1
00:00:00,118 --> 00:00:02,898
Así que, ahora, vamos a ver un ejemplo en una red real,

2
00:00:02,898 --> 00:00:06,181
y trataremos de ver como es el aspecto de una CPD,

3
00:00:06,181 --> 00:00:07,738
cuál es el comportamiento que obtenemos,

4
00:00:07,738 --> 00:00:09,488
y cómo podríamos aumentar la red

5
00:00:09,488 --> 00:00:11,238
para incluir cosas adicionales.

6
00:00:11,238 --> 00:00:12,802
Ahora, déjenme advertirles por adelantado

7
00:00:12,802 --> 00:00:14,656
que se trata de una red de juguete,

8
00:00:14,656 --> 00:00:16,263
no es una red real,

9
00:00:16,263 --> 00:00:19,622
aunque es lo suficientemente compacta como para mirarla, pero

10
00:00:19,622 --> 00:00:22,918
aún lo suficientemente interesante como para obtener algunos comportamientos no triviales.

11
00:00:24,579 --> 00:00:26,593
Por lo tanto, para explorar la red,

12
00:00:26,593 --> 00:00:28,854
vamos a utilizar un sistema llamado SAMIAM.

13
00:00:28,854 --> 00:00:31,662
Fue producido por Adnan Darwiche y su grupo de la UCLA,

14
00:00:31,662 --> 00:00:32,640
y es bueno

15
00:00:32,640 --> 00:00:36,151
porque en realidad funciona en todo tipo de plataformas diferentes,

16
00:00:36,151 --> 00:00:38,911
así que puede ser utilizado por cualquiera.

17
00:00:38,911 --> 00:00:41,537
Así que echemos un vistazo a un problema particular:

18
00:00:41,537 --> 00:00:43,616
Imaginemos que somos una compañía de seguros

19
00:00:43,616 --> 00:00:44,888
y estamos tratando de decidir

20
00:00:44,888 --> 00:00:46,438
para una persona que llega

21
00:00:46,438 --> 00:00:49,002
si se le da seguro o no.

22
00:00:49,002 --> 00:00:51,746
Así, el aspecto operativo para tomar esa decisión

23
00:00:51,746 --> 00:00:54,369
es cuanto nos va a costar la póliza,

24
00:00:54,369 --> 00:00:55,892
es decir, cuánto vamos a tener que pagar

25
00:00:55,892 --> 00:00:58,915
en el transcurso de un año para asegurar a esta persona.

26
00:00:58,915 --> 00:01:02,287
Por lo tanto hay una variable llamada "Cost".

27
00:01:02,287 --> 00:01:06,847
Vamos a hacer clic sobre él para ver qué propiedades tienen esa variable.

28
00:01:06,847 --> 00:01:08,507
Y podemos ver que en este caso,

29
00:01:08,507 --> 00:01:11,952
hemos decidido dar sólo dos valores para la variable "Cost",

30
00:01:11,952 --> 00:01:13,772
Bajo y Alto.

31
00:01:13,772 --> 00:01:16,790
Esto es claramente una aproximación muy de grano grueso

32
00:01:16,790 --> 00:01:18,472
y no una que vayamos a utilizar en la práctica.

33
00:01:18,472 --> 00:01:20,303
En realidad, es probable que

34
00:01:20,303 --> 00:01:22,135
ésta sea una variable continua

35
00:01:22,135 --> 00:01:25,887
cuyo entendimiento depende de varios aspectos del modelo.

36
00:01:25,887 --> 00:01:27,783
Sin embargo, para los propósitos de nuestro ejemplo,

37
00:01:27,783 --> 00:01:29,559
vamos a utilizar esta distribución discreta

38
00:01:29,559 --> 00:01:31,273
que sólo tiene valores Bajo y Alto.

39
00:01:31,273 --> 00:01:32,647
Está bien.

40
00:01:32,647 --> 00:01:36,855
Así que ahora, vamos a construir esta red mediante la técnica de

41
00:01:36,855 --> 00:01:39,504
"ampliar la conversación" que mencionamos antes.

