Modelos de redes bayesianas con variables discretas y continuas

Resumo

La principal dificultad a la hora de trabajar con Redes Bayesianas surge con el Tratamiento de variables discretas y continuas de forma simultánea, debido a las restricciones del modelo condicional Gaussiano y el ENNON que conlleva la discretización. En esta memoria se desarrolla un modelo denominado Mixtura de Exponenciales Truncadas (MTE), capaz de trabjan simultánea y eficientemente con variables discretas y continuas. A su vez se proponen dos esquemas para la estimación de los tipos de distribuciones MTE que aparecen en una Red Bayesiana univariantes y condicionadas, y que se basan. En lo regresión exponencial y en técnicas de árboles de clasificación. Para completar la utilidad de este modelo, a la hora de obtener conclusiones ante la llegada de nueva información, se han reformulado algunos algoritmos de propagación de probabilidades, tanto exactos como aproximados, para poder aplicarlos al modelo MTE, como el método de Shenoy Shafen, propagación Pemmilless (para la cual se ha definido la operación poda) y propagación basada en MCMC.