17:53
definitiva lo que decimos es que nos
00:17:54
fijamos en esa en esa línea y eh sumamos
00:17:57
010 0,04 y 0,02 y nos da 016 de acuerdo
00:18:01
Entonces qué es este 016 como digo la
00:18:03
probabilidad de que se dé B sub2 vale eh
00:18:06
lo mismo pasa con vus 3 que en un
00:18:08
momento sumando estos valores da
00:18:09
0,049 si os dais cuenta todos estos
00:18:13
valores estos nueve valores si los sumá
00:18:15
todos suman Uno Vale porque acordaros
00:18:17
que la probabilidad de todos es decir en
00:18:19
un momento dado la probabilidad de que
00:18:20
se de cualquier evento es uno de acuerdo
00:18:24
Entonces todos estos valores tienen que
00:18:25
darse uno y es lo que he puesto aquí de
00:18:27
acuerdo eh que todos esos valores suman
00:18:29
uno pero si sumá estos valores vale si
00:18:31
sumá la probabilidad de B sub 1 más la
00:18:33
probabilidad de B sub 2 más la
00:18:34
probabilidad de B sub TR también tiene
00:18:36
que dar uno de acuerdo O sea que el
00:18:38
hecho de marginalizar tiene que dar uno
00:18:40
por qué digo esto porque hay veces si lo
00:18:41
vamos a ver luego en las redes
00:18:42
bayesianas me refiero a los vídeos
00:18:44
posteriores en el que e cuando se
00:18:47
marginaliza vale Cuando hacemos
00:18:49
marginalizacion ocurre que dependiendo
00:18:51
del tipo de marginalización porque esta
00:18:52
es muy sencilla esto est realmente lo he
00:18:55
puesto así muy sencillo para que se
00:18:56
entienda pues ocurre que eh nos da
00:18:58
valores que no están normalizados y
00:19:00
tenemos que normalizarlo de acuerdo
00:19:02
Entonces si estos tres valores no suman
00:19:03
uno lo que tenemos que hacer simplemente
00:19:05
pues como visto en probabilidad es
00:19:07
marginalizado de acuerdo por bueno por
00:19:10
terminar de aclarar Pues lo mismo ocurre
00:19:13
con las columnas es decir si nosotros
00:19:14
queremos obtener la probabilidad de a
00:19:16
sub 1 pues lo que tenemos que es
00:19:17
marginalizar la B Vale entonces en este
00:19:19
caso se suma 011 010 y 025 que nos da
00:19:23
046 de acuerdo En definitiva fijamos la
00:19:25
columna y todos los posibles valores de
00:19:27
B lo sumamos no para esa columna en este
00:19:30
caso estos tres que nos da 046 lo mismo
00:19:32
ocurre con a sub2 que sumando da 024 y
00:19:35
lo mismo ocurre con a sub 3 que sumando
00:19:36
da 030 de nuevo si sumamos estos tres
00:19:40
valores tienen que dar uno vale Y es lo
00:19:42
que da por qué Porque como decía antes
00:19:44
Aunque nosotros marginalize tenemos que
00:19:46
en un momento dado asegurarnos de que eh
00:19:48
están normalizados a uno entonces Eh
00:19:50
bueno simplemente esta
00:19:53
información yo por lo menos suelo
00:19:55
guardarla así de esta forma porque de
00:19:57
esa forma Además nos sirve para
00:19:58
comprobar para hacer comprobaciones es
00:20:00
decir si nosotros cogemos todos estos
00:20:01
valores y lo sumamos pues lo guardamos
00:20:03
en esta celda que nos da uno y de esa
00:20:05
forma pues comprobamos que todo está
00:20:06
bien Cuando hacemos marginalizacion como
00:20:08
he hecho en este caso Bueno pues lo
00:20:10
mismo se suman y se comprueba ca uno y
00:20:12
suman y se comprueba ca uno vale Y de
00:20:14
esa forma Bueno pues lo tenemos todo
00:20:15
junto y almacenado para que en un
00:20:17
momento dado Pues a partir de una tabla
00:20:19
de probabilidades conjuntas podos
00:20:21
obtener la la la probabilidad marginal y
00:20:24
lo podamos ver todo en en en una sola
00:20:26
pantalla Por así decirlo de acuerdo bien
00:20:28
y de momento esto es todo por hoy
00:20:30
realmente lo que quería hacer era un
00:20:31
vídeo Por así decirlo que nos permitiera
00:20:33
empezar eh Bueno pues a a dar el primer
00:20:36
paso para adentrarnos en lo que son el
00:20:39
razonamiento probabilístico que es la
00:20:41
base de lo que son las redes bayesianas
00:20:43
que es la herramienta más potente que
00:20:45
existe a día de hoy y la base Por así
00:20:47
decirlo de todo lo que es eh tanto
00:20:49
inferencia como
00:20:51
aprendizaje con con este enfoque con el
00:20:53
enfoque de la de la probabilidad vale
00:20:54
para tratar la incertidumbre entonces
00:20:56
bueno son unos conceptos como he dicho
00:20:58
básicos también Mostrar lo que era una
00:20:59
tabla de verdad que no habamos visto
00:21:00
hasta ahora cómo se hacía la
00:21:01
marginalización porque todo esto bueno
00:21:03
va a ser mu lo vamos a usar mucho en
00:21:06
redes banas entonces para ir poco a poco
