WEBVTT

00:00:00.118 --> 00:00:02.898
Así que, ahora, vamos a ver un ejemplo en una red real,

00:00:02.898 --> 00:00:06.181
y trataremos de ver como es el aspecto de una CPD,

00:00:06.181 --> 00:00:07.738
cuál es el comportamiento que obtenemos,

00:00:07.738 --> 00:00:09.488
y cómo podríamos aumentar la red

00:00:09.488 --> 00:00:11.238
para incluir cosas adicionales.

00:00:11.238 --> 00:00:12.802
Ahora, déjenme advertirles por adelantado

00:00:12.802 --> 00:00:14.656
que se trata de una red de juguete,

00:00:14.656 --> 00:00:16.263
no es una red real,

00:00:16.263 --> 00:00:19.622
aunque es lo suficientemente compacta como para mirarla, pero

00:00:19.622 --> 00:00:22.918
aún lo suficientemente interesante como para obtener algunos comportamientos no triviales.

00:00:24.579 --> 00:00:26.593
Por lo tanto, para explorar la red,

00:00:26.593 --> 00:00:28.854
vamos a utilizar un sistema llamado SAMIAM.

00:00:28.854 --> 00:00:31.662
Fue producido por Adnan Darwiche y su grupo de la UCLA,

00:00:31.662 --> 00:00:32.640
y es bueno

00:00:32.640 --> 00:00:36.151
porque en realidad funciona en todo tipo de plataformas diferentes,

00:00:36.151 --> 00:00:38.911
así que puede ser utilizado por cualquiera.

00:00:38.911 --> 00:00:41.537
Así que echemos un vistazo a un problema particular:

00:00:41.537 --> 00:00:43.616
Imaginemos que somos una compañía de seguros

00:00:43.616 --> 00:00:44.888
y estamos tratando de decidir

00:00:44.888 --> 00:00:46.438
para una persona que llega

00:00:46.438 --> 00:00:49.002
si se le da seguro o no.

00:00:49.002 --> 00:00:51.746
Así, el aspecto operativo para tomar esa decisión

00:00:51.746 --> 00:00:54.369
es cuanto nos va a costar la póliza,

00:00:54.369 --> 00:00:55.892
es decir, cuánto vamos a tener que pagar

00:00:55.892 --> 00:00:58.915
en el transcurso de un año para asegurar a esta persona.

00:00:58.915 --> 00:01:02.287
Por lo tanto hay una variable llamada "Cost".

00:01:02.287 --> 00:01:06.847
Vamos a hacer clic sobre él para ver qué propiedades tienen esa variable.

00:01:06.847 --> 00:01:08.507
Y podemos ver que en este caso,

00:01:08.507 --> 00:01:11.952
hemos decidido dar sólo dos valores para la variable "Cost",

00:01:11.952 --> 00:01:13.772
Bajo y Alto.

00:01:13.772 --> 00:01:16.790
Esto es claramente una aproximación muy de grano grueso

00:01:16.790 --> 00:01:18.472
y no una que vayamos a utilizar en la práctica.

00:01:18.472 --> 00:01:20.303
En realidad, es probable que

00:01:20.303 --> 00:01:22.135
ésta sea una variable continua

00:01:22.135 --> 00:01:25.887
cuyo entendimiento depende de varios aspectos del modelo.

00:01:25.887 --> 00:01:27.783
Sin embargo, para los propósitos de nuestro ejemplo,

00:01:27.783 --> 00:01:29.559
vamos a utilizar esta distribución discreta

00:01:29.559 --> 00:01:31.273
que sólo tiene valores Bajo y Alto.

00:01:31.273 --> 00:01:32.647
Está bien.

00:01:32.647 --> 00:01:36.855
Así que ahora, vamos a construir esta red mediante la técnica de

00:01:36.855 --> 00:01:39.504
"ampliar la conversación" que mencionamos antes.

00:01:39.504 --> 00:01:44.224
Así que, ¿cuál es el factor determinante más importante

00:01:44.224 --> 00:01:46.740
en cuanto a costos que la compañía de seguros tiene que pagar?

