Sobre el Libro
Evaluación de riesgos y análisis de decisiones con redes bayesianas (Risk Assessment and Decision Analysis with Bayesian Networks) es un libro de 660 páginas escrito por e Norman Fenton y Martin Neil. Fue publicado por la editorial en el año 2018 en su segunda edición.
Descripción del Libro
Desde que se publicó la primera edición de este libro, las redes bayesianas se han vuelto aún más importantes para aplicaciones en una amplia gama de campos. Esta segunda edición incluye nuevo material sobre diagramas de influencia, aprendizaje de los datos, valor de la información, ciberseguridad, desacreditación de las malas estadísticas y mucho más. Centrándose en la resolución práctica de problemas del mundo real y la construcción de modelos, a diferencia de los algoritmos y la teoría, explica cómo incorporar el conocimiento con los datos para desarrollar y usar modelos causales (bayesianos) de riesgo que brindan información más poderosa y una mejor toma de decisiones de lo que es. posible a partir de soluciones puramente basadas en datos.
Características:
- Proporciona todas las herramientas necesarias para construir y ejecutar modelos de red bayesianos realistas.
- Proporciona modelos de ejemplo extensos basados en problemas reales de evaluación de riesgos en una amplia gama de dominios de aplicación proporcionados por ejemplo, finanzas, seguridad, confiabilidad de sistemas, derecho, medicina forense, ciberseguridad y más.
- Introduce todas las matemáticas, probabilidades y estadísticas necesarias según sea necesario.
- Establece los conceptos básicos de probabilidad, riesgo y construcción y uso de modelos de red bayesianos, antes de entrar en las aplicaciones detalladas.
- Un sitio web dedicado contiene ejercicios y soluciones trabajadas para todos los capítulos junto con muchos otros recursos. El software AgenaRisk contiene una biblioteca de modelos con versiones ejecutables de todos los modelos del libro. Las diapositivas de las conferencias están disponibles gratuitamente para los profesores académicos acreditados que adopten el libro en su curso.
Sobre los autores
Norman Fenton es profesor de Gestión de la Información de Riesgos en la Escuela de Ingeniería Electrónica y Ciencias de la Computación de la Universidad Queen Mary de Londres y también es Director de Agena, una empresa que se especializa en la gestión de riesgos para sistemas críticos. Norman es un matemático de formación que ahora trabaja en la evaluación cuantitativa de riesgos. Su experiencia cubre una amplia gama de dominios de aplicación tales como razonamiento legal (ha sido un testigo experto en casos criminales y civiles importantes), análisis médico, confiabilidad de vehículos, software integrado, sistemas de transporte, servicios financieros y predicción de fútbol. Norman tiene un interés especial en aumentar la conciencia pública sobre la importancia de la teoría de la probabilidad y el razonamiento bayesiano en la vida cotidiana. Norman ha publicado 7 libros y 250 artículos referidos.
Martin Neil es profesor de Ciencias de la Computación y Estadística en la Escuela de Ingeniería Electrónica y Ciencias de la Computación de Queen Mary, Universidad de Londres y también es director y fundador conjunto de Agena Ltd, que desarrolla y distribuye AgenaRisk, un producto de software para modelado. riesgo e incertidumbre. Además de trabajar en fundamentos teóricos y algorítmicos, su investigación cubre una amplia gama de dominios de aplicación que incluyen análisis médico, razonamiento legal, software integrado, riesgo operativo en finanzas, confiabilidad de sistemas y diseño (incluido software), riesgo de proyecto, riesgo comercial, decisión soporte, análisis de costo-beneficio, IA y personalización, aprendizaje automático, argumentación legal y ciberseguridad. En Queen Mary imparte clases de análisis de riesgos y decisiones. Martin fue miembro del Newton Institute for Mathematical Sciences, Cambridge University en 2016 y fue invitado al Fields Institute for Research in Mathematical Sciences, University of Toronto, Canadá en 2010. Martin ha publicado más de 100 artículos arbitrados.
Tabla de Contenido
- La evaluación de riesgos implica más que estadísticas.
- La necesidad de modelos explicativos causales en la evaluación de riesgos.