42
00:01:39,504 --> 00:01:44,224
Así que, ¿cuál es el factor determinante más importante

43
00:01:44,224 --> 00:01:46,740
en cuanto a costos que la compañía de seguros tiene que pagar?

44
00:01:46,740 --> 00:01:50,647
Bueno, probablemente si la persona tiene accidentes

45
00:01:50,647 --> 00:01:51,977
y qué tan severos son.

46
00:01:51,977 --> 00:01:57,005
Así que aquí tenemos una red que tiene dos variables:

47
00:01:57,005 --> 00:01:59,724
una es "Accident" y la otra es "Cost".

48
00:01:59,724 --> 00:02:02,645
Y en este caso hemos decidido seleccionar

49
00:02:02,645 --> 00:02:05,701
tres valores posibles para la variable "Accident",

50
00:02:05,701 --> 00:02:09,031
Ninguno, Leve y Severo,

51
00:02:09,031 --> 00:02:14,442
y con las probabilidades que ven en la lista.

52
00:02:14,442 --> 00:02:17,447
Y lo que se ve abajo es la variable "Cost".

53
00:02:17,447 --> 00:02:18,759
Y abrimos la CPD

54
00:02:18,759 --> 00:02:24,845
de la variable "Cost" dada la variable "Accident".

55
00:02:24,845 --> 00:02:26,946
Y podemos ver que, en este caso,

56
00:02:26,946 --> 00:02:29,169
tenemos una tabla de probabilidad condicional

57
00:02:29,169 --> 00:02:33,358
de "Cost" dado "Accident".

58
00:02:33,358 --> 00:02:35,485
Noten que esto en realidad está invertido

59
00:02:35,485 --> 00:02:38,542
respecto a la notación que hemos utilizado en la clase anterior,

60
00:02:38,542 --> 00:02:41,713
porque acá los casos condicionados son columnas,

61
00:02:41,713 --> 00:02:44,545
mientras que en los ejemplos que hemos dado

62
00:02:44,545 --> 00:02:45,754
han sido filas.

63
00:02:45,754 --> 00:02:49,189
Pero eso está bien, es la misma cosa, sólo invertida.

64
00:02:49,650 --> 00:02:51,102
Y así vemos, por ejemplo,

65
00:02:51,102 --> 00:02:54,418
que si la persona no tiene accidentes,

66
00:02:54,418 --> 00:02:56,765
es muy probable que los costos sea muy bajos.

67
00:02:56,765 --> 00:03:01,581
Accidentes leves incurre en distribuciones diferentes sobre los costos.

68
00:03:01,581 --> 00:03:03,173
Y los accidentes graves tienen

69
00:03:03,173 --> 00:03:05,789
una probabilidad de 0,9 de tener alto costo

70
00:03:05,789 --> 00:03:08,414
y 0,1 de tener un bajo costo.

71
00:03:09,060 --> 00:03:11,749
Así que ahora, vamos a seguir ampliando la conversación

72
00:03:11,749 --> 00:03:14,088
y preguntar que depende de "Accident".

73
00:03:14,088 --> 00:03:17,207
Y parece ser que uno de los factores obvios

74
00:03:17,207 --> 00:03:20,409
es si la persona es un buen conductor o no.

75
00:03:20,409 --> 00:03:22,661
Y así podríamos esperar que la calidad del conductor

76
00:03:22,661 --> 00:03:23,965
sea un padre de "Accident".

77
00:03:23,965 --> 00:03:25,214
Pero hay otras cosas

78
00:03:25,214 --> 00:03:27,853
que también afectan no sólo la presencia de un accidente,

79
00:03:27,853 --> 00:03:29,911
sino también la gravedad del accidente.

80
00:03:29,911 --> 00:03:33,909
Así, por ejemplo, el tamaño del vehículo afectaría

81
00:03:33,909 --> 00:03:37,117
la gravedad de un accidente porque

82
00:03:37,117 --> 00:03:40,788
si están conduciendo una SUV de gran tamaño, entonces

83
00:03:40,788 --> 00:03:43,599
es probable que no tengan un accidente tan grave,

84
00:03:43,599 --> 00:03:45,685
pero a su vez quizás podría aumentar

85
00:03:45,685 --> 00:03:47,374
la probabilidad de tener un accidente global,

86
00:03:47,374 --> 00:03:51,830
ya que a lo mejor un coche grande es más difícil de manejar.

