FIA · Tema 2:知识表示与贝叶斯网络
知识表示与贝叶斯网络 · 逐页逐句双语讲义

Tema 2. Representación del conocimiento
100 页原版 PDF 一页不落 · 西语原句逐字照抄 + 中文一句一译 + 公式符号表
怎么用这份讲义

一、课程导览:主题 2 讲什么、要考什么

p.1–p.3
p.1

Tema 2. Representación del conocimiento · 主题 2:知识的表示

▸ 原页截图 p.1 原讲义第 1 页

Tema 2. Representación del conocimiento

主题 2:知识表示。

Eva Millán

Eva Millán(授课教师姓名,考试卷头与课件署名都是这个)。

Departamento de Lenguajes y Ciencias de la Computación

语言与计算机科学系(西班牙马拉加大学 UMA 的系名)。

封面只交代三件事:主题编号 Tema 2、主题名 Representación del conocimiento、出题人。真正的考点分布见 p.2 目录与 p.3 学习成果——先看 p.3,因为考试大纲就是按那 6 条写的。
记法:representación(表示)= 把「人脑里的知识」写成一门机器能算的语言;后面整章都在讲这件事的两种做法:SBC(符号规则)与 redes bayesianas(概率图)。
p.2

Índice · 目录

▸ 原页截图 p.2 原讲义第 2 页

Índice

目录。

• Sistemas basados en el conocimiento:

基于知识的系统(SBC):

• Definición

定义

• Funcionalidad

功能

• Arquitectura

架构

• Redes bayesianas

贝叶斯网络

• Repaso de conceptos básicos de probabilidad

概率基础概念复习。

• Definición formal de red bayesiana

贝叶斯网络的形式定义。

• Teorema fundamental

基本定理(因式分解定理)。

• Modelado con redes bayesianas

用贝叶斯网络建模。

• Algoritmo de propagación de probabilidades en árboles

树上的概率传播算法。

2

幻灯片自带页码 2(与 PDF 物理页序一致,可用它核对页码)。

目录就是考卷结构:定义 → 形式定义 → 基本定理 → 建模。凡是目录里出现的名词,都要能给出西语原词;简答题开头写 «Según la definición formal de red bayesiana…» 就能拿分。
目录里没有 «lógica proposicional»、«cláusulas»、«resolución» 这些字眼——本主题的“命题变量”只出现在贝叶斯网络定义里,别把 Tema 1 的逻辑推演套路整段搬过来答。
p.3

Resultados de aprendizaje · 学习成果

▸ 原页截图 p.3 原讲义第 3 页

Resultados de aprendizaje

学习成果。

Al finalizar el tema, el estudiante deberá ser capaz de:

完成本主题后,学生应能够:

• Describir el concepto de sistema basado en el conocimiento y enumerar sus partes

描述基于知识的系统的概念并列举其各个组成部分。

• Modelar una situación real con una red bayesiana

用一个贝叶斯网络对现实情境建模。

• Entender el significado e importancia de las condiciones de independencia condicional

理解条件独立条件的含义与重要性。

• Predecir la evolución de las probabilidades en la red conforme se adquiere nueva evidencia

预测随着获得新证据,网络中概率的演化。

• Aplicar algoritmos de propagación y aprendizaje básicos

应用基本的传播与学习算法。

• Manejar herramientas de implementación de redes bayesianas (GENIE)

会使用贝叶斯网络的实现工具(GENIE)。

3

幻灯片页码 3。

这 6 条就是 6 种题型:①写 SBC 定义+列部件;②画/补贝叶斯网络;③解释条件独立(要说 separación direccional);④新证据加入后后验怎么变(变大/变小,配数字);⑤传播算法步骤;⑥GENIE 里怎么设 CP 表。
六条缩成一句西语口诀:«definir, modelar, independizar, predecir, propagar, manejar»——每一条都能在后面的页里找到对应的例子页。

二、基于知识的系统(SBC):定义、功能、架构

p.4–p.7
p.4

SBC: Probemos uno · SBC:我们先试一个

▸ 原页截图 p.4 原讲义第 4 页

Sistemas basados en el conocimiento

基于知识的系统(大节标题)。

SBC: Probemos uno

SBC:我们先试一个(课堂互动页,老师当场让同学扮演一个“专家系统”)。

.

原文此处只有一个孤立句点,是原页留下给演示的空位。

这页没有知识点,是引入:老师先让同学做“猜病”游戏,让全班体会「人凭经验从datos del paciente(病人数据)推到 diagnóstico(诊断)」的过程,下一页才给正式定义。
原文写 «Probemos uno» 后紧跟一个孤立的 «.»,属排版残留;照抄即可,别当成分句或公式。
p.5

SBC: Definición · SBC:定义

▸ 原页截图 p.5 原讲义第 5 页

Sistemas basados en el conocimiento

基于知识的系统。

Un sistema basado en el conocimiento es una aplicación informática capaz de solucionar un conjunto de problemas que exigen un gran conocimiento sobre un determinado tema

一个基于知识的系统是一种计算机应用,它能解决一组需要关于某个特定主题的大量知识的问题。

SBC: Definición

SBC:定义(本节标题)。

.

原文孤立的句点,排版残留。

• Datos del paciente

病人数据(系统的输入之一)。

• Resultados de tests

检验结果。

• Síntomas

症状。

• Emitir un diagnóstico

给出诊断。

• Solicitar nueva información

索取新信息(系统主动问缺的数据)。

• Justificar las respuestas

为答案给出理由(可解释性)。

• Aprender de nuevos casos

从新案例中学习。

NECESIDAD DE MECANISMOS DE RAZONAMIENTO

需要推理机制(全页结论,原文全大写强调)。

必背定义句,考试常要求逐字复述:«Un SBC es una aplicación informática capaz de solucionar problemas que exigen un gran conocimiento sobre un determinado tema»。定义里三个要素缺一不可:是程序、解决特定领域问题、靠大量知识。
左列 3 条是「输入」,右列 4 条是「行为」,底部一句是「为什么需要它」——因为光有数据不够,得有 razonamiento 才能从症状推到诊断。
p.6

SBC: Funcionalidad · SBC:功能

▸ 原页截图 p.6 原讲义第 6 页

Sistemas basados en el conocimiento

基于知识的系统。

Tareas que debe poder llevar a cabo un SBC:

一个 SBC 必须能够完成的任务:

• Aceptar las consultas que el usuario realice acerca de una situación dada del mundo real.

接受用户就现实世界某一给定情境提出的查询。

• Aceptar los datos proporcionados por el usuario acerca de esta situación, y solicitar otros datos que el sistema estime relevantes.

接受用户提供的关于该情境的数据,并索取系统认为相关的其他数据。

• Procesar esta información, en busca de una respuesta a la consulta planteada.

处理这些信息,以寻找对所提查询的答案。

• Emitir la respuesta hallada, que debe ser análoga en la mayor parte de los casos a la respuesta que daría un experto humano.

给出找到的答案,它在大多数情况下应当与一位人类专家会给出的答案相当。

• Justificar la respuesta finalmente emitida, siempre que el usuario así lo solicite.

只要用户要求,就要为最终给出的答案提供依据。

• Autoaprendizaje (mejora continua)

自主学习(持续改进)。

6

幻灯片页码 6。

SBC: Funcionalidad

SBC:功能(本节标题)。

答题模板按「输入—处理—输出—解释—学习」五段背:aceptar consultas → aceptar/solicitar datos → procesar → emitir respuesta análoga al experto → justificar → autoaprendizaje。问「列出 SBC 的 tareas」时必须写出 análoga a la de un experto humano 和 justificar 这两句,是评分点。
六条正好对上 p.5 一页的六种“行为”:问、收、算、答、解释、学。
p.7

SBC: Arquitectura · SBC:架构

▸ 原页截图 p.7 原讲义第 7 页

Sistemas basados en el conocimiento

基于知识的系统。

7

幻灯片页码 7。

SBC: Arquitectura

SBC:架构。

Usuario

用户(图的左上外部角色)。

Experto

专家(右上外部角色)。

Interfaz usuario

用户界面。

Interfaz IC

与知识工程师(IC = Ingeniero del Conocimiento)的界面。

Editor de la base de conocimiento

知识库编辑器。

Base de conocimiento

知识库(存放规则/事实)。

Memoria de trabajo

工作内存(存放当前案例的已知事实)。

Aprendizaje

学习模块。

Ingeniero del Conocimiento

知识工程师(负责把专家知识写进库的人)。

Interfaz experto

专家界面。

Sistema explicaciones

解释系统(回答“为什么”)。

Preguntas

问题(用户向系统提问的箭头)。

Explicaciones

解释(系统回给用户的箭头)。

Motor de inferencias

推理机(架构的核心,靠它把知识库+工作内存推成结论)。

Datos

数据。

Resultados/ preguntas

结果/问题。

必考:画出/说出 SBC 的五个部件——base de conocimiento、memoria de trabajo、motor de inferencias、interfaz(usuario / experto / IC)、sistema de explicaciones;再加 módulo de aprendizaje 与 editor de la base de conocimiento。用一句话答“推理机是干嘛的”:«El motor de inferencias combina los hechos de la memoria de trabajo con las reglas de la base de conocimiento»。
把图记成两竖两横:左竖「Usuario–Interfaz usuario–Motor」,右竖「Experto–Interfaz experto–Editor–Base de conocimiento」,中横「motor ↔ base ↔ memoria」,底横「explicaciones」。知识在库里、事实在内存里、推理由引擎做。

三、概率复习:联合分布、边缘分布与条件概率

p.8–p.13
p.8

Método probabilístico clásico: ejemplo · 经典概率方法:例子

▸ 原页截图 p.8 原讲义第 8 页

Redes bayesianas

贝叶斯网络(页眉所属章节名,全文每页都印)。

Método probabilístico clásico: ejemplo

经典概率方法:例子(本节标题页)。

这是一张「章节分隔页」,本身没有知识点,但它把整章的路线定死了:先用最笨的经典概率方法把联合分布整张表算出来,再说明这张表为什么大到不可用——从而引出贝叶斯网络。
考试不会直接考这页,但会考它的结论:经典方法要存 2n − 1 个参数,n 稍大就爆表。下一页开始的 20 行数据就是用来演示这个「能算但算不动」的。
p.9

Se pide · 题目要求

▸ 原页截图 p.9 原讲义第 9 页

Redes bayesianas

贝叶斯网络(页眉)。

Se pide:

要求完成:

a) Calcula un estimador para la distribución conjunta de las variables

a) 为这些变量计算一个联合分布的估计量。

b) A partir del estimador de la distribución conjunta anterior, calcula:

b) 基于上一步得到的联合分布估计量,计算:

•

项目符号(原文单独一个圆点,排版残留)。

Las distribuciones marginales:

边缘分布:

P(Edad = Mayor_50) y P(Edad = Mayor_50, Hernia= sí)

P(Edad = Mayor_50) 与 P(Edad = Mayor_50, Hernia= sí)(年龄大于 50 的概率,以及「年龄大于 50 且患疝气」的联合概率)。

P(Hernia=si/Vómitos=sí) (diagnóstico)

P(Hernia=si/Vómitos=sí)(已知呕吐时患疝气的概率,即诊断方向)。

P(Vómitos=si/Obesidad=si, Hernia=sí) (predicción)

P(Vómitos=si/Obesidad=si, Hernia=sí)(已知肥胖且患疝气时发生呕吐的概率,即预测方向)。

Método probabilístico clásico: ejemplo

经典概率方法:例子(页脚标题)。

符号西语读法中文含义
P(·)«probabilidad de»概率;括号里是事件
/«dado» / «condicionado a»条件竖线,读作「在……条件下」
,«y»联合事件,两件事同时成立
= Mayor_50«igual a mayor de cincuenta»变量取值为「大于 50 岁」
= si«igual a sí»变量取值为「是」(阳性 / 存在)
三个小问分别对应三种推理:a) 建模(估联合分布);b-1) 边缘化(把不要的变量求和掉);b-2) 诊断(从症状反推病因);b-3) 预测(从病因推症状)。考试常把「diagnóstico / predicción」当名词解释来问。
原文同一页里 «Hernia= sí» 带空格、«Hernia=si» 不带,且 «si» 未加变音符号;下一句又写成 «Hernia=sí»。这属排版不统一,语义都是「取值 = 是」;按原文照抄,答题时写 Hernia = sí 即可。
p.10

A partir de los datos… · 从数据构造联合分布

▸ 原页截图 p.10 原讲义第 10 页

Redes bayesianas

贝叶斯网络(页眉)。

A partir de los datos, es sencillo construir una estimación de la probabilidad conjunta

有了数据之后,构造联合概率的估计是很简单的。

Método probabilístico clásico

经典概率方法(页脚标题)。

这句话是频率派估计的口径:P̂(x) = n(x) / N,即「该组合出现的次数 ÷ 样本总数」。20 个病例就是 N = 20,所以下一页所有分母都是 20(条件概率的分母换成条件事件的行数)。
口诀:联合看行、边缘看列、条件看格子——联合概率数「同时满足」的格子,边缘概率把某一列(或行)全加起来,条件概率只在条件所在的那一行里算比例。
p.11

Marginales y condicionadas · 边缘分布与条件分布

▸ 原页截图 p.11 原讲义第 11 页

Redes bayesianas

贝叶斯网络(页眉)。

Teniendo el estimador de la distribución conjunta, podemos calcular también distribuciones marginales y condicionadas, que nos permitan hacer diagnósticos y predicciones. Por ejemplo:

有了联合分布的估计量,我们还可以计算边缘分布和条件分布,用它们来做诊断和预测。例如:

• P(Edad = Mayor_50) = 8/20

P(Edad = Mayor_50) = 8/20(20 个病例里 8 个年龄大于 50,即 0.4)。

• P(Edad = Mayor_50, Hernia= sí) = 4/20

P(Edad = Mayor_50, Hernia= sí) = 4/20(既年过 50 又患疝气的有 4 人,即 0.2)。

• P(Hernia=si/Vómitos=sí) (diagnóstico) = 4/7

P(Hernia=si/Vómitos=sí)(诊断)= 4/7(呕吐的 7 人中有 4 人患疝气,约 0.571)。

• P(Vómitos=si/Obesidad=si, Hernia=sí) (predicción) = 1

P(Vómitos=si/Obesidad=si, Hernia=sí)(预测)= 1(既肥胖又患疝气的人全部呕吐,概率为 1)。

Método probabilístico clásico

经典概率方法(页脚标题)。

符号西语读法中文含义
P(A) = 8/20«probabilidad de A igual a ocho veinteavos»边缘概率 = 满足 A 的例数 ÷ 总例数
P(A, B)«probabilidad de A y B»联合概率,两个条件同时满足
P(A/B)«probabilidad de A dado B»条件概率,只在 B 成立的例子里算
4/7«cuatro séptimos»条件概率的分母是「条件事件的例数」,不是 20
必考对比:边缘概率的分母是总样本数 20,条件概率的分母是条件事件的样本数(这里是呕吐的 7 人)。把 4/7 写成 4/20 是最常见的送分题失分点。
原文 P(Vómitos=si/Obesidad=si, Hernia=sí) = 1 是「恰好」为 1,不是约等于;同时原文 «si» 与 «sí» 混用(见 p.9 勘误),照抄即可,答题统一写 sí。
p.12

Presentación intuitiva · 直观介绍

▸ 原页截图 p.12 原讲义第 12 页

Redes bayesianas

贝叶斯网络(页眉)。

En una red bayesiana, cada nodo corresponde a una variable, que a su vez representa una entidad del mundo real

在一个贝叶斯网络里,每个节点对应一个变量,而变量又表示现实世界中的一个实体。

Notación:

记号:

• X, variable o nodo

X:变量或节点(大写表示整个变量)。

• x, valor (+x=sí, ¬x=no)

x:取值(+x=sí 表示「是」,¬x=no 表示「否」)。

Los arcos que unen los nodos representan relaciones de influencia causal

连接节点的弧表示因果影响关系。

12

页码 12(原文页码印在正文下方)。

Presentación intuitiva

直观介绍(页脚标题)。

这一页给出全章的两条「命名规则」,后面所有公式都靠它读:大写 X = 变量(节点),小写 x = 变量的一个取值;+x 读 «más equis» 表示「是」,¬x 读 «no equis» 表示「否」。考试让你写「变量 X 取值 x 的概率」时必须写成 P(X = x) 或 P(x),别把大小写混着用。
记法:弧 = 箭头的因果故事。箭头从「原因」指向「结果」,比如 新冠 → 抗原检测;反过来读就成了诊断。整章后面讲的「方向分离」就是判断这些箭头会不会「传递信息」。
p.13

Información cualitativa y cuantitativa · 定性与定量信息

▸ 原页截图 p.13 原讲义第 13 页

Redes bayesianas

贝叶斯网络(页眉)。

Información cualitativa

定性信息(只讲结构、不讲数字)。

• Nodos (variables)

节点(变量)。

• Enlaces (relaciones de influencia causal)

连边(因果影响关系)。

Información cuantitativa:

定量信息:

• La probabilidad a priori de los nodos que no tienen padres.

没有父节点的那些节点的先验概率。

• La probabilidad condicionada de los nodos con padres.

有父节点的那些节点的条件概率。

Presentación intuitiva

直观介绍(页脚标题)。

P(¬y1/+x)= 0.1

P(¬y1/+x)= 0.1(X 为真时,Y1 为假的概率是 0.1)。

P(¬y1/x)= 0.95

P(¬y1/x)= 0.95(X 为假时,Y1 为假的概率是 0.95)。

Y1

Y1(图中下方的结果节点)。

X

X(图中上方的原因节点)。

P(+x) = 0.099

P(+x) = 0.099(X 为真的先验概率是 0.099)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(X 为真时,Y1 为真的概率是 0.9)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(X 为假时,Y1 为真的概率是 0.05)。

COVID

COVID(新冠,原因节点 X 的实例名)。

Test Antígenos

抗原检测(结果节点 Y1 的实例名)。

P(¬x) = 0.901

P(¬x) = 0.901(X 为假的先验概率是 0.901;注意 0.099 + 0.901 = 1)。

符号西语读法中文含义
P(+x)«probabilidad de más equis»节点取「是」的先验概率
P(¬x)«probabilidad de no equis»节点取「否」的先验概率,与 P(+x) 互补
P(¬y1/+x)«probabilidad de no ye uno dado más equis»父节点为「是」时子节点为「否」的条件概率
/«dado»条件竖线;下一页起也写作 «|»
这页是「一个父节点、一个子节点」的最小网络,四个条件概率 + 两个先验概率一共 2 + 2×2 = 6 个数就描述完了。对比 p.8 的经典方法:若全联合表则有 2² − 1 = 3 个自由参数——节点一多,优势就是指数级的。
原文两处条件概率印成 P(¬y1/x) 与 P(+y1/x),第二个竖线前的「¬」在 PDF 抽取时丢失;按上下文与图形(X 为假的分支)应为 P(¬y1/¬x)= 0.95 和 P(+y1/¬x)= 0.05。原文写 «/x»,应为 «/¬x»,属笔误(OCR 掉符号),照抄原文时请自行补注。
读图顺序:先读定性(谁连谁:COVID → Test Antígenos),再读定量(先验 P(+x)=0.099,条件表 0.9 / 0.1、0.05 / 0.95)。图 + 表 = 一个完整的贝叶斯网络。

四、COVID 检测实例:先验、条件概率与后验推断

p.14–p.21
p.14

Enfermedad / Test · 疾病与检测:五个关键名词

▸ 原页截图 p.14 原讲义第 14 页

Redes bayesianas

贝叶斯网络(页眉)。

Enfermedad

疾病(原因节点 X 的通用名)。

• P(+x) = 0.099

P(+x) = 0.099(患病先验概率)。

prevalencia

患病率(人群里患病者所占比例,正是 P(+x))。

Test

检测(结果节点 Y1 的通用名)。

• P(+y1/+x) = 0.9

P(+y1/+x) = 0.9(真患病时检测为阳性的概率)。

sensibilidad

灵敏度(真阳性率,就是 P(+y1/+x))。

• P(¬y1/+x) = 0.1

P(¬y1/+x) = 0.1(真患病但检测为阴性的概率)。

falsos negativos

假阴性(有病却测成阴性,P(¬y1/+x))。

• P(+y1/¬x) = 0.05

P(+y1/¬x) = 0.05(没病却检测为阳性的概率)。

falsos positivos

假阳性(没病却测成阳性,P(+y1/¬x))。

• P(¬y1/¬x) = 0.95

P(¬y1/¬x) = 0.95(没病时检测为阴性的概率)。

especificidad

特异度(真阴性率,就是 P(¬y1/¬x))。

Presentación intuitiva

直观介绍(页脚标题)。

Y1

Y1(结果节点)。

X

X(原因节点)。

P(+x) = 0.099

P(+x) = 0.099(图中标出的先验概率)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(图中标出的条件概率)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标出的条件概率)。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

符号西语读法中文含义
prevalencia«prevalencia»患病率 = P(+x),先验
sensibilidad«sensibilidad»灵敏度 = P(+y1/+x),真阳性率
especificidad«especificidad»特异度 = P(¬y1/¬x),真阴性率
falsos negativos«falsos negativos»假阴性率 = P(¬y1/+x) = 1 − sensibilidad
falsos positivos«falsos positivos»假阳性率 = P(+y1/¬x) = 1 − especificidad
考试最爱考「给名词、要公式」或「给公式、要名词」:prevalencia = P(+x)、sensibilidad = P(+y1/+x)、especificidad = P(¬y1/¬x)。注意灵敏度和特异度不是互补关系(0.9 与 0.95 分别对应不同的条件行)。
原文图中条件概率一处写作 P(+y1/x)= 0.05,竖线后缺 «¬»;按上文表格应为 P(+y1/¬x) = 0.05。原文写 «/x»,应为 «/¬x»,属笔误(抽取丢符号),照抄时须补注。
p.15

Inferencias a partir de los datos · 从数据做推断:全概率公式

▸ 原页截图 p.15 原讲义第 15 页

Redes bayesianas

贝叶斯网络(页眉)。

Inferencias a partir de los datos

从数据做推断(本节标题)。

¿Cuál es la probabilidad de que una persona cualquiera de positivo en un test de antígenos (cribados masivos)?

任意一个人抗原检测呈阳性的概率是多少(大规模筛查场景)?

Probabilidad a priori de Y1

Y1 的先验概率(把原因 X 的两种情况都算进去)。

P(+y1) = P(+y1/+x) P(+x) + P(+y1/x) P(x) =0.9*0.099+0.05*0.901=0.13415

P(+y1) = P(+y1/+x) P(+x) + P(+y1/¬x) P(¬x) = 0.9×0.099 + 0.05×0.901 = 0.13415(全概率公式:阳性 = 真阳性 + 假阳性)。

P(y1) = P(y1/+x) P(+x) + P(y1/x) P(x) =0.1*0.099+0.95*0.901=0.86585

P(¬y1) = P(¬y1/+x) P(+x) + P(¬y1/¬x) P(¬x) = 0.1×0.099 + 0.95×0.901 = 0.86585(阴性 = 假阴性 + 真阴性;两式相加为 1)。

Presentación intuitiva

直观介绍(页脚标题)。

Y1

Y1(检测结果节点)。

X

X(疾病节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;竖线后缺 ¬)。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

符号西语读法中文含义
P(+y1)«probabilidad de más ye uno»检测阳性的先验(边缘)概率
P(+y1/+x)«dado más equis»患病时阳性的概率(灵敏度)
P(+x)«probabilidad de más equis»患病率(prevalencia)
+«más»求和;此处把 X 的两个取值两条路径相加
*«por»乘法(联合 = 条件 × 先验)
这就是全概率公式(teorema de la probabilidad total):P(+y1) = Σx P(+y1/x)·P(x)。考试必考这两个数:P(+y1)=0.13415、P(¬y1)=0.86585;验算方法是两者相加等于 1。
原文两式把 «¬» 全部丢了:P(+y1/x) 应为 P(+y1/¬x),P(x) 应为 P(¬x),P(y1…) 应为 P(¬y1…)。原文写 «x / y1»,应为 «¬x / ¬y1»,属 OCR 丢符号的笔误。
口诀:阳性 = 真阳性 + 假阳性;阴性 = 假阴性 + 真阴性。两条路径「患病 / 未患病」必须铺满整个样本空间,所以加起来一定是 1。
p.16

Probabilidades a posteriori · 后验概率:贝叶斯公式

▸ 原页截图 p.16 原讲义第 16 页

Redes bayesianas

贝叶斯网络(页眉)。

Inferencias a partir de los datos

从数据做推断(本节标题)。

Si una persona ha dado positivo en el test de antígenos, ¿cuál es la probabilidad de que tenga COVID?

如果一个人抗原检测呈阳性,他患新冠的概率是多少?

Probabilidades a posteriori dada una evidencia observada e: P*(x) = P(x/e).

给定观测证据 e 时的后验概率:P*(x) = P(x/e)。

Si e = {test de antígenos ha dado positivo (+y1)}

若 e = {抗原检测呈阳性 (+y1)}。

P*(+x) = P(+x/+y1) = P(+y1/+x)P(+x)

P*(+x) = P(+x/+y1) = P(+y1/+x)P(+x)(分子:似然 × 先验)。

P(+y1)

P(+y1)(分子下方是分母:证据的先验概率)。

= 0.6642

= 0.6642(即 0.9×0.099 / 0.13415 ≈ 0.6642)。

P*(x) = P(x/+y1) = P(+y1/x)P(x)

P*(¬x) = P(¬x/+y1) = P(+y1/¬x)P(¬x)(未患病那一路的分子)。

P(+y1)

P(+y1)(分母同上,阳性证据的总概率)。

=1- P(+x/+y1) = 0.3358

= 1 − P(+x/+y1) = 0.3358(用补事件算更快:1 − 0.6642)。

Presentación intuitiva

直观介绍(页脚标题)。

Y1

Y1(检测节点)。

X

X(疾病节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;应为 P(+y1/¬x))。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

P(+x) = 0.099

P(+x) = 0.099(右侧参数表第一行)。

P(+y1/+x) = 0.9

P(+y1/+x) = 0.9(参数表)。

P(¬y1/+x) = 0.1

P(¬y1/+x) = 0.1(参数表;与 0.9 互补)。

P(+y1/¬x) = 0.05

P(+y1/¬x) = 0.05(参数表)。

P(¬y1/¬x) = 0.95

P(¬y1/¬x) = 0.95(参数表;与 0.05 互补)。

\[P^*(+x)=P(+x/+y_1)=\frac{P(+y_1/+x)\,P(+x)}{P(+y_1)}=\frac{0.9\times0.099}{0.13415}=0.6642\]
符号西语读法中文含义
P*(x)«pe asterisco de equis»后验概率(带星号 = 观测证据之后)
P(x/e)«probabilidad de equis dado e»条件概率形式的同一件事
e«e»evidencia:已观测到的证据集合
P(+y1/+x)P(+x)«likelihood por priori»分子 = 似然 × 先验
P(+y1)«probabilidad de más ye uno»分母 = 证据的先验概率(归一化常数)
贝叶斯公式的固定写法:P(A/B) = P(B/A)·P(A) / P(B)。考试给 0.9、0.099、0.13415 三个数,就要能写出 0.6642。记住分母 P(+y1) 是上一页用全概率公式算出来的 0.13415,不是 1。
原文两处丢 «¬»:第二行 P*(x) 应为 P*(¬x),分子 P(+y1/x)P(x) 应为 P(+y1/¬x)P(¬x)。原文写 «x»,应为 «¬x»,属笔误(抽取丢否定号)。另有排版:分母 P(+y1) 单独占一行,是分式的分母,不是独立公式。
直觉检查:患病率只有 9.9%,但阳性后升到 66.4%——一次阳性把概率放大 6.7 倍,这就是「假阳性 5% 也会污染大规模筛查」的原因。
p.17

¿Sube o baja la probabilidad? · 新增证据后概率变大还是变小

▸ 原页截图 p.17 原讲义第 17 页

Redes bayesianas

贝叶斯网络(页眉)。

Si e = {+e2 (tiene fiebre)}, ¿la probabilidad de que esa persona tenga COVID será?

若 e = {+e2(发烧)},这个人患新冠的概率会怎样?

Opción A: mayor o igual que cuando sabíamos e = {+e1 ( test positivo)}

选项 A:大于或等于我们已知 e = {+e1(检测阳性)} 的时候。

Opción B: menor que cuando sabíamos e = {+e1 ( test positivo)}

选项 B:小于我们已知 e = {+e1(检测阳性)} 的时候。

Presentación intuitiva

直观介绍(页脚标题)。

Y1

Y1(抗原检测节点)。

X

X(新冠节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;应为 P(+y1/¬x))。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

Y2

Y2(发烧节点,X 的第二个子节点)。

P(+y2/+x)= 0.6

P(+y2/+x)= 0.6(患病时发烧的概率)。

P(+y2/x)= 0.1

P(+y2/x)= 0.1(未患病时发烧的概率;应为 P(+y2/¬x))。

Fiebre

发烧(Y2 的实例名)。

Si e = {+e1, +e2 }, ¿la probabilidad de que esa persona tenga COVID será?

若 e = {+e1, +e2}(检测阳性且发烧),这个人患新冠的概率会怎样?