00:01:46.740 --> 00:01:50.647
Bueno, probablemente si la persona tiene accidentes

00:01:50.647 --> 00:01:51.977
y qué tan severos son.

00:01:51.977 --> 00:01:57.005
Así que aquí tenemos una red que tiene dos variables:

00:01:57.005 --> 00:01:59.724
una es "Accident" y la otra es "Cost".

00:01:59.724 --> 00:02:02.645
Y en este caso hemos decidido seleccionar

00:02:02.645 --> 00:02:05.701
tres valores posibles para la variable "Accident",

00:02:05.701 --> 00:02:09.031
Ninguno, Leve y Severo,

00:02:09.031 --> 00:02:14.442
y con las probabilidades que ven en la lista.

00:02:14.442 --> 00:02:17.447
Y lo que se ve abajo es la variable "Cost".

00:02:17.447 --> 00:02:18.759
Y abrimos la CPD

00:02:18.759 --> 00:02:24.845
de la variable "Cost" dada la variable "Accident".

00:02:24.845 --> 00:02:26.946
Y podemos ver que, en este caso,

00:02:26.946 --> 00:02:29.169
tenemos una tabla de probabilidad condicional

00:02:29.169 --> 00:02:33.358
de "Cost" dado "Accident".

00:02:33.358 --> 00:02:35.485
Noten que esto en realidad está invertido

00:02:35.485 --> 00:02:38.542
respecto a la notación que hemos utilizado en la clase anterior,

00:02:38.542 --> 00:02:41.713
porque acá los casos condicionados son columnas,

00:02:41.713 --> 00:02:44.545
mientras que en los ejemplos que hemos dado

00:02:44.545 --> 00:02:45.754
han sido filas.

00:02:45.754 --> 00:02:49.189
Pero eso está bien, es la misma cosa, sólo invertida.

00:02:49.650 --> 00:02:51.102
Y así vemos, por ejemplo,

00:02:51.102 --> 00:02:54.418
que si la persona no tiene accidentes,

00:02:54.418 --> 00:02:56.765
es muy probable que los costos sea muy bajos.

00:02:56.765 --> 00:03:01.581
Accidentes leves incurre en distribuciones diferentes sobre los costos.

00:03:01.581 --> 00:03:03.173
Y los accidentes graves tienen

00:03:03.173 --> 00:03:05.789
una probabilidad de 0,9 de tener alto costo

00:03:05.789 --> 00:03:08.414
y 0,1 de tener un bajo costo.

00:03:09.060 --> 00:03:11.749
Así que ahora, vamos a seguir ampliando la conversación

00:03:11.749 --> 00:03:14.088
y preguntar que depende de "Accident".

00:03:14.088 --> 00:03:17.207
Y parece ser que uno de los factores obvios

00:03:17.207 --> 00:03:20.409
es si la persona es un buen conductor o no.

00:03:20.409 --> 00:03:22.661
Y así podríamos esperar que la calidad del conductor

00:03:22.661 --> 00:03:23.965
sea un padre de "Accident".

00:03:23.965 --> 00:03:25.214
Pero hay otras cosas

00:03:25.214 --> 00:03:27.853
que también afectan no sólo la presencia de un accidente,

00:03:27.853 --> 00:03:29.911
sino también la gravedad del accidente.

00:03:29.911 --> 00:03:33.909
Así, por ejemplo, el tamaño del vehículo afectaría

00:03:33.909 --> 00:03:37.117
la gravedad de un accidente porque

00:03:37.117 --> 00:03:40.788
si están conduciendo una SUV de gran tamaño, entonces

00:03:40.788 --> 00:03:43.599
es probable que no tengan un accidente tan grave,

00:03:43.599 --> 00:03:45.685
pero a su vez quizás podría aumentar

00:03:45.685 --> 00:03:47.374
la probabilidad de tener un accidente global,

00:03:47.374 --> 00:03:51.830
ya que a lo mejor un coche grande es más difícil de manejar.