- Medir la incertidumbre: la inevitabilidad de la subjetividad.
- Los fundamentos de la probabilidad.
- Teorema de Bayes y probabilidad condicional.
- Del teorema de Bayes a las redes bayesianas.
- Definición de la estructura de las redes bayesianas.
- Construcción y obtención de tablas de probabilidad de nodos.
- Variables numéricas y funciones de distribución continua.
- Prueba de hipótesis e intervalos de confianza.
- Modelización del riesgo operacional.
- Modelado de confiabilidad de sistemas.
- Bayes y la ley.
- Aprendizaje de redes bayesianas.
- Toma de decisiones, diagramas de influencia y valor de la información.
- Redes bayesianas en medicina forense.
- Usar redes bayesianas para desacreditar las malas estadísticas.
- Redes bayesianas para la predicción de fútbol.
A continuación se muestra un extracto del libro:
Prefacio
La era de los “macrodatos” ofrece enormes oportunidades para las mejoras sociales. Existe la expectativa, e incluso la emoción, de que, simplemente aplicando sofisticados algoritmos de aprendizaje automático a conjuntos de “macrodatos”, podemos encontrar automáticamente soluciones a los problemas (antes ya sea irresoluble o incurriría en costos económicos prohibitivos.
Sin embargo, los algoritmos inteligentes necesarios para procesar macrodatos no pueden (y nunca resolverán) la mayoría de los problemas críticos de análisis de riesgos a los que nos enfrentamos. Los macrodatos, incluso cuando se recopilan cuidadosamente, generalmente no están estructurados y son ruidosos: incluso los “datos más importantes” generalmente carecen de información crucial, a menudo oculta, sobre las variables causales o explicativas clave que generan o influyen en los datos que observamos. Por ejemplo, los principales economistas del mundo no pudieron predecir la crisis financiera internacional de 2008-2010 porque se basaron en modelos basados en datos estadísticos históricos que no pudieron adaptarse a nuevas circunstancias, incluso cuando esas circunstancias eran previsibles por expertos contrarios. En resumen, los analistas a menudo dependen de modelos que son representaciones inadecuadas de realidad: buena para predecir el pasado, pero mala para predecir el futuro.
Estos problemas fundamentales son especialmente agudos cuando debemos evaluar y gestionar el riesgo en áreas donde hay pocos o ningún dato histórico directo para aprovechar; cuando los datos relevantes sean difíciles de identificar o sean nuevos; o quedan ocultos los mecanismos causales o las intenciones humanas. Dichos riesgos incluyen ataques terroristas, desastres ecológicos y fallas de nuevos sistemas y mercados. Aquí, la tendencia ha sido confiar en la intuición de los “expertos” para la toma de decisiones. Sin embargo. Existe una alternativa eficaz y probada: el enfoque de datos inteligentes que combina el juicio de expertos (incluida la comprensión de los mecanismos causales subyacentes) con datos relevantes. En particular, las redes bayesianas (BN) proporcionan modelos viables para combinar fuentes de inteligencia humana y artificial, incluso cuando los enfoques de big data para la evaluación de riesgos no son posibles.
Los BN describen redes de causas y efectos, utilizando un marco gráfico que proporciona una cuantificación rigurosa de los riesgos y una comunicación clara de los resultados. Las asignaciones de probabilidad cuantitativa acompañan a la especificación gráfica de un BN y pueden derivarse de datos históricos o del juicio de expertos. Un BN entonces sirve como base para responder consultas probabilísticas dado el conocimiento sobre el mundo. Los cálculos se basan en un teorema del reverendo Thomas Bayes que se remonta a 1763 y, hasta la fecha, proporciona la única forma racional y consistente de actualizar una creencia en algún evento incierto (como una caída en el precio de las acciones) cuando observamos nueva evidencia relacionada. a ese evento (como ganancias mejores de lo esperado). El problema de actualizar correctamente las creencias a la luz de la nueva evidencia es fundamental para todas las disciplinas que involucran cualquier forma de razonamiento (derecho, medicina e ingeniería, así como finanzas y, de hecho, IA). Por lo tanto, una BN proporciona un enfoque general del razonamiento, con modelos explicables de la realidad, en contraste con los enfoques de big data, donde el énfasis está en la predicción más que en la explicación y en la asociación más que en la conexión causal.