Opción A: mayor o igual que cuando sabíamos e = {+e1 ( test positivo)}

选项 A:大于或等于我们已知 e = {+e1(检测阳性)} 的时候。

Opción B: menor que cuando sabíamos e = {+e1 ( test positivo)}

选项 B:小于我们已知 e = {+e1(检测阳性)} 的时候。

符号西语读法中文含义
e«e»证据集合(evidence)
+e2«más e dos»证据 2 成立,即发烧
P(+y2/+x)«probabilidad de más ye dos dado más equis»患病时发烧的概率(似然)
P(+y2/¬x)«dado no equis»未患病时发烧的概率(假警报)
这页只问「方向」,不算数,答案要靠下一页的数值:单独发烧 → 0.3973 < 0.6642(变小);阳性 + 发烧 → 0.9223 > 0.6642(变大)。考试常把它做成选择题,考的就是「多条证据是否互相加强」。
原文条件概率 P(+y1/x)、P(+y2/x) 均缺 «¬»,应为 P(+y1/¬x)=0.05、P(+y2/¬x)=0.1;原文写 «/x»,应为 «/¬x»,属笔误。另原文 «( test positivo)» 括号内多一个空格,照抄。
别把 «e1/e2» 当成节点:e1 = 检测证据,e2 = 发烧证据,节点本身叫 Y1、Y2。题目问的是「证据强弱」,不是「节点编号」。
p.18

Inferencias: e = {+y2} · 只有发烧证据时的后验

▸ 原页截图 p.18 原讲义第 18 页

Redes bayesianas

贝叶斯网络(页眉)。

Inferencias

推断(本节标题)。

a) e = {+y2}

a) e = {+y2}(只观测到发烧)。

P*(+x) = P(+x/e) = P(+x/+y2) = 0.3973

P*(+x) = P(+x/e) = P(+x/+y2) = 0.3973(发烧后患病概率约 39.7%)。

P*(x) = P(x/e) = P(x/+y2) = 0.6027

P*(¬x) = P(¬x/e) = P(¬x/+y2) = 0.6027(未患病概率约 60.3%)。

Es menor que si da positivo en Test (0.6642)

它比检测呈阳性时(0.6642)更小。

Presentación intuitiva

直观介绍(页脚标题)。

X

X(新冠节点)。

Y1

Y1(抗原检测节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

Y2

Y2(发烧节点)。

P(+y2/+x)= 0.6

P(+y2/+x)= 0.6(患病时发烧)。

P(+y2/x)= 0.1

P(+y2/x)= 0.1(未患病时发烧;应为 P(+y2/¬x))。

Fiebre

发烧(Y2 的实例名)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;应为 P(+y1/¬x))。

\[P^*(+x)=P(+x/+y_2)=\frac{P(+y_2/+x)P(+x)}{P(+y_2)}=\frac{0.6\times0.099}{0.6\times0.099+0.1\times0.901}=0.3973\]
符号西语读法中文含义
P*(+x)«pe asterisco de más equis»观测证据后的后验概率
P(+x/+y2)«dado más ye dos»「发烧」条件下的患病概率
P(+y2)«probabilidad de más ye dos»发烧的边缘概率(分母,归一化)
0.3973 = 1 − 0.6027«cero coma tres nueve siete tres»患病与未患病互补,和为 1
数字要背:P*(+x/+y2)=0.3973、P*(¬x/+y2)=0.6027,对比 P*(+x/+y1)=0.6642。结论:发烧是弱证据,阳性是强证据;单独发烧不足以判定患病(仍小于 0.5)。
原文第二行 P*(x) = P(x/e) = P(x/+y2) 缺两处 «¬»,应为 P*(¬x) = P(¬x/e) = P(¬x/+y2);图中 P(+y2/x) 应为 P(+y2/¬x)。原文写 «x»,应为 «¬x»,属笔误。
比较口诀:阳性 66% > 发烧 40%。检测直接「指向」疾病(灵敏度 0.9),发烧只是疾病的常见伴随现象(0.6),所以证据强度不同。
p.19

Inferencias: e = {+y1, +y2} · 两条证据同时观测

▸ 原页截图 p.19 原讲义第 19 页

Redes bayesianas

贝叶斯网络(页眉)。

Inferencias

推断(本节标题)。

a) e = {+y1, +y2}

a) e = {+y1, +y2}(阳性且发烧,两条证据同时观测)。

P*(+x) = P(+x/e) = P(+x/+y1, +y2) = 0.9223

P*(+x) = P(+x/e) = P(+x/+y1, +y2) = 0.9223(两条证据后患病概率约 92.2%)。

P*(x) = P(x/e) = P(x/+y2) = 0.0777

P*(¬x) = P(¬x/e) = P(¬x/+y1, +y2) = 0.0777(未患病概率约 7.8%)。

Es mayor que si solo tenemos en cuenta que ha dado da positivo en el test (0.6642)

它比只考虑检测呈阳性(0.6642)时更大。

Presentación intuitiva

直观介绍(页脚标题)。

X

X(新冠节点)。

Y1

Y1(抗原检测节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

Y2

Y2(发烧节点)。

P(+y2/+x)= 0.6

P(+y2/+x)= 0.6(患病时发烧)。

P(+y2/x)= 0.1

P(+y2/x)= 0.1(未患病时发烧;应为 P(+y2/¬x))。

Fiebre

发烧(Y2 的实例名)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;应为 P(+y1/¬x))。

\[P^*(+x)=P(+x/+y_1,+y_2)=\frac{0.9\times0.6\times0.099}{0.9\times0.6\times0.099+0.05\times0.1\times0.901}=0.9223\]
符号西语读法中文含义
P(+x/+y1, +y2)«dado más ye uno y más ye dos»两条证据同时成立时的后验
P(+y1/+x)·P(+y2/+x)«producto de las verosimilitudes»在给定 X 下两条证据条件独立,可直接相乘
0.9223«cero coma nueve dos dos tres»后验概率;与 0.0777 互补
/«dado»条件;逗号分隔同一条件里的多条证据
本题是「证据累积」的标准答案:0.6642 → 0.9223(加入发烧证据后上升)。背诵要点:多一条独立证据,后验向 1 靠拢;两个似然的乘积在分子分母同时出现,所以 X 的同一取值下证据可相乘。
原文第二行两处错误:P*(x) 应为 P*(¬x);P(x/+y2) 应为 P(¬x/+y1, +y2)(漏掉 +y1 且丢 ¬)。原文写 «P(x/+y2)»,应为 «P(¬x/+y1,+y2)»,属笔误。又 «ha dado da positivo» 重复 «da»,应为 «ha dado positivo»。
算 0.9223 的心算路线:分子 0.9×0.6×0.099≈0.05346;分母再加 0.05×0.1×0.901≈0.004505;0.05346/0.057965≈0.9223。分子就是「真患病那一路」,分母是「两路之和」。
p.20

Inferencias: predecir el test desde la fiebre · 由发烧反推检测阳性

▸ 原页截图 p.20 原讲义第 20 页

Redes bayesianas

贝叶斯网络(页眉)。

Inferencias

推断(本节标题)。

c) e = {+y2}

c) e = {+y2}(只观测到发烧,这次要预测检测结果)。

P*(+y1) = P(+y1/+y2) = 0.3877

P*(+y1) = P(+y1/+y2) = 0.3877(发烧时检测阳性的概率约 38.8%)。

P*(y1) = P(y1/+y2) = 0.6123

P*(¬y1) = P(¬y1/+y2) = 0.6123(发烧时检测阴性的概率约 61.2%)。

Presentación intuitiva

直观介绍(页脚标题)。

X

X(新冠节点)。

Y1

Y1(抗原检测节点)。

P(+x) = 0.099

P(+x) = 0.099(先验)。

COVID

新冠(X 的实例名)。

Test Antígenos

抗原检测(Y1 的实例名)。

Y2

Y2(发烧节点)。

P(+y2/+x)= 0.6

P(+y2/+x)= 0.6(患病时发烧)。

P(+y2/x)= 0.1

P(+y2/x)= 0.1(未患病时发烧;应为 P(+y2/¬x))。

Fiebre

发烧(Y2 的实例名)。

P(+y1/+x)= 0.9

P(+y1/+x)= 0.9(灵敏度)。

P(+y1/x)= 0.05

P(+y1/x)= 0.05(图中标注;应为 P(+y1/¬x))。

Si comparamos con P(+y1)= 0,13415, vemos que es mayor

与 P(+y1)= 0.13415 相比,可以看出它更大。

\[P^*(+y_1)=P(+y_1/+y_2)=\frac{0.9\times0.6\times0.099+0.05\times0.1\times0.901}{0.6\times0.099+0.1\times0.901}=0.3877\]
符号西语读法中文含义
P*(+y1)«pe asterisco de más ye uno»由证据推出来的、对 Y1 的新概率
P(+y1/+y2)«probabilidad de más ye uno dado más ye dos»发烧条件下检测阳性的概率
P(+y1)= 0,13415«cero coma trece cuatro uno cinco»没有证据时的阳性先验(p.15 算过)
0.3877«cero coma tres ocho siete siete»发烧把阳性率从 13.4% 抬到 38.8%
这一问演示预测方向:证据在 Y2(发烧),预测目标是 Y1(检测)。结论 0.3877 > 0.13415,即「发烧会提高检测阳性的可能性」;但 38.8% 仍不高,说明发烧本身不是强预测因子。
原文 P*(y1) = P(y1/+y2) 缺 «¬»,应为 P*(¬y1) = P(¬y1/+y2);原文数字用西语逗号 0,13415,同一份讲义其他地方用小数点 0.13415,属排版不统一,非计算错误。
方向上分清:诊断 = 从结果推原因(/y1 → x),预测 = 从原因(或另一结果)推结果(/y2 → y1)。本页是预测,下一页 p.21 会给出两个正式名字:abductivas / predictivas。
p.21

Tipos de inferencia · 推断的两大类型

▸ 原页截图 p.21 原讲义第 21 页

Redes bayesianas

贝叶斯网络(页眉)。

Las redes bayesianas permiten hacer inferencias:

贝叶斯网络允许做推断:

•

项目符号(原文单独一个圆点,排版残留)。

Abductivas: ¿cuál es el diagnóstico que mejor explica los hallazgos?

溯因推理:哪个诊断最能解释这些发现?

•

项目符号(原文单独一个圆点,排版残留)。

Predictivas: ¿cuál es la probabilidad de obtener cierto resultado en el futuro?

预测推理:未来得到某个结果的概率是多少?

Presentación intuitiva

直观介绍(页脚标题)。

名词解释必考:abductiva(溯因)= 从观测到的结果反推最可能的原因,即诊断;predictiva(预测)= 从已知原因/证据推出未来结果的概率。上一页从发烧推检测阳性,就是 predictiva;p.16 从阳性推新冠,就是 abductiva。
词根记法:ab- 有「离开、从……出发」的意思(从结果往回想);pre- 是「在前」(往前看结果)。再配一句西语口头禅:«¿qué lo explica?»(什么能解释它)→ abductiva。

五、形式定义:命题变量、无环有向图与条件独立

p.22–p.28
p.22

Definición formal · 贝叶斯网络的形式定义

▸ 原页截图 p.22 原讲义第 22 页

Redes bayesianas

贝叶斯网络(页眉)。

Una red bayesiana es:

一个贝叶斯网络是:

• Un conjunto de variables proposicionales V;

一个命题变量集合 V;

• Un conjunto de relaciones binarias definida sobre las variables de V, E:

一个定义在 V 的变量之上的二元关系集合 E:

• Una distribución de probabilidad conjunta P sobre las variables de V,

一个定义在 V 的变量之上的联合概率分布 P,

tales que:

使得:

• (V, E) forman un grafo acíclico, conexo y dirigido G.

(V, E) 构成一个无环、连通、有向图 G。

• (G, P) cumplen las hipótesis de independencia condicional, también llamadas de separación direccional

(G, P) 满足条件独立假设,也叫方向分离。

Definición formal

形式定义(页脚标题)。

符号西语读法中文含义
V«uve» / «conjunto de variables»节点(命题变量)集合
E«e» / «conjunto de enlaces»边(二元关系 / 弧)集合
P«pe»联合概率分布
G = (V, E)«grafo uve e»由节点与边构成的有向图
acíclico«acíclico»无环:沿箭头走不回起点
conexo«conexo»连通:任意两节点间有路
定义三件套 + 两个条件,考试按点给分:V(变量)、E(边)、P(联合分布);(V,E) 是有向无环连通图;(G,P) 满足条件独立 / 方向分离。少写「conexo」或「acíclico」都会扣分。
一句话背下来:「图 + 表 + 独立性」——图管定性(谁影响谁),表管定量(先验与条件概率),独立性是两者之间的合同。
p.23

Variables proposicionales · 命题变量与穷尽互斥

▸ 原页截图 p.23 原讲义第 23 页

Redes bayesianas

贝叶斯网络(页眉)。

Una variable proposicional es una variable aleatoria que toma un conjunto exhaustivo y excluyente de valores.

一个命题变量是一种随机变量,它取一组穷尽且互斥的值。

¿Son los siguientes conjuntos exhaustivos y excluyentes?

下面这些集合是否既穷尽又互斥?

ColorFavorito={Rojo,Blanco,Verde}

ColorFavorito={Rojo,Blanco,Verde}(最喜欢的颜色 = {红、白、绿})。

EstadoImpresora={Encendida, Enchufada}

EstadoImpresora={Encendida, Enchufada}(打印机状态 = {开机、插电})。

EstadoImpresora={Encendida, Apagada}

EstadoImpresora={Encendida, Apagada}(打印机状态 = {开机、关机})。

¿Cuáles de las siguientes variables son variables proposicionales?

下面哪些变量是命题变量?

OPCIÓN A: Mascota = {Perro, Gato}

选项 A:Mascota = {Perro, Gato}(宠物 = {狗、猫})。

OPCIÓN B: Enfermedad = {Gripe, Hepatitis, Apendicitis}

选项 B:Enfermedad = {Gripe, Hepatitis, Apendicitis}(疾病 = {流感、肝炎、阑尾炎})。

OPCIÓN C: LenguajeProgramación = {Python, Java, C++}

选项 C:LenguajeProgramación = {Python, Java, C++}(编程语言 = {Python、Java、C++})。

OPCIÓN D: Ventilador = {Encendido, Apagado}

选项 D:Ventilador = {Encendido, Apagado}(风扇 = {开、关})。

OPCIÓN E: Calificación = {NoPresentado, Suspenso, Aprobado, Notable, Sobresaliente}

选项 E:Calificación = {NoPresentado, Suspenso, Aprobado, Notable, Sobresaliente}(成绩 = {缺考、不及格、及格、良好、优秀})。

¿Se te ocurren situaciones en las que las opciones A, B , C y E puedan corresponder a variables proposicionales?

你能想到哪些情境,使选项 A、B、C、E 也可以成为命题变量?

Definición formal: variables proposicionales

形式定义:命题变量(页脚标题)。

判定标准只有两条:exhaustivo(所有可能取值都列出,没有遗漏)与excluyente(任意两个取值不能同时成立)。所以:{Encendida, Apagada} 合格;{Rojo,Blanco,Verde} 不穷尽;{Encendida, Enchufada} 不互斥(开机必然插电)。
原文 «opciones A, B , C y E» 中 «B , C» 逗号前多一个空格,属排版笔误;另外题目本身是开放讨论:A/B/C 在「限定语境」下可以穷尽(如只讨论这三种宠物/疾病/语言),E 在西班牙评分体系内本就穷尽互斥。
口诀:穷尽 = 一个都不能少,互斥 = 两个不能同时要。选项 D 是标准二元命题变量,E 是标准多值命题变量(有序多值也允许)。
p.24

¿Qué grafos pueden ser una red bayesiana? · 哪些图能当贝叶斯网络

▸ 原页截图 p.24 原讲义第 24 页

Redes bayesianas

贝叶斯网络(页眉)。

¿Cuáles de los siguientes grafos pueden representar una red bayesiana?

下面哪些图可以表示一个贝叶斯网络?

Definición formal: grafo acíclico y dirigido

形式定义:有向无环图(页脚标题)。

OPCIÓN A:

选项 A(图中 A 在上,箭头 A→B、A→C)。

A · B · C

三个节点 A、B、C(原文三行单字母标签,按图示合并)。

OPCIÓN B:

选项 B(图中 A 孤立,B→C)。

A · B · C

三个节点 A、B、C。

OPCIÓN C:

选项 C(A→B、A→C、B→C,形成三角形但无环)。

A · B · C

三个节点 A、B、C。

OPCIÓN D:

选项 D(A 与 B、C 之间是无箭头连线)。

A · B · C

三个节点 A、B、C。

OPCIÓN E:

选项 E(A、B、C 组成一个有向环)。

A · B · C

三个节点 A、B、C。

选项西语读法判定与理由
A«opción a»合格:有向、连通、无环(A→B, A→C)
B«opción be»不合格:不连通(A 孤立)
C«opción ce»合格:有向、连通、无环(A→B→C 且 A→C)
D«opción de»不合格:边无方向,不是有向图
E«opción e»不合格:存在有向环(acyclic 被破坏)
答案:A 和 C。判图三步走:①每条边是否都有方向(排除 D);②所有节点是否连通(排除 B);③沿箭头是否能绕回起点(排除 E)。三个条件对应定义里的 «dirigido, conexo, acíclico»。
文字抽取把五个选项的节点标签打乱了顺序(原文是图,标签 A/B/C 各出现五次)。这里按视觉顺序 A→E 重排,标签内容逐字保留;真正的箭头方向请看上方截图。
口诀:有向、连通、不绕圈——「绕圈」就是环,贝叶斯网络最怕环,因为环会让概率传播变成循环定义。
p.25

Independencia condicional / separación direccional · 条件独立与方向分离

▸ 原页截图 p.25 原讲义第 25 页

Redes bayesianas

贝叶斯网络(页眉)。

Un grafo acíclico conexo y dirigido G = (V, E) y una distribución de probabilidad conjunta P definida sobre las variables del grafo se dice que cumplen las hipótesis de independencia condicional o separación direccional, si

一个无环、连通、有向图 G = (V, E) 与定义在该图变量上的联合概率分布 P,若满足条件独立假设或称方向分离,则称它们满足:

X V y Y V- {Xde(X)pa(X)}

X∈V 且 Y∈V−({X}∪de(X)∪pa(X))(原文 PDF 抽取时丢失了 ∈、∪ 等符号,只剩字母;见下方勘误)。

se tiene que

都有:

X es independiente de Y dado pa(X)

X 在给定 pa(X) 的条件下独立于 Y(pa(X) = X 的父节点集合)。

Definición formal: relaciones de independencia condicional

形式定义:条件独立关系(页脚标题)。

\[\forall X\in V\ \text{y}\ \forall Y\in V-\big(\{X\}\cup de(X)\cup pa(X)\big):\quad X\perp Y\mid pa(X)\]
符号西语读法中文含义
V«uve»全部变量的集合
de(X)«descendientes de equis»X 的后代节点集合
pa(X)«padres de equis»X 的父节点集合
X ⊥ Y | pa(X)«equis independiente de ye dado padres de equis»给定父节点后,X 与 Y 条件独立
−«menos»集合差:从 V 里去掉 X、后代、父节点
∪«unión»并集
必背形式定义:对任意 X∈V、任意 Y∈V−({X}∪de(X)∪pa(X)),都有 X ⊥ Y | pa(X)。用大白话:给定父节点,节点 X 与「不是自己、不是后代、不是父节点」的所有节点条件独立。这就是贝叶斯网络能省参数的合法性来源(p.32 基本定理)。
原文公式行抽取为 «X V y Y V- {Xde(X)pa(X)}»,丢失了 ∈、∀、∪、{ } 等符号;完整写法应为 ∀X∈V 且 ∀Y∈V−({X}∪de(X)∪pa(X))。原文写 «X V … {Xde(X)pa(X)}»,应为 «X∈V … {X}∪de(X)∪pa(X)»,属笔误(PDF 符号未抽出)。
一句话:父节点一给,旁支全断。de(X) 是「下游」,pa(X) 是「上游」,把上游和下游都从 Y 的候选里剔掉,剩下的才是可能与 X 相依的节点。
p.26

Comprobar si la red es bayesiana · 检验这张网是否满足独立性

▸ 原页截图 p.26 原讲义第 26 页

Redes bayesianas

贝叶斯网络(页眉)。

Hay que comprobar si:

需要检查:

• Variables proposicionales

命题变量(见 p.23)。

• Gráfico conexo, acíclico y dirigido

图是连通、无环、有向的。

• Condiciones de independencia

条件独立条件。

X V y Y V- {Xde(X)pa(X)} X es independiente de Y dado pa(X)

∀X∈V、∀Y∈V−({X}∪de(X)∪pa(X)):X 在给定 pa(X) 时独立于 Y(原文同样丢了符号,见 p.25 勘误)。

¿B es independiente de C dado A? ¿es decir, P(B/A,C) =P(B/A )?

B 在给定 A 时独立于 C 吗?也就是说,P(B/A,C) = P(B/A) 成立吗?

¿P(b1/a1 ,c1) = P(b1/a1 )?

具体检验:P(b1/a1,c1) = P(b1/a1) 吗?

P(b1/a1 ,c1) = P(a1,b1,c1) / P(a1,c1) = 0.05/0.20=1/4

P(b1/a1,c1) = P(a1,b1,c1) / P(a1,c1) = 0.05/0.20 = 1/4 = 0.25。

P(b1/a1 ) = P(a1,b1) / P(a1) = 0.15/0.35 =3/7

P(b1/a1) = P(a1,b1) / P(a1) = 0.15/0.35 = 3/7 ≈ 0.4286。

Definición formal: ejercicios

形式定义:练习(页脚标题)。

A · B · C

图上三个节点 A、B、C(结构:A→B,A→C)。

P(a1,b1,c1) = 0.05

P(a1,b1,c1) = 0.05(联合分布第一项)。

P(a1,b1,c2) = 0.10

P(a1,b1,c2) = 0.10。

P(a1,b2,c1) = 0.15

P(a1,b2,c1) = 0.15。

P(a1,b2,c2) = 0.05

P(a1,b2,c2) = 0.05。

P(a2,b1,c1) = 0.20

P(a2,b1,c1) = 0.20。

P(a2,b1,c2) = 0.35

P(a2,b1,c2) = 0.35。

P(a2,b2,c1) = 0.05

P(a2,b2,c1) = 0.05。

P(a2,b2,c2) = 0.05

P(a2,b2,c2) = 0.05。

P(a1,c1) = 0.20

P(a1,c1) = 0.20(由 0.05 + 0.15 边缘化 B 得到)。

P(a1,b1) = 0.15

P(a1,b1) = 0.15(由 0.05 + 0.10 边缘化 C 得到)。

P(a1) = 0.35

P(a1) = 0.35(a1 那一行四个格子之和)。

Comprobar si la siguiente red es bayesiana:

检验下面这个网络是否为贝叶斯网络:

计算西语读法结果
P(b1/a1,c1)«pe de be uno dado a uno y ce uno»0.05 / 0.20 = 0.25 = 1/4
P(b1/a1)«pe de be uno dado a uno»0.15 / 0.35 ≈ 0.4286 = 3/7
1/4 ≠ 3/7«no son iguales»不满足 P(B/A,C)=P(B/A)
因为 1/4 ≠ 3/7,所以 B 在给定 A 时不独立于 C,条件独立条件被违反——这张网不是贝叶斯网络。考试步骤固定:先算条件概率两边,再比较,最后下结论。
原文 «¿es decir» 前用问号再接 «P(B/A,C)=P(B/A)?»,标点连用;且 «P(B/A )» 括号前多空格、逗号前 «a1 ,c1» 多空格,均属排版笔误,不影响计算。另原文把 «Gráfico» 写成 «Grafico» 的变体(无重音)不在此页。
这是「共同原因 / fork」结构:A 同时影响 B 和 C。给定 A 后 B、C 应独立;若数据不独立,说明图漏了一条边或模型错了。
p.27

Ejercicio 1 · 练习 1:检验 A→B、A→C 的独立性

▸ 原页截图 p.27 原讲义第 27 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio 1. Comprobar si esta red es bayesiana

练习 1:检验这个网络是不是贝叶斯网络。

Definición formal: ejercicios

形式定义:练习(页脚标题)。

A · B · C

图上三个节点 A、B、C(结构:A→B,A→C)。

P(a1,b1,c1) = 0.084

P(a1,b1,c1) = 0.084。

P(a1,b1,c2) = 0.036

P(a1,b1,c2) = 0.036。

P(a1,b2,c1) = 0.126

P(a1,b2,c1) = 0.126。

P(a1,b2,c2) = 0.054

P(a1,b2,c2) = 0.054。

P(a2,b1,c1) = 0.084

P(a2,b1,c1) = 0.084。

P(a2,b2,c1) = 0.056

P(a2,b2,c1) = 0.056。

P(a2,b1,c2) = 0.336

P(a2,b1,c2) = 0.336。

P(a2,b2,c2) = 0.224

P(a2,b2,c2) = 0.224。

边缘 / 条件计算结果
P(a1)0.084+0.036+0.126+0.0540.30
P(a1,b1)0.084+0.0360.12 → P(b1/a1)=0.4
P(a1,c1)0.084+0.1260.21 → P(b1/a1,c1)=0.084/0.21=0.4
P(a1,c2)0.036+0.0540.09 → 0.036/0.09=0.4
P(a2)0.084+0.056+0.336+0.2240.70 → P(b1/a2)=0.6
P(a2,c1)0.084+0.0560.14 → 0.084/0.14=0.6
P(a2,c2)0.336+0.2240.56 → 0.336/0.56=0.6
答案:这张网络是贝叶斯网络。对 a1、a2 的每个取值都有 P(b1/a1,c1)=P(b1/a1)=0.4、P(b1/a2,c1)=P(b1/a2)=0.6,即 B ⊥ C | A 成立;图又是连通、无环、有向的。
与 p.26 对比记忆:同一个图 A→B、A→C,p.26 的数据给出 1/4 vs 3/7(不独立 → 不是网络),p.27 的数据给出两边都等于 0.4 / 0.6(独立 → 是网络)。图形一样,数据决定成败。
p.28

Ejercicio 2 · 练习 2:这张网隐含哪些独立性

▸ 原页截图 p.28 原讲义第 28 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio 2. ¿Qué independencias implica la red?

练习 2:这张网络隐含了哪些独立性?

Definición formal: ejercicios

形式定义:练习(页脚标题)。

Situación laboral

工作状况(根节点之一)。

Inversiones

投资(根节点之一)。

Situación económica

经济状况(工作状况与投资的共同子节点)。

Salud

健康(根节点)。

Felicidad

幸福感(经济状况与健康的共同子节点)。

Donaciones

捐款(经济状况的子节点)。

独立性西语读法理由
Lab ⊥ Inv«laboral independiente de inversiones»两个根节点之间无路径
Salud ⊥ {Lab, Inv}«salud independiente de laboral e inversiones»健康与它们无路径相连
Don ⊥ Fel | Econ«donaciones independiente de felicidad dado economía»共同父节点 Econ 被固定,fork 被阻断
Lab ⊥ Fel | Econ«laboral independiente de felicidad dado economía»路径 Lab→Econ→Fel 被 Econ 阻断
Fel ⊥ {Inv, Lab, Don} | {Econ, Salud}«felicidad independiente dado economía y salud»给定两个父节点后,Felicidad 与其非后代独立
必答的一组:工作状况 ⊥ 投资(都是根节点);捐款 ⊥ 幸福感 | 经济状况(同父 fork);工作状况 ⊥ 幸福感 | 经济状况(路径被中间节点阻断)。答题时写成 X ⊥ Y | Z 并说明 Z 阻断了哪条路径。
原文页只给图与一句问题,没有文字答案;上面 trace 表中的独立性是按图结构(A→B、A→C 型 fork 与链)推出来的,箭头方向以截图为准:工作状况→经济状况、投资→经济状况、经济状况→捐款、经济状况→幸福感、健康→幸福感。
看图口诀:共同父节点(fork)→ 给定父节点则两个子节点独立;链(A→B→C)→ 给定中间 B 则两端独立;共同子节点(collider)→ 不给定子节点时两端独立,给定后反而相关。本图前两种结构都有。

六、独立性练习:Asia 网络、三节点结构与基本定理

p.29–p.33
p.29

Ejercicio 3. ¿Qué independencias implica la red Asia? · 练习 3:Asia 网络隐含哪些独立性

▸ 原页截图 p.29 原讲义第 29 页

Redes bayesianas

贝叶斯网络(页眉)。

Definición formal: ejercicios

形式定义:练习(页脚标题)。

Ejercicio 3. ¿Qué independencias implica la red Asia?

练习 3:la red Asia 隐含了哪些独立性?