87
00:03:52,615 --> 00:03:56,381
Y entonces, el año del vehículo podría afectar las posibilidades de un accidente

88
00:03:56,381 --> 00:03:59,509
debido a la presencia o ausencia de ciertas características de seguridad

89
00:03:59,509 --> 00:04:02,037
como los frenos antibloqueo y airbags.

90
00:04:02,037 --> 00:04:03,814
Así que vamos a abrir la CPD de "Accident"

91
00:04:03,814 --> 00:04:05,173
y vemos como luce

92
00:04:05,173 --> 00:04:07,325
ahora que tenemos todos los padres para ella.

93
00:04:07,325 --> 00:04:10,213
Y podemos ver acá que tenemos,

94
00:04:10,213 --> 00:04:13,165
en este caso, ocho casos condicionados,

95
00:04:13,165 --> 00:04:18,317
correspondiente a tres variables, dos valores cada uno.

96
00:04:18,317 --> 00:04:22,757
Y acá, sólo para ver una una de las muestra

97
00:04:22,757 --> 00:04:26,046
de la distribución, por ejemplo,

98
00:04:26,046 --> 00:04:30,749
si se trata de un vehículo bastante nuevo (después de 2000)

99
00:04:30,749 --> 00:04:32,398
y es una SUV,

100
00:04:32,398 --> 00:04:35,725
la probabilidad de tener un accidente grave es muy baja,

101
00:04:35,725 --> 00:04:38,813
y la probabilidad de tener un accidente leve es moderada,

102
00:04:38,813 --> 00:04:44,774
y la probabilidad de no tener accidentes es de 0,85.

103
00:04:44,774 --> 00:04:48,525
Mientras que si se compara con la entrada correspondiente

104
00:04:48,525 --> 00:04:52,053
cuando mantenemos todo fijo, excepto que ahora es un coche compacto,

105
00:04:52,053 --> 00:05:00,509
vemos que la probabilidad de tener un accidente leve es menor,

106
00:05:00,509 --> 00:05:03,045
pero la probabilidad de no tener accidentes es mayor,

107
00:05:03,045 --> 00:05:08,059
representando patrones de conducción diferentes, por ejemplo.

108
00:05:08,506 --> 00:05:11,649
Bien, entonces con esta red

109
00:05:11,649 --> 00:05:13,649
podemos empezar a hacer preguntas simples.

110
00:05:14,695 --> 00:05:17,145
Así que, para dar algún ejemplo de inferencia causal,

111
00:05:17,145 --> 00:05:20,559
vamos a instanciar, por ejemplo, "Driving_quality" en Bueno,

112
00:05:21,574 --> 00:05:23,936
y en Malo.

113
00:05:23,936 --> 00:05:27,054
Y podemos ver que para un mal conductor

114
00:05:27,054 --> 00:05:31,397
la probabilidad de un costo bajo es 81%.

115
00:05:31,397 --> 00:05:36,325
Y para un buen conductor de la probabilidad de un costo bajo es 87%.

116
00:05:36,325 --> 00:05:38,381
Si nos fijamos en los accidentes

117
00:05:38,381 --> 00:05:41,278
se puede ver que para un buen conductor

118
00:05:41,278 --> 00:05:44,800
hay una probabilidad de 87,5% de no tener accidentes

119
00:05:44,800 --> 00:05:46,431
y 10% de tener un accidente leve.

120
00:05:46,431 --> 00:05:50,957
Y la probabilidad de no tener accidentes baja para un mal conductor,

121
00:05:50,957 --> 00:05:53,422
y accidentes leves sube,

122
00:05:53,422 --> 00:05:55,453
y accidentes graves también se va hacia arriba.

123
00:05:55,453 --> 00:05:59,077
Ahora, tengan en cuenta que muchas de estas diferencias son muy sutiles.

124
00:05:59,077 --> 00:06:02,054
Hay una diferencia de un par de puntos porcentuales de una manera u otra.

