Redes bayesianas
Sinónimos: Bayesian networks · Redes de creencia
Definición ampliada
Las redes bayesianas, o bayesian networks, representan un conjunto de variables como nodos de un grafo dirigido sin ciclos, donde cada arco expresa una dependencia condicional y cada nodo lleva asociada una distribución de probabilidad dada la de sus padres. Al observar el valor de algunas variables, la red actualiza la probabilidad de las demás.
También se las llama redes de creencia porque el grafo hace explícito qué se supone que depende de qué. Esa estructura es una hipótesis del modelizador o un resultado del aprendizaje sobre datos, y puede ser incorrecta.
Contexto histórico
Formalizadas en los años ochenta a partir del trabajo sobre propagación de evidencia en redes de creencia [1], recogieron una tradición previa de razonamiento probabilístico en sistemas de ayuda al diagnóstico. Su adopción en biomedicina se documenta ya a comienzos de los 2000, con revisiones específicas del área [2].
Importancia actual
A fecha de septiembre de 2026, conviven con los modelos neuronales y ocupan un espacio distinto: permiten integrar conocimiento experto con datos, manejan bien la información ausente y dejan a la vista los supuestos del modelo. Son útiles cuando importa más razonar con incertidumbre explícita que maximizar el rendimiento sobre grandes volúmenes de datos.
Aplicaciones
Generales
- Estimar la probabilidad de sucesos a partir de observaciones parciales.
- Combinar conocimiento de dominio con datos observados.
- Analizar escenarios cambiando el valor de una variable y observando el efecto sobre el resto.
Sanitarias
- Apoyar el diagnóstico estimando la probabilidad de una afección dados síntomas y factores de riesgo [2].
- Modelizar cadenas de causas y consecuencias en epidemiología, con supuestos declarados.
- Representar la incertidumbre de una decisión clínica en vez de reducirla a una salida única.
Limitaciones
- La inferencia exacta es computacionalmente costosa cuando crecen las variables y sus conexiones.
- Definir la estructura y las probabilidades condicionales exige datos o conocimiento experto, y ambos pueden ser incompletos.
- Un arco no es una relación causal. Interpretar el grafo en términos causales requiere supuestos adicionales que deben declararse y justificarse.
- Una probabilidad bien formulada no está necesariamente bien calibrada en la población donde se usará.
Ejemplos
Una red construida para valorar sospecha de tuberculosis puede combinar tos prolongada, fiebre y antecedente de exposición para estimar una probabilidad. Ese número depende de la prevalencia asumida y de las distribuciones introducidas: cambiando el contexto epidemiológico, la misma red devuelve otra cifra.