Asia

亚洲(根节点 A:是否去过亚洲)。

Tuberculosis

结核病(T)。

Fumador

吸烟者(S)。

Cáncer pulmón

肺癌(L)。

Bronquitis

支气管炎(B)。

Enfermedad

(是否患)病(E)。

Rayos X

X 光片(X)。

Disnea

呼吸困难(D)。

独立性西语读法判定理由
Asia ⊥ Fumador«Asia independiente de fumador»两根节点之间没有任何路径
Tuberculosis ⊥ Cáncer pulmón«tuberculosis independiente de cáncer de pulmón»T→E←L 是 collider,E 未给定 → 阻断
Rayos X ⊥ Disnea«rayos equis independiente de disnea»X←E→D 是 fork,E 未给定 → 阻断
Rayos X ⊥ Disnea | Enfermedad«rayos equis independiente de disnea dado enfermedad»同一条链在 E 处被固定 → 阻断
Bronquitis ⊥ Tuberculosis«bronquitis independiente de tuberculosis»B←S→L→E←T,在 E 处撞上 collider
Asia ⊥ Disnea | Tuberculosis«Asia independiente de disnea dada tuberculosis»给定 T 后,链 A→T→E→D 在 T 处断开
Fumador ⊥ Tuberculosis | Enfermedad«fumador independiente de tuberculosis dado enfermedad»不成立:E 是 collider,给定后反而把 S 与 T 联系起来(explaining away)
最常考的答案:Tuberculosis ⊥ Fumador / Tuberculosis ⊥ Cáncer pulmón(collider 未给定);Rayos X ⊥ Disnea 与其条件版 Rayos X ⊥ Disnea | Enfermedad 同时成立。反例必写一条:给定 Enfermedad 后,Tuberculosis 与 Fumador 变得相关——这正是 p.20 的溯因推理(COVID 例子的同一机制)。
做题顺序:先列根节点之间的独立性(无路径直接独立),再逐条看路径上的中间节点是 fork、chain 还是 collider。fork/chain 给定中间节点才断;collider 必须「不给」才断。所有独立性都写成 X ⊥ Y | Z 的形式,Z 为空就省略竖线。
p.30

Ejercicio 4: estructuras de tres nodos · 练习 4:三节点网络的三种结构

▸ 原页截图 p.30 原讲义第 30 页

Redes bayesianas

贝叶斯网络(页眉)。

Definición formal: ejercicios

形式定义:练习(页脚标题)。

Ejercicio 4:

练习 4:

Comprobar qué relaciones de independencia condicional deben darse para todas las posibles estructuras de redes con tres nodos

检查对于三节点网络所有可能的结构,分别应该出现哪些independencia condicional 关系。

Cola con cola

尾对尾(fork:共同父节点 A 指向 B 和 C)。

Cabeza con cabeza

头对头(collider:B 和 C 共同指向 A)。

Cabeza con cola

头对尾(chain:A→B→C)。

A

节点 A(三张图中均出现)。

B

节点 B。

C

节点 C。

结构(图)西语读法结论
Cola con cola:A→B, A→C«cola con cola»B ⊥ C | A 成立:给定共同父节点 A,两个孩子独立
Cola con cola:B ⊥ C«be independiente de ce»不成立:不给 A 时,两个孩子通过 A 相关
Cabeza con cabeza:B→A←C«cabeza con cabeza»B ⊥ C 成立:不给定共同子节点 A 时,两个父节点独立
Cabeza con cabeza:B ⊥ C | A«be independiente de ce dado a»不成立:给定 A 后 collider 被打开,两者反而相关
Cabeza con cola:A→B→C«cabeza con cola»A ⊥ C | B 成立:给定中间节点 B,链两端独立
Cabeza con cola:A ⊥ C«a independiente de ce»不成立:不给 B 时,信息沿 A→B→C 流动
这张页是全章最值得默写的表:三种结构 × 两种条件,共六个格子,只有三个打勾。fork 和 chain 在「给定中间节点」时阻断;collider 在「不给定中间节点」时才阻断。考试给任意三节点图,先判结构名,再套这张表。
命名看「箭头撞在谁身上」:两条箭头从同一个节点出发 = 尾对尾(cola con cola,fork);两条箭头汇入同一个节点 = 头对头(cabeza con cabeza,collider);一进一出串起来 = 头对尾(cabeza con cola,chain)。cola = 箭尾,cabeza = 箭头。
p.31

Ejemplos de significado de independencias en estructuras · 三种结构的实例化解释

▸ 原页截图 p.31 原讲义第 31 页

Redes bayesianas

贝叶斯网络(页眉)。

Definición formal: ejemplos de significado de independencias en estructuras

形式定义:结构上独立性含义的实例(页脚标题)。

Cola con cola

尾对尾(fork):MW 是共同父节点。

Cabeza con cola

头对尾(chain):S→DA→L。

Cabeza con cabeza

头对头(collider):P→NI←T。

Malware Whatsapp

WhatsApp 木马/病毒(MW)。

MW

Malware Whatsapp 的缩写。

Chats inaccesibles

聊天记录无法访问(CI)。

(CI)

Chats inaccesibles 的缩写。

Autoenvío Contactos

自动向联系人转发/群发(A)。

(A)

Autoenvío Contactos 的缩写。

Sobretensión

电压过载/浪涌(S)。

(S)

Sobretensión 的缩写。

Diferencial Apagado

漏电保护器跳闸(DA)。

DA

Diferencial Apagado 的缩写。

No hay Luz

没电(L)。

L

No hay Luz 的缩写。

Falta papel

缺纸(P)。

(P)

Falta papel 的缩写。

Falta tinta

缺墨(T)。

(T)

Falta tinta 的缩写。

No imprime

打印不出来(NI)。

NI

No imprime 的缩写。

结构西语读法这条独立性在说什么
CI ⊥ A | MW«chats inaccesibles independiente de autoenvío dado malware whatsapp»一旦确认中了 WhatsApp 木马,聊天记录打不开和自动群发就是同一原因的两个后果,彼此不再提供额外信息
S ⊥ L | DA«sobretensión independiente de no hay luz dado diferencial apagado»知道是漏电保护器跳了闸,电压过载与「屋里没电」就无关了;链被中间节点截断
P ⊥ T«falta papel independiente de falta tinta»平时缺纸与缺墨互不影响(两个独立原因);collider 未给定
P ⊥ T | NI«falta papel independiente de falta tinta dado no imprime»不成立:看到「没打印出来」后,缺纸会explicar掉缺墨的可能性,两者变得相关
考试爱考这种「用生活场景识别结构」的题:同一原因的两个症状 = cola con cola(fork),如 MW→CI、MW→A;一条因果链 = cabeza con cola(chain),如 S→DA→L;两个原因一个结果 = cabeza con cabeza(collider),如 P→NI←T。给定「结果」会让两个原因相关,这是 collider 唯一与直觉相反的地方。
本页文字是从图形里抽出的标签,抽取顺序完全打乱(按 MW、CI、A、S、DA、L、P、T、NI 逐列散落),三组结构名也被抽到了各自图形下方之外;上面的配对按截图视觉位置重排:MW 在上、CI 与 A 在下方;S→DA→L 自左向右;P→NI←T 在页面右下角。
场景记忆法:木马(MW)→ 聊天打不开(CI)+ 自动群发(A):知道中了木马,两个症状就「互相解释完了」→ 给父节点即独立。过载(S)→ 跳闸(DA)→ 没电(L):知道跳闸,过载与没电分开 → 给中间节点即独立。缺纸(P)+ 缺墨(T)→ 打不出来(NI):知道打不出来,两个原因会互相「抢责任」→ 给子节点反而不独立。
p.32

Teorema fundamental (Factorización de la probabilidad) · 基本定理:概率的因式分解

▸ 原页截图 p.32 原讲义第 32 页

Redes bayesianas

贝叶斯网络(页眉)。

Teorema fundamental (Factorización de la probabilidad)

Teorema fundamental(概率的factorización)。

Dada una red bayesiana, su distribución de probabilidad puede expresarse como:

给定一个贝叶斯网络,其概率分布可以写成:

P(x1, ..., xn) = ∏P(xi /pa(xi))

P(x₁, …, xₙ) = ∏xᵢ P(xᵢ / pa(xᵢ)):联合分布等于每个节点「给定父节点的条件概率」之积。

Demostración:

证明:

Sea {X1, ..., Xn} una ordenación de las variables en la que los padres de cada nodo aparezcan siempre después de él. Entonces:

设 {X₁, …, Xₙ} 是变量的一种排序,使得每个节点的父节点在该排序中总排在它之后。于是:

P(x1, ..., xn) = ∏P(xi /xi+1,...,xn)

P(x₁, …, xₙ) = ∏ P(xᵢ / xi+1, …, xₙ):链式法则,每个变量以排在其后的所有变量为条件。

Pero por la forma de escoger la ordenación, el conjunto {Xi+1, ..., Xn} incluye a todos los padres de X, y, en consecuencia, la separación direccional nos dice que

但按这种排序方式,集合 {Xi+1, …, Xₙ} 已经包含了 X 的全部父节点,因此separación direccional 告诉我们:

P(xi /xi+1,...,xn) = ∏P(xi/pa(xi))

P(xᵢ / xi+1, …, xₙ) = P(xᵢ / pa(xᵢ)):条件里的一大串变量可以缩成父节点(见下方勘误)。

xi

xᵢ(∏ 下方的下标,表示对所有取值连乘)。

\[P(x_1,\dots,x_n)=\prod_{x_i}P\big(x_i\,/\,pa(x_i)\big)\]
符号西语读法中文含义
P(x₁, …, xₙ)«probabilidad de equis uno hasta equis ene»全部变量的联合概率(一个完整赋值)
P(xᵢ / pa(xᵢ))«probabilidad de equis i dado padres de equis i»节点 i 在父节点取值下的条件概率(网络里存的表)
∏xᵢ«productorio sobre equis i»对每个节点连乘
pa(xᵢ)«padres de equis i»节点 i 的父节点取值组合
{Xi+1, …, Xₙ}«equis i más uno hasta equis ene»排序中排在 Xᵢ 之后的全部变量
/«dado»条件竖线(本讲义用斜杠写条件概率)
背结论:贝叶斯网络 = 联合分布的一个因式分解,P(x₁,…,xₙ) = ∏ P(xᵢ | pa(xᵢ))。证明的三步要能复述:①链式法则展开;②把父节点排在后面,使 {Xi+1,…,Xₙ} ⊇ pa(Xᵢ);③用方向分离把多余条件删掉,只留 pa(Xᵢ)。
两处原文笔误:①正文写 «incluye a todos los padres de X»,应为 «de Xᵢ»(这里讨论的是第 i 个节点);②第三条公式抄成 «P(xi /xi+1,…,xn) = ∏P(xi/pa(xi))»,右侧多写了一个 ∏xᵢ,应为 «P(xi/xi+1,…,xn) = P(xi/pa(xi))»。
因子化直觉:全联合表 = 每个节点「我和我爸妈」的局部表连乘。链式法则给你的是「每个变量以它后面所有变量为条件」,方向分离帮你把后面的变量删到只剩爸妈——这就是从 2ⁿ 降到线性的那一步(下一页讲代价)。
p.33

Teorema fundamental: Importancia del teorema · 基本定理为什么重要

▸ 原页截图 p.33 原讲义第 33 页

Redes bayesianas

贝叶斯网络(页眉)。

Teorema fundamental: Importancia del teorema

基本定理:该定理的重要性。

Nos permite describir una red bayesiana a partir de las probabilidades condicionadas de cada nodo dados sus padres en lugar de a partir de la probabilidad conjunta, que:

它让我们用「每个节点给定其父节点的条件概率」来描述贝叶斯网络,而不必用联合概率来描述;而联合概率:

requiere un número de parámetros exponencial en el número de nodos.

所需参数个数随节点数呈exponencial 增长。

plantea el problema de verificar la independencia condicional

还带来「如何验证条件独立」这个问题。

描述方式西语读法参数规模(n 个二值节点)
P(x₁, …, xₙ) 联合分布«probabilidad conjunta»2ⁿ − 1 个自由参数:n = 10 就要 1023 个,n = 30 超过十亿
∏ P(xᵢ / pa(xᵢ)) 因式分解«producto de probabilidades condicionadas»每个节点 2 × 2|pa| 个(k 个父节点即 2k+1),随父节点数线性累加
只用联合表建模«solo con la tabla conjunta»不成立的做法:指数爆炸 + 还要额外检验条件独立是否满足
一句话答案:定理把「指数级的联合表」换成「每个节点一张小的条件概率表(CPT)」。两个理由必写:①参数个数从指数降为按父节点数累加;②不必再手工验证条件独立——独立性已经由图结构(方向分离)保证。
对应关系记牢:联合分布 = 难;因式分解 = 易。p.34 会用具体数字把这条「易」算一遍(0.6 / 0.3 / 0.4 / 0.7 / 0.2 五个参数即可描述三节点网络)。

七、基本定理的应用与四道复习练习

p.34–p.40
p.34

Teorema fundamental: ejemplo de aplicación · 基本定理的应用示例

▸ 原页截图 p.34 原讲义第 34 页

Redes bayesianas

贝叶斯网络(页眉)。

Teorema fundamental: ejemplo de aplicación

基本定理:应用示例。

Considera la red:

考虑下面这个网络(A 在上,B、C 在下的 fork 结构):

Hipótesis de independencia condicional:

Hipótesis de independencia condicional:

∀X∈V y ∀Y∈V- {X∪de(X)∪pa(X)} se tiene que X es independiente de Y dado pa(X). En este caso, B y C deben ser independientes dado A

对任意 X∈V、任意 Y∈V−({X}∪de(X)∪pa(X)),都有 X 在给定 pa(X) 时独立于 Y。在本例中,B 与 C 必须在给定 A 的条件下独立。

Teorema Fundamental: P(x1, …, xn) = ∏xi P(xi ∕pa(xi))

基本定理:P(x₁, …, xₙ) = ∏xᵢ P(xᵢ / pa(xᵢ))。

Parámetros que necesitamos especificar:

我们需要指定的参数:

P(a1), P(b1/a1 ), P(b1/a2) ,P(c1/a1 ) ,P(c1/a2)

P(a₁), P(b₁/a₁), P(b₁/a₂), P(c₁/a₁), P(c₁/a₂):一个先验加四个条件概率(二值变量时,每张表只差一个自由度)。

P(a1) = 0.6; P(b1/a1 ) = 0.3 ; P(b1/a2) = 0.4; P(c1/a1 ) = 0.7; P(c1/a2) = 0.2

P(a₁) = 0.6;P(b₁/a₁) = 0.3;P(b₁/a₂) = 0.4;P(c₁/a₁) = 0.7;P(c₁/a₂) = 0.2。

Aplicando el teorema fundamental P(A,B,C) = P(A)*P(B/A)*P(C/A), y la distribución conjunta es:

应用基本定理 P(A,B,C) = P(A)·P(B/A)·P(C/A),联合分布为:

P(a1,b1,c1) = 0.6·0.3·0.7 P(a1,b1,c2) = 0.6·0.3·0.3

P(a₁,b₁,c₁) = 0.6·0.3·0.7 = 0.126;P(a₁,b₁,c₂) = 0.6·0.3·0.3 = 0.054。

P(a1,b2,c1) = 0.6·0.7·0.7 P(a1,b2,c2) = 0.6·0.7·0.3

P(a₁,b₂,c₁) = 0.6·0.7·0.7 = 0.294;P(a₁,b₂,c₂) = 0.6·0.7·0.3 = 0.126。

P(a2,b1,c1) = 0.4·0.4·0.2 P(a2,b1,c2) = 0.4·0.4·0.8

P(a₂,b₁,c₁) = 0.4·0.4·0.2 = 0.032;P(a₂,b₁,c₂) = 0.4·0.4·0.8 = 0.128。

P(a2,b2,c1) = 0.4·0.6·0.2 P(a2,b2,c2) = 0.4·0.6·0.8

P(a₂,b₂,c₁) = 0.4·0.6·0.2 = 0.048;P(a₂,b₂,c₂) = 0.4·0.6·0.8 = 0.192。

符号西语读法中文含义
P(a₁)«probabilidad de a uno»根节点 A 的先验概率,0.6
P(b₁/a₁)«probabilidad de be uno dado a uno»父节点取 a₁ 时 B 取 b₁ 的条件概率
P(c₁/a₂)«probabilidad de ce uno dado a dos»父节点取 a₂ 时 C 取 c₁ 的条件概率,0.2
P(A,B,C)=P(A)P(B/A)P(C/A)«producto de la marginal por las dos condicionadas»本例的因式分解:B、C 只依赖 A
P(A,B,C)=P(A)P(B)P(C)«producto de las tres marginales»不成立:B、C 只条件独立于 A,不是无条件独立
必背数字:5 个参数(0.6、0.3、0.4、0.7、0.2)就能写出 8 个联合概率;而直接给联合表要 2³−1 = 7 个。验算:a₁ 行四格之和 = 0.126+0.054+0.294+0.126 = 0.6 = P(a₁);a₂ 行之和 = 0.4。八格总和 = 1。
原文右下角写 «Teorema Fundamental: P x1, … , xn = ςxi P(xi ∕pa(xi))»,其中 ς 是 PDF 抽取时对连乘号 ∏ 的误识别,应为 ∏xᵢ;条件竖线在此写成 «∕»。
看到 fork(A→B、A→C)就写三项乘积:P(A)·P(B|A)·P(C|A)。参数个数的算法:每个节点的表大小 = 2父节点数,二值变量时自由参数 = 2父节点数;根节点算 1 个。
p.35

Ejercicio 1: caída del servidor · 练习 1:服务器宕机网络的因式分解

▸ 原页截图 p.35 原讲义第 35 页

Redes bayesianas

贝叶斯网络(页眉)。

Teorema fundamental: ejercicios

基本定理:练习(页脚标题)。

Ejercicio 1. Aplicando el teorema fundamental a la siguiente red, indica cómo calcularías la distribución de probabilidad conjunta

练习 1:对下图应用基本定理,说明你会如何计算distribución de probabilidad conjunta。

Ataque Informático

网络攻击(根节点)。

Tráfico alto

高流量(根节点)。

Muchos jugadores

玩家很多(根节点)。

Problemas Red

网络故障(攻击与高流量的共同子节点)。

Sobrecarga servidor

服务器过载(玩家很多的子节点)。

Caída servidor

服务器宕机(网络故障、过载、攻击三者共同指向)。

节点西语读法因子(父节点)
Ataque Informático«ataque informático»P(AI):根节点
Tráfico alto«tráfico alto»P(TA):根节点
Muchos jugadores«muchos jugadores»P(MJ):根节点
Problemas Red«problemas red»P(PR / AI, TA):两个父节点
Sobrecarga servidor«sobrecarga servidor»P(SS / MJ):一个父节点
Caída servidor«caída servidor»P(CS / PR, SS, AI):三个父节点
\[P(AI,TA,MJ,PR,SS,CS)=P(AI)\,P(TA)\,P(MJ)\,P(PR/AI,TA)\,P(SS/MJ)\,P(CS/PR,SS,AI)\]
答题格式:先写每个节点的父节点,再逐项连乘。注意「攻击」有两条出边——既影响网络故障,也直接指向服务器宕机,所以 CS 的父节点是三个(PR、SS、AI),漏掉 AI 是本页最常见的失分点。
本页页面只给图与题干,没有给出文字答案;上面的因子表与公式是按截图箭头(攻击→网络故障、攻击→宕机、高流量→网络故障、网络故障→宕机、玩家多→过载、过载→宕机)推出的。
数参数:3 个根节点 ×1 = 3;PR 有 2 个父节点 → 4;SS 有 1 个 → 2;CS 有 3 个 → 8;合计 17 个自由参数,而联合表要 2⁶−1 = 63 个。
p.36

Ejercicio 2: red de impresión · 练习 2:打印系统的因式分解

▸ 原页截图 p.36 原讲义第 36 页

Redes bayesianas

贝叶斯网络(页眉)。

Teorema fundamental: ejercicios

基本定理:练习(页脚标题)。

Ejercicio 2: Aplicando el teorema fundamental, indica cómo calcularías la distribución de probabilidad conjunta asociada a la siguiente red

练习 2:应用基本定理,说明你会如何计算下图对应的联合概率分布。

Conexión PC

PC 连接(根节点)。

Wifi

Wi-Fi(根节点)。

Datos

数据(PC 连接与 Wi-Fi 的共同子节点)。

Papel

纸张(根节点)。

Tinta

墨水(根节点)。

Impresión

打印(数据、纸张、墨水共同指向)。

Mensaje error tinta

缺墨错误提示(墨水的子节点)。

节点西语读法因子(父节点)
Conexión PC«conexión pe ce»P(CPC):根节点
Wifi«wifi»P(W):根节点
Papel«papel»P(Pa):根节点
Tinta«tinta»P(T):根节点,有两条出边
Datos«datos»P(D / CPC, W)
Impresión«impresión»P(I / D, Pa, T):三个父节点
Mensaje error tinta«mensaje error tinta»P(ME / T):一个父节点
\[P(CPC,W,Pa,T,D,I,ME)=P(CPC)\,P(W)\,P(Pa)\,P(T)\,P(D/CPC,W)\,P(I/D,Pa,T)\,P(ME/T)\]
两个坑:①Tinta 有两条出边(→Impresión、→Mensaje error tinta),它同时出现在两个因子里;②Impresión 有三个父节点(Datos、Papel、Tinta),其条件表是 2³ = 8 行。全联合表 2⁷−1 = 127 个参数,因式分解只需 1+1+1+1+4+8+2 = 18 个。
画因子清单的方法:每个节点写一行「自己 | 指向自己的箭头」;数箭头个数即父节点个数。根节点一律 1 个参数(二值)。
p.37

Ejercicio de repaso 1 · 复习练习 1:转移瘤网络(四问全解)

▸ 原页截图 p.37 原讲义第 37 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio de repaso 1

复习练习 1。

Metástasis

转移(瘤)(根节点)。

Tumor

肿瘤(转移的子节点,同时是头痛、昏迷的父节点)。

Calcio

血钙(根节点)。

Jaquecas

头痛(肿瘤的子节点)。

Coma

昏迷(肿瘤与血钙的共同子节点,collider)。

Se pide:

求:

¿Qué independencias/dependencias entre las variables de la red implican las hipótesis de independencia condicional?

网络的hipótesis de independencia condicional 隐含了变量之间的哪些独立/依赖关系?

Si suponemos ciertas las hipótesis de independencia condicional, ¿cuántas probabilidades sería necesario especificar?. Dar estos valores de una forma coherente con el sentido común.

若假定条件独立假设成立,需要指定多少个概率?请按常识给出一组自洽的数值。

Si no podemos suponer las hipótesis de independencia condicional, ¿qué probabilidades deberíamos pedir al experto? ¿Cuántos valores son, en total?

若不能假定条件独立,应该向专家索取哪些概率?总共有多少个数值?

¿Cómo podemos calcular la probabilidad conjunta a partir de las condicionadas?. Aplicando el teorema de factorización, indica cómo se calcularía la probabilidad de que el paciente tenga metástasis dado que esta en coma

如何由条件概率算出联合概率?应用因式分解定理,说明如何计算「已知病人处于昏迷,其有转移」的概率。

项目西语读法答案
Metástasis ⊥ Calcio«metástasis independiente de calcio»成立(两个根节点,无路径)
Jaquecas ⊥ Coma | Tumor«jaquecas independiente de coma dado tumor»成立:C←T→J 的 fork 被 T 阻断
Jaquecas ⊥ Calcio«jaquecas independiente de calcio»成立:J←T→C←Ca,在 C 处是 collider,未给定则阻断
Tumor ⊥ Calcio | Coma«tumor independiente de calcio dado coma»不成立:给定 collider Coma,T 与 Ca 变得相关
参数个数(假设成立)«¿cuántas probabilidades?»P(Me)=1、P(Ca)=1、P(T/Me)=2、P(J/T)=2、P(C/T,Ca)=4 → 10 个
参数个数(不假设)«sin las hipótesis»联合表 2⁵−1 = 31 个
P(Me,Ca,T,J,C)«factorización»P(Me)·P(Ca)·P(T/Me)·P(J/T)·P(C/T,Ca)
第四问的写法:P(Me/C) = P(Me,C) / P(C),其中 P(Me,C) = P(Me)·ΣCa,T P(Ca)·P(T/Me)·P(C/T,Ca),而 P(C) = ΣMe,Ca,T … 用同一因式分解求和(对 J 求和得 1,可略去)。溯因推断 = 因式分解 + 全概率 + 贝叶斯公式,三步缺一不可。
原文此句 «dado que esta en coma» 缺重音,应为 «dado que está en coma»,属笔误;另「转移→肿瘤」的箭头方向按截图判定(Metástasis 在上、箭头指向 Tumor)。
数参数口诀:根节点 1 个,k 个父节点算 2k 个(二值)。本图 1+1+2+2+4 = 10;一旦放弃条件独立假设,就退回 31 个联合表数值——这就是 p.33 说的「重要性」。
p.38

Ejercicio de repaso 2 · 复习练习 2:简化版 Asia 网络

▸ 原页截图 p.38 原讲义第 38 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio de repaso 2

复习练习 2。

Asia

亚洲(根节点 A)。

Tuberculosis

结核病(T)。

Fumador

吸烟者(S)。

Cáncer pulmón

肺癌(L)。

Rayos X

X 光片(X)。

Disnea

呼吸困难(D)。

Se pide:

求:

¿Qué independencias/dependencias entre las variables de la red implican las hipótesis de independencia condicional?

条件独立假设隐含了哪些独立/依赖关系?

Si suponemos ciertas las hipótesis de independencia condicional, ¿cuántas probabilidades sería necesario especificar?. Dar estos valores de una forma coherente con el sentido común.

若假定条件独立假设成立,需要指定多少个概率?请按常识给出一组自洽的值。

Si no podemos suponer las hipótesis de independencia condicional, ¿qué probabilidades deberíamos pedir al experto? ¿Cuántos valores son, en total?

若不能假定条件独立,应向专家索取哪些概率?一共多少个数值?

¿Cómo podemos calcular la probabilidad conjunta a partir de las condicionadas?. Aplicando el teorema de factorización, indica cómo se calcularía la probabilidad de que el paciente fume dado que tiene disnea

如何由条件概率算联合概率?应用因式分解定理,说明如何计算「已知病人呼吸困难,他吸烟」的概率。

项目西语读法答案
Asia ⊥ Fumador«Asia independiente de fumador»成立:无路径
Rayos X ⊥ Disnea | Tuberculosis«rayos equis independiente de disnea dada tuberculosis»成立:X←T→D 的 fork 被 T 阻断
Tuberculosis ⊥ Cáncer pulmón | Disnea«tuberculosis independiente de cáncer dado disnea»不成立:D 是 T 与 L 的 collider,给定后两者相关
参数个数(假设成立)«¿cuántas probabilidades?»P(A)1 + P(S)1 + P(T/A)2 + P(L/S)2 + P(X/T)2 + P(D/T,L)4 = 12
参数个数(不假设)«sin las hipótesis»联合表 2⁶−1 = 63
P(A,S,T,L,X,D)«factorización»P(A)·P(S)·P(T/A)·P(L/S)·P(X/T)·P(D/T,L)
最后一问(求 P(S/D))的标准步骤:P(S/D) = P(S,D)/P(D),其中 P(S,D) = P(S)·ΣA,T,L P(A)P(T/A)P(L/S)P(D/T,L)(X 求和为 1 可略),分母 P(D) = ΣS P(S,D)。注意本页图把 p.29 的 Enfermedad(E)删掉了,D 直接成为 T 与 L 的 collider,所以「给定 Disnea」会打开 T–L 通路。
本页图与 p.29 的完整 Asia 网络不同:缺少 Enfermedad 节点,Tuberculosis 直接指向 Rayos X 与 Disnea,Cáncer pulmón 直接指向 Disnea。做题时以本页截图为准,不要照搬 p.29 的因式分解。
对比记忆:有 E 时,D 只是 E 的子节点,T ⊥ L 无条件成立;无 E 时,D 自己就是 collider,T 与 L 不给定 D 时独立、给定 D 后相关。少一个中间节点,独立性结论就变一条——这是老师最爱设的陷阱。
p.39

Ejercicio de repaso 3 (propuesto) · 复习练习 3(课后自练):软件工程缺陷检测

▸ 原页截图 p.39 原讲义第 39 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio de repaso 3 (propuesto)

复习练习 3(propuesto)。

Dada la siguiente red sobre detección de defectos en ingeniería del software

给定下面这个关于软件工程缺陷检测的网络:

Complejidad

复杂度(根节点)。

Tamaño

规模(根节点,有两条出边)。

Esfuerzo Testeo

测试投入(根节点)。

Defectos Introducidos

引入的缺陷(复杂度与规模的子节点)。

Defectos Detectados

检测出的缺陷(引入缺陷与测试投入的子节点)。

Defectos Residuales

残余缺陷(引入缺陷、检测缺陷、规模共同指向)。

Se pide:

求:

¿Qué independencias/dependencias entre las variables de la red se tienen si sabemos que la red es bayesiana?

已知该网络是贝叶斯网络,变量之间存在哪些独立/依赖关系?

En ese caso, ¿cuántas probabilidades sería necesario especificar?

在这种情况下需要指定多少个概率?

Si no sabemos que la red es bayesiana, ¿qué probabilidades deberíamos pedir al experto? ¿Cuántos valores en total?

若不知道它是贝叶斯网络,应该向专家问哪些概率?一共多少个值?

Aplica el teorema fundamental a esta red

对该网络应用基本定理。

DOI: 10.4272/978-84-9745-204-5.CH10 · Corpus ID: 63607562

DOI 与 Corpus ID(原页引文卡片)。

Redes bayesianas en la ingeniería del software

《软件工程中的贝叶斯网络》(引文标题)。

P.J. González, I. Román, José Javier Dolado Cosín · Published 2004 · Computer Science

作者、发表年份 2004 与学科(计算机科学)。

节点西语读法因子(父节点)
Complejidad«complejidad»P(Cm):根节点
Tamaño«tamaño»P(Ta):根节点
Esfuerzo Testeo«esfuerzo testeo»P(Et):根节点
Defectos Introducidos«defectos introducidos»P(DI / Cm, Ta)
Defectos Detectados«defectos detectados»P(DD / DI, Et)
Defectos Residuales«defectos residuales»P(DR / DI, DD, Ta):三个父节点
\[P(Cm,Ta,Et,DI,DD,DR)=P(Cm)\,P(Ta)\,P(Et)\,P(DI/Cm,Ta)\,P(DD/DI,Et)\,P(DR/DI,DD,Ta)\]
四问对应四个数字:独立性(Cm ⊥ Et,三个根节点两两独立;DR ⊥ Et | {DI, DD});参数 19 个(1+1+1+4+4+8);不假设时 63 个(2⁶−1);因式分解见上式。注意 Tamaño 有两条出边(→DI、→DR),两处都要作条件。
本页为「propuesto」自练题,原页没有给出答案;上面的因子表与参数计数是按截图箭头(复杂度→引入缺陷、规模→引入缺陷、规模→残余缺陷、测试投入→检测缺陷、引入缺陷→检测缺陷、引入缺陷→残余缺陷、检测缺陷→残余缺陷)推出的。
语义记忆:「引入多少缺陷」由复杂度与规模决定;「能查出多少」由引入量与测试投入决定;「剩下多少」= 引入 − 查出,再加上规模的影响。把这句话翻译成箭头,就是整张图。
p.40

Ejercicio de repaso 4 (propuesto) · 复习练习 4(课后自练):计算机病毒防护网络

▸ 原页截图 p.40 原讲义第 40 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejercicio de repaso 4 (propuesto)

复习练习 4(课后自练)。

Dada la siguiente red sobre infección por virus informáticos:

给定下面这个关于计算机病毒感染的网络:

email_&_web_Restrictions

邮件与网页访问限制(英文节点名)。

Restricciones a la navegacion web y el correo electrónico

对网页浏览与电子邮件的限制(节点中文标签的原文;原文 «navegacion» 缺重音)。

AV Effectiveness

杀毒软件有效性(英文节点名)。

Efectividad del Anti Virus

杀毒软件的有效性。

Host IPS _ App whitelisting in place

主机入侵防御系统与应用程序白名单已启用(英文节点名)。

IPS y/o lista blanca de Aplicaciones

IPS 和/或应用程序白名单。

User Awareness

用户安全意识(英文节点名)。

Concienciación de Usuario

用户(安全)意识;«Concienciación» 即「提高意识」。

User Admin Privileges

用户管理员权限(英文节点名)。

Privilegios de Administración del Usuario

用户的管理权限。

Host Hardening

主机加固(英文节点名)。

Security Baseline Aplicada

已应用安全基线。

EP Patching Effectiveness

终端补丁有效性(英文节点名)。

Efectividad del Parcheo

打补丁的有效性。

Host Controls Effectiveness

主机控制措施有效性(英文节点名)。

Efectividad de Controles en el dispositivo

设备上控制措施的有效性。

End Point Exposed to Infection

终端暴露于感染(英文节点名)。

Dispositivo expuesto a Infección

暴露于感染风险的设备。

Infección por virus informáticos: Una aplicación de las redes Bayesianas (parte 1)

《计算机病毒感染:贝叶斯网络的一个应用(第 1 部分)》(原页引文标题)。

septiembre 17, 2015 · por Miguel A. Sánchez

2015 年 9 月 17 日,作者 Miguel A. Sánchez。

Se pide:

求:

¿Qué independencias/dependencias entre las variables de la red se tienen si la red es bayesiana?