00:03:52.615 --> 00:03:56.381
Y entonces, el año del vehículo podría afectar las posibilidades de un accidente

00:03:56.381 --> 00:03:59.509
debido a la presencia o ausencia de ciertas características de seguridad

00:03:59.509 --> 00:04:02.037
como los frenos antibloqueo y airbags.

00:04:02.037 --> 00:04:03.814
Así que vamos a abrir la CPD de "Accident"

00:04:03.814 --> 00:04:05.173
y vemos como luce

00:04:05.173 --> 00:04:07.325
ahora que tenemos todos los padres para ella.

00:04:07.325 --> 00:04:10.213
Y podemos ver acá que tenemos,

00:04:10.213 --> 00:04:13.165
en este caso, ocho casos condicionados,

00:04:13.165 --> 00:04:18.317
correspondiente a tres variables, dos valores cada uno.

00:04:18.317 --> 00:04:22.757
Y acá, sólo para ver una una de las muestra

00:04:22.757 --> 00:04:26.046
de la distribución, por ejemplo,

00:04:26.046 --> 00:04:30.749
si se trata de un vehículo bastante nuevo (después de 2000)

00:04:30.749 --> 00:04:32.398
y es una SUV,

00:04:32.398 --> 00:04:35.725
la probabilidad de tener un accidente grave es muy baja,

00:04:35.725 --> 00:04:38.813
y la probabilidad de tener un accidente leve es moderada,

00:04:38.813 --> 00:04:44.774
y la probabilidad de no tener accidentes es de 0,85.

00:04:44.774 --> 00:04:48.525
Mientras que si se compara con la entrada correspondiente

00:04:48.525 --> 00:04:52.053
cuando mantenemos todo fijo, excepto que ahora es un coche compacto,

00:04:52.053 --> 00:05:00.509
vemos que la probabilidad de tener un accidente leve es menor,

00:05:00.509 --> 00:05:03.045
pero la probabilidad de no tener accidentes es mayor,

00:05:03.045 --> 00:05:08.059
representando patrones de conducción diferentes, por ejemplo.

00:05:08.506 --> 00:05:11.649
Bien, entonces con esta red

00:05:11.649 --> 00:05:13.649
podemos empezar a hacer preguntas simples.

00:05:14.695 --> 00:05:17.145
Así que, para dar algún ejemplo de inferencia causal,

00:05:17.145 --> 00:05:20.559
vamos a instanciar, por ejemplo, "Driving_quality" en Bueno,

00:05:21.574 --> 00:05:23.936
y en Malo.

00:05:23.936 --> 00:05:27.054
Y podemos ver que para un mal conductor

00:05:27.054 --> 00:05:31.397
la probabilidad de un costo bajo es 81%.

00:05:31.397 --> 00:05:36.325
Y para un buen conductor de la probabilidad de un costo bajo es 87%.

00:05:36.325 --> 00:05:38.381
Si nos fijamos en los accidentes

00:05:38.381 --> 00:05:41.278
se puede ver que para un buen conductor

00:05:41.278 --> 00:05:44.800
hay una probabilidad de 87,5% de no tener accidentes

00:05:44.800 --> 00:05:46.431
y 10% de tener un accidente leve.

00:05:46.431 --> 00:05:50.957
Y la probabilidad de no tener accidentes baja para un mal conductor,

00:05:50.957 --> 00:05:53.422
y accidentes leves sube,

00:05:53.422 --> 00:05:55.453
y accidentes graves también se va hacia arriba.

00:05:55.453 --> 00:05:59.077
Ahora, tengan en cuenta que muchas de estas diferencias son muy sutiles.

00:05:59.077 --> 00:06:02.054
Hay una diferencia de un par de puntos porcentuales de una manera u otra.

00:06:02.054 --> 00:06:04.038
Y se podría pensar que,

00:06:04.038 --> 00:06:05.326
si estuvieran diseñando una red,

00:06:05.326 --> 00:06:09.245
les gustaría que estos cambios de probabilidad sean realmente extremos

00:06:09.245 --> 00:06:11.485
cuando se instancias valores distintos.

