000134147 001__ 134147 000134147 005__ 20240424142044.0 000134147 037__ $$aTAZ-TFG-2023-4730 000134147 041__ $$aspa 000134147 1001_ $$aMorlana Ledesma, Laura 000134147 24200 $$aProbabilistic graphical models. Bayesian Networks 000134147 24500 $$aModelos gráficos probabilísticos. Redes Bayesianas 000134147 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2023 000134147 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000134147 520__ $$aEn el ámbito del análisis estadístico multivariante se encuentran los modelos gráficos probabilísticos, que surgen como una poderosa herramienta para representar y comprender relaciones complejas entre variables aleatorias. <br />Entre estos se encuentran las redes Bayesianas, que son modelos gráficos dirigidos que tienen como estructura un grafo acíclico dirigido. Estas redes ofrecen una representación gráfica de las dependencias e independencias condicionales entre un conjunto de variables que intervienen en un determinado problema. En la actualidad, se utilizan modelos probabilísticos muy complejos, lo que hace de la inferencia probabilística un problema difícil de tratar. El objetivo de las redes Bayesianas reside en aprovechar las relaciones de independencia reflejadas en su estructura, lo que permite reducir la complejidad computacional de los problemas estudiados. En otras palabras, buscan minimizar la cantidad de parámetros necesarios para abordar un problema, lo que conduce a una mayor eficiencia de los algoritmos de inferencia asociados. <br />Las redes Bayesianas destacan por su capacidad para modelar problemas complejos en numerosos ámbitos de la actualidad, especialmente cuando la cantidad de datos aumenta exponencialmente. Algunas de sus aplicaciones incluyen desde la inteligencia artificial, hasta ámbitos de medicina, ingeniería o economía, demostrando su versatilidad en la resolución de problemas complejos en diversas áreas.<br />El objetivo de este trabajo es ofrecer una comprensión detallada de las redes Bayesianas, estudiando los elementos básicos que intervienen en un modelo gráfico probabilístico, tanto dirigido como no dirigido y las relaciones de independencia condicional que cada uno de estos representa. Además, se llevará a cabo un análisis de algunos algoritmos de inferencia exacta para problemas con variables discretas. <br /><br /><br /> 000134147 521__ $$aGraduado en Matemáticas 000134147 540__ $$aDerechos regulados por licencia Creative Commons 000134147 700__ $$aLacruz Casaucau, María Beatriz$$edir. 000134147 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa 000134147 8560_ $$f777301@unizar.es 000134147 8564_ $$s1289622$$uhttps://zaguan.unizar.es/record/134147/files/TAZ-TFG-2023-4730.pdf$$yMemoria (spa) 000134147 909CO $$ooai:zaguan.unizar.es:134147$$pdriver$$ptrabajos-fin-grado 000134147 950__ $$a 000134147 951__ $$adeposita:2024-04-24 000134147 980__ $$aTAZ$$bTFG$$cCIEN 000134147 999__ $$a20231204150247.CREATION_DATE