若该网络是贝叶斯网络,变量之间有哪些独立/依赖关系?

Si suponemos que es una red bayesiana y que todas las variables son binarias, ¿cuántas probabilidades sería necesario especificar?

若假定它是贝叶斯网络且所有变量都是二值,需要指定多少个概率?

¿Cómo se aplicaría el teorema fundamental a esta red?

如何把基本定理应用到该网络?

节点西语读法因子(父节点)
email_&_web_Restrictions«restricciones de correo y web»P(EWR):根节点
AV Effectiveness«efectividad del antivirus»P(AV):根节点
Host IPS / App whitelisting«ips y lista blanca»P(HIPS):根节点
User Awareness«concienciación del usuario»P(UA):根节点
User Admin Privileges«privilegios de administración»P(UAP):根节点
Host Hardening«endurecimiento del host»P(HH):根节点
EP Patching Effectiveness«efectividad del parcheo»P(EPP):根节点
Host Controls Effectiveness«efectividad de controles del dispositivo»P(HCE / AV, HIPS, UA, UAP, HH, EPP):六个父节点 → 2⁶ = 64 行
End Point Exposed to Infection«dispositivo expuesto a infección»P(EPE / EWR, UA, HCE):三个父节点 → 8 行
\[P(\cdot)=P(EWR)\,P(AV)\,P(HIPS)\,P(UA)\,P(UAP)\,P(HH)\,P(EPP)\;\cdot\;P(HCE/AV,HIPS,UA,UAP,HH,EPP)\;\cdot\;P(EPE/EWR,UA,HCE)\]
参数计数法(七个根节点各 1 个):7 + 64 + 8 = 79 个自由参数;而全联合表要 2⁹−1 = 511 个。读图要点:Host Controls Effectiveness 是一个「汇合点」(collider 的推广),六个父节点都指向它,所以给定它之后,六个安全措施之间会互相「解释消除」。
本页是 propuesto 自练题,原页没有文字答案;且截图分辨率有限,个别箭头(Host Hardening、EP Patching Effectiveness 是汇入 Host Controls Effectiveness 还是汇入 End Point Exposed)不易辨认。上面的父节点搭配按放大截图判读,考试请以老师课堂给出的标准答案为准。
现实语义记忆:「安全措施(根)→ 控制有效性(中间汇总)→ 终端是否暴露(结果)」。真正决定「会不会中招」的是最后两层;前面七项措施都是「手段」,它们之间只通过共同结果才产生关联。

八、建模:定性建模(节点与关系)与定量建模(参数)

p.41–p.46
p.41

Modelado con redes bayesianas · 用贝叶斯网络建模:定性 + 定量两步

▸ 原页截图 p.41 原讲义第 41 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络进行modelado(副标题)。

Un modelo es una representación selectiva de la realidad. El proceso de construir modelos se denomina modelado, y en el enfoque de redes bayesianas consta de:

模型是对现实的selectiva 表示。构建模型的过程称为建模,在贝叶斯网络的框架下包含两个阶段:

Modelado cualitativo, en el que se han de definir;

Modelado cualitativo,其中需要定义:

Los nodos o variables (deben tomar un conjunto EXHAUSTIVO y EXCLUYENTE de valores).

节点(变量),其取值集合必须是EXHAUSTIVO 且EXCLUYENTE 的。

Las relaciones entre los nodos (deben representar influencia causal)

节点之间的关系(必须表示influencia causal)。

Modelado cuantitativo, en el que se especifican los parámetros.

Modelado cuantitativo,其中指定参数。

Por el teorema fundamental, los parámetros necesarios son las distribuciones de probabilidad condicionada de cada nodo dados sus padres (incluyendo la probabilidad a priori de los nodos sin padre)

由基本定理,所需参数就是每个节点在给定父节点下的distribuciones de probabilidad condicionada(以及无父节点节点的probabilidad a priori)。

阶段西语读法要做的事
Modelado cualitativo«modelado cualitativo»选节点 + 定关系;节点取值要穷尽且互斥,箭头要有因果含义
Modelado cuantitativo«modelado cuantitativo»填条件概率表(CPT):有父节点的写 P(x/pa(x)),根节点写先验
Solo modelado cuantitativo«solo los parámetros»不成立:没有正确的定性结构,参数再多也无意义
两阶段必背:定性 = 节点 + 因果箭头(p.42–p.46 五个问题都在考这一步);定量 = 条件概率参数(由 p.32 基本定理决定要哪些)。答题时先写「穷尽且互斥」,再写「因果」,最后写「给定父节点的条件概率 + 根节点先验」。
原文此句写 «en el que se han de definir;»,此处应为冒号 «definir:»,属笔误(与后面的分号项目符号重复)。
把建模想成「先画骨架、再填肉」:EXHAUSTIVO = 不漏(总有某个取值成立),EXCLUYENTE = 不重(不能同时成立两个)。这两条正是 p.23 里命题变量定义的复述。
p.42

Pregunta 1: enfermedades · 问题 1:疾病该用一个多值节点还是多个二值节点

▸ 原页截图 p.42 原讲义第 42 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Los nodos o variables deben tomar un conjunto EXHAUSTIVO y EXCLUYENTE de valores.

节点(变量)必须取EXHAUSTIVO 且EXCLUYENTE 的取值集合。

Pregunta 1. Supongamos que tenemos que representar una serie de enfermedades.

问题 1:假设我们要表示一系列疾病。

Opción A

方案 A(单个多值节点)。

Opción B

方案 B(多个二值节点)。

enfermedad

疾病(一个节点)。

gripe/resfriado/otitis/...

流感 / 感冒 / 中耳炎 / …(该节点的取值表)。

gripe

流感(一个独立节点)。

sí/no

是/否(二值取值,原文每个节点下都标一次)。

resfriado

感冒(一个独立节点)。

otitis

中耳炎(一个独立节点)。

...

……(其余疾病继续照此添加)。

方案西语读法判定
A:enfermedad = gripe/resfriado/otitis/…«opción a, un nodo con varios valores»正确:一次就诊通常只有一种病,取值集合互斥且穷尽
B:gripe sí/no, resfriado sí/no, otitis sí/no«opción b, varios nodos binarios»错误:允许 gripe=sí 与 resfriado=sí 同时成立,破坏 EXCLUYENTE
标准答案:选 Opción A。理由两句话:①多种疾病对同一病人是互斥的(一次只能诊断一种),所以应放在同一个节点的多个取值里;②拆成多个二值节点会允许「同时患多种病」,违反互斥要求,而且节点数一变参数规模也跟着膨胀。
判别口诀:「天然只能取一个」→ 多值单节点(A);「可以同时成立」→ 多个二值节点。同一逻辑在 p.23(颜色、打印机)、p.43(物种)、p.44(职业)反复考。
p.43

Pregunta 2: animales vertebrados · 问题 2:脊椎动物的节点怎么定义

▸ 原页截图 p.43 原讲义第 43 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Los nodos o variables deben tomar un conjunto EXHAUSTIVO y EXCLUYENTE de valores.

节点(变量)必须取穷尽且互斥的取值集合。

Pregunta 2. Supongamos que tenemos que clasificar los animales vertebrados. ¿Cómo definiríamos los nodos?

问题 2:假设要给脊椎动物分类,节点该如何定义?

Opción A

方案 A(单个多值节点 Especie)。

Opción B

方案 B(每个类群一个二值节点)。

Especie

物种(一个节点)。

mamíferos, aves, peces, reptiles, anfibios

哺乳类、鸟类、鱼类、爬行类、两栖类(五个互斥取值)。

mamíferos

哺乳类(独立二值节点)。

aves

鸟类(独立二值节点)。

peces

鱼类(独立二值节点)。

reptiles

爬行类(独立二值节点)。

anfibios

两栖类(独立二值节点)。

sí/no

是/否(B 方案中每个节点的二值取值)。

方案西语读法判定
A:Especie = mamíferos, aves, peces, reptiles, anfibios«opción a, un nodo especie»正确:一只动物只属于一个类群,五个取值互斥且穷尽
B:五个 sí/no 节点«opción b, cinco nodos binarios»错误:mamíferos=sí 且 aves=sí 会同时成立,不互斥;且要额外加约束才能保证穷尽
答案:Opción A,一个节点 Especie 取五个值。注意「vertebrados」这一层已经限定了范围,所以这五类正好穷尽(不再需要「otra」)。若题目扩展到无脊椎动物,就必须补一个取值。
与 p.42 同一模板:分类学的「界门纲目科属种」天然互斥 → 用一个多值节点。凡是能画成一棵分类树的一个层级,就是一个多值变量。
p.44

Pregunta 3: profesiones · 问题 3:按职业分类时的节点定义

▸ 原页截图 p.44 原讲义第 44 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Los nodos o variables deben tomar un conjunto EXHAUSTIVO y EXCLUYENTE de valores.

节点(变量)必须取穷尽且互斥的取值集合。

Pregunta 3. Supongamos que tenemos que clasificar personas de acuerdo a su profesión.

问题 3:假设要按职业对人进行分类。

Opción A

方案 A(单个多值节点 Profesión)。

Opción B

方案 B(每个职业一个二值节点)。

Profesión

职业(一个节点)。

abogado, economista, médico, profesor, otra

律师、经济学家、医生、教师、其他(五个取值,最后一项保证穷尽)。

abogado

律师(独立二值节点)。

economista

经济学家(独立二值节点)。

médico

医生(独立二值节点)。

profesor

教师(独立二值节点)。

otra

其他(独立二值节点)。

sí/no

是/否(B 方案中每个节点的二值取值)。

方案西语读法判定
A:Profesión = abogado, …, otra«opción a, un nodo profesión»正确:一个人通常只有一个职业,取值互斥;«otra» 保证穷尽
B:五个 sí/no 节点«opción b, cinco nodos binarios»错误:允许 abogado=sí 且 médico=sí 同时成立,不互斥
答案:Opción A。加分点:«otra» 这个取值就是「穷尽性」的兜底——列表无法枚举完所有职业时,必须加这一项,否则取值集合不 EXHAUSTIVO。反之,若两类不可能同时成立,就不该拆成两个节点。
三题(p.42 疾病 / p.43 物种 / p.44 职业)答案全是 A:互斥属性 → 一个多值节点;穷尽性靠「otra / …」兜底。只有当两个属性可以同时为真(比如「会游泳」和「会骑自行车」)时才该拆成两个二值节点。
p.45

Pregunta 4: Gripe y Tos · 问题 4:因果箭头的方向(病 → 症状)

▸ 原页截图 p.45 原讲义第 45 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Las relaciones entre los nodos deben representar influencia causal (relaciones causa-efecto)

节点之间的关系必须表示influencia causal(relaciones causa-efecto)。

Pregunta 4. Supongamos que tenemos que modelar la relación entre una enfermedad y uno de sus síntomas, utilizando relaciones de influencia causal.

问题 4:假设要用因果影响关系来建模「一种疾病」与「它的一个症状」之间的关系。

Opción A

方案 A:Gripe → Tos。

Opción B

方案 B:Tos → Gripe。

Gripe

流感(原因)。

Tos

咳嗽(结果/症状)。

方案西语读法判定
A:Gripe → Tos«gripe causa tos»正确:疾病导致症状,箭头由原因指向结果,参数是 P(Tos/Gripe)
B:Tos → Gripe«tos causa gripe»错误:症状不会引起疾病,因果方向反了
答案:Opción A(Gripe → Tos)。答题要补一句:两种写法在数学上都能表示同一个联合分布(都是两项乘积),但只有 A 与因果一致;因果方向决定了 P(Tos/Gripe) 是「可解释、可从数据估得稳」的那张表——反向后 P(Gripe/Tos) 的语义变成「咳嗽的人得流感的概率」,虽然也能算,但不符合建模的因果假设。
方向口诀:原因 → 结果。病、故障、外部事件是原因(上游);症状、报警、观测值是结果(下游)。若把箭头画反,就会在「给定症状」时出现溯因推断的语义混乱(参见 p.20 与 p.21 的 abductivas / predictivas 之分)。
p.46

Pregunta 5: Pájaro y Vuela · 问题 5:动物类别与特征的箭头方向

▸ 原页截图 p.46 原讲义第 46 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Las relaciones entre los nodos deben representar influencia causal (relaciones causa-efecto)

节点之间的关系必须表示因果影响(因果关系)。

Pregunta 5. Supongamos que tenemos que modelar la relación entre ser determinado tipo de animal (por ejemplo, un pájaro) y alguna de sus características (por ejemplo, volar).

问题 5:假设要建模「属于某种动物(例如鸟)」与「它的某个特征(例如会飞)」之间的关系。

Opción A

方案 A:Pájaro → Vuela。

Opción B

方案 B:Vuela → Pájaro。

Pájaro

鸟(原因:物种属性)。

Vuela

会飞(结果:可观察特征)。

方案西语读法判定
A:Pájaro → Vuela«pájaro causa volar»正确:物种决定能力,参数是 P(Vuela/Pájaro)
B:Vuela → Pájaro«volar causa pájaro»错误:会飞不是成为鸟的原因(飞机、蝙蝠也会飞)
答案:Opción A(Pájaro → Vuela)。注意语义陷阱:「会飞」不是鸟的定义性特征——企鹅不会飞、蝙蝠会飞却不是鸟,所以 P(Vuela/Pájaro) 必须是一个小于 1 的概率而不是确定关系;这正是贝叶斯网络相对于逻辑规则的优势。
与 p.45 归纳成一句:类别/原因在上游,特征/结果在下游。看到「属性 → 观测」就按因果画箭头,别按「先看到什么就画在前面」的顺序画。

九、定量建模:参数必须符合常识(Preguntas 6–7 与 OR / AND 关系)

p.47–p.50
p.47

Modelado cuantitativo (parámetros) · 定量建模:Pregunta 6「流感—咳嗽」哪一行概率更大

▸ 原页截图 p.47 原讲义第 47 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado cuantitativo (parámetros)

Modelado cuantitativo(parámetros):本页起进入「给表填数」阶段。

Las probabilidades condicionadas deben ser acordes con el sentido común.

条件概率必须符合常识。

Pregunta 6. Supongamos la siguiente relación:

问题 6:假设存在下面这层关系:

Modelado con redes bayesianas

«用贝叶斯网络建模»——抽取层里残留的一行版式文本,本页截图中看不到这行字。

Gripe

流感(父节点,箭头起点)。

Tos

咳嗽(子节点,箭头终点)。

¿Qué probabilidad debe ser mayor?

哪个概率应当更大?

Opción A. P(+tos/+gripe)

选项 A:P(+tos/+gripe),即「已知患流感时出现咳嗽」的概率。

Opción B. P(+tos/¬gripe)

选项 B:P(+tos/¬gripe),即「已知未患流感时出现咳嗽」的概率。

符号西语读法中文含义
P(+tos/+gripe)«probabilidad de tos dado gripe»患流感者的咳嗽概率(CPT 中 gripe=+ 那一行)
P(+tos/¬gripe)«probabilidad de tos dado no gripe»未患流感者的咳嗽概率(CPT 中 gripe=¬ 那一行)
+tos«tos presente»变量 Tos 取「有咳嗽」
¬gripe«no gripe»变量 Gripe 取「无流感」(¬ 是否定)
/«dado»条件符号:竖线前后的顺序是「结果 / 原因」
选项西语读法判定
A:P(+tos/+gripe)«probabilidad de tos dado gripe»更大 —— 正确:流感本身就会引起咳嗽
B:P(+tos/¬gripe)«probabilidad de tos dado no gripe»更小 —— 没有流感时,咳嗽只能由别的因素引起
答案:Opción A,即 P(+tos/+gripe) > P(+tos/¬gripe)。定量建模的第一个检查动作:把 CPT 的两行数字与因果方向对照——「原因取 +」那一行的结果概率,应当高于「原因取 ¬」那一行;反了就是填错行了。
抽取层里 «Modelado con redes bayesianas» 一行在截图中并不可见(母版/隐藏文本框残留),本页实际显示的副标题是 «Modelado cuantitativo (parámetros)»。
参数 = 每张 CPT 的一整行数字,不是单个格子。比较两条条件概率时先问一句:「分母里的原因,是让结果更容易还是更不容易?」——这就是「acordes con el sentido común」的操作含义。
p.48

Modelado cuantitativo (parámetros) · 定量建模:Pregunta 7「疫苗—流感」哪一行概率更大

▸ 原页截图 p.48 原讲义第 48 页

Redes bayesianas

贝叶斯网络(页眉)。

Las probabilidades condicionadas deben ser acordes con el sentido común.

条件概率必须符合常识。

Pregunta 7. Supongamos la siguiente relación:

问题 7:假设存在下面这层关系:

Vacuna

疫苗(父节点,箭头起点)。

Gripe

流感(子节点,箭头终点)。

¿Qué probabilidad debe ser mayor?

哪个概率应当更大?

Opción A. P(+gripe/+vacuna)

选项 A:P(+gripe/+vacuna),即「已知接种疫苗时仍患流感」的概率。

Opción B. P(+gripe/¬vacuna)

选项 B:P(+gripe/¬vacuna),即「已知未接种疫苗时患流感」的概率。

08497242

孤立数字串 08497242——抽取层残留,截图里没有这串数字。

符号西语读法中文含义
P(+gripe/+vacuna)«probabilidad de gripe dada vacuna»接种者的流感概率(CPT 中 vacuna=+ 那一行)
P(+gripe/¬vacuna)«probabilidad de gripe dada no vacuna»未接种者的流感概率(CPT 中 vacuna=¬ 那一行)
+gripe«gripe presente»变量 Gripe 取「患流感」
+vacuna / ¬vacuna«vacuna presente / no vacuna»是否接种(¬ 为否定)
Vacuna → Gripe«vacuna causa (menos) gripe»箭头表示因果:接种影响患病
选项西语读法判定
A:P(+gripe/+vacuna)«probabilidad de gripe dada vacuna»更小 —— 疫苗的作用就是把这一行压下去
B:P(+gripe/¬vacuna)«probabilidad de gripe dada no vacuna»更大 —— 正确:不接种者更容易得流感
答案:Opción B,即 P(+gripe/¬vacuna) > P(+gripe/+vacuna)。与 p.47 的差别只在箭头的语义:那里「原因」使结果更可能,这里「原因」使结果更不可能;判断依据始终是「这个父节点取 + 时,子节点取 + 是更容易还是更不容易」。
抽取层末尾的 «08497242» 在截图中并不存在,属页码/元数据残留,不是讲义内容;原文两个选项的写法完全对称,请勿把它误当成题目编号。
把 p.47 与 p.48 并排记:Gripe → Tos 是「促进」,Vacuna → Gripe 是「抑制」;同一张二值 CPT 的两行,谁大谁小由语义决定,不由箭头方向决定。
p.49

Modelado cuantitativo (parámetros) · 定量建模:OR 关系下四条条件概率的大小排序

▸ 原页截图 p.49 原讲义第 49 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Las probabilidades condicionadas deben ser acordes con el sentido común.

条件概率必须符合常识。

Supongamos una relación tipo OR, por ejemplo:

假设存在一种或关系(OR),例如:

Gripe

流感(第一个父节点)。

Resfriado

感冒(第二个父节点)。

Tos

咳嗽(子节点,两个父节点共同指向)。

OR

图内标注 OR:两个原因「任意一个」都足以引起咳嗽。

1. P(+tos/+gripe, +resfriado)

① P(+tos/+gripe, +resfriado):两种病都有时咳嗽的概率。

2. P(+tos/¬gripe, +resfriado)

② P(+tos/¬gripe, +resfriado):无流感、有感冒时咳嗽的概率。

3. P(+tos/+gripe, ¬resfriado)

③ P(+tos/+gripe, ¬resfriado):有流感、无感冒时咳嗽的概率。

4. P(+tos/¬gripe, ¬resfriado)

④ P(+tos/¬gripe, ¬resfriado):两种病都没有时咳嗽的概率。

P(+tos/+gripe, +resfriado) debe tomar el mayor valor, que será próximo a 1

P(+tos/+gripe, +resfriado) 应取最大值,próximo 于 1。

P(+tos/¬gripe, ¬resfriado) debe tomar el menor valor, que será próximo a 0

P(+tos/¬gripe, ¬resfriado) 应取最小值,接近 0。

P(+tos/¬gripe, +resfriado) y P(+tos/+gripe, ¬resfriado) deben tomar valores “cercanos” a 1

P(+tos/¬gripe, +resfriado) 与 P(+tos/+gripe, ¬resfriado) 应取「cercanos」于 1 的值。

符号西语读法中文含义
P(X/Y, Z)«probabilidad de X dados Y y Z»两个父节点都给定时的条件概率(逗号=并且)
+tos«tos presente»有咳嗽
¬gripe«no gripe»无流感(¬ 为否定)
OR«relación tipo o»或关系:任一父节点为 + 即触发结果
próximo a 1 / a 0«cercano a uno / a cero»概率接近 1 / 接近 0
编号条件(父节点取值)判定概率
1+gripe, +resfriado两个原因同时在场最大,≈1
2¬gripe, +resfriado仅感冒在场(OR 已满足)接近 1
3+gripe, ¬resfriado仅流感在场(OR 已满足)接近 1
4¬gripe, ¬resfriado两个原因都不在最小,≈0
OR 的判读口诀:一个够——只要有一个父节点取 +,条件概率就接近 1;只有全部取 ¬ 才接近 0。所以 ②③ 这两个「只差一个原因」的格子也接近 1,与 ① 的差距很小;考试常考的就是「② 和 ③ 该接近 1 还是接近 0」。
原页把首句 «Las probabilidades condicionadas deben ser acordes con el sentido común.» 逐词拆成 11 行(PDF 排版造成),这里按整句还原,未改动任何词;另列表 1–4 的顺序(①→②→③→④)与正文结论的叙述顺序(最大→最小→中间两项)不一致,上表已按变量取值逐一对应。
四行 CPT 的结构记法:①(+ +)→≈1、②(− +)→≈1、③(+ −)→≈1、④(− −)→≈0。下一行写成 AND 时,只有 ① 保持 ≈1,②③ 会塌到 ≈0——这就是 p.50 要对照的地方。
p.50

Modelado cuantitativo (parámetros) · 定量建模:AND 关系下四条条件概率的大小排序

▸ 原页截图 p.50 原讲义第 50 页

Redes bayesianas

贝叶斯网络(页眉)。

Modelado con redes bayesianas

用贝叶斯网络建模(副标题)。

Las probabilidades condicionadas deben ser acordes con el sentido común.

条件概率必须符合常识。

Supongamos una relación tipo AND:

假设存在一种与关系(AND):

Llueve

下雨(第一个父节点)。

Terraza no techada

Terraza no techada:没有顶棚的露台(第二个父节点)。

Suelo mojado

Suelo mojado:地面湿(子节点,两个父节点共同指向)。

AND

图内标注 AND:两个原因「同时成立」才会出现结果。

1. P(mojado=sí/llueve=si, no_techada=sí)

① P(mojado=sí/llueve=si, no_techada=sí):下雨且露台无顶棚时地面湿的概率。

2. P(mojado=sí/ llueve=si, no_techada=no)

② P(mojado=sí/ llueve=si, no_techada=no):下雨但露台有顶棚时地面湿的概率。

3. P(mojado=sí/llueve=no, no_techada=sí)

③ P(mojado=sí/llueve=no, no_techada=sí):不下雨但露台无顶棚时地面湿的概率。

4. P(mojado=sí/llueve=no, no_techada=no)

④ P(mojado=sí/llueve=no, no_techada=no):不下雨且露台有顶棚时地面湿的概率。

P(mojado=si/llueve=sí, no_techada=sí) debe tomar el mayor valor, que será próximo a 1

P(mojado=si/llueve=sí, no_techada=sí) 应取最大值,接近 1。

P(mojado=si/ llueve=no, no_techada=no) debe tomar el menor valor, que será próximo a 0

P(mojado=si/ llueve=no, no_techada=no) 应取最小值,接近 0。

P(mojado=si/llueve=no, no_techada=sí) y P(mojado=sí/llueve=sí, no_techada=no) deben tomar valores próximos a cero

P(mojado=si/llueve=no, no_techada=sí) 与 P(mojado=sí/llueve=sí, no_techada=no) 应取接近 0 的值。

符号西语读法中文含义
P(mojado=sí/llueve=sí, no_techada=sí)«probabilidad de suelo mojado dado que llueve y la terraza no está techada»两因同时成立时的条件概率
mojado=sí«mojado igual a sí»变量取「湿」这一值(= 表示赋值,不是等号比较)
no_techada«no techada»露台无顶棚(父节点名,取 sí / no)
AND«relación tipo y»与关系:两个父节点都为 sí 才触发结果
próximo a cero«cercano a cero»概率接近 0
编号条件(父节点取值)判定概率
1llueve=sí, no_techada=sí两个原因同时在场最大,≈1
2llueve=sí, no_techada=no有顶棚拦住雨水(AND 未满足)接近 0
3llueve=no, no_techada=sí没有雨(AND 未满足)接近 0
4llueve=no, no_techada=no两个原因都不在最小,≈0
AND 的判读口诀:两个都要——只有两个父节点都取 sí 才接近 1,任一取 no 就塌到接近 0。与 p.49 的 OR 正好相反:OR 的 ②③ 接近 1,AND 的 ②③ 接近 0;这是本主题最常被考的一对对照。
原文 si / sí 混用(列表写 «llueve=si»、结论写 «llueve=sí»;«mojado=si» 与 «mojado=sí» 亦不统一),应为 «sí»,属笔误,此处照抄原写法并统一读作 sí;另 «P(mojado=si/ llueve=no» 斜杠后多一个空格,属排版问题。
一句话对照:OR =「有一个就够」(②③≈1),AND =「缺一不可」(②③≈0)。填 CPT 前先问关系类型,再决定四个格子怎么落。

十、建模导航:四步法与五个经典例子

p.51–p.58
p.51

Guía para el modelado con redes bayesianas · 贝叶斯网络建模的四步总纲

▸ 原页截图 p.51 原讲义第 51 页

Redes bayesianas

贝叶斯网络(页眉)。

Paso 1. Identificar la información relevante en el problema (toda la que pueda influir en el proceso de razonamiento)

第 1 步:识别问题中相关的信息(一切可能影响推理过程的信息)。

Paso 2. Representar dicha información como variables y sus determinar sus posibles valores (asegúrate que sean un conjunto exhaustivo y excluyente).

第 2 步:把这些信息表示成变量,并确定它们可能的取值(务必是一个穷尽且互斥的集合)。

Paso 3. Identificar las relaciones (asegúrate que representen relaciones de influencia causal)

第 3 步:识别关系(务必让它们表示因果影响关系)。

Paso 4. Obtener o estimar los parámetros (asegúrate de que sean coherentes con tipo de relación y el sentido común)

第 4 步:获得或估计参数(务必让参数与关系类型以及常识相符)。

Guía para el modelado con redes bayesianas

用贝叶斯网络建模的指南(本页标题)。

步骤原文关键词中文动作产出物
Paso 1información relevante圈出所有会影响判断的信息一张「素材清单」
Paso 2variables / valores把素材改写成变量并列出取值节点表 + 取值域(穷尽且互斥)
Paso 3influencia causal只连因果箭头,不连相关箭头有向无环图(DAG)
Paso 4parámetros填条件概率表,检查是否符合常识CPT / 噪声参数
考「四步法」时就按顺序背四个动词:Identificar → Representar → Identificar relaciones → Estimar parámetros。每一步括号里的提醒都是考点:第 2 步考 conjunto exhaustivo y excluyente(穷尽且互斥),第 3 步考 influencia causal(必须因果,不是诊断),第 4 步考 coherentes con el sentido común(参数要合常识)。
原文写 «y sus determinar sus posibles valores»,其中多出一个 «sus»,应为 «y determinar sus posibles valores»,属笔误;此处照抄原文,未作改动。
四步口诀:找信息、变变量、连因果、填参数。记成「人—变—因—参」四个字,考试默写顺序不会乱。
p.52

Ejemplo modelado 1: el ejemplo del estornudo · 建模实例 1:打喷嚏的故事

▸ 原页截图 p.52 原讲义第 52 页

Redes bayesianas

贝叶斯网络(页眉)。

Una tarde, Luis va a visitar a su compañero de oficina Antonio, y de repente comienza a estornudar.

一天下午,Luis 去拜访他的办公室同事 Antonio,突然开始打喷嚏。

Luis piensa que se ha resfriado.

Luis 以为自己感冒了。

Pero de repente observa que los muebles de Antonio están arañados, de forma que se le ocurre que quizás su amigo tenga un gato y sus estornudos se deban a una crisis producida por una rinitis alérgica

但他忽然发现 Antonio 的家具上有抓痕,于是想到:也许朋友养了一只猫,而自己的喷嚏是由鼻炎(过敏性鼻炎)发作引起的。

Ejemplo modelado 1: el ejemplo del estornudo

建模实例 1:打喷嚏的例子(本页标题)。

这段小故事是整章反复回用的「母题」:两个候选原因解释同一个观察——Resfriado(感冒)与 Rinitis(鼻炎)都指向 Estornudo(喷嚏),而 Gato(猫)与 Arañazos(抓痕)是额外线索。考试常问「这个故事里哪些是观察、哪些是原因」,答案就是「打喷嚏、抓痕是观察;感冒、鼻炎、养猫是原因」。
故事主线三句话记牢:先以为感冒、再看见抓痕、最后改判过敏。这条「改判」正是贝叶斯网络要形式化的东西:证据进来 → 概率更新。
「arañados」是 «arañar»(抓、挠)的过去分词,指家具表面被抓出痕迹;这是后面判断「有没有养猫」的证据,不是原因本身。
p.53

Paso 1. Identificación información relevante / Paso 2. Definición de variables · 实例 1:筛信息、定变量

▸ 原页截图 p.53 原讲义第 53 页

Redes bayesianas

贝叶斯网络(页眉)。

Paso 1. Identificación información relevante

第 1 步:识别相关信息。

Una tarde, Luis va a visitar a su compañero de oficina Antonio, y de repente comienza a estornudar.