00:21:08
Bueno pues ver por lo menos las cosas
00:21:10
más básicas no en los próximos vídeos
00:21:12
vamos a ver ya lo que son temas más
00:21:14
concretos de de lo que es inferencia
00:21:16
probabilística pero también una pequeña
00:21:18
o sea en planas introducción para
00:21:20
adentrarnos como digo pues para preparar
00:21:21
el terreno para adentrarnos lo que son
00:21:23
las redes bayesianas que es un mundo
00:21:25
relativamente complejo y en el que bueno
00:21:27
pues Aunque empiezas con cosas sencillas
00:21:30
pero se puede ir complicando bastante
00:21:32
Así que lo mejor es ir poco a poco como
00:21:33
digo voy a utilizar de momento variables
00:21:36
discretas con variables bueno con
00:21:38
valores con poquitos valores y demás
00:21:40
sobre todo buanos para para que sea
00:21:42
sencillo de acuerdo simplemente también
00:21:45
advertir comentaros de algo que comentar
00:21:47
Ya en las redes sociales y es que bueno
00:21:49
Pues he estado revisando lo que es la
00:21:51
documentación para lo del enfoque lógico
00:21:54
y resulta que para poder ver algunas
00:21:57
bueno algunas técnicas más de que te
00:21:59
necesitamos de del tema de lo que es la
00:22:00
inferencia lógica eh antes de pasar a lo
00:22:03
que es la lógica de de primer orden Pues
00:22:06
resulta que vamos a necesitar eh ver
00:22:08
primero algunas cosas en el enfoque de
00:22:10
grafo de acuerdo en concreto lo que es
00:22:12
la búsqueda local y la búsqueda mediante
00:22:15
satisfacción de restricciones Entonces
00:22:16
como también hemos visto esas dos cosas
00:22:18
Bueno pues explicarlo en la lógica
00:22:20
explicar los algoritmos que quedan del
00:22:22
de lo que es la lógica de proposiciones
00:22:24
sin haber visto esas cosas pues puede
00:22:26
ser un poco complicado entonces lo que
00:22:28
He decidido Bueno pues como siempre paro
00:22:30
lo que es ese enfoque durante unos
00:22:32
vídeos avanzamos en estos dos enfoques
00:22:34
en el enfoque de búsqueda en grafos y el
00:22:36
enfoque de de probabilidad y en cuanto
00:22:38
hayamos visto en la búsqueda e el
00:22:41
enfoque de búsqueda en grafos hayamos
00:22:43
visto esas dos es el conjunto de
00:22:45
técnicas vale tanto el de búsqueda local
00:22:46
como de búsqueda en satisfacción de
00:22:49
restricciones pues continuamos con la
00:22:50
lógica porque ya digo que bueno en
00:22:52
principio se puede llegar a entender
00:22:54
Pero creo que es mejor verlo eh primero
00:22:56
es bueno pues esas técnicas antes de
00:22:58
continuar que nos va a facilitar
00:22:59
bastante las cosas entonces a partir de
00:23:01
ahora voy a seguir publicando tres
00:23:03
vídeos a la semana pero eh lo que voy a
00:23:05
ir haciendo es alternando entre estos
00:23:07
dos enfoques eh lo que son las redes
00:23:08
banas En definitiva y en la parte de de
00:23:11
búsquedas Bueno pues el próximo vídeo
00:23:14
vamos a ver ya un cuantas cosas que nos
00:23:16
quedan sobre la búsqueda informada vale
00:23:18
una una variante en concreto de a
00:23:20
estrella y eh A continuación ya vamos a
00:23:23
empezar pues como digo pues eh con Bueno
00:23:25
pues con lo que son las las búsquedas
00:23:27
locales vale que son otro conjunto de
00:23:29
técnicas que ya la veremos y la
00:23:30
satisfacción de restricciones que es lo
00:23:32
mismo es otro conjunto de técnicas para
00:23:34
que de esa forma luego por un lado En
00:23:36
búsqueda en enfoque de búsquedas podemos
00:23:38
ya enfrentar algo que puede ser bastante
00:23:40
divertido que son los juegos de acuerdo
00:23:42
y por otro lado bueno pues podemos
00:23:44
continuar el enfoque de la lógica como
00:23:46
digo antes de complicar las cosas porque
00:23:47
pensé siado hacer lógica de primer orden
00:23:49
empezar con la lógica de primer orden
00:23:51
pero me da cosa empezar con la lógica
00:23:53
primer orden y dejar la lógica de
00:23:55
proposiciones a medias y luego retomarla
00:23:57
y demás mejor yo pienso que lo podemos
00:23:59
hacer así estas cosas como realmente voy
00:24:01
haciendo los vídeos Pues realmente esto
00:24:03
muchas veces no no no lo llevo super
00:24:05
planificado ni nada sino que voy
00:24:06
haciendo los vídeos poco a poco Bueno
00:24:08
pues muchas veces te ocurre esto de
00:24:10
acuerdo a lo mejor tienes unos planes y
00:24:12
tienes que cambiarlos Pero bueno no pasa
00:24:13
nada vamos poco a poco y vamos avanzando
00:24:14
de acuerdo así que ya sabéis hasta
00:24:20
[Música]
00:24:20
[Aplausos]
00:24:21
[Música]
00:24:26
pronto y