125
00:06:02,054 --> 00:06:04,038
Y se podría pensar que,

126
00:06:04,038 --> 00:06:05,326
si estuvieran diseñando una red,

127
00:06:05,326 --> 00:06:09,245
les gustaría que estos cambios de probabilidad sean realmente extremos

128
00:06:09,245 --> 00:06:11,485
cuando se instancias valores distintos.

129
00:06:11,485 --> 00:06:13,790
Pero en muchos casos esto no es realmente cierto,

130
00:06:13,790 --> 00:06:15,052
y estas diferencias sutiles

131
00:06:15,052 --> 00:06:17,643
son en realidad muy importante para una compañía de seguros

132
00:06:17,643 --> 00:06:19,819
que asegura cientos de miles de personas.

133
00:06:19,819 --> 00:06:22,495
Un par de puntos porcentuales en la probabilidad de un accidente

134
00:06:22,495 --> 00:06:24,855
puede hacer una gran diferencia a la propia rentabilidad.

135
00:06:25,809 --> 00:06:26,972
Así que ahora vamos a pensar en

136
00:06:26,972 --> 00:06:29,519
cómo podríamos expandir esta red aún más.

137
00:06:30,196 --> 00:06:33,244
El tamaño de vehículo y año del vehículo son cosas

138
00:06:33,244 --> 00:06:35,851
que podemos observar en el foro de seguros.

139
00:06:35,851 --> 00:06:39,070
Pero la calidad del conductor es muy difícil de observar.

140
00:06:39,070 --> 00:06:41,829
No se puede preguntarle a alguien: "Oh, ¿eres un buen conductor?"

141
00:06:41,829 --> 00:06:43,451
Porque todo el mundo va a decir:

142
00:06:43,451 --> 00:06:45,123
"Claro, soy el mejor conductor!".

143
00:06:45,123 --> 00:06:49,272
Por lo tanto no va a ser una cuestión de gran utilidad.

144
00:06:49,272 --> 00:06:53,147
Entonces, ¿qué evidencias podemos observar que nos

145
00:06:53,147 --> 00:06:57,148
podrían indicar el valor de la calidad de conductor?

146
00:06:57,148 --> 00:07:01,491
Una obvia es el registro de conducir de la persona.

147
00:07:01,491 --> 00:07:03,556
Es decir, si ha tenido accidentes anteriores

148
00:07:03,556 --> 00:07:05,355
o infracciones anteriores.

149
00:07:05,832 --> 00:07:08,412
Por lo tanto, vamos a pensar en añadir una variable

150
00:07:08,412 --> 00:07:09,880
que representa la historia de conducción.

151
00:07:10,665 --> 00:07:13,507
Y así vamos a introducir esa variable.

152
00:07:13,507 --> 00:07:16,315
Por lo tanto, puede hacer clic en este botón

153
00:07:16,315 --> 00:07:17,697
que nos permite crear un nodo.

154
00:07:17,697 --> 00:07:19,841
El nodo ahora se llama "variable1"

155
00:07:19,841 --> 00:07:21,036
por lo que tenemos que darle un nombre.

156
00:07:21,036 --> 00:07:24,787
Así, por ejemplo, vamos a llamarlo "DrivingHistory".

157
00:07:26,079 --> 00:07:28,074
Y ese es su identificador,

158
00:07:28,074 --> 00:07:30,620
y también tenemos el nombre de la variable,

159
00:07:30,620 --> 00:07:32,246
que es generalmente el mismo.

160
00:07:32,246 --> 00:07:35,195
Y vamos a darle dos valores,

161
00:07:35,195 --> 00:07:37,725
digamos PreviousAccident y NoPreviousAccident.

162
00:07:41,586 --> 00:07:45,760
Ahora, ¿dónde vamos a poner esta variable en la red?

163
00:07:45,760 --> 00:07:48,828
Uno podría pensar inicialmente que hay que

164
00:07:48,828 --> 00:07:53,228
colocar "DrivingHistory" como padre de "Driver_quality"

165
00:07:53,228 --> 00:07:57,150
porque el historial de conducción puede influenciar

166
00:07:57,150 --> 00:07:59,044
nuestras creencias sobre la calidad del conductor.