一天下午,Luis 去拜访他的办公室同事 Antonio,突然开始打喷嚏。

Luis piensa que se ha resfriado.

Luis 以为自己感冒了。

Pero de repente observa que los muebles de Antonio están arañados, de forma que se le ocurre que quizás su amigo tenga un gato y sus estornudos se deban a una crisis producida por una rinitis alérgica.

但他忽然发现 Antonio 的家具被猫抓过,于是想到:也许朋友养了猫,而自己的喷嚏是过敏性鼻炎发作所致。

Paso 2. Definición de variables

第 2 步:定义变量。

• Estornudo, con valores {sí, no}

• 喷嚏,取值 {sí(是), no(否)}。

• Resfriado, con valores {sí, no}

• 感冒,取值 {sí, no}。

• Arañazos (en muebles), con valores {sí, no}

• 抓痕(家具上的),取值 {sí, no}。

• Gato, con valores {sí, no}

• 猫,取值 {sí, no}。

• Rinitis, con valores {sí, no}

• 鼻炎,取值 {sí, no}。

• Alergia, con valores {sí, no}

• 过敏,取值 {sí, no}。

Ejemplo modelado 1: ejemplo del estornudo

建模实例 1:打喷嚏的例子(页脚标题)。

变量中文取值域为什么必须穷尽且互斥
Estornudo喷嚏{sí, no}要么打要么不打,不能既打又不打
Resfriado感冒{sí, no}二分状态,覆盖全部可能
Arañazos抓痕{sí, no}它是可观察的「证据」节点
Gato养猫{sí, no}解释抓痕的原因
Rinitis鼻炎{sí, no}解释喷嚏,且由猫+过敏共同触发
Alergia过敏{sí, no}与 Gato 一起构成 AND 关系的两个父节点
考点:第 2 步的标准动作是「每条信息 → 一个变量 → 一个取值集合」。这里 6 个变量全是二值 {sí, no},考试会追问「取值集合必须满足什么性质」,答 exhaustivo(穷尽)y excluyente(互斥)。
六变量排列记成两列:症状侧 Estornudo / Arañazos;原因侧 Resfriado / Rinitis / Gato / Alergia。观察在左、解释在右,图一画就顺。
p.54

Paso 3. Identificar relaciones causales / Paso 4. Estimar probabilidades · 实例 1:连因果、估概率

▸ 原页截图 p.54 原讲义第 54 页

Redes bayesianas

贝叶斯网络(页眉)。

Paso 3. Identificar relaciones causales

第 3 步:识别因果关系。

• Resfriado causa Estornudo

• 感冒导致喷嚏。

• Rinitis causa estornudo

• 鼻炎导致喷嚏。

• Gato causa arañazos

• 猫导致抓痕。

• Gato AND Alergia causan rinitis

• 猫 AND 过敏共同导致鼻炎(注意这是 AND 关系,两个原因缺一不可)。

Paso 4. Estimar probabilidades

第 4 步:估计概率。

Ejemplo modelado 1: ejemplo del estornudo

建模实例 1:打喷嚏的例子(页脚标题)。

父 → 子关系类型中文含义
Resfriado → Estornudocausal simple感冒 → 喷嚏单父节点直线因果
Rinitis → Estornudocausal simple鼻炎 → 喷嚏与上一条并列,两个原因都指向喷嚏
Gato → Arañazoscausal simple猫 → 抓痕这一支用于「从抓痕反推有没有猫」
Gato, Alergia → RinitisAND猫 + 过敏 → 鼻炎两个条件同时成立才产生鼻炎
这张图的考点是「哪些边必须标 AND / OR」:只有 Gato 与 Alergia 汇入 Rinitis 的那一处是 AND,其余三条都是单父节点的普通因果边。考试若给一张只有箭头的图让你补门类型,答「只有 Rinitis 的入边是 AND,其余无需门」。
原文第 2 条项目符号 «Rinitis causa estornudo» 中西语 estornudo 首字母小写,而第 1 条写 «Estornudo»,同一变量大小写不一致,属排版笔误;变量名仍统一读作 Estornudo。
这一页把图分成三条「腿」:感冒—喷嚏、鼻炎—喷嚏、猫—抓痕,外加一条「猫+过敏→鼻炎」的横向 AND。记成「三条竖腿 + 一条横梁」。
p.55

Ejemplo modelado 2: red Asia · 建模实例 2:Asia 医疗网络

▸ 原页截图 p.55 原讲义第 55 页

Redes bayesianas

贝叶斯网络(页眉)。

La falta de aire (disnea) puede deberse a enfermedades graves como la tuberculosis o el cáncer de pulmón, o a la bronquitis, o a ninguno de ellos, o a más de uno.

呼吸困难(disnea)可能由肺结核、肺癌这类重病引起,也可能由支气管炎引起,也可能一个都不是,还可能同时有好几个。

Una visita reciente a Asia aumenta las posibilidades de tuberculosis, mientras que se sabe que el tabaquismo es un factor de riesgo tanto para el cáncer de pulmón como para la bronquitis.

近期去过亚洲会增加患肺结核的可能性;而人们已知吸烟既是肺癌的危险因素,也是支气管炎的危险因素。

Los resultados de una sola radiografía de tórax no discriminan entre cáncer de pulmón y tuberculosis, como tampoco lo hace la presencia o ausencia de disnea.

单张胸部 X 光片的结果无法区分肺癌与肺结核;呼吸困难的有无同样做不到这一点。

Ejemplo modelado 2: red Asia

建模实例 2:Asia 网络(本页标题)。

X

X = 节点 «Radiografía»(X 光片,X-ray 的首字母)。

D

D = 节点 «Disnea»(呼吸困难)。

T

T = 节点 «Tuberculosis»(肺结核)。

A

A = 节点 «Asia»(是否近期去过亚洲)。

L

L = 节点 «Cáncer de pulmón»(肺癌,Lung cancer)。

B

B = 节点 «Bronquitis»(支气管炎)。

S

S = 节点 «Tabaquismo»(吸烟,Smoking)。

E

E = 节点 «Enfermedad»(疾病,即 Tuberculosis 或 Cáncer 的统称节点)。

Asia

Asia:是否近期去过亚洲(根节点,无父节点)。

Tuberculosis

Tuberculosis:肺结核。

Cáncer pulmón

Cáncer pulmón:肺癌。

Tabaquismo

Tabaquismo:吸烟。

Bronquitis

Bronquitis:支气管炎。

Radiografía

Radiografía:X 光片(可观察证据)。

Disnea

Disnea:呼吸困难(可观察证据)。

Enfermedad

Enfermedad:疾病(Tuberculosis 或 Cáncer pulmón 的「或」节点)。

缩写西语节点中文父节点
A / XAsia去过亚洲无(根节点)
STabaquismo吸烟无(根节点)
TTuberculosis肺结核Asia
LCáncer pulmón肺癌Tabaquismo
BBronquitis支气管炎Tabaquismo
EEnfermedad疾病(T 或 L)Tuberculosis, Cáncer pulmón(OR)
RRadiografíaX 光片Enfermedad
DDisnea呼吸困难Enfermedad, Bronquitis(OR)
Asia 网络是教材里最经典的「诊断型」例子,考点有三:① 两个根节点是 Asia 与 Tabaquismo;② Enfermedad 是 T 与 L 的 OR 节点;③ Disnea 有两个父节点(Enfermedad 与 Bronquitis),所以「有呼吸困难」不能直接推出肺结核。
原文页内标签有 «Cáncer pulmón»(缺 «de»)与正文 «cáncer de pulmón» 不一致,节点名照抄页内写法 «Cáncer pulmón»,属排版省略,不是新概念。另本页把节点缩写 A 与 X 同时用于 Asia,属图示重复标注,读图时按同一个节点处理。
这张图的记忆顺序:两个根(Asia、Tabaquismo)→ 三个病(T、L、B)→ 一个或节点(Enfermedad)→ 两个证据(Radiografía、Disnea)。口诀「两根三病一或两证」。
p.56

Ejemplo modelado 3: un problema de diagnóstico · 建模实例 3:诊断问题(Luisito 呕吐)

▸ 原页截图 p.56 原讲义第 56 页

Redes bayesianas

贝叶斯网络(页眉)。

Considera la siguiente situación: Los padres de Luisito, que acaba de cumplir un año, deciden llevarlo al pediatra porque vomita con cierta frecuencia.

设想这样一个情境:Luisito 刚满一岁,他父母因为他经常吐,决定带他去看儿科医生。

Con el pediatra sostienen la siguiente conversación:

他们与医生进行了下面这段对话:

Pediatra -. Denme toda la información que consideren que puede ser relevante.

医生:把你们认为可能相关的所有信息都告诉我。

Mamá-. El otro día Luisito estaba resfriado.

妈妈:前几天 Luisito感冒了。

Vomitó el biberón de la noche, creo que por culpa de los mocos, ya que había muchos en el vómito.

他把晚上的奶瓶吐了,我觉得是鼻涕闹的,因为呕吐物里有很多鼻涕。

Otras veces parece que vomita por una pequeña indigestión.

另外几次看起来是因为轻微消化不良才吐的。

Papá-. Además, creo que debe saber que mi hermano es celíaco (Aclaración: la celiaquía es una intolerancia al gluten, que poco a poco hace que se destruya el vello intestinal.

爸爸:另外我想您该知道,我哥哥是乳糜泻患者(说明:乳糜泻是一种对麸质的不耐受,会逐渐破坏小肠绒毛。

Los vómitos son uno de sus síntomas más relevantes.

呕吐是它最症状之一。

Se cree que tiene cierta componente hereditaria).

一般认为它带有一定的遗传成分。)

Pediatra-. ¿Y la dieta de Luisito incluye gluten?

医生:那 Luisito 的饮食里有麸质吗?

Ambos-. Sí, desde hace unos meses.

父母:有,已经吃了好几个月了。

Plantea este problema de diagnóstico mediante una red bayesiana

请用贝叶斯网络来表述这个诊断问题。

Ejemplo modelado 3: un problema de diagnóstico

建模实例 3:一个诊断问题(页脚标题)。

对话线索可建成的变量中文角色
vomita con frecuenciaVómito呕吐目标 / 待解释现象
estaba resfriado / mocosResfriado, Mocos感冒、鼻涕暂时性原因
pequeña indigestiónIndigestión消化不良暂时性原因
mi hermano es celíacoAntecedente familiar家族史遗传风险因素
la dieta incluye glutenDieta con gluten含麸质饮食触发 / 必要条件
celiaquíaCeliaquía乳糜泻隐藏病因(不可直接观察)
这道题考「把自然语言对话拆成节点」。答题套路:先写目标节点 Vómito,再把每个「原因」各建一个节点,最后把不可观察的病因 Celiaquía 单独拿出来——它由「家族史 + 含麸质饮食」共同触发。注意题目要的是 plantea(列结构),不是算数值。
原文对话人标点写成 «Pediatra -.»、«Mamá-.»、«Ambos-.»,破折号与句点位置不统一(有的句点在前有的在后),属排版笔误,照抄原写法。
记住这条链:家族史 + 吃麸质 → 乳糜泻 → 呕吐;感冒与消化不良是两条「干扰支」,考试爱问「为什么不能只凭呕吐断定乳糜泻」——因为有这两个替代解释。
p.57

Ejemplo modelado 4: un problema de clasificación · 建模实例 4:Zyx 星球动物分类

▸ 原页截图 p.57 原讲义第 57 页

Redes bayesianas

贝叶斯网络(页眉)。

En el planeta Zyx se pueden encontrar varias clases de animales, llamemos a estas clases Wurros, Hobexas y Wackas.

在 Zyx 星球上可以找到几类动物,我们把这些类别称作 Wurros、Hobexas 和 Wackas。

Todos tienen un tamaño muy pequeño, y sus pieles son o bien escamosas o bien están cubiertas de suave pelo.

它们体型都很小,皮肤要么是鳞状的,要么覆盖着柔软的毛。

Además, una observación atenta ha permitido deducir lo siguiente:

此外,仔细观察使人们推断出以下事实:

• Todos los Wurros tienen 5 ó 6 patas.

• 所有 Wurros 都有 5 或 6 条腿。

Su color es rojizo, y tienen la piel peluda y suave.

它们的颜色偏红,皮肤毛茸茸且柔软。

• El número de patas de las Hobexas es un entero que varía uniformemente entre 4 y 6, ambos inclusive.

• Hobexas 的腿数是一个在 4 到 6 之间(含两端)均匀变化的整数。

Su piel es escamosa.

它们的皮肤是鳞状的。

• En cuanto a las Wackas, tienen 4 ó 5 patas, y ofrecen a la vista una tonalidad casi siempre azul, pero a veces (20% de los casos) rojiza.

• 至于 Wackas,它们有 4 或 5 条腿,看起来几乎总是蓝色色调,但有时(20% 的情况)偏红。

• Los animales que tienen un número impar de patas cojean siempre.

• 腿数为奇数的动物总是跛行。

Los animales que tienen un número par de patas cojean sólo cuando tienen alguna anomalía (malformación congénita, heridas, etc.), lo cual ocurre en el 10% de los casos para los animales de 4 patas, y en el 20% para los de seis.

腿数为偶数的动物只有在出现某种异常时才跛行(先天畸形、外伤等);4 条腿的动物这种情况占 10%,6 条腿的占 20%。

Plantea el problema de la clasificación de animales de Zyx mediante una red bayesiana

请用贝叶斯网络表述 Zyx 动物的分类问题。

Ejemplo modelado 4: un problema de clasificación

建模实例 4:一个分类问题(页脚标题)。

变量西语取值中文类型
Clase{Wurro, Hobexa, Wacka}动物类别目标(待分类)
Patas{4, 5, 6}腿数可观察,受类别影响
Piel{escamosa, pelo}皮肤可观察
Color{rojizo, azul}颜色可观察(Wacka 20% 红)
Cojea{sí, no}是否跛行可观察,由腿数奇偶 + 异常决定
分类问题的标准结构:一个类别节点(Clase)做根,所有可观察特征(Patas、Piel、Color、Cojea)都做它的子节点。与诊断题的区别:这里方向是「类别 → 特征」,因为同一类动物必然具有这些特征。考试常问「Cojea 的父节点是谁」,答案是 Patas 与 Anomalía,不是 Clase。
原文 «Los animales que tienen un número impar de patas cojean siempre» 与后文 «cojean sólo cuando…» 分别用了 «un número impar / un número par»,其中 «número» 前的 «un» 在西班牙语里可省略,属行文风格不统一,不构成知识错误;另 «6» 处写作 «seis»,数字与文字混用,属排版不一致。
四类特征画图时按「腿、皮、色、瘸」记;Wurro=5/6 腿 + 红 + 毛,Hobexa=4–6 均匀 + 鳞,Wacka=4/5 腿 + 蓝(20% 红)。奇腿必瘸,偶腿 10%/20% 瘸是 CPT 的来源。
p.58

Ejemplo modelado 5: El problema de Monty Hall · 建模实例 5:Monty Hall 三门问题

▸ 原页截图 p.58 原讲义第 58 页

Redes bayesianas

贝叶斯网络(页眉)。

En el concurso televisivo Let´s Make a Deal, al concursante se le propone que elija una puerta entre tres.

在电视节目《Let's Make a Deal》中,主持人让参赛者从三扇门里选一扇。

Su premio será lo que se encuentre detrás de la puerta elegida.

他的奖品就是所选门后面的东西。

Una de ellas oculta un coche, y las otras dos una cabra.

其中一扇门后藏着一辆汽车,另外两扇门后各有一只山羊。

Una vez que el concursante ha elegido una puerta, el presentador elige de las otras dos la que sabe que contiene una cabra, y la abre.

参赛者选定一扇门后,主持人会从另外两扇中挑一扇他确知后面是山羊的门,并把它打开。

En ese momento, el concursante tiene la opción de cambiar su puerta por la que aún continúa cerrada.

此时,参赛者可以选择换到那扇仍然关着的门。

¿Debe el concursante mantener su elección original o escoger la otra puerta?

参赛者应当坚持最初的选择,还是改选另一扇门?

• Debe mantener su elección original

• 应当保持最初的选择。

• Debe cambiar

• 应当更换。

• En realidad, da igual lo que haga

• 其实怎么做都一样。

Ejemplo modelado 5: El problema de Monty Hall

建模实例 5:Monty Hall 问题(页脚标题)。

初始选择车的位置先验概率换门后的胜率
1 号1 号1/30(换就输)
1 号2 号1/31(换就赢)
1 号3 号1/31(换就赢)
Monty Hall 的标准答案:应该换门(Debe cambiar)。不换胜率 1/3,换门胜率 2/3。用贝叶斯语言说:主持人开门这个动作不是随机事件,他的选择受「车在哪」影响,因此开门提供了信息,后验概率从 1/3 提升到 2/3。
原文节目名写作 «Let´s Make a Deal»,用了重音符号 ´ 代替撇号 ',应为 «Let's Make a Deal»,属笔误;此处照抄原文,不改字符。
一句话记住:「主持人知道答案,所以他的开门是线索」。换成概率式:不换 = 1/3,换 = 2/3,因为「你一开始选错的概率是 2/3」。

十一、变量类型与关系方向:为什么模型里只能画因果

p.59–p.66
p.59

Guía para el modelado con redes bayesianas · 建模指南(复习版:四步与三条括号提醒)

▸ 原页截图 p.59 原讲义第 59 页

Redes bayesianas

贝叶斯网络(页眉)。

Guía para el modelado con redes bayesianas

用贝叶斯网络建模的指南(本页标题)。

Paso 1. Identificar la información relevante en el problema

第 1 步:识别问题中相关的信息。

(toda la que pueda influir en el proceso de razonamiento)

(一切可能影响推理过程的信息。)

Paso 2. Representar dicha información como variables y sus determinar sus posibles valores

第 2 步:把这些信息表示成变量,并确定它们可能的取值。

(asegúrate que sean un conjunto exhaustivo y excluyente).

(务必使取值构成穷尽且互斥的集合。)

Paso 3. Identificar las relaciones

第 3 步:识别关系。

(asegúrate que representen relaciones de influencia causal)

(务必让它们表示因果关系。)

Paso 4. Obtener o estimar los parámetros

第 4 步:获得或估计参数。

(asegúrate de que sean coherentes con tipo de relación y el sentido común)

(务必使参数与关系类型及常识相符。)

Más sobre modelado

更多关于建模的内容(章节标题)。

这一页与 p.51 文字几乎相同,是进入「Más sobre modelado」小节前的复习页。考试若出「四步法」简答,按这里的分行写更稳:每步「动作 + 括号理由」各占一分,四个括号是 razonamiento / exhaustivo y excluyente / causal / sentido común。
原文再次写 «y sus determinar sus posibles valores»(多一个 «sus»),与 p.51 同一处笔误;此外括号句首字母小写、句末又有句点,属排版不统一,均照抄。
四步只记「动词 + 一个形容词」:Identificar(relevante)→ Representar(exhaustivo)→ Identificar(causal)→ Estimar(coherente)。
p.60

Más sobre modelado: Identificación de las variables · 建模进阶:如何找变量(诊断类问题的四问)

▸ 原页截图 p.60 原讲义第 60 页

Redes bayesianas

贝叶斯网络(页眉)。

Por ejemplo, en problemas de diagnóstico

例如,在诊断类问题中:

• ¿Cuál es la situación/problema que se plantea?

• 提出的情境/问题是什么?

• ¿Qué posibles causas pueden explicar esta situación?

• 有哪些可能的原因能解释这个情境?

• ¿Qué otros factores pueden hacer que los problemas o causas ocurran, o impedir que ocurran?

• 还有哪些因素会促使这些问题或原因发生,或阻止它们发生?

• ¿De qué evidencia se dispone para soportar dichas causas, problemas o factores?

• 有哪些证据可以用来支持这些原因、问题或因素?

Más sobre modelado: Identificación de las variables

建模进阶:变量的识别(本页标题)。

提问西语关键词对应节点类型例(Asia)
问 1situación / problema目标节点(结果)Disnea
问 2causas病因节点Tuberculosis, Cáncer, Bronquitis
问 3factores危险 / 保护因素Asia, Tabaquismo
问 4evidencia可观察证据Radiografía
四个反问是「找变量」的操作化清单,考试常把它出成填空:situación → causas → factores → evidencia。注意第 3 问包含两个方向:hacer que ocurran(促发)与 impedir que ocurran(阻止),对应后面变量类型里的 promotor / inhibidor。
四问口诀:什么现象、什么原因、什么推手、什么证据——「现、因、推、证」四个字即可默写。
p.61

Tipos de variables · 建模进阶:变量类型一览(目标 / 观察 / 因素 / 辅助)

▸ 原页截图 p.61 原讲义第 61 页

Redes bayesianas

贝叶斯网络(页眉)。

Tipo variable

变量类型(表头第一列;原文缺 «de»,见下方勘误)。

Breve descripción

简要说明(表头第二列)。

Objetivo

目标变量。

Modelan objetos de interés. No observables directamente.

对感兴趣的对象建模,不能直接观察。

Observación

观察变量。

Modelan la forma de medir variables objetivo. Pueden ser observadas directamente

对目标变量的测量方式建模,可以被直接观察。

Factor

因素变量。

Modelan fenómenos que afectan a otras variables del modelo

对会影响模型中其他变量的现象建模。

Promotor

促进因素。

La variable afectada es más probable cuando están presentes.

它们存在时,被影响的变量更可能发生。

Inhibidor

抑制因素。

La variable afectada es menos probable cuando están presentes.

它们存在时,被影响的变量更不可能发生。

Requerido

必要条件。

Si no entra en acción, no ocurre la variable afectada.

若它不成立,被影响的变量就不会发生。

Preventivo

阻断条件。

Si entra en acción, no ocurre la variable afectada.

若它成立,被影响的变量就不会发生。

Auxiliares

辅助变量。

Usadas por conveniencia (para simplificar el modelo)

为方便而使用(用于简化模型)。

Más sobre modelado: Identificación de las variables

建模进阶:变量的识别(本页标题)。

类型能否观察到在模型里的位置典型例子
Objetivo否我们真正想推断的对象Enfermedad
Observación是目标变量的「测量口」Prueba, Radiografía
Factor视情况指向其他变量的入边来源Gato, Tabaquismo
Auxiliar—只为压缩参数而设中间汇总节点
考点在「Objetivo 与 Observación 的分工」:目标变量不可直接观察,观察变量是它的测量方式;二者常成对出现(病 vs 症状/化验)。四个因素子类按两张 2×2 记:促进/抑制管「概率升降」,必要条件/阻断条件管「发生与否」。
原文两处小瑕疵:表头写 «Tipo variable»,应为 «Tipo de variable»;«Pueden ser observadas directamente» 句末缺句点。均属排版笔误,照抄不改。
一句记住:目标看不见,观察量得到;因素四张牌——推(Promotor)、抑(Inhibidor)、必(Requerido)、阻(Preventivo)。
p.62

Más sobre modelado: relaciones · 建模进阶:两类关系(因果 vs 诊断)

▸ 原页截图 p.62 原讲义第 62 页

Redes bayesianas

贝叶斯网络(页眉)。

Más sobre modelado: relaciones

建模进阶:关系(本页标题)。

Dos tipos de relaciones:

两类关系:

Relación causal

因果关系(左图)。

Gripe → Tos

Gripe → Tos(感冒 → 咳嗽:由病因指向症状)。

Regla de diagnóstico

诊断规则(右图)。

Tos → Gripe

Tos → Gripe(咳嗽 → 感冒:由症状反推病因)。

NO deben utilizarse en redes bayesianas

不应在贝叶斯网络中使用(指诊断规则方向)。

Son las que se utilizan en redes bayesianas

这些(因果关系)才是贝叶斯网络中使用的方向。

关系箭头方向读法参数含义推荐
CausalGripe → Tos患感冒时咳嗽的概率P(Tos | Gripe)是
DiagnósticoTos → Gripe咳嗽者患感冒的概率P(Gripe | Tos)否
本页是方向题的标准答案:箭头必须「原因 → 结果」。同一个知识 Gripe–Tos 可以写成两个方向,但贝叶斯网络只接受因果方向;诊断方向(症状 → 病)要留到推理时用贝叶斯公式反向算,而不是画进图里。
图中 «Gripe» 与 «Tos» 各出现两次,是同一对变量的两张对比图,不是四个节点;读图时按左右两栏分开看。
一句记住:图上只画「因推果」,诊断靠「果推因」的公式,不靠箭头。
p.63

Más sobre modelado: relaciones · 为什么因果方向让模型更简单

▸ 原页截图 p.63 原讲义第 63 页

Redes bayesianas

贝叶斯网络(页眉)。

Si definimos los enlaces de forma que modelen la relación causal,

如果我们把连接定义为对因果关系建模,

el modelo obtenido es más sencillo de entender y menos complejo en cuanto a parámetros y relaciones.

得到的模型就更容易理解,在参数和关系上也更不复杂。

Más sobre modelado: relaciones

建模进阶:关系(本页标题)。

建模方式需要填的参数可读性维护成本
因果方向每个节点只依赖其直接原因高(符合人的直觉)低:加一个原因只改局部
诊断方向每个症状要覆盖所有病因的组合低(反直觉)高:病因一多参数爆炸
这句话是全章的方法论结论,考试常要求解释「为什么选因果」:一是 可理解(符合人对世界的直觉),二是 省参数(因果结构通常稀疏,每个节点只需对直接原因建条件概率表)。下一句起用打喷嚏例子分别画两种方向作对比。
一句记住:因果链稀疏,诊断网稠密——同一知识,方向一换,参数数量级就变。
p.64

Ejemplo de uso de relaciones de influencia causal en el problema del estornudo · 打喷嚏问题:因果影响关系示例

▸ 原页截图 p.64 原讲义第 64 页

Redes bayesianas

贝叶斯网络(页眉)。

p(gato)=0.2

p(gato)=0.2(家里有猫的先验概率为 0.2)。

Hemos modelado esta red con relaciones de influencia causal.

我们用因果影响关系来构建这张网络。

Esta opción es correcta y resulta más sencilla de comprender y construir para los seres humanos

这一选择是正确的,而且对人类来说更易理解、更易构建。

Ejemplo de uso de relaciones de influencia causal en el problema del estornudo

打喷嚏问题中因果影响关系的使用示例(本页图题)。

节点入边(直接原因)参数形式本页给出的值
Gato无(根节点)先验概率0.2
Resfriado无(根节点)先验概率图外给定
Alergia无(根节点)先验概率图外给定
ArañazosGato条件概率表下一步讨论
RinitisGato, Alergia(AND)条件概率表下一步讨论
EstornudoResfriado, Rinitis(OR)条件概率表下一步讨论
本页给的是因果版打喷嚏网络,标注的 p(gato)=0.2 是根节点的先验,不是条件概率。考试要能指出:根节点只需一个数,非根节点才需要「父节点各组合 × 取值」的整张表。
一句记住:因果图从「猫」流向「喷嚏」,每个箭头都是人可以讲通的因果故事。
p.65

Ejemplo de uso de relaciones de diagnóstico en el problema del estornudo · 打喷嚏问题:诊断关系示例(正确但不推荐)

▸ 原页截图 p.65 原讲义第 65 页

Redes bayesianas

贝叶斯网络(页眉)。

Mediante técnicas matemáticas, es posible invertir los enlaces de la red y obtener una equivalente, cuyas relaciones serían más interpretables como reglas de diagnóstico.

借助数学技巧,可以把网络中的连接反转,得到一个等价网络,其关系更容易被解释为诊断规则。

Esta red es correcta, pero resulta difícil de comprender (y más aún de especificar) para los seres humanos.

这张网络是正确的,但对人类来说难以理解(更难以具体写出来)。

Por tanto, esta opción, siendo correcta, no es recomendable

因此,这一方案虽然正确,但不值得推荐。

Ejemplo de uso de relaciones de diagnóstico en el problema del estornudo

打喷嚏问题中诊断关系的使用示例(本页图题)。

步骤操作得到什么评价
1建因果网络(p.64)原因 → 结果的图直观、参数少
2用数学技巧反转连接诊断方向的等价网络概率上等价,正确
3按诊断规则读图症状 → 病因难理解、难写出参数
4直接交付这种图给领域专家「正确但不推荐」的方案不采用
这页考「正确 ≠ 推荐」:两种图在概率上等价,都是 correcta;但诊断版难理解、难指定(参数要为每个症状覆盖所有病因组合),所以工程上不推荐。答题要写出这句转折:siendo correcta, no es recomendable。
原文 «pero» 单独占一行(跨行断句),«Esta red es correcta, pero resulta…» 应连读为一句;本页按语义合并翻译,不改原文用词。
一句记住:因果图给人建,诊断图给公式用;能反演,不代表该交付。
p.66

Más sobre modelado: controversia · 建模进阶:因果方向有争议时怎么办

▸ 原页截图 p.66 原讲义第 66 页

Redes bayesianas

贝叶斯网络(页眉)。

En algunas situaciones, las relaciones causa-efecto son controvertidas

在某些情形下,因果关系本身是有争议的。

Más sobre modelado: controversia

建模进阶:争议(本页标题)。

Anorexia

厌食症(图中节点)。

No comer

不吃东西(图中节点)。

???