Los BN son ahora ampliamente reconocidos como una tecnología poderosa para manejar el riesgo, la incertidumbre y la toma de decisiones. Desde 1995, los investigadores han incorporado técnicas de BN en productos de software, que a su vez han ayudado a desarrollar sistemas de apoyo a la toma de decisiones en muchas aplicaciones científicas e industriales, que incluyen: diagnóstico médico, riesgo operativo y financiero, ciberseguridad, seguridad y evaluación de la calidad. predicción deportiva, derecho, forense y diagnóstico de fallas en equipos.
Un desafío importante del razonamiento causal es que las personas carecían de los métodos y herramientas para hacerlo de manera productiva y eficaz. Afortunadamente, ha habido una revolución silenciosa en ambos arcas. El trabajo de Pearl (ganador del premio Turing por Al), ha proporcionado la instrucción filosófica y práctica necesaria sobre cómo obtener, articular y manipular modelos causales. Asimismo, nuestro trabajo sobre modismos causales y discretización dinámica se ha aplicado en muchas áreas de aplicación para hacer que la construcción y validación de modelos sea más rápida, más precisa y, en última instancia, más productiva. Además, ahora existen productos de software, como AgenaRisk, que contienen algoritmos sofisticados, que nos ayudan a diseñar fácilmente los modelos BN necesarios para representar problemas complejos y presentar resultados reveladores a los tomadores de decisiones. En comparación con las generaciones anteriores de software, estos son más potentes y fáciles de usar, tanto que se están volviendo tan familiares y accesibles como las hojas de cálculo en la década de 1980. De hecho, este gran paso adelante está ayudando a los tomadores de decisiones a pensar tanto gráficamente, sobre las relaciones, como numéricamente, sobre la fuerza de estas relaciones, al modelar problemas complejos, de una manera imposible de hacer antes.
Este libro tiene como objetivo ayudar a las personas a razonar causalmente sobre el riesgo y la incertidumbre. Aunque es adecuado para cursos de pregrado sobre probabilidad y riesgo, está escrito para que sea comprensible para otras personas profesionales generalmente interesadas en la evaluación de riesgos y la toma de decisiones. Nuestro enfoque no hace suposiciones sobre la probabilidad previa y el conocimiento estadístico. Está impulsado por ejemplos reales que se introducen desde el principio como motivación, con la probabilidad y las estadísticas introducidas (desde cero) cuando es necesario. Los temas más matemáticos se separan del texto principal mediante el uso integral de recuadros y apéndices. La atención se centra en las aplicaciones y la construcción de modelos prácticos. ya que creemos que la única forma real de aprender sobre los BN es construirlos y usarlos.
Muchos de los ejemplos de este libro están influenciados por nuestra investigación académica, pero también por nuestra experiencia en poner en práctica las ideas con los responsables de la toma de decisiones y políticas comerciales y gubernamentales. Juntos hemos consultado y suministrado software a una amplia variedad de organizaciones comerciales y gubernamentales, incluidas Milliman LLP, Exxon Mobil, Medtronic, Vocalink, NATO, Sikorsky, World Agroforestry Center, Virgin Money, TNO, Royal Bank of Canada, Bosch, KPMG, QinetiQ, RGA, GTI, EDF Energy, Boeing y universidades de todo el mundo. Creemos firmemente en la transferencia de tecnología y en poner la teoría útil de la toma de decisiones en manos de quienes están en el extremo afilado.
Aunque los puristas han argumentado que solo al comprender los algoritmos se pueden comprender las limitaciones y, por lo tanto, construir modelos BN eficientes, lo superamos brindando asesoramiento pragmático sobre la construcción de modelos para garantizar que los modelos se construyan de manera eficiente. Nuestro enfoque significa que el cuerpo principal del texto está libre de las intimidantes matemáticas que han sido un gran impedimento para el uso más generalizado de BN.
Fin del extracto.
