supongamos que tenemos
podemos leer o calcularlo con la regla de Bayes
necesitamos conocer . Un diagnóstico puede tratar con muchos variables. Necesitaríamos valores para pares de variables. Este crecimiento exponencial es lo que ha llevado a la necesidad de métodos aproximados de combinación de evidencia
actualización bayesiana, se incorpora la evidencia paso a paso
comenzando por T
al observar A, aplicamos la regla de Bayes usando T como la constante de condicionamento
cada vez que se observa una nueva evidencia, el grado de creencia en la variable desconocida se multiplica por un factor (la segunda fracción) que depende de la nueva evidencia
el problema es que el nuevo factor depende todavía de la evidencia observada anteriormente. Se necesita una suposición para simplificar la expresión
independencia condicional: la observación es que C es la causa directa de T y A. Una vez que sabemos que el paciente tiene C, suponemos que la probabilidad de A no depende de la presencia de T y viceversa; expresándolo matemáticamente:
lo cual nos permite simplificar la ecuación de actualización bayesiana:
el término parece implicar la necesidad de considerar todos los pares, triplas, etc de síntomas
en el denominador puede eliminarse por normalización si suministramos y
por tanto para la actualización bayesiana necesitaremos sólo la probabilidad a priori de la causa y las probabilidades condicionales de cada uno de sus efectos
independencia condicional en el caso multivaluado
X e Y son independiente dado Z
la regla de múltiple evidencia simplificada
donde es una constante de normalización que permite que las entradas de sumen 1
Alvaro Barreiro Garcia
Thu Jul 18 19:15:32 MET DST 1996