???(图中表示方向待定的标记,原文如此,不是漏印)。

Anorexia → No comer

Anorexia → No comer(厌食导致不吃:把厌食当原因)。

No comer → Anorexia

No comer → Anorexia(长期不吃导致厌食:把不吃当原因)。

候选方向机制解释建模后果问题
Anorexia → No comer心理疾病导致进食行为改变以厌食为父节点,需估计进食行为的条件概率厌食本身难观察、难确诊
No comer → Anorexia节食行为诱发厌食以进食行为为父节点方向与临床共识可能相反,且可能互为因果
这页是「因果方向不是白送的」的反例:遇到 Anorexia — No comer 这种鸡生蛋问题,不能靠数据里的相关性定方向,要靠领域知识、时间先后、可干预实验;实在定不了就在文档里标注争议(图上的 ???),并选一个对当前任务可干预、参数可估的方向。
«controvertidas» 意为「有争议的」,不是「错误的」。考试若问「方向错了怎么办」,答:不是错,而是不确定,需要额外证据或专家判断。
一句记住:相关不定向,时序与干预才定因果;定不了就画 ???。

十二、验证与简化:独立性、中间节点与参数来源

p.67–p.73
p.67

Algunos trucos útiles para modelado: verificación · 建模技巧:用独立性检查模型(Modelo A / B)

▸ 原页截图 p.67 原讲义第 67 页

Redes bayesianas

贝叶斯网络(页眉)。

Verificar las independencias del modelo:

验证模型中的独立性:

(comprobar si las relaciones entre las variables reflejan adecuadamente las dependencias e independencias).

(检查变量之间的关系是否恰当反映了依赖与独立。)

• En el modelo A, Fiebre y Tos son dependientes a priori, pero independientes dado gripe

• 在模型 A 中,发烧与咳嗽先验相关,但在给定感冒的条件下独立。

• En el modelo B, Fiebre y Tos son independientes a priori, pero dependientes dado gripe

• 在模型 B 中,发烧与咳嗽先验独立,但在给定感冒的条件下相关。

(explaining-away)

(解释消除:知道结果后,两个原因互相「解释掉」。)

¿Cuál es la relación correcta?

哪一种关系才是对的?

Modelo A

模型 A(左图)。

Modelo B

模型 B(右图)。

Algunos trucos útiles para modelado: verificación

建模的一些实用技巧:验证(本页标题)。

Tos · Gripe · Fiebre

咳嗽 · 感冒 · 发烧(两图共用的三个节点)。

模型连接结构先验关系给定 Gripe 后名称
AFiebre ← Gripe → Tos(共同原因)相关独立fork / 共同原因
BFiebre → Gripe ← Tos(汇聚)独立相关collider / explaining-away
这页是d-separation(有向分离)的入门判断:共同原因型 Fiebre ← Gripe → Tos 让两者先验相关、条件独立;汇聚型 Fiebre → Gripe ← Tos 恰好相反。考试常给一句话让你判「先验 / 条件」哪句成立,先看中间节点的箭头是「分叉」还是「汇合」。
«explaining-away» 的直觉:看到病人感冒,就可以用「感冒」同时解释发烧与咳嗽,两个症状之间不再需要彼此解释;反之若只知道感冒,而有发烧,就会提高「咳嗽也是感冒引起」的预期。
一句记住:分叉相关、给定中间独立;汇合独立、给定中间相关。
p.68

Algunos trucos útiles para modelado: verificación · 验证练习(打印机版:缺墨 / 缺纸 / 不打印)

▸ 原页截图 p.68 原讲义第 68 页

Redes bayesianas

贝叶斯网络(页眉)。

Verificar las independencias del modelo:

验证模型中的独立性:

(comprobar si las relaciones entre las variables reflejan adecuadamente las dependencias e independencias).

(检查变量之间的关系是否恰当反映了依赖与独立。)

C ál l l ió t ?

「C ál l l ió t ?」——原页此处的大字被拆成多行碎片,按上下文应为 «¿Cuál es la relación correcta?»(哪种关系才对?),字形残缺,照录原样。

Algunos trucos útiles para modelado: verificación

建模的一些实用技巧:验证(本页标题)。

Falta tinta

缺墨(节点,相当于「原因」)。

No imprime

不打印(节点,相当于「共同结果」)。

Falta papel

缺纸(节点,相当于另一个「原因」)。

Modelo A

模型 A(左图)。

Modelo B

模型 B(右图)。

已知信息推理两个原因之间的概率
什么都不知道缺墨、缺纸各自独立互不影响
No imprime两个原因都能解释「不打印」两者概率同时上升
No imprime + Falta tinta「不打印」已被缺墨解释掉缺纸概率下降(explaining-away)
这页把上一页的发烧/咳嗽换成日常变量再问一遍:Falta tinta → No imprime ← Falta papel 是典型的汇聚(collider)结构——两个原因先验独立,一旦观察到「不打印」就变得相关。考试用这个例子解释 explaining-away 最直观。
原文写 «C ál l l ió t ?»(正文被拆成 «C ál»、«l»、«l»、«ió»、«t ?» 等碎片),应为 «¿Cuál es la relación correcta?»;这是版式与文本抽取造成的残缺,属排版问题而非知识性笔误,照录原文并在此说明。
一句记住:一个结果、两个原因——知道结果,原因互相「甩锅」。
p.69

Algunos trucos útiles: estructura · 结构技巧:10 个二值变量要多少参数?

▸ 原页截图 p.69 原讲义第 69 页

Redes bayesianas

贝叶斯网络(页眉)。

Una buena opción para reducir la complejidad es introducir nodos intermedios.

降低复杂度的一个好办法是引入中间节点。

Por ejemplo, consideremos la siguiente red:

例如,考虑下面这张网络:

¿Cuántos parámetros tenemos que introducir en este modelo si suponemos todas las variables binarias?

若假设所有变量都是二值变量,这个模型需要引入多少个参数?

• Opción A: 10

• 选项 A:10。

• Opción B: 9 + 29

• 选项 B:9 + 29(9 个根节点各 1 个,再加 9 个父节点组合)。

• Opción C: 210 − 1

• 选项 C:210 − 1(完全联合分布的自由度)。

Algunos trucos útiles: estructura

实用技巧:结构(本页标题)。

Sexo

性别(根节点)。

Edad

年龄(根节点)。

Tabaco

吸烟(根节点)。

Alcohol

饮酒(根节点)。

Antecedentes familiares

家族病史(根节点)。

Medicam.

用药(Medicamentos 的缩写,根节点)。

Exc. sal

盐摄入过量(Exceso de sal 的缩写,根节点)。

Estrés

压力(根节点)。

Hipertensión

高血压(汇聚节点,多条边指向它)。

Obesidad

肥胖(根节点)。

选项隐含的结构假设参数数与图是否相符
A10 个变量彼此独立10否:图中 Hipertensión 有入边
B9 个根 + 1 个含 9 个父节点的节点9 + 29 = 521是:与图一致
C完全联合分布(忽略图结构)210 − 1 = 1023否:没用上条件独立
数参数的通用办法:先看每个节点的父节点个数 k,二值节点需 2k 个数(根节点 k=0,即 1 个先验);再全图求和。B 项 9 + 29 正好是「9 个根 + 1 个九父节点」,所以它是本题答案;C 项是完全联合分布,用来做对照。
文本层把指数压平:原文抽取为 «9 + 29» 与 «210−1»,按排版应为 9 + 29 与 210 − 1;这是抽取问题,不是教材笔误。
一句记住:根节点 1 个,k 个父节点给 2ᵏ 个;连成一张网,参数从指数级掉到线性级。
p.70

Algunos trucos útiles: estructura · 结构技巧:把节点分组后参数降到 41

▸ 原页截图 p.70 原讲义第 70 页

Redes bayesianas

贝叶斯网络(页眉)。

Si agrupamos nodos, obtenemos un modelo más legible y menos complejo (en parámetros y en tiempo de ejecución de los algoritmos de propagación).

如果把节点分组,我们得到的模型更易读、更不复杂(在参数数量与传播算法的执行时间两方面都是)。

¿Cuántos parámetros tenemos que introducir en este modelo si suponemos todas las variables binarias?

若假设所有变量都是二值变量,这个模型需要引入多少个参数?

Opción A: 13

选项 A:13。

Opción B: 9 + 4 · 23

选项 B:9 + 4 · 23(9 个根 + 4 个各有 3 个父节点的分组节点)。

Opción C: 213 − 1

选项 C:213 − 1(完全联合分布的自由度)。

Algunos trucos útiles: estructura

实用技巧:结构(本页标题)。

Sexo

性别。

Edad

年龄。

Tabaco

吸烟。

Alcohol

饮酒。

Antecedentes Familiares

家族病史(注意本页 F 大写,与 p.69 不一致)。

Medicamentos.

用药(原文标签自带句点)。

Exc. sal

盐摄入过量。

Obesidad

肥胖。

Estrés

压力。

Hipertensión

高血压(顶层结果节点)。

Rasgos individuo

个体特征(分组节点)。

Productos adictivos

成瘾性产品(分组节点)。

Estilo de vida

生活方式(分组节点)。

节点父节点参数个数
9 个根节点无9 × 1 = 9
Rasgos individuoSexo, Edad, Antecedentes Familiares23 = 8
Productos adictivosTabaco, Alcohol, Medicamentos23 = 8
Estilo de vidaExc. sal, Obesidad, Estrés23 = 8
HipertensiónRasgos individuo, Productos adictivos, Estilo de vida23 = 8
合计(若用完全联合)—213 − 1 = 8191
分组后每个中间节点只有 3 个父节点,所以是 4 × 23 = 32,加上 9 个根节点的 9 个参数,共 41;对比完全联合的 8191,差两个数量级。答案选 B。答题时把「9 个根」与「4 个三父节点」分开写,最容易拿分。
原文与本页内部小瑕疵:上一页写 «Antecedentes familiares»,本页写 «Antecedentes Familiares»(F 大写不一致);«Medicamentos.» 标签末尾多一个句点;文本层把指数压平为 «23»、«213−1»,应为 23、213 − 1。均照抄原文并在译文里说明。
一句记住:9 根 + 4 组 × 8 = 41;不分组则 8191。
p.71

Más sobre modelado: parámetros · 参数从哪来:专家指定、缺省均分、学习与组合

▸ 原页截图 p.71 原讲义第 71 页

Redes bayesianas

贝叶斯网络(页眉)。

- Especificación directa de los parámetros (con ayuda de expertos, costoso)

- 直接指定参数(借助专家,成本高)。

• En ausencia de información, se suele suponer equiprobabilidad

• 缺乏信息时,通常假设等概率。

• En muchos casos, se podrán utilizar relaciones tipo AND u OR, con su correspondiente ruido

• 很多情况下可以使用 AND 或 OR 型关系,并配上相应的噪声。

- Aprendizaje (si existen bases de datos)

- 学习(如果有数据库)。

• Aprendizaje de parámetros (si se dispone de la estructura);

• 参数学习(若已拥有结构);

• Aprendizaje estructural (se aprende tanto la estructura como los parámetros)

• 结构学习(结构与参数一起学)。

- Combinaciones de los dos anteriores (iterativamente)

- 前两种方式的组合(迭代进行)。

Más sobre modelado: parámetros

建模进阶:参数(本页标题)。

途径前提成本得到什么
Especificación directa领域专家在场高(costoso)全部条件概率
Equiprobabilidad完全没有信息最低二值各 0.5
AND / OR con ruido已知定性关系中少量参数代替整张表
Aprendizaje de parámetros结构 + 数据中只学数值
Aprendizaje estructural只有数据高结构 + 参数(搜索空间大)
Combinaciones部分数据 + 专家中高迭代改进
三条路线按「成本 / 数据」记:专家指定(贵但准)→ 缺省与 AND/OR 简化(无信息时的默认)→ 数据学习(有库才谈)。其中「参数学习」与「结构学习」的区别是必考点:前者结构已知,后者连结构一起学;两者还能迭代组合。
原文项目符号混用:一级条目用 «-»,二级用 «•»;«Aprendizaje de parámetros…» 结尾用分号,而下一条 «Aprendizaje estructural…» 无标点,属排版不统一,照抄不改。
一句记住:有专家就问、没信息就平分、有关系就 AND/OR、有数据就学,学不起就迭代。
p.72

Más sobre modelado (parámetros) · 直接指定参数时的两条省力规则

▸ 原页截图 p.72 原讲义第 72 页

Redes bayesianas

贝叶斯网络(页眉)。

Si es necesario la especificación directa:

如果必须直接指定参数:

• En ausencia de información, se suele suponer equiprobabilidad

• 缺乏信息时,通常假设等概率。

• En muchos casos, se podrán utilizar relaciones tipo AND u OR, con su correspondiente ruido

• 很多情况下可以使用 AND 或 OR 型关系,并配上相应的噪声。

Más sobre modelado (parámetros)

建模进阶(参数)(本页标题)。

做法参数规模什么时候用风险
等概率每个取值 1/2完全没有专家信息可能与现实偏差很大
完整条件概率表2k(k 个父节点)专家能逐项给出k 一大就不可行
AND / OR + 噪声每个父节点约 1 个(随 k 线性)存在「全真才发生 / 任一为真就发生」的定性知识关系假设过强时会失真
二值变量的「equiprobabilidad」就是每个取值 0.5。AND/OR 加噪声的价值在于把参数从 2k 降到随 k 线性:OR 型只需为每个父节点估一个「单独足以触发」的概率,再加一个总体泄漏项;这也是后面 noisy-OR 的来源。
原文写 «Si es necesario la especificación directa»,应为 «Si es necesaria la especificación directa»(«especificación» 为阴性,形容词需一致),属笔误;照抄原文,译文按正确语法理解。
一句记住:没信息就 0.5;有「全真 / 任一」的直觉就上 AND/OR,再留一点噪声。
p.73

Más sobre modelado: modelos canónicos · 规范模型:用 NOISY-OR / NOISY-AND 简化条件概率表

▸ 原页截图 p.73 原讲义第 73 页

Redes bayesianas

贝叶斯网络(页眉)。

Utilizar modelos canónicos

使用规范模型。

• Son modelos que ayudan a simplificar la especificación de las tablas de probabilidades condicionadas, para ciertos tipos de relación causal entre variables.

• 它们用于简化条件概率表的指定,适用于变量间某些类型的因果关系。

• Los más utilizados son los modelos NOISY-OR y NOISY-AND.

• 最常用的是 NOISY-OR 与 NOISY-AND 模型。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

做法要为每个节点给出参数规模适用条件
完整条件概率表父节点每种取值组合下的概率2k任意,但 k 大时不可行
NOISY-OR每个父节点「单独致效」的概率 + 一个噪声项随 k 线性任一原因即可致效、原因间无交互
NOISY-AND每个父节点「缺席即阻断」的概率 + 一个噪声项随 k 线性所有原因同时成立才致效
「规范模型」考的是为什么能省参数:它把整张条件概率表换成「每个父节点一个数 + 一个噪声」,靠的是「原因之间无交互」这条假设。名字里的 NOISY 表示允许例外(父节点都缺席时仍可能发生,或父节点齐备时仍可能不发生)。
一句记住:OR 是「任一即可」,AND 是「全都要」;加 NOISY 就是承认「总有例外」。

十三、规范模型:OR / NOISY-OR / NOISY-AND 与参数压缩

p.74–p.82
p.74

Más sobre modelado: modelos canónicos · OR 门的三个假设

▸ 原页截图 p.74 原讲义第 74 页

Redes bayesianas

贝叶斯网络(页眉)。

La puerta OR:

或门:

Hipótesis

假设

1. Cada una de las causas, por sí misma, puede producir el efecto y basta con que una de ellas esté presente para que el efecto ocurra;

1. 每个原因单独都能产生结果,只要其中一个出现,结果就会发生;

2. Cuando todas las causas están ausentes, el efecto está ausente;

2. 当所有原因都不存在时,结果也不存在;

3. No hay interacción entre las causas.

3. 原因之间没有相互作用。

Si se cumplen las hipótesis de la puerta OR, a partir de las probabilidades condicionadas por un solo padre podemos calcular las probabilidades condicionadas por todos los padres

若满足或门的假设,就可以由「只给定一个父节点」的条件概率,算出「给定全部父节点」的条件概率。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

假设管什么被违反时的现象检查方法
1单个原因的充分性某原因单独无法致效问专家「只此一个够不够」
2原因缺席时结果也缺席没有原因却仍发生(需要噪声项)查数据里有无「无原因病例」
3原因之间互不增强/削弱两个原因同时出现时效果超叠加对比单独与联合的条件概率
三条假设是「用单父概率推全父概率」的许可证。考试常问「OR 门成立的条件」,按 1-2-3 背:任一即可、全无则无、彼此不交互。第 2 条正是普通 OR 与 NOISY-OR 的分界:NOISY-OR 特意允许「全无原因也可能发生」。
一句记住:一个就够、没有就不、之间不串。
p.75

Ejemplos puerta OR · 什么时候能用 OR 门:高血压的反例与发烧的正例

▸ 原页截图 p.75 原讲义第 75 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejemplos puerta OR:

OR 门的例子:

Factores que tienen influencia causal en HTA:

对 高血压(hipertensión arterial 的缩写)有因果影响的因素:

No pueden modelarse con puerta OR

不能用 OR 门建模。

Factores que son causa directa de Fiebre:

作为发烧直接原因的因素:

Sí pueden modelarse con puerta OR

可以用 OR 门建模。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

例子能否用 OR 门原因被违反的假设
HTA(高血压)不能肥胖、盐、压力、遗传往往要「叠加」才致病,且互相增强假设 1 与 3:单一因素未必够,因素间有交互
Fiebre(发烧)能感染、炎症等任一个都可独立引起发烧无(三条假设基本满足)
判断能不能用 OR 门,只问一句:「单独一个原因够不够?」够就用;像高血压这种需要多因素叠加、彼此放大的,就不能硬套 OR 门,否则会系统性高估「只有一个危险因素」时的发病概率。
一句记住:发烧是「一个就够」,高血压是「积少成多」——前者 OR,后者不行。
p.76

Más sobre modelado: modelos canónicos · 用 OR 门计算 P(F/O,G):四种父节点组合

▸ 原页截图 p.76 原讲义第 76 页

Redes bayesianas

贝叶斯网络(页眉)。

¿Cómo calculamos P(F/O,G) usando una puerta OR?

如何用 OR 门计算 P(F/O,G)?

P(+f/ ¬g, ¬o) = 0

P(+f/ ¬g, ¬o) = 0(感冒、中耳炎都不存在时,发烧概率为 0)。

P(+f/+g, ¬o) = P(+f/+g) + P(¬f/+g)·P(+f/ ¬g, ¬o) = cg= 0.8

P(+f/+g, ¬o) = P(+f/+g) + P(¬f/+g)·P(+f/ ¬g, ¬o) = cg= 0.8(只有感冒时,发烧概率 0.8)。

P(+f/¬g, +o) = P(+f/+o) + P(¬f/+o)·P(+f/ ¬g, ¬o) = co= 0.6

P(+f/¬g, +o) = P(+f/+o) + P(¬f/+o)·P(+f/ ¬g, ¬o) = co= 0.6(只有中耳炎时,发烧概率 0.6)。

P(+f/+g, +o) = P(+f/+g) + P(¬f/+g)·P(+f/ ¬g, +o) = 0.8 + 0.2·0.6 = 0.92

P(+f/+g, +o) = P(+f/+g) + P(¬f/+g)·P(+f/ ¬g, +o) = 0.8 + 0.2·0.6 = 0.92(两者都有时,发烧概率 0.92)。

Otitis · Gripe · Fiebre

中耳炎 · 感冒 · 发烧(图中的三个节点)。

co = P(+f/+o)=0.6

co = P(+f/+o)=0.6(图中标注:仅由中耳炎致发烧的概率)。

cg = P(+f/+g)=0.8

cg = P(+f/+g)=0.8(图中标注:仅由感冒致发烧的概率)。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

GripeOtitis计算结果
¬g¬o无原因,按 OR 假设 2 直接取 00
+g¬o0.8 + 0.2 × 00.8
¬g+o0.6 + 0.4 × 00.6
+g+o0.8 + 0.2 × 0.60.92
符号西语读法中文含义
P(+f / ¬g, ¬o)«pe de efe dado no ge y no o»给定「没感冒、没中耳炎」时发烧的条件概率
+f«más efe»Fiebre 为真(发烧)
¬g«no ge»Gripe 为假(没感冒)
¬o«no o»Otitis 为假(没中耳炎)
cg«ce sub ge»仅感冒致发烧的概率,0.8
co«ce sub o»仅中耳炎致发烧的概率,0.6
四种组合只需记两个极端与两个单因:双无 = 0、双有 = 0.92;单因分别是 0.8 与 0.6。双有不是 0.8+0.6 也不是 0.8×0.6,而是「至少一个生效」:1 − (1−0.8)(1−0.6) = 0.92。
原文条件概率一律用斜杠加逗号 «P(+f/+g, ¬o)» 表示,未用竖线 «|»;«𝑐𝑔»、«𝑐𝑜» 在页面上是斜体 c 加下标 g/o,本讲义写作 cg、co。均属排版写法差异,含义不变。
一句记住:双有 = 1 − 两个「都没生效」的乘积;0.8 与 0.6 → 0.92。
p.77

Algunos trucos útiles: modelos canónicos · NOISY-OR 门的四条假设

▸ 原页截图 p.77 原讲义第 77 页

Redes bayesianas

贝叶斯网络(页眉)。

La puerta NOISY-OR

噪声或门。

Hipótesis

假设

1. Cada una de las causas, por sí misma, puede producir el efecto y basta con que una de ellas esté presente para que el efecto ocurra

1. 每个原因单独都能产生结果,只要其中一个出现,结果就会发生。

2. Hay causas desconocidas no incluidas en la red que puede producir el efecto cuando todas las causas especificadas en la red están ausentes (ruido)

2. 存在未纳入网络的未知原因,当网络中指定的原因全都不存在时,它们仍可能产生结果(即噪声)。

3. El efecto solo se produce en presencia de alguna de las causas modeladas o de ruido

3. 结果只在某个已建模原因或噪声存在时才会发生。

4. No hay interacción entre las causas

4. 原因之间没有相互作用。

Si se cumplen las hipótesis de la puerta NOISY-OR, a partir de las probabilidades condicionadas por un solo padre y el factor de ruido podemos calcular las probabilidades condicionadas por todos los padres.

若满足 NOISY-OR 门的假设,就可以由「只给定一个父节点」的条件概率以及噪声因子,算出「给定全部父节点」的条件概率。

Algunos trucos útiles: modelos canónicos

实用技巧:规范模型(本页标题)。

假设作用与普通 OR 门的区别
1单因充分相同
2允许网络外原因(噪声)普通 OR 门要求「全无原因则结果必无」
3结果只能由已建模原因或噪声引起相同(封闭世界)
4原因互不交互相同;违反则不能压缩参数
NOISY-OR = OR 门 + 泄漏项(ruido)。考试若问「普通 OR 与 NOISY-OR 差在哪」,只答第 2 条即可:普通 OR 假设「原因全无 → 结果必无」,NOISY-OR 则允许未知原因在此时仍致效,这个概率就是后面 cr。
原文写 «Hay causas desconocidas … que puede producir el efecto»,主语 «causas» 为复数,应为 «que pueden producir»,属笔误;另第 1、3、4 条句末均无句点,属排版不统一,照抄不改。
一句记住:NOISY-OR 比 OR 多一句「总有意外的原因」——那就是噪声因子。
p.78

Más sobre modelado: modelos canónicos · NOISY-OR 的参数:每个原因一个 c 加一个噪声因子

▸ 原页截图 p.78 原讲义第 78 页

Redes bayesianas

贝叶斯网络(页眉)。

Puerta NOISY-OR

噪声或门。

Supongamos que en el modelo queremos incluir que es posible que otras causas no determinadas provoquen también fiebre.

假设我们想在模型里纳入:其他未确定的原因也可能引起发烧。

Entonces necesitamos los siguientes parámetros:

那么我们需要下列参数:

• Las probabilidades de que cada causa provoque el efecto por separado

• 每个原因单独引起结果的概率:

cg = P(+f/+g, ¬o, ¬r)=0.8

cg = P(+f/+g, ¬o, ¬r)=0.8(只有感冒、无中耳炎、无噪声时,发烧概率 0.8)。

co = P(+f/¬g, +o, ¬r)=0.6

co = P(+f/¬g, +o, ¬r)=0.6(只有中耳炎、无感冒、无噪声时,发烧概率 0.6)。

• Un factor de ruido

• 一个噪声因子:

cr = p(+f/¬g, ¬o)=0.01

cr = p(+f/¬g, ¬o)=0.01(两个原因都没有时,仍有 1% 的概率因未知原因发烧)。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

父节点组合按 1 − ∏(1 − c) 计算结果
¬g, ¬o只剩噪声 cr0.01
+g, ¬o1 − (1−0.8)(1−0.01)0.802
¬g, +o1 − (1−0.6)(1−0.01)0.604
+g, +o1 − 0.2 × 0.4 × 0.990.9208
符号西语读法中文含义
cg«ce sub ge»仅感冒致发烧的概率
co«ce sub o»仅中耳炎致发烧的概率
cr«ce sub erre»噪声因子(未知原因致效的概率)
+f«más efe»发烧为真
¬r«no erre»无噪声(噪声未触发)
本页要点是参数个数:三个原因相关的数 cg、co、cr 就把 3 父节点的条件概率表(理论上 23 = 8 个数)概括完了。计算用「至少一个生效」:1 − ∏(1 − c),噪声也要乘进去,所以双有时是 0.9208,比 p.76 的 0.92 略高。
原文写 «cr = p(+f/¬g, ¬o)»,其余公式均用大写 «P»,此处小写属排版不统一;另 «¬r» 表示「噪声未触发」,不是变量 R 为假。均照抄原文并在译文说明。
一句记住:NOISY-OR 只要「每因一个 c + 一个 c_r」;算的时候把「全都没生效」乘起来再取反。
p.79

Más sobre modelado: modelos canónicos · 用 cg、co、cr 反推四种父节点组合

▸ 原页截图 p.79 原讲义第 79 页

Redes bayesianas

贝叶斯网络(页眉)。

Veamos cómo a partir de cg, co y cr, podemos calcular las probabilidades necesarias para el modelo NOISY-OR

看看怎么用 cg、co、cr 这三个数,把 NOISY-OR 模型需要的概率全部算出来。

• P(+f/+g,+o)

• 感冒、中耳炎都为真时,发烧的概率。

• P(+f/¬g,+o)

• 只有中耳炎(无感冒)时,发烧的概率。

• P(+f/+g, ¬o)

• 只有感冒(无中耳炎)时,发烧的概率。

• P(+f/¬g, ¬o) = cr = 0,01

• 两个原因都没有、只剩噪声因子时,发烧的概率 = 0,01。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

父节点组合已知的单个参数状态
¬g, ¬ocr = 0.01本页直接给出
+g, ¬ocg = 0.8本页直接给出(另一原因缺席)
¬g, +oco = 0.6本页直接给出(另一原因缺席)
+g, +o—本页没给,下一页用递推算(p.80 → 0.9208)
符号西语读法中文含义
+f / ¬g / +o«más efe / no ge / más o»发烧 / 无感冒 / 有中耳炎
cg«ce sub ge»仅感冒致发烧的概率 0.8
co«ce sub o»仅中耳炎致发烧的概率 0.6
cr«ce sub erre»噪声因子,两个原因都没有时仍发烧的概率 0.01
考点就在这里:考试只给三个数(cg、co、cr),让你填满 2×2 的条件概率表。三个「单原因或噪声」的格子是原样抄,唯一要算的是两个原因同时为真那格(0.9208)。写 CPT 时四格缺一不可,漏掉 ¬g,¬o 这一行是常见扣分点。
原文把单原因概率写成 P(+f/+o),省略了「另一个父节点为假、且噪声未触发」这一串条件;严格写法是 p.78 的 P(+f/¬g,+o,¬r)。课件为了图面简洁做了缩写,不要理解成「只条件于 o」的二元条件概率,照原图即可。
一句记住:四个组合 = 「有/无感冒」×「有/无中耳炎」;三个已知数里,cr 专门管「两个都没有」那一格。
p.80

Más sobre modelado: modelos canónicos · 递推:加一个原因时怎么算

▸ 原页截图 p.80 原讲义第 80 页

Redes bayesianas

贝叶斯网络(页眉)。

Por las hipótesis 1 y 3:

由第 1、3 条假设(单因充分;结果只能来自已建模原因或噪声):

P(+f/+g,+o,¬r) = P(+f/+g,¬o,¬r) + P(¬f/+g,¬o,¬r)·P(+f/¬g,+o,¬r) = 0.8 + 0.2×0.6 = 0,92

先算「有感冒、有中耳炎、噪声不生效」:感冒单独已经给出 0.8;剩下 0.2 的「没发烧」部分,交给中耳炎按 0.6 去捞,所以是 0.8 + 0.2×0.6 = 0,92。

Por la hipótesis 2:

由第 2 条假设(允许网络外的未知原因):

P(+f/¬g, ¬o, ¬r) = 0

两个原因都没有、噪声也不生效时,发烧概率为 0——这正是「封闭世界」的那一格。

Las otras probabilidades se calculan mediante:

其余三个概率用同一条递推算出:

\[ P(+f/+g,+o)=\underbrace{P(+f/+g,+o,\neg r)}_{0{,}92}+\underbrace{P(\neg f/+g,+o,\neg r)}_{0{,}08}\cdot\underbrace{c_r}_{0{,}01}=0{,}9208 \]
\[ P(+f/+g,\neg o)=0{,}8+0{,}2\times0{,}01=0{,}802 \]
\[ P(+f/\neg g,+o)=0{,}6+0{,}4\times0{,}01=0{,}604 \]

Probabilidad de fiebre, dada cierta combinación de causas

给定某种原因组合时,发烧的概率(右侧图的旁注)。

Si dada esa combinación no hay fiebre, que actúe la causa no modelada (ruido)

如果在该组合下仍然没发烧,那就让未被建模的原因(噪声)来接盘。

要算的格子拆成「较轻的组合」再补上噪声结果
+g, ¬o0.80.2 × 0.010.802
¬g, +o0.60.4 × 0.010.604
+g, +o(无噪声)0.8 + 0.2×0.6—0.92
+g, +o(含噪声)0.920.08 × 0.010.9208
符号西语读法中文含义
¬r«no erre»噪声不生效(不是「变量 R 为假」)
0.2 = 1 − 0.8«cero coma dos»仅感冒时「没被捞起来」的剩余概率
0.08 = 1 − 0.92«cero coma cero ocho»两因齐上仍没发烧的剩余概率,交给噪声
判断递推对不对,只用一句话:「新概率 = 旧概率 + 旧概率没覆盖的那块 × 新原因的 c」。所以 0.8 → 0.802、0.6 → 0.604、0.92 → 0.9208——加得越少,说明原来那条原因已经很强。考试若给 cg=0.8、co=0.6、cr=0.01 问「双因」,答案就是 0.9208,别写成 0.92。
原文第一式左侧是 +o,右侧第一项却是 ¬o——这不是笔误,而是递推的结构:先算「不含 o」的那格,再把 o 单独致效的部分补进去。第一次读很容易以为下标抄错,特此说明;照抄原文。
一句记住:加一个原因 = 原来的概率 + 「原来没发烧」的那部分被新原因捞起来。
p.81

