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

Autores/as

  • Vicente D. Estruch Universitat Politècnica de València https://orcid.org/0000-0002-0365-6481
  • Francisco J. Boigues Planes Universitat Politècnica de València
  • Anna Vidal Universitat Politècnica de València
  • José I. Pastor Universitat Politècnica de València

DOI:

https://doi.org/10.4995/msel.2019.10830

Palabras clave:

Redes bayesianas, Teorema de Bayes, modelización matemática, diagnóstico médico

Resumen

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.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Batanero, C.; Ortiz, J.J.; Serrano , L. y Albanese, V. (2016) Razonamiento sobre probabilidad condicional en situaciones de riesgo. Suma, 83, pp 73-80. Disponible en http://www.ugr.es/~batanero/documentos/SUMA-Riesgo.pdf

Behar, R., & Grima, P. (2001). Mil y una dimensiones del aprendizaje de la estadística. Estadística Española, 43(148), 189-207.

Boigues, F.J. y Estruch, V.D. (2017). Aproximación frecuencialista de la Probabilidad. Colección articulo docente de la UPV.http://hdl.handle.net/10251/82991

Brase C. H. y Brase C. P. (2016). Understanding Basic Statistics. 7ª edición, Metric version. Ed. Cengage Learning.

Díaz, C. y de la Fuente, I. (2005), Razonamiento sobre probabilidad condicional e implicaciones para la enseñanza de la estadística, Epsilon, 59, pp 245-260. Disponible en http://www.ugr.es/~batanero/pages/ARTICULOS/epsilon_condicional.pdf

Díaz, C., Batanero, C. y Contreras,J.M. (2010), Teaching independence and conditional probability, Boletín de Estadística e Investigación Operativa, nº. 26 (2), 149-162. Disponible en https://www.researchgate.net/publication/265369926_Teaching_independence_and_conditional_probability

Leyva-Vázquez, M.; Pérez-Teruel, K.; Febles Estrada, A.; Gulín-González, J. (2013) Técnicas para la representación del conocimiento causal: un estudio de caso en Informática Médica. Revista Cubana de información en ciencias de la salud, 24 (1), pp 73-83. Disponible en http://scielo.sld.cu/pdf/ics/v24n1/ics06113.pdf

Morales Medina, M.A. (2013). Bayes y las pruebas de detección de enfermedades, Blog Gausianos, www.gaussianos.com/bayes-y-las-pruebas-de-deteccion-de-enfermedades/

Newbold, Paul | Carlson, William L.; Thorne, Betty M (2010). Statistics for business and economics. | Upper Saddle River etc. : Pearson Education International.| 7th ed

Norsys Software Corp. (2018) Netica v.6.04 64 bit for Ms Windows 7 to 10. Disponible en https://www.norsys.com/

Peck, R. (2014) Statistics: Learning from Data. Preliminary Edition. Ed. Cengage Learning,

Descargas

Publicado

31-07-2019

Número

Sección

Artículos