167
00:07:59,044 --> 00:08:01,290
Ahora, es verdad que la observación del historial de conducción

168
00:08:01,290 --> 00:08:03,651
cambia nuestra probabilidad de la calidad del conductor,

169
00:08:03,651 --> 00:08:07,443
pero si piensan en la propia estructura causal de esta situación,

170
00:08:07,443 --> 00:08:11,878
lo que realmente tenemos es que la calidad del conductor es un factor causal

171
00:08:11,878 --> 00:08:13,968
tanto de un accidente anterior

172
00:08:13,968 --> 00:08:16,765
como un accidente posterior.

173
00:08:16,765 --> 00:08:18,327
Y lo que si queremos mantener es

174
00:08:18,327 --> 00:08:20,421
la estructura causal intuitiva del dominio,

175
00:08:20,421 --> 00:08:28,095
algo más adecuado es añadir "DrivingHistory" como hijo

176
00:08:28,095 --> 00:08:29,972
en lugar de padre de "Driver_quality".

177
00:08:29,972 --> 00:08:32,187
Pueden preguntarse por qué es importante,

178
00:08:32,187 --> 00:08:33,864
y en este ejemplo muy sencillo

179
00:08:33,864 --> 00:08:36,874
los dos modelos son, en cierto sentido equivalentes

180
00:08:36,874 --> 00:08:38,851
y podríamos haberlas colocado de cualquier manera,

181
00:08:38,851 --> 00:08:44,076
excepto que la CPD de la calidad del conductor dado el historial de conducción

182
00:08:44,076 --> 00:08:46,006
puede ser un poco menos intuitivo.

183
00:08:46,006 --> 00:08:49,955
Pero si tuviéramos otros indicadores de calidad del conductor,

184
00:08:49,955 --> 00:08:52,436
por ejemplo, una infracción anterior,

185
00:08:52,436 --> 00:08:55,661
entonces en realidad tiene mucho más sentido

186
00:08:55,661 --> 00:08:58,559
tener todos ellos como hijos de la calidad del conductor

187
00:08:58,559 --> 00:09:00,925
en vez de padres de la calidad del conductor.

188
00:09:01,802 --> 00:09:02,680
Está bien.

189
00:09:02,680 --> 00:09:07,481
Esto nos muestra cómo podemos añadir una variable a la red.

190
00:09:07,481 --> 00:09:09,764
Y ahora vamos a abrir una red mucho más grande

191
00:09:09,764 --> 00:09:13,007
que incluye estas variables y otras.

192
00:09:13,007 --> 00:09:15,971
Miramos ahora en esta red más grande,

193
00:09:15,971 --> 00:09:17,347
y podemos ver

194
00:09:17,347 --> 00:09:20,237
que hemos añadido algunas variables diferentes a la red.

195
00:09:20,237 --> 00:09:23,211
Hemos añadido atributos del vehículo,

196
00:09:23,211 --> 00:09:27,284
por ejemplo, si el vehículo tenía frenos antibloqueo y airbag,

197
00:09:27,284 --> 00:09:28,787
que nos va a permitir dar

198
00:09:28,787 --> 00:09:31,483
probabilidades más informativas sobre el accidente.

199
00:09:31,483 --> 00:09:35,227
También hemos introducido aspectos del conductor,

200
00:09:35,227 --> 00:09:38,243
por ejemplo, si ha tenido una ruta de entrenamiento extra,

201
00:09:38,243 --> 00:09:40,084
que va a aumentar la calidad de conducción,

202
00:09:40,084 --> 00:09:41,684
si es joven o viejo,

203
00:09:41,684 --> 00:09:42,952
donde se supone

204
00:09:42,952 --> 00:09:45,883
que las personas más jóvenes tienden a ser conductores más imprudentes,

205
00:09:45,883 --> 00:09:50,373
y si el conductor es enfocado o fácilmente distraído,

206
00:09:50,373 --> 00:09:52,848
que a su vez va a afectar a la calidad de conducción.