Más sobre modelado: modelos canónicos · NOISY-OR 推广到 n 个原因

▸ 原页截图 p.81 原讲义第 81 页

Redes bayesianas

贝叶斯网络(页眉)。

Puerta NOISY-OR para más de dos variables:

NOISY-OR 门推广到两个以上变量:

En general, si en un modelo tenemos un efecto X y U1,…,Un son las causas posibles, si denotamos por ci a la probabilidad que tiene cada causa de producir el efecto por separado, por qi a la probabilidad complementaria (qi = 1 − ci), Tu = conjunto de causas de X que están presentes:

一般情形:模型里有一个结果 X,U1,…,Un 是可能的原因;把每个原因单独产生结果的概率记作 ci,其互补概率记作 qi = 1 − ci,Tu 表示「当前为真的那些原因」的集合:

\[ P(\neg x/u_1,\dots,u_n)=\prod_{i\in T_u} q_i \]
\[ P(+x/u_1,\dots,u_n)=1-\prod_{i\in T_u} q_i \]

Como en el caso anterior, el modelo se puede generalizar al caso de que haya cierto ruido (práctica 2)

和前面一样,这个模型可以推广到「存在一定噪声」的情形(实践 2)。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

符号西语读法中文含义
x / ¬x«equis / no equis»结果发生 / 不发生
ui«u sub i»第 i 个原因(父节点)取真
ci«ce sub i»第 i 个原因单独致效的概率
qi«cu sub i»1 − ci,即「该原因没起作用」的概率
Tu«te sub u»当前为真的原因集合;不在集合里的原因不参与连乘
∏«productorio»连乘;空集时按 1 处理(p.98 会强调)
这是本节最可能直接考的公式:只要记住「结果不发生 = 每个在场原因都没起作用」,就能默写 P(¬x)=∏qi;要「发生」就 1 − ∏qi。注意连乘范围只是 Tu(在场原因):不在场的原因相当于 q=1,乘不乘都一样,但写成「对所有原因连乘」会被认为没理解 Tu 的含义。
原文抽取出的公式字符顺序是乱的(出现 T u i iq 这类碎片),因为公式是图片式排版;上面两个 \[…\] 公式按原页截图逐字转写。另原文用斜杠 P(¬x/u1,…,un) 代替竖线,是这套课件的书写习惯,不是分数线。
一句记住:「全都没生效」才不发烧 —— 把每个原因的 qi 乘起来,再取反就是「发烧」。
p.82

Más sobre modelado: modelos canónicos · AND 门与 De Morgan:OR 的另一张脸

▸ 原页截图 p.82 原讲义第 82 页

Redes bayesianas

贝叶斯网络(页眉)。

Puerta AND: relación con Puerta OR

AND 门:与 OR 门的关系。

Leyes de De Morgan:

德摩根定律:

¬(A and B) ≡ ¬A or ¬B

「并非(A 且 B)」等价于「非 A 或 非 B」。

¬(A or B) ≡ ¬A and ¬B

「并非(A 或 B)」等价于「非 A 且 非 B」。

\[ \neg(A \land B)\equiv \neg A \lor \neg B \]
\[ \neg(A \lor B)\equiv \neg A \land \neg B \]

Otitis · Gripe · Fiebre — OR

中耳炎 · 感冒 · 发烧 —— OR 门(任一原因成立,结果成立)。

No Otitis · No Gripe · No Fiebre — AND

无中耳炎 · 无感冒 · 无发烧 —— AND 门(所有「取反」的原因同时成立,结果才成立)。

Más sobre modelado: modelos canónicos

建模进阶:规范模型(本页标题)。

符号西语读法中文含义
∧ / and«y»且(同时成立)
∨ / or«o»或(至少一个成立)
¬ / no«no»取反
≡«equivale a»逻辑等价(真值表完全一致)
原网络取反后的网络门类型
Otitis ∨ Gripe → Fiebre¬Otitis ∧ ¬Gripe → ¬FiebreOR ↔ AND
任一原因成立即发烧全部原因都不成立才「不发烧」同一件事的两种写法
这一页是NOISY-AND 的入口:想建「两个原因必须都到齐才出结果」的模型,不必重新推一套公式,只要把所有变量取反、把 OR 门换成 AND 门(或反过来)。考试若问「AND 门和 OR 门什么关系」,标准答法是:德摩根 —— 换门的同时对所有变量取反。图里下半部分 No Otitis / No Gripe / No Fiebre 就是上半部分逐项取反的结果。
原文公式抽取为 ¬ 𝐴𝑎𝑛𝑑𝐵≡¬𝐴𝑜𝑟¬𝐵、¬ 𝐴𝑜𝑟𝐵≡¬𝐴𝑛𝑑¬𝐵:斜体数学字体把括号吃掉了,看起来像「¬A and B」,实际是 ¬(A and B)。照抄原文并在译文里补全括号,读图时以截图为准。
一句记住:取反 = 换门 + 全员取反;AND 门就是「反面变量的 OR 门」。

十四、传播算法:λ/π 消息、归一化与树形网络实例

p.83–p.100
p.83

Actividad: crea y resuelve tu problema de modelado · 作业:自己建一个贝叶斯网络

▸ 原页截图 p.83 原讲义第 83 页

Redes bayesianas

贝叶斯网络(页眉)。

1. Identifica un dominio o problema de tu interés. Para ello, usa tu herramienta de IA generativa favorita para buscar información sobre algún tema concreto (por ejemplo, causas de la caída del cabello, de la lluvia con calima, de que te contraten para un puesto de trabajo, de que el Málaga gane o pierda, etc.).

第 1 步:选定一个你感兴趣的领域或问题。可以先用你最顺手的生成式 AI 工具,就某个具体话题查资料(例如:脱发的原因、下「泥雨」的原因、你被某岗位录用的原因、马拉加队赢或输的原因等等)。

2. Marca en el texto generado por la herramienta la información que consideres relevante para ese dominio: síntomas, indicios, pruebas, causas (potenciadoras, inhibidoras, favorecedoras, preventivas, etc.).

第 2 步:在 AI 生成的那段文字里,把对这个领域重要的信息标出来:症状、迹象、证据、原因(促进型、抑制型、有利型、预防型……)。

3. Simplifica el problema para eliminar posibles ambigüedades de las relaciones de influencia causal y tener un número de nodos razonable para un problema de clase (entre 8 y 12 nodos). Debes incluir al menos una relación de OR con tres nodos y una de AND con dos.

第 3 步:简化问题,去掉因果关系里含糊不清的部分,把节点数量压到课堂规模(8 到 12 个)。其中至少要有一个「三节点的 OR 关系」和一个「两节点的 AND 关系」。

4. Escribe el enunciado (debe ser simple y no prestarse a confusión).

第 4 步:写出题干(要简单、不产生歧义)。

5. Dibuja el modelo correspondiente a tu red (no olvides etiquetar las relaciones AND/OR).

第 5 步:画出你那张网络的模型图(别忘了把 AND/OR 关系标注出来)。

6. Sube al foro del campus virtual.

第 6 步:上传到虚拟校园的论坛。

Tenéis un ejemplo para poder comprender mejor lo que se pide.

课程里给了一个范例,方便你更清楚作业要什么。

步骤要做的事交付物 / 检查点
1选领域,用 AI 查资料dominio
2标出症状 / 迹象 / 证据 / 原因(促进·抑制·有利·预防)síntomas, indicios…
3简化到 8–12 节点,含 1 个三节点 OR + 1 个两节点 AND8–12 nodos
3节点超过 12 个,或没写 OR/AND 关系直接扣分项
4写题干enunciado
5画图,标注 AND/ORimagen GeNIe
6发论坛foro
论坛帖子必填项西语原文说明
标题Título一句话说清你的领域
原始参考Referencia originalAI 资料来源的出处
原文Texto originalAI 生成的那段文字
题干Enunciado你写的简化版题目
网络图Imagen GeNIeGeNIe 里画好的贝叶斯网络截图
这页是作业说明,但它同时把「建模题」的评分口径写死了:8–12 个节点、至少一个三节点 OR、一个两节点 AND、题干不能有歧义、图里必须标出门类型。考试里若要求你现场设计一个小网络,照这五条自查,基本不会丢分。
一句记住:8 到 12 个节点 + 一个三节点 OR + 一个两节点 AND + 门要标出来 = 建模题的安全线。
GeNIe 里画 OR/AND 的办法:先画普通的有向边,再把父节点到子节点的那组边设为 OR 或 AND 门(GeNIe 菜单里叫 Make OR / Make AND),否则条件概率表会按「各自独立」处理。
p.84

Algoritmos de propagación · 传播算法:有新证据时,概率怎么跟着变

▸ 原页截图 p.84 原讲义第 84 页

Redes bayesianas

贝叶斯网络(页眉)。

Los algoritmos de propagación sirven para calcular las nuevas probabilidades de los nodos (P*) conforme se va teniendo evidencia del caso concreto (e).

传播算法的作用:随着具体案例的证据 e 一点点到手,重新算出各节点的新概率 P*。

P*(X) = P(X/e)

后验概率:给定证据 e 之后,变量 X 的概率。

Cuando un nodo toma un valor concreto, se dice que la variable se instancia. Como resultado, todos los nodos cambiarán su probabilidad.

某个节点取了一个确定值时,就说这个变量被实例化了。结果是:整张网络里所有节点的概率都会跟着变。

El problema es NP-duro, por eso existen muchos algoritmos, tanto exactos como aproximados.

这个问题是 NP 难的,所以才有那么多算法,既有精确的也有近似的。

Estudiaremos el algoritmo para el caso de que la red tenga forma de ÁRBOL (cada nodo tiene a lo sumo un padre).

本课只讲网络呈树形的情况:每个节点至多有一个父节点。

\[ P^\ast(X) = P(X \mid e) \]
符号西语读法中文含义
P*(X)«p asterisco de equis»加入证据后的新概率(后验)
e«e» / «evidencia»已知的观测证据集合
P(X/e)«p de equis dado e»条件概率,竖线常被写成斜杠
instanciar«instanciar»给变量固定成一个值
NP-duro«ene-pe duro»NP 难:一般图上的精确推断没有多项式算法
árbol«árbol»树:每个节点至多一个父节点
考点三连:① 传播算法的目的是算 P*(X)=P(X/e);② 一个节点实例化会牵动全网,不止它自己;③ 一般图上的精确推断是 NP-duro,所以课程只讲树,树上才能用「两次消息传递、线性时间」的漂亮算法。答题时把「为什么只讲树」说成「一般图 NP 难,树上才有高效精确算法」,比只写「因为简单」高一个档。
原文把条件概率写成 P(X/e) 而不是 P(X|e),不是笔误,是课件排版习惯;抄写时统一成竖线或统一成斜杠,别一行一个样。
一句记住:实例化一个点,全网概率重排;树上两趟消息,就能算完。
p.85

Ideas: P(X)=α·λ(X)·π(X) · 三因子分解:λ 值、π 值与归一化常数

▸ 原页截图 p.85 原讲义第 85 页

Redes bayesianas

贝叶斯网络(页眉)。

Ideas:

核心思路:

Para cada nodo X, su probabilidad se puede descomponer como un producto de tres factores:

对每个节点 X,它的概率都可以分解成三个因子的乘积:

P(X) = α λ(X) π(X)

P(X) 等于「归一化常数 × λ 值 × π 值」。

α es una constante de normalización (se calcula al final).

α 是归一化常数(最后才算)。

λ(X) se llama el λ-valor. Cambia cuando un hijo de X se instancia. El hijo manda un λ-mensaje a su padre X, para que cambie su λ-valor.

λ(X) 叫 λ 值。当 X 的某个子节点被实例化时,它就变。子节点向父节点 X 发一条 λ 消息,让父节点更新自己的 λ 值。

π(X) se llama el π-valor. Cambia cuando un padre de X se instancia. El padre manda un π-mensaje a su hijo X, para que cambie su π-valor.

π(X) 叫 π 值。当 X 的某个父节点被实例化时,它就变。父节点向子节点 X 发一条 π 消息,让子节点更新自己的 π 值。

\[ P(X) = \alpha\,\lambda(X)\,\pi(X) \]
符号西语读法中文含义
α«alfa»归一化常数,最后算,保证各取值概率加起来为 1
λ(X)«lambda de equis»来自下方(子节点)的证据汇总
π(X)«pi de equis»来自上方(父节点 / 先验)的证据汇总
λ-mensaje«mensaje lambda»子 → 父,向上送
π-mensaje«mensaje pi»父 → 子,向下送
方向谁变发什么消息影响谁
↑ 向上子节点实例化λ-mensaje父节点的 λ 值
↓ 向下父节点实例化π-mensaje子节点的 π 值
↑ 向上父节点实例化发 π 而不是 λ方向记反 = 全题崩
这一页是全章的「公式骨架」,考试最爱考方向:λ 向上(子→父),π 向下(父→子)。记忆钩子:λ 长得像个往上爬的腿,π 有两条腿站着往下踩。答「λ 值什么时候变」= 「X 的子节点被实例化时」;答「π 值什么时候变」= 「X 的父节点被实例化时」。
原文里 P(X)= (X) (X) 是符号丢失后的样子(α、λ、π 都被吃掉了),完整式子是 P(X)=α·λ(X)·π(X)。抄写务必用完整形式。
一句记住:α 最后算;λ 从下往上,π 从上往下。
p.86

Ideas (cont.): cuándo se envían mensajes · 消息什么时候发、谁再转发

▸ 原页截图 p.86 原讲义第 86 页

Redes bayesianas

贝叶斯网络(页眉)。

Ideas:

核心思路(续):

Cada vez que un nodo se inicializa o cambia su probabilidad:

每当一个节点被初始化,或者它的概率发生变化:

Manda un λ-mensaje a su nodo padre, para que cambie su λ-valor.

给它的父节点发一条 λ 消息,让父节点更新 λ 值。

Manda un π-mensaje a todos sus nodos hijos, para que cambien su π-valores.

给它所有子节点发 π 消息,让它们各自更新 π 值。

Los nodos que reciben mensajes cambian sus probabilidades.

收到消息的节点会改变自己的概率。

Todos los nodos que cambian su probabilidad informan también a sus padres e hijos, enviándoles mensajes.

凡是概率变了的节点,都要再向自己的父节点和子节点发消息通报 —— 于是消息像波纹一样传遍全树。

触发条件动作发给谁
节点初始化 / 概率改变λ-mensaje它的父节点(1 条)
节点初始化 / 概率改变π-mensaje它的全部子节点(每条 1 条)
收到消息重算自身概率—
自身概率因此改变继续转发 λ / π自己的父与子
只在收到消息时算一次不转发消息传不到整棵树
这页给的是算法的事件驱动规则,考试常改写成「收到 λ 消息后节点应该做什么」:① 更新 λ 值 ② 重算概率 ③ 向父发 λ、向其余子发 π。注意「向所有子节点发 π」——只发一个子节点是典型错误。
原文的「se inicializa」不是「建网时的初始化」,而是「该节点被赋了一个确定值」。别把 p.95 的两阶段「Inicialización」和这里的「节点初始化」混为一谈。
一句记住:一变就报:向上报 λ,向下报 π,收到再算,算完再报。
p.87

Normalización · 归一化:把 α 消掉,概率加起来等于 1

▸ 原页截图 p.87 原讲义第 87 页

Redes bayesianas

贝叶斯网络(页眉)。

Normalización

归一化。

Supongamos que llegado un momento tenemos:

假设算到某一步,我们手上是:

P*(+x) = 0.0891 α

X 取「真」的新概率 = 0.0891 乘 α。

P*(¬x) = 0.04505 α

X 取「假」的新概率 = 0.04505 乘 α。

Para normalizar las probabilidades, aplicamos que ambas probabilidades deben sumar 1:

归一化就是利用「两种取值的概率加起来必须等于 1」:

P*(+x) + P*(¬x) = 0.0891 α + 0.04505 α = 1

两个式子相加等于 1,由此解出 α。

Despejamos α y sustituimos:

把 α 解出来,再代回去:

P*(+x) = 0.0891 α = 0.0891 / (0.0891 + 0.04505) = 0.6642

「真」的概率 = 0.0891 除以两者之和 = 0.6642。

P*(¬x) = 0.04505 α = 0.04505 / (0.0891 + 0.04505) = 0.3358

「假」的概率 = 0.04505 除以两者之和 = 0.3358。

α es una constante de normalización (se calcula al final).

α 是归一化常数,留到最后由「和为 1」这个条件反解,不用中途单独求。

\[ P^\ast(+x) = \frac{0{,}0891}{0{,}0891+0{,}04505} = 0{,}6642 \]
\[ P^\ast(\neg x) = \frac{0{,}04505}{0{,}0891+0{,}04505} = 0{,}3358 \]
步骤式子说明
10{,}0891α + 0{,}04505α = 1两取值概率之和为 1
2α = 1 / 0{,}13415解出 α
3P*(+x) = 0{,}0891 / 0{,}13415代入,α 自动约掉
4= 0{,}6642结果
5P*(¬x) = 1 − 0{,}6642 = 0{,}3358用补数校验
×P*(+x) = 0{,}0891忘记乘/除 α,概率不合 1
符号西语读法中文含义
P*(+x)«p asterisco de más equis»X 为真的后验概率
P*(¬x)«p asterisco de no equis»X 为假的后验概率
despejar α«despejar alfa»把 α 分离出来求解
sustituir«sustituir»代回原式
考法极固定:给你两个「数字 × α」,让你算真实概率。两步:① 两个数字相加 ② 各自除以和。算完立刻自检「两者相加 = 1」。这一步是整章最容易拿分也最容易丢分的地方 —— 丢分点几乎都是忘记归一化,直接写 0.0891。
西班牙语用逗号当小数点:0,0891 就是中文的 0.0891。抄成 0.0891 没问题,但别把逗号当千分位读成「八百九十一」。
一句记住:α 永远最后算 —— 两个数相加做分母,各自做分子。
p.88

Ejemplos · 树形网络实例:感冒–黏膜–发烧–咳嗽–打喷嚏–疼痛

▸ 原页截图 p.88 原讲义第 88 页

Redes bayesianas

贝叶斯网络(页眉)。

Ejemplos

例子。

Mucosidad · Gripe · Fiebre · Dolor · Estornudos · Tos

节点名依次是:黏膜、感冒、发烧、疼痛、打喷嚏、咳嗽。

G = Gripe M = Mucosidad F = Fiebre

缩写:G 感冒、M 黏膜、F 发烧。

T = Tos E = Estornudos D = Dolor

缩写:T 咳嗽、E 打喷嚏、D 疼痛。

缩写西语中文在树中的位置
GGripe感冒根节点(唯一无父)
MMucosidad黏膜 / 鼻涕G 的子节点
FFiebre发烧G 的子节点
TTos咳嗽M 的子节点
EEstornudos打喷嚏M 的子节点
DDolor疼痛F 的子节点
这张图是后续 p.89–p.94 全部推导的舞台,先把结构背下来:G 是根,往下分 M 和 F;M 再往下分 T、E;F 再往下接 D。真正的树形结构,每个节点只有一个父节点 —— 这正是本算法能用「两趟消息」的前提。
为什么是树不是网状?因为诊断里「黏膜 → 咳嗽/打喷嚏」和「发烧 → 疼痛」这两组是各自独立的枝,没有一条边横跨两枝。一旦横跨,就成了多父节点,得换更复杂的算法。
一句记住:G 在下崽 M、F;M 再生 T、E;F 再生 D —— 六节点一棵树。
p.89

Ejemplos: las seis ecuaciones de partida · 每个节点都写成 αλπ

▸ 原页截图 p.89 原讲义第 89 页

Redes bayesianas

贝叶斯网络(页眉)。

P(G) = α λ(G) π(G)

感冒:P(G)=α·λ(G)·π(G)。

P(F) = α λ(F) π(F)

发烧:P(F)=α·λ(F)·π(F)。

P(D) = α λ(D) π(D)

疼痛:P(D)=α·λ(D)·π(D)。

P(M) = α λ(M) π(M)

黏膜:P(M)=α·λ(M)·π(M)。

P(E) = α λ(E) π(E)

打喷嚏:P(E)=α·λ(E)·π(E)。

P(T) = α λ(T) π(T)

咳嗽:P(T)=α·λ(T)·π(T)。

G = Gripe M = Mucosidad F = Fiebre

缩写:G 感冒、M 黏膜、F 发烧。

T = Tos E = Estornudos D = Dolor

缩写:T 咳嗽、E 打喷嚏、D 疼痛。

节点自己的 π 从哪来自己的 λ 从哪来
G(根)自身先验 P(G)子节点 M、F 的 λ 消息相乘
M父 G 的 π 消息子节点 T、E 的 λ 消息相乘
F父 G 的 π 消息子节点 D 的 λ 消息
T父 M 的 π 消息无子 → λ(T)=1
E父 M 的 π 消息无子 → λ(E)=1
D父 F 的 π 消息无子 → λ(D)=1
这一页只是把 p.85 的公式逐个节点抄一遍,但它提醒了一个高频考点:叶子节点没有子节点,λ 值默认为 1;根节点没有父节点,π 值就是它的先验 P(X)。这两条「边界条件」在 p.98 的算法里分别对应「producto vacío es 1」和「π(a_j)=P(a_j)」。
原文公式里 α、λ、π 被抽成空格,看起来像 P(G)= (G) (G)。以截图和 p.85 的完整式子为准。
一句记住:叶子 λ=1,根 π=先验;六个节点,六条 αλπ。
p.90

Supongamos M = sí · 设「有黏膜」:公式区与节点区整体错位一格

▸ 原页截图 p.90 原讲义第 90 页

Redes bayesianas

贝叶斯网络(页眉)。

Supongamos que tenemos un caso en el que la persona tiene mucosidad (M = sí).

假设我们遇到的情况是:这个人有黏膜症状,即 M = sí(是)。

P(G) = α λ(G) π(G)

感冒(G)这条式子不变。

P(C) = α λ(F) π(F)

原文写 P(C),右侧用的是 F 的 λ、π —— 这一行是发烧 F 的式子,左侧字母被误打成 C。

P(F) = α λ(D) π(D)

原文写 P(F),右侧是 D 的 λ、π —— 实际指的是疼痛 D。

P(E) = α λ(E) π(E)

打喷嚏 E,这一行左右一致。

P(D) = α λ(T) π(T)

原文写 P(D),右侧是 T 的 λ、π —— 实际指的是咳嗽 T。

G = Gripe M = Mucosidad F = Fiebre

缩写:G 感冒、M 黏膜、F 发烧。

T = Tos E = Estornudos D = Dolor

缩写:T 咳嗽、E 打喷嚏、D 疼痛。

原文左侧原文右侧实际对应节点判断依据
P(G)α λ(G) π(G)G = Gripe左右一致
P(C)α λ(F) π(F)F = Fiebre以右侧变量为准
P(F)α λ(D) π(D)D = Dolor以右侧变量为准
P(E)α λ(E) π(E)E = Estornudos左右一致
P(D)α λ(T) π(T)T = Tos以右侧变量为准
这页的价值不在公式本身,而在读图能力:当文字与图示不一致时,以变量为核心、以树的结构为准。考试若给一张图 + 一组式子让你「找出错位」,判据就是:每个 P(·) 括号里的字母,必须和右侧 λ(·)π(·) 用的是同一个字母。
原文的 P(C) 是明显笔误:这张网络里根本没有变量 C(六个节点只有 G、M、F、T、E、D)。而且整组式子呈现「左侧比右侧慢半拍」的错位(G→G、C→F、F→D、E→E、D→T),属于幻灯排版时整列错行。学习时以截图 + 右侧变量为准,答题时写「以其 λ(·)π(·) 中的变量为准」。
一句记住:字和图打架,听变量的;括号里是谁,就是谁的式子。
p.91

Paso 1: M → G, mensaje λ · 第一步:黏膜给感冒送 λ 消息

▸ 原页截图 p.91 原讲义第 91 页

Redes bayesianas

贝叶斯网络(页眉)。

Mucosidad (M) informa a su padre Gripe (G) con un λ-mensaje, y este actualiza su λ-valor.

黏膜 M 用一条 λ 消息通知它的父节点感冒 G,G 随即更新自己的 λ 值。

P(G) = α λ(G) π(G)

G 的概率公式里,λ(G) 这一项此刻被改写。

P(F) = α λ(F) π(F)

F(发烧)此时还没有收到任何 λ 消息,式子不变。

P(E) = α λ(E) π(E)

E(打喷嚏)式子不变。

G = Gripe M = Mucosidad F = Fiebre

缩写:G 感冒、M 黏膜、F 发烧。

步骤谁 → 谁发什么接收者改什么
证据落地外部 → MM = síM 的 P* 变成 1(已实例化)
第 1 条消息M → Gλ-mensajeG 的 λ 值
第 1 次重算G 自己用 αλ(G)π(G)G 的概率
常见错误M → F给兄弟节点发消息F 不是 M 的父,方向乱
考点:节点一旦被实例化,就只做「向上发 λ」这一件事,它先不改自己的概率(概率已固定为 1/0),而是让父节点重算。顺序永远是:实例化 → 先向上(λ)→ 再向下(π)。
本页公式区沿用了 p.90 的整列错位(P(F)=αλ(D)π(D)、P(D)=αλ(T)π(T)),以右侧变量为准,不要跟着抄错。
一句记住:实例化的点不自己算自己,先把 λ 甩给爸爸。
p.92

Paso 2: M → T, E, mensajes π · 第二步:黏膜给两个儿子送 π 消息

▸ 原页截图 p.92 原讲义第 92 页

Redes bayesianas

贝叶斯网络(页眉)。

Mucosidad informa a sus hijos (Tos y Estornudos) con sendos π-mensajes, y éstos actualizan sus respectivos π-valores.

黏膜 M 给它的两个子节点 —— 咳嗽 T 和打喷嚏 E —— 各发一条 π 消息,两者分别更新自己的 π 值。

P(T) = α λ(T) π(T)

T 的公式里,π(T) 被更新。

P(E) = α λ(E) π(E)

E 的公式里,π(E) 被更新。

P(G) = α λ(G) π(G)

G 保持上一步的 λ 值,公式不变。

发送者接收者消息被更新的项
MTπ-mensajeπ(T)
MEπ-mensajeπ(E)
MGλ-mensajeλ(G)(上一步已完成)
MD没有边D 不是 M 的儿子
这一步完美体现了「一个节点会同时向两个方向发消息」:M 向上给 G 发 λ,向下给 T、E 发 π。考试若问「一个节点实例化后总共发几条消息」,答:1 条 λ(给父)+ 子节点个数条 π。这里 M 有 2 个儿子,所以共 3 条。
「sendos / sendas」是西语书面语,意思是「各自一条」。con sendos π-mensajes = 「各发了一条 π 消息」,别理解成「一共一条」。
一句记住:向上一条 λ,向下每个儿子一条 π;儿子多,消息就多。
p.93

Paso 3: G → F, mensaje π · 第三步:感冒的概率变了,给发烧送 π

▸ 原页截图 p.93 原讲义第 93 页

Redes bayesianas

贝叶斯网络(页眉)。

Como cambia la probabilidad de Gripe, informa a su hijo (Fiebre) mediante un π-mensaje, para que cambie su π-valor.

因为感冒 G 的概率变了,它就用一条 π 消息通知自己的子节点发烧 F,让 F 更新 π 值。

P(F) = α λ(F) π(F)

F 的 π(F) 在这一步被改写。

P(G) = α λ(G) π(G)

G 已经重算过,本步不再变。

P(E) = α λ(E) π(E)

E 也保持不变。

因果链消息方向为什么发
M = sí → G 变M → G(λ,向上)子节点证据改变父节点
G 变 → F 该变G → F(π,向下)父节点概率改变子节点
G → M 也变?G → M(π)但 M 已实例化,P*(M) 固定,不再重算
G 变 → 只通知 F 不通知 M漏发规则要求给「所有子节点」发
这句话是整章逻辑的中继环节:概率一变,就要把「我变了」广播给所有子节点。注意「所有」二字 —— 已实例化的子节点虽然不再重算(概率被钉死),但消息在算法执行流程上仍然要发(p.98 伪码里写的是「Enviar nuevos π-mensajes a los hijos de B」)。
原文标题写 P(F) = α λ(F) π(F) 是对的,但同页下方公式区仍有整列错位(P(F)=αλ(D)π(D))。以文字说明和截图中的箭头为准。
一句记住:我变了 → 通知所有儿子「你爹变了」。
p.94

Paso 4: F → D, mensaje π · 第四步:发烧变了,给疼痛送 π

▸ 原页截图 p.94 原讲义第 94 页

Redes bayesianas

贝叶斯网络(页眉)。

Como cambia la probabilidad de Fiebre, informa a su hijo (Dolor) mediante un π-mensaje, para que cambie su π-valor.

因为发烧 F 的概率变了,它就用一条 π 消息通知子节点疼痛 D,让 D 更新 π 值。

P(F) = α λ(F) π(F)

F 自己的式子已完成更新,本步作为发送方。

P(D) = α λ(D) π(D)

D 的 π(D) 在这一步被改写。

P(G) = α λ(G) π(G)

G 不再参与本轮更新。

轮次消息被更新的节点
1M → G (λ)G:λ 值更新、概率重算
2M → T, E (π)T、E:π 值更新
3G → F (π)F:π 值更新、概率重算
4F → D (π)D:π 值更新、概率重算
—没有 D → 任何节点D 是叶子,λ(D)=1,无子可发
四步走完,消息传播到此收敛:G、F、D 都刷新过,T、E 只改了 π。考试若让你「写出 M=sí 之后的完整消息序列」,标准答案就是这四行:M→G(λ)、M→T,E(π)、G→F(π)、F→D(π)。顺序不能乱,因为 F 必须等 G 算完才有 π 可发。
一句记住:λ 一步往上,π 一路往下 —— M→G,G→F,F→D,像瀑布。
p.95

Dos etapas: inicialización y actualización · 两阶段:先算先验 S0,再算后验 S1…

▸ 原页截图 p.95 原讲义第 95 页

Redes bayesianas

贝叶斯网络(页眉)。

Empezamos con una red bayesiana (nodos, enlaces y parámetros).