207
00:09:53,648 --> 00:09:58,681
Ahora bien, como el tipo de personalidad es difícil de observar,

208
00:09:58,681 --> 00:10:03,155
añadimos otra variable que es "Good_student"

209
00:10:03,155 --> 00:10:05,654
lo que podría indicar el tipo de personalidad.

210
00:10:05,654 --> 00:10:08,862
Así que vamos a abrir la CPD para este,

211
00:10:11,293 --> 00:10:14,071
y así podemos ver acá que, por ejemplo,

212
00:10:14,071 --> 00:10:20,999
si sos una persona enfocada y joven,

213
00:10:20,999 --> 00:10:23,720
es mucho más probable que seas un buen estudiante,

214
00:10:23,720 --> 00:10:28,439
mucho más que si no sos una persona enfocada y joven.

215
00:10:28,439 --> 00:10:32,303
Si sos viejo, no es muy probable que seas un estudiante,

216
00:10:32,303 --> 00:10:38,021
por lo que esta probabilidad básicamente dice que si sos viejo,

217
00:10:38,021 --> 00:10:39,883
no es muy probable que seas un estudiante,

218
00:10:39,883 --> 00:10:41,322
y por lo tanto no es probable ser un buen estudiante.

219
00:10:42,014 --> 00:10:47,608
Así que, ahora que hemos añadido todas estas variables a la red,

220
00:10:47,608 --> 00:10:51,161
vamos a seguir adelante y ejecutar algunas consultas para ver qué pasa.

221
00:10:51,161 --> 00:10:56,918
Y vamos a empezar por mirar la probabilidad a priori de "Accident"

222
00:10:56,918 --> 00:10:59,942
antes de observar nada.

223
00:10:59,942 --> 00:11:04,299
Podemos ver que la probabilidad de ningún accidente es cercana al 79,5%.

224
00:11:04,299 --> 00:11:07,065
La probabilidad de accidente grave es de aproximadamente 3%.

225
00:11:07,065 --> 00:11:10,077
Ahora vamos a seguir adelante y decirle al sistema

226
00:11:10,077 --> 00:11:11,837
que tenemos un buen estudiante en cuestión.

227
00:11:11,837 --> 00:11:13,608
Así que vamos a observar

228
00:11:13,608 --> 00:11:15,978
que el estudiante es un buen estudiante,

229
00:11:15,978 --> 00:11:17,567
y vamos a ver qué pasa.

230
00:11:18,059 --> 00:11:19,695
Podemos ver, sorprendentemente,

231
00:11:19,695 --> 00:11:20,807
que a pesar de que se observa

232
00:11:20,807 --> 00:11:21,887
que alguien es un buen estudiante,

233
00:11:21,887 --> 00:11:23,954
la probabilidad de ningún accidente

234
00:11:23,954 --> 00:11:27,699
se redujo de 79,5% a 78%,

235
00:11:27,699 --> 00:11:29,582
y la probabilidad de accidentes graves

236
00:11:29,582 --> 00:11:32,819
subió de 3,5% a 3,67%.

237
00:11:32,819 --> 00:11:33,880
Ustedes pueden decir:

238
00:11:33,880 --> 00:11:35,986
"Bueno, pero me dijo que es un buen estudiante,

239
00:11:35,986 --> 00:11:38,138
¿No debería bajar la probabilidad de accidentes?"

240
00:11:38,307 --> 00:11:41,972
Así que echemos un vistazo a algunos caminos activos en este grafo.

241
00:11:41,972 --> 00:11:46,461
Un camino activo pasa desde "Good_student" a "Focused",

242
00:11:46,461 --> 00:11:48,928
a "Driver_quality",

243
00:11:48,928 --> 00:11:49,939
a "Accident".

244
00:11:49,939 --> 00:11:53,602
Y es bastante seguro que, si tenemos en cuenta ese camino de forma aislada,

245
00:11:53,602 --> 00:11:58,378
probablemente va a hacer que la probabilidad de ningún accidente sea mayor.

246
00:11:58,378 --> 00:12:00,204
Sin embargo, tenemos otro camino activo.