出发点是一张建好的贝叶斯网络:节点、连线、参数(条件概率表)都齐了。

Se divide en dos etapas:

整个算法分成两个阶段:

Inicialización. Calcular todas las probabilidades a priori P(X) de todos los nodos. En el ejemplo de los apuntes, el estado S0 (estado inicial).

初始化:算出所有节点的先验概率 P(X)。讲义例子里把它叫状态 S0(初始状态)。

Actualización. Cuando conocemos el valor de un nodo (evidencia e), actualizar todas las probabilidades, es decir, calcular las probabilidades a posteriori P*(X) = P(X/e) de todos los nodos de la red. En el ejemplo de los apuntes, estados S1 y sucesivos.

更新:一旦知道某个节点的值(证据 e),就把全网概率重算一遍,也就是求所有节点的后验概率 P*(X)=P(X/e)。讲义例子里对应 S1 及之后的状态。

Todos los valores y mensajes (los λ y los π) son fórmulas.

所有值和消息(λ 与 π)本身都是公式,不是一个算好的数 —— 这一点初学者最容易忽略。

Tenéis una hoja resumen de las etapas y las fórmulas en el Campus virtual.

虚拟校园里有一张汇总表,列出各阶段与对应公式。

阶段西语算什么状态标记触发条件
ⅠInicialización全部先验 P(X)S0网络建好、还没有证据
ⅡActualización全部后验 P*(X)=P(X/e)S1, S2, …每来一条证据 e
×只算一次忽略后续证据—证据可以不断追加,状态会一直往后走
考点:「先验 S0 / 后验 S1 起」这个分期,以及「λ 和 π 都是公式,不是数字」。考试若问「初始化和更新的区别」,一句话答:初始化只算先验,更新在给定证据 e 后算后验;没有证据时网络停在 S0。
「Inicialización」在这里指全网先验的概率状态,和 p.86 的「节点被初始化(实例化)」不是一个意思。同一个词,两种用法,读题时看有没有 S0/S1。
一句记住:S0 = 没有证据的先验;来一条证据,就升一级到 S1、S2…
p.96

La inicialización como una actualización desde la raíz · 把「初始化」看成从根节点出发的一次更新

▸ 原页截图 p.96 原讲义第 96 页

Redes bayesianas

贝叶斯网络(页眉)。

En esta parte se plantea la etapa de inicialización como si fuese una actualización que empieza en el nodo raíz.

这一部分把初始化阶段「伪装」成一次更新:从根节点出发,把 π 一路往下发。

Algoritmos de propagación: algoritmo para árboles

传播算法:树形网络版本(本节标题)。

La etapa de inicialización

所谓「初始化」这一步。

se plantea como una actualización que empieza en el nodo raíz

被处理成像一次从根节点开始的更新过程。

视角初始化(S0)一次更新(S1)
起点根节点 A某个被实例化的节点 B
λ 状态全部 λ = 1(还没有子女证据)被实例化节点向上送新 λ
π 状态根自己的 π(a_j) = P(a_j)父节点向下送新 π
方向只往下(π 单程)先上(λ)再下(π)
是否相同机制是 —— 初始化就是「只有根、没有证据」的特例
这条「把初始化统一成一次更新」是理解 p.98 伪码的关键:伪码的 Inicialización 分支里做的就是「所有 λ 置 1 → 根节点 π(a_j)=P(a_j) → 根给每个子节点发 π」。理解了这一点,伪码就不需要死记。
「como si fuese」= 「就好像是……一样」,西语虚拟式的固定搭配(como si + 虚拟式过去未完成时)。这里不是真的更新,只是换个角度看。
一句记住:初始化 = 只从根往下发 π 的那一次特殊更新。
p.97

Flujo de información · 信息怎么流:箭头图 + 三种节点状态

▸ 原页截图 p.97 原讲义第 97 页

Redes bayesianas

贝叶斯网络(页眉)。

En esta parte se describe cómo va el flujo de información, conforme a lo explicado en el ejemplo gráfico anterior, y cómo se actualizan las probabilidades.

这一部分描述信息流是怎么走的(依照前面那个图示例子),以及概率是怎么被更新的。

Algoritmos de propagación: algoritmo para árboles

传播算法:树形网络版本(本节标题)。

cómo va el flujo de información

信息流「怎么走」。

cómo se actualizan las probabilidades

概率「怎么被更新」。

节点状态它收到什么它要做什么(伪码对应)
刚被实例化外部证据P*(固定值)=1,其余=0;算 λ(B);向父发 λ;向所有子发 π
收到某子的 λ,且自己未实例化λ-mensaje算 λ(B);算 P*(B);向父发 λ;向其余子发 π
收到某父的 π,且自己未实例化π-mensaje算 π(B);算 P*(B);向所有子发 π
已实例化却继续改概率—实例化节点的 P* 被钉死为 1/0,不再重算
这页是 p.98 伪码的「自然语言版」,三行就是伪码的三个分支(A / B / C)。考试高频是「收到 λ 消息时,要向哪些子节点发 π」 —— 答案是「除发来 λ 的那个子节点之外的所有子节点」(因为那个子节点刚刚发来新信息,不需要再收回去)。
记忆办法:把树想成一棵消息树。λ 是「坏消息往上报」,π 是「好消息往下传」;一个节点收到坏消息后,要把「最新情况」传给还没表态的其他儿子。
一句记住:实例化 → 两个方向都发;收到 λ → 向上转发、向其余子转发;收到 π → 只往下转发。
p.98

Fórmulas de λ/π y pseudocódigo del algoritmo · 五条公式 + 完整伪码(本章总纲)

▸ 原页截图 p.98 原讲义第 98 页

Algoritmos de propagación: algoritmo para árboles

传播算法:树形网络版本(本节标题)。

Fórmulas para el cálculo de λ y π-mensajes, λ y π-valores y probabilidades P*:

计算 λ 消息、π 消息、λ 值、π 值与后验概率 P* 的五条公式。

1. Si B es un hijo de A, B tiene k valores posibles y A m valores posibles, entonces para j = 1, 2, …, m, el λ-mensaje de B a A viene dado por:

公式 1:若 B 是 A 的子节点,B 有 k 个可能取值、A 有 m 个可能取值,则对 j=1,…,m,B 发给 A 的 λ 消息为:

\[ \lambda_B(a_j)=\sum_{i=1}^{k}P(b_i\mid a_j)\,\lambda(b_i) \]

2. Si B es hijo de A y A tiene m valores posibles, entonces para j = 1, 2, …, m, el π-mensaje de A a B viene dado por:

公式 2:若 B 是 A 的子节点、A 有 m 个可能取值,则对 j=1,…,m,A 发给 B 的 π 消息为:

\[ \pi_B(a_j)=\begin{cases}\pi(a_j)\displaystyle\prod_{C\in s(A),\,C\neq B}\lambda_C(a_j) & \text{si } A \text{ no instanciada}\\[4pt] 1 & \text{si } A=a_j\\[4pt] 0 & \text{si } A\neq a_j\end{cases} \]

donde s(A) denota al conjunto de hijos de A.

其中 s(A) 表示 A 的子节点集合。

3. Si B tiene k valores posibles y s(B) es el conjunto de los hijos de B, entonces para i = 1, 2, …, k, el λ-valor de B viene dado por:

公式 3:若 B 有 k 个可能取值、s(B) 是 B 的子节点集合,则对 i=1,…,k,B 的 λ 值为:

\[ \lambda(b_i)=\begin{cases}\displaystyle\prod_{C\in s(B)}\lambda_C(b_i) & \text{si } B \text{ no instanciada}\\[4pt] 1 & \text{si } B=b_i\\[4pt] 0 & \text{si } B\neq b_i\end{cases} \]

4. Si A es padre de B, B tiene k valores posibles y A tiene m valores posibles, entonces para i = 1, 2, …, k, el π-valor de B viene dado por:

公式 4:若 A 是 B 的父节点,B 有 k 个取值、A 有 m 个取值,则对 i=1,…,k,B 的 π 值为:

\[ \pi(b_i)=\sum_{j=1}^{m}P(b_i\mid a_j)\,\pi_B(a_j) \]

5. Si B es una variable con k posibles valores, entonces para i = 1, 2, …, k, la probabilidad a posteriori basada en las variables instanciadas se calcula como:

公式 5:若 B 是有 k 个可能取值的变量,则对 i=1,…,k,基于已实例化变量的后验概率为:

\[ P^\ast(b_i)=\alpha\,\lambda(b_i)\,\pi(b_i) \]
公式算什么方向核心动作
1λ_B(a_j)B → A(↑)对 B 的所有取值 i 求和
2π_B(a_j)A → B(↓)父的 π 乘以「除 B 以外其他子女的 λ」
3λ(b_i)节点自身把所有子女的 λ 消息连乘
4π(b_i)节点自身对父的所有取值 j 求和
5P*(b_i)节点自身α × λ × π,最后归一化
2 / 3已实例化分支—取值命中记 1,未命中记 0(硬开关)

ALGORITMO:

算法伪码:

I. Inicialización.

Ⅰ. 初始化。

A. Inicializar todos los λ-mensajes y λ-valores a 1.

A. 把所有 λ 消息与 λ 值都置为 1。

B. Si la raíz A tiene m posibles valores, entonces para j = 1, …, m, sea π(a_j) = P(a_j).

B. 若根节点 A 有 m 个可能取值,则对 j=1,…,m,令 π(a_j)=P(a_j)(根的 π 值就是它的先验)。

C. Para todos los hijos B de la raíz A, hacer: Enviar un nuevo π-mensaje a B usando la fórmula 2. (En este momento comienza un flujo de propagación debido al procedimiento de actualización C).

C. 对根 A 的每一个子节点 B:用公式 2 给 B 发一条新的 π 消息。(此时会由「更新过程 C」引发一连串传播。)

更新过程触发条件要做的事
A变量 B 被实例化为 b_j① P*(b_j)=1、其余 P*(b_i)=0 ② 用公式 3 算 λ(B) ③ 用公式 1 向父发 λ ④ 用公式 2 向所有子发 π
BB 收到某个子的新 λ,且自身未实例化① 用公式 3 算 λ(B) ② 用公式 5 算 P*(B) ③ 用公式 1 向父发 λ ④ 用公式 2 向其余子发 π
CB 收到某个父的新 π,且自身未实例化① 用公式 4 算 π(B) ② 用公式 5 算 P*(B) ③ 用公式 2 向所有子发 π
三个分支都不改「已实例化」的 B 的 P* —— 一旦 P*(b_j)=1,它就钉死不动
这一页=整章总纲,考试几乎必背:5 条公式 + 3 个更新过程。三个最容易错的细节:① 公式 2 的连乘范围是 C∈s(A), C≠B(排除发消息对象自己);② 公式 3 的连乘是全部子女 C∈s(B);③ 更新过程 B 向「其余子节点」发 π,更新过程 A/C 向「所有子节点」发 π。三条差异全是选择题的坑。
① 原文此页公式 2 中 π_B(a_j) 被展开成三个分支;下一页(p.99)把它压缩成一个统一的 π_B(a_j) 再把分支写成黄色注释,两页内容等价,别以为冲突。② 图中黄色注 «Hijos de A que no son el B. El producto vacío es 1.» 解释的是 C≠B 与「空乘积 = 1」——叶子节点连乘为空时 λ=1。③ «El cálculo del valor de α se deja para el final.» 即 α 留到最后算。
一句记住:1 求和报父、2 排自己下传、3 全子女连乘、4 对父求和、5 αλπ 收尾;实例化就 1/0 钉死。
p.99

Misma página, π_B compacto · 同一张总纲的紧凑写法 + 两条黄色注释

▸ 原页截图 p.99 原讲义第 99 页

Algoritmos de propagación: algoritmo para árboles

传播算法:树形网络版本(本节标题)。

Fórmulas para el cálculo de λ y π-mensajes, λ y π-valores y probabilidades P*:

λ/π 消息、λ/π 值与 P* 的计算公式(与上一页同一组)。

2. Si B es hijo de A y A tiene m valores posibles, entonces para j = 1, 2, …, m, el π-mensaje de A a B viene dado por:

公式 2(紧凑版):A 发给 B 的 π 消息——

\[ \pi_B(a_j)=\begin{cases}\pi(a_j)\displaystyle\prod_{C\in s(A),\,C\neq B}\lambda_C(a_j) & \text{si } A \text{ no instanciada}\\ 1 & \text{si } A=a_j\\ 0 & \text{si } A\neq a_j\end{cases} \]

Hijos de A que no son el B. El producto vacío es 1.

「A 的子女中除 B 之外的那些」——这就是 C≠B 的含义;空乘积等于 1(若 A 只有 B 一个孩子,那个连乘就是空积,取 1)。

El cálculo del valor de α se deja para el final.

α 的取值留到最后再算(用「概率和为 1」反解)。

donde s(A) denota al conjunto de hijos de A.

其中 s(A) 表示 A 的子节点集合。

ALGORITMO:

算法伪码(与上一页完全相同)。

黄色注释西语原文考试含义
排除自己Hijos de A que no son el B公式 2 的连乘要跳过收消息的那个子节点
空积为 1El producto vacío es 1没有子女时 λ=1(叶子默认值)
α 最后算El cálculo del valor de α se deja para el final先算 λ、π,最后统一归一化
误读为「A 的所有子女都参与连乘」—会把 B 自己的 λ 也算进去,结果必错
这两条黄色注释就是两个可直接出成判断题的点:「空乘积为 1」对应叶子节点 λ=1;「α 留到最后」对应先 λπ、后归一化。若考「为什么叶子节点的 λ 不用算」,标准答法就是空乘积定义为 1。
「producto vacío」是数学里的「空乘积」。同理还有「suma vacía = 0」(空和为零)。这两个约定在公式 1/4 的求和里也用得上。
一句记住:连乘跳过自己,空积算作 1,α 永远压轴。
p.100

Tareas · 本章作业:把算法吃透的三件事

▸ 原页截图 p.100 原讲义第 100 页

Redes bayesianas

贝叶斯网络(页眉)。

Tareas:

作业:

Estudiar el algoritmo.

把算法学透(五条公式 + 三个更新过程,能默写)。

Hacer el ejemplo.

把课上的例子亲手做一遍(M=sí 的四步消息序列 + 归一化)。

Resolver ejercicios propuestos.

完成布置的习题。

Algoritmos de propagación: algoritmo para árboles

传播算法:树形网络版本(本节标题)。

作业自检标准对应页
Estudiar el algoritmo不看笔记写出 5 条公式 + Inicialización 的 A/B/Cp.98–p.99
Hacer el ejemplo写出 M→G(λ)、M→T,E(π)、G→F(π)、F→D(π) 并完成归一化p.90–p.94
Resolver ejercicios换一张新树,独立跑完 S0→S1习题册
只背公式不做例子考试给图就卡壳公式与图必须对上
这三条作业其实就是考试题型的三种形态:① 概念默写(公式/伪码)② 给图跑一遍(消息序列)③ 换图迁移(新题)。复习时按这个顺序做,比反复读课件有效得多。
一句记住:背公式 → 跑例子 → 换新图,三步走完才算学会。
自测小练习:把 p.88 的树里 D 也设为实例化(D=sí),想一想消息往哪走、哪些节点会重算 —— 答案会先由 D 向上把 λ 送到 F,再引发 F 的 λ 变化并向上传给 G。

专有名词速记表(A–Z)

共 119 条,覆盖全 100 页的高频术语。第三列点页码直接跳回原页;最后一列只写「一句话 + 最容易被扣分的点」。

西语术语中文页码一句话记住 · 易错点
A
abductivas溯因推理p.21从结果反推原因,正是「诊断」的方向;与 predictivas 恰好相反。
actualización更新p.95有证据 e 后算后验 P*(X)=P(X/e),从状态 S1 起;不是「初始化」。
algoritmo de propagación传播算法p.84有新证据就重算全网 P*;一般图 NP-duro,课程只讲树。
AND 门与门p.82父节点全部成立、子节点才成立;与 OR 门互为德摩根对偶。
anorexia厌食症p.66简化建模实例里的目标问题,用来说明「删中间节点」的技巧。
aprendizaje学习p.7SBC 的「自动获取知识」环节,与 base de conocimiento 并列。
árbol树p.84每个节点至多一个父节点——本章所有公式成立的前提。
arcos弧p.12有向边:从原因指结果,表达因果影响。
Asia (red Asia)Asia 网络p.29经典教学网络,用来说明 collider 与 explaining away。
autoaprendizaje自主学习p.6系统自己更新知识库,少让知识工程师手工录入。
auxiliares辅助变量p.61建模时补的中介变量,不属于目标/观察/因素三类。
B
base de conocimiento知识库p.7存事实与规则的「长期记忆」,与 memoria de trabajo 成对。
C
causa原因p.81NOISY-OR 里每个原因独立地「可能」触发结果。
causas原因(复数)p.60建模第一步:先把情境里的各种原因列出来。
collider对撞结构p.29两条箭头汇到同一节点,会引发 explaining away(解释消除)。
condicionadas条件(分布)p.11P(X | 父节点):网络的参数,别写成边缘分布。
conjunto exhaustivo y excluyente穷尽且互斥的取值集合p.51每个变量的取值要覆盖全部可能、且互不重叠。
constante de normalización归一化常数p.85就是 α,留到最后由「和为 1」反解。
conocimiento知识p.7SBC 的核心资产,存放在知识库里。
cribados masivos大规模筛查p.15低患病率 + 大范围检测 → 假阳性数量爆炸。
D
definición定义p.2课程第二节:SBC 是什么、由哪几块组成。
descomponer分解p.85把 P(X) 拆成 α·λ(X)·π(X) 三因子乘积。
diagnóstico诊断p.5从症状反推病因,是贝叶斯网络的头号应用。
disnea呼吸困难p.55肺癌/结核/支气管炎网络里的症状节点。
distribución conjunta联合分布p.9所有变量一起的完整概率表,规模随变量数指数爆炸。
distribuciones marginales边缘分布p.9把联合分布里不关心的变量求和消掉。
dolor疼痛p.88六节点例子里 F 的子节点,叶子 λ=1。
dominio领域p.83建模作业第 1 步:先选定一个领域。
E
enlace连线p.95建网的三大件之一:节点、连线、参数。
enlaces连边(复数)p.13定性部分 = 节点 + 连边(谁影响谁)。
enunciado题干p.83作业第 4 步:必须简单、不能有歧义。
especificidad特异度p.14P(阴性 | 无病):没病的人被测成阴性的比例。
estornudos打喷嚏p.88M 的子节点之一,与 tos 并列。
etapa阶段p.95初始化(S0)与更新(S1…)两阶段。
evidencia证据p.3观测到的确定值 e,是传播算法的输入。
evidencia observada观测证据p.16用来算后验 P*(X) 的已知信息。
exhaustivo穷尽的p.23取值集合覆盖所有可能,一项不能漏。
excluyente互斥的p.23取值之间不能同时成立。
F
factor de ruido噪声因子p.77NOISY-OR 里的 q_i:父为真时子仍为假的概率;与 p_i 是互补关系。
factorización因式分解p.32用条件独立把联合分布拆成局部条件概率之积。
falsos negativos假阴性p.14有病却测成阴性,等于漏诊。
falsos positivos假阳性p.14无病却测成阳性,筛查规模一大就成灾。
fiebre发烧p.88G 的子节点、D 的父节点,是消息的「中转站」。
flujo de información信息流p.97λ 向上、π 向下的传播路径。
funcionalidad功能p.2SBC 问答能力的总称,与 arquitectura 并列讲。
G
gluten麸质p.56乳糜泻例子里被小肠绒毛「识别」并引发反应的对象。
grafo acíclico, conexo y dirigido无环、连通、有向图p.22贝叶斯网络的图结构定义,三个形容词缺一不可。
gripe感冒p.88六节点例子的根节点,π 值就是它的先验。
H
hallazgos发现p.21溯因推理的输入:观察到的现象。
hipótesis de independencia condicional条件独立假设p.22网络能把指数级联合分布「压缩」下来的根本原因。
HTA高血压p.75NOISY-OR 建模示例的目标节点。
I
indicio迹象p.83建模时要标出的弱证据,与 prueba / síntoma 并列。
independencia condicional条件独立p.3给定父节点后,节点与其非后代独立。
inferencias推断p.21网络能做的推理总称(溯因 + 预测)。
información cualitativa定性信息p.13节点 + 连边(谁影响谁)。
información cuantitativa定量信息p.13条件概率表(影响有多强)。
inhibidor抑制因素p.61降低结果发生可能性的因素,与 promotor 相反。
inicialización初始化p.95算全部先验 P(X),状态 S0,还没证据。
inicializar初始化(赋确定值)p.86这里指「节点被赋一个值」,不是 p.95 的两阶段之一。
instanciar实例化p.84变量取定一个值,全网概率随之改变。
L
λ-mensajeλ 消息p.85子 → 父,向上送;发消息的是子女。
λ-valorλ 值p.85汇总「下方」子女证据的因子;叶子节点为 1。
M
mecanismos de razonamiento推理机制p.5SBC 的推理方式,贝叶斯网络是其中一种。
memoria de trabajo工作内存p.7存当前事实的「短期记忆」。
modelado cualitativo定性建模p.41只定结构:节点 + 边。
modelado cuantitativo定量建模p.41在结构之上再加条件概率参数。
modelos canónicos规范模型p.73AND / OR / NOISY-OR / NOISY-AND 这些标准模块。
motor de inferencias推理机p.7按规则从知识库推出结论的引擎。
mucosidad黏膜(鼻涕)p.88六节点例子里的证据节点,M=sí 是整段推导的起点。
N
nodo节点p.12图里代表变量的点。
nodo hijo子节点p.85箭头指向的一端,λ 消息的发送者。
nodo padre父节点p.85箭头出发的一端,π 消息的发送者。
nodo raíz根节点p.96唯一没有父节点的节点,π 值取其先验 P(a_j)。
nodos intermedios中间节点p.69简化网络时可以删掉、把边直接接起来的传递节点。
NOISY-AND噪声与p.73AND 的软化版:原因齐全时结果也可能不成立。
NOISY-OR噪声或p.73OR 的软化版:某个原因成立时结果也可能不触发。
normalización归一化p.87两个数相加做分母、各自做分子,让概率和为 1。
NP-duroNP 难p.84一般图上精确推断没有多项式算法,所以只讲树。
O
observación观察变量p.61建模里能被直接看到/测到的变量。
objetivo目标变量p.61建模里真正想求的那个变量。
OR 关系 (relación tipo OR)或关系p.49任一原因成立,结果即可成立;与 AND 门互为对偶。
P
parámetro参数p.95条件概率表里的具体数值,建网时就得填。
predictivas预测推理p.21从原因推结果,与 abductivas 方向相反。
prevalencia患病率p.14先验 P(病),是筛查例子里最关键的输入数。
presentador主持人p.58蒙提霍尔问题里知道答案、会开门的那一方。
preventivo阻断条件p.61直接让结果不可能发生的因素,比 inhibidor 更绝对。
probabilidad a posteriori后验概率p.16P*(X)=P(X|e):加了证据之后的新概率。
probabilidad a priori先验概率p.13没有任何证据时的 P(X),S0 状态用的就是它。
probabilidad condicionada条件概率p.13P(X | padres),是网络的定量参数。
promotor促进因素p.61提高结果发生概率的因素。
propagación传播p.3证据沿网络扩散、逐点更新概率的过程。
prueba证据(检测)p.83建模时要标出的较强证据,比 indicio 更硬。
puerta OR或门p.74OR 关系的图形化模块,GeNIe 里可直接标。
π-mensajeπ 消息p.85父 → 子,向下传;父节点变了就发给所有子节点。
π-valorπ 值p.85汇总「上方」父节点证据的因子;根节点取先验。
R
red bayesiana贝叶斯网络p.3有向无环图 + 每个节点的条件概率表。
reglas de diagnóstico诊断规则p.65从症状指向病因的条件概率写法。
relación tipo AND与关系p.50全部条件成立,结果才成立。
representación del conocimiento知识表示p.1本章主题:怎么把知识装进机器里。
ruido噪声p.71关系不是 100% 确定时那点「不确定性」的来源。
S
sensibilidad灵敏度p.14P(阳性 | 有病);与特异度成对记。
separación direccional方向分离p.22用图结构判断条件独立的直观规则。
simplificar简化p.83建模作业第 3 步:把节点压到 8–12 个。
síntoma症状p.83建模里最强的一类观察证据。
síntomas症状(复数)p.5诊断系统的输入。
sistemas basados en el conocimiento基于知识的系统p.2SBC = 知识库 + 推理机 + 人机接口。
T
tabaquismo吸烟p.55肺癌网络里的原因节点。
tablas de probabilidades condicionadas条件概率表p.73每个节点自带一张,规模由父节点个数决定。
tareas作业p.100三件事:学算法、做例子、做习题。
teorema fundamental基本定理p.2用条件独立把联合分布因式分解,是整章的理论支点。
tos咳嗽p.88M 的子节点之一,与 estornudos 并列。
tuberculosis肺结核p.55肺癌网络里的鉴别诊断之一。
U
uniformemente均匀地p.57Wurros 例子里颜色取值的均匀分布。
usuario用户p.7向 SBC 提问的人,与 experto 相对。
V
vacuna疫苗p.48「参数要符合常识」的反例:有它时发病率该降。
variable变量p.12节点所代表的不确定量。
variable aleatoria随机变量p.23取值带概率的变量。
variables proposicionales命题变量p.22只取真/假的二值变量。
vello intestinal小肠绒毛p.56乳糜泻例子里被破坏的结构。

数字与流程速记卡

口诀:「3 因子、2 阶段、5 公式、3 更新」。张口就能报数,是这一章的送分点。

行数字原文关键词中文页
13P(X) = α λ(X) π(X)概率三因子分解:归一化常数 + λ 值 + π 值p.85
22Inicialización / Actualización两个阶段:S0 先验;S1 起后验p.95
35λ_B(a_j) · π_B(a_j) · λ(b_i) · π(b_i) · P*(b_i)五条公式:报父 / 排自己下传 / 全子女连乘 / 对父求和 / αλπp.98
43Actualización A / B / C三种更新过程:被实例化 / 收到子的 λ / 收到父的 πp.98
51El producto vacío es 1空乘积为 1,所以叶子节点 λ = 1p.99
64M→G(λ) · M→T,E(π) · G→F(π) · F→D(π)M=sí 时的完整消息序列(四条)p.94
76G, M, F, T, E, D例题网络的六个节点;一棵树,每点只有一个父p.88
88–12entre 8 y 12 nodos建模作业的节点数量区间p.83
92una relación de OR con tres nodos y una de AND con dos作业必须含:三节点 OR 一个 + 两节点 AND 一个p.83
105Título · Referencia original · Texto original · Enunciado · Imagen GeNIe论坛帖子五项必填内容p.83
110,66420,0891 / (0,0891 + 0,04505)归一化算例:P*(+x) 的结果p.87
120,33580,04505 / (0,0891 + 0,04505)归一化算例:P*(¬x) 的结果,两数相加为 1p.87

考场自检:说「λ 值是把所有子节点连乘」对,但要补一句「叶子节点因空乘积取 1」;说「α 一开始就要求出来」直接错——α 留到最后。

最容易混的十四组概念

每组只抓一个分界点:谁对谁、哪个方向、哪一步。

λ 值 vs λ 消息差在「状态 vs 动作」:λ 值是节点自己的因子(把所有子女的 λ 消息连乘起来的结果);λ 消息是子女发过来的那一条。先有消息,才更新值。
π 值 vs π 消息差在「状态 vs 动作」:π 值是节点汇总「上方」信息后的因子;π 消息是父节点发下来的那一条。
λ(向上)vs π(向下)差在「方向」:λ 由子→父,π 由父→子。记法:λ 的腿向上伸,π 的两条腿往下踩。写反方向 = 全题零分。
Inicialización(p.95)vs inicializar(p.86)差在「全网 vs 单点」:前者是两阶段之一的「算全部先验、状态 S0」;后者是「某个节点被赋一个确定值」。同一个词根,两种含义。
probabilidad a priori vs a posteriori差在「有没有证据」:先验 P(X) 是没有证据时(S0);后验 P*(X)=P(X|e) 是加了证据之后(S1…)。
公式 2 的连乘范围 vs 公式 3 的连乘范围差在「排不排自己」:公式 2 是 C∈s(A), C≠B(排除收消息的那个子节点);公式 3 是 C∈s(B)(全部子女)。
更新过程 A / C 发「所有子」vs 更新过程 B 发「其余子」差在「谁刚说过话」:B 是收到某个子的 λ,所以向其余子发 π;A、C 没有这个限制,向所有子发。
实例化的节点 vs 未实例化的节点差在「P* 是否钉死」:实例化后 P*(命中值)=1、其余=0,之后不再重算;未实例化的节点才用公式 5 反复刷新。
árbol(树)vs 一般 DAG差在「父节点个数」:树里每点至多一个父,所以 π 消息只有一条来路;多父节点就不再是树,本算法不适用。
NP-duro vs「算法不存在」差在「复杂度 vs 存在性」:一般图上精确推断是 NP 难,算法存在但最坏指数级;树上才有线性时间的精确算法。
modelado cualitativo vs cuantitativo差在「有没有参数」:定性只画节点与边;定量还要把每张条件概率表填上数。
relación tipo OR vs relación tipo AND差在「任一 vs 全部」:OR 是任一原因成立即成立;AND 是所有原因齐了才成立。两者互为德摩根对偶(取反 + 换门)。
NOISY-OR vs OR差在「有没有噪声」:纯 OR 里父为真则子必真(概率 1);NOISY-OR 里父为真子仍可能为假,用噪声因子 q_i 描述。
sensibilidad vs especificidad差在「分母是谁」:灵敏度 = P(阳性|有病),特异度 = P(阴性|无病)。两者一道构成筛查的完整画像,缺一不能算后验。