247
00:12:00,204 --> 00:12:04,058
Tenemos el camino activo que va de "Good_student" hasta "Age",

248
00:12:04,058 --> 00:12:07,085
y luego hacia abajo, a través de "Driver_quality".

249
00:12:07,085 --> 00:12:09,921
Por lo tanto, para ver esto, vamos a desmarcar en buen estudiante

250
00:12:09,921 --> 00:12:11,281
y ver qué pasa.

251
00:12:11,281 --> 00:12:15,767
Noten que inicialmente la probabilidad de que el conductor sea joven era del 25%,

252
00:12:15,767 --> 00:12:17,710
pero cuando observé un buen estudiante,

253
00:12:17,710 --> 00:12:20,538
subió a cerca de 95%.

254
00:12:20,538 --> 00:12:23,143
Y eso fue suficiente para contrarrestar la influencia

255
00:12:23,143 --> 00:12:27,446
a lo largo de este camino activo más evidente.

256
00:12:27,831 --> 00:12:31,551
Así que, para demostrar que esto es precisamente lo que está pasando,

257
00:12:31,551 --> 00:12:35,783
hagamos click para

258
00:12:35,783 --> 00:12:38,415
instanciar el hecho de que el estudiante es joven,

259
00:12:38,415 --> 00:12:43,446
y podemos ver que la probabilidad de accidente grave subió hasta el 3,7%

260
00:12:43,446 --> 00:12:47,967
y ningún accidente bajó un poco por debajo del 77%.

261
00:12:47,967 --> 00:12:51,559
Y ahora vamos a observar buen estudiante y ver qué pasa.

262
00:12:51,559 --> 00:12:53,174
Así que ahora observamos buen estudiante,

263
00:12:53,174 --> 00:13:01,656
y la probabilidad de ningún accidentes se fue a 78%,

264
00:13:01,656 --> 00:13:07,036
a diferencia del anterior, cuando era 77%.

265
00:13:07,036 --> 00:13:10,558
Y la razón de esto

266
00:13:10,558 --> 00:13:12,773
es que ahora hemos bloqueado este camino

267
00:13:12,773 --> 00:13:15,871
que va de buen estudiante, a través de la edad, a la calidad del conductor

268
00:13:15,871 --> 00:13:17,917
mediante la observación de esta variable que bloquea el camino.

269
00:13:17,917 --> 00:13:20,624
Así podemos ver que los patrones de razonamiento

270
00:13:20,624 --> 00:13:24,981
en una red bayesiana a veces son sutiles.

271
00:13:24,981 --> 00:13:28,640
Y hay diferentes caminos que pueden afectar a las cosas

272
00:13:28,640 --> 00:13:31,748
y interactúan entre sí de diferentes maneras.

273
00:13:31,748 --> 00:13:34,698
Y de esta manera, es útil tomar el modelo

274
00:13:34,698 --> 00:13:36,315
y jugar con diferentes consultas

275
00:13:36,315 --> 00:13:37,734
y diferentes combinaciones de evidencias

276
00:13:37,734 --> 00:13:40,026
para entender el comportamiento de una red.

277
00:13:40,026 --> 00:13:41,341
Y especialmente si están diseñando

278
00:13:41,341 --> 00:13:43,786
dicha red para una aplicación particular,

279
00:13:43,786 --> 00:13:46,290
es útil para probar las diferentes consultas

280
00:13:46,290 --> 00:13:48,053
y ver si el comportamiento que se obtiene

281
00:13:48,053 --> 00:13:49,706
es el comportamiento que desean conseguir.

282
00:13:49,706 --> 00:13:52,076
Y si no, entonces necesitan preguntarse

283
00:13:52,076 --> 00:13:55,962
¿cómo puedo modificar esta red para obtener un comportamiento

284
00:13:55,962 --> 00:14:00,498
que es más similar a la conducta deseada?.

285
00:14:00,498 --> 00:14:03,755
Esta red está disponible para que jueguen

286
00:14:03,755 --> 00:14:06,005
y puedan probar diferentes cosas

287
00:14:06,005 --> 00:14:08,961
y ver qué comportamientos se obtienen.