00:06:11.485 --> 00:06:13.790
Pero en muchos casos esto no es realmente cierto,

00:06:13.790 --> 00:06:15.052
y estas diferencias sutiles

00:06:15.052 --> 00:06:17.643
son en realidad muy importante para una compañía de seguros

00:06:17.643 --> 00:06:19.819
que asegura cientos de miles de personas.

00:06:19.819 --> 00:06:22.495
Un par de puntos porcentuales en la probabilidad de un accidente

00:06:22.495 --> 00:06:24.855
puede hacer una gran diferencia a la propia rentabilidad.

00:06:25.809 --> 00:06:26.972
Así que ahora vamos a pensar en

00:06:26.972 --> 00:06:29.519
cómo podríamos expandir esta red aún más.

00:06:30.196 --> 00:06:33.244
El tamaño de vehículo y año del vehículo son cosas

00:06:33.244 --> 00:06:35.851
que podemos observar en el foro de seguros.

00:06:35.851 --> 00:06:39.070
Pero la calidad del conductor es muy difícil de observar.

00:06:39.070 --> 00:06:41.829
No se puede preguntarle a alguien: "Oh, ¿eres un buen conductor?"

00:06:41.829 --> 00:06:43.451
Porque todo el mundo va a decir:

00:06:43.451 --> 00:06:45.123
"Claro, soy el mejor conductor!".

00:06:45.123 --> 00:06:49.272
Por lo tanto no va a ser una cuestión de gran utilidad.

00:06:49.272 --> 00:06:53.147
Entonces, ¿qué evidencias podemos observar que nos

00:06:53.147 --> 00:06:57.148
podrían indicar el valor de la calidad de conductor?

00:06:57.148 --> 00:07:01.491
Una obvia es el registro de conducir de la persona.

00:07:01.491 --> 00:07:03.556
Es decir, si ha tenido accidentes anteriores

00:07:03.556 --> 00:07:05.355
o infracciones anteriores.

00:07:05.832 --> 00:07:08.412
Por lo tanto, vamos a pensar en añadir una variable

00:07:08.412 --> 00:07:09.880
que representa la historia de conducción.

00:07:10.665 --> 00:07:13.507
Y así vamos a introducir esa variable.

00:07:13.507 --> 00:07:16.315
Por lo tanto, puede hacer clic en este botón

00:07:16.315 --> 00:07:17.697
que nos permite crear un nodo.

00:07:17.697 --> 00:07:19.841
El nodo ahora se llama "variable1"

00:07:19.841 --> 00:07:21.036
por lo que tenemos que darle un nombre.

00:07:21.036 --> 00:07:24.787
Así, por ejemplo, vamos a llamarlo "DrivingHistory".

00:07:26.079 --> 00:07:28.074
Y ese es su identificador,

00:07:28.074 --> 00:07:30.620
y también tenemos el nombre de la variable,

00:07:30.620 --> 00:07:32.246
que es generalmente el mismo.

00:07:32.246 --> 00:07:35.195
Y vamos a darle dos valores,

00:07:35.195 --> 00:07:37.725
digamos PreviousAccident y NoPreviousAccident.

00:07:41.586 --> 00:07:45.760
Ahora, ¿dónde vamos a poner esta variable en la red?

00:07:45.760 --> 00:07:48.828
Uno podría pensar inicialmente que hay que

00:07:48.828 --> 00:07:53.228
colocar "DrivingHistory" como padre de "Driver_quality"

00:07:53.228 --> 00:07:57.150
porque el historial de conducción puede influenciar

00:07:57.150 --> 00:07:59.044
nuestras creencias sobre la calidad del conductor.

00:07:59.044 --> 00:08:01.290
Ahora, es verdad que la observación del historial de conducción

00:08:01.290 --> 00:08:03.651
cambia nuestra probabilidad de la calidad del conductor,

00:08:03.651 --> 00:08:07.443
pero si piensan en la propia estructura causal de esta situación,

00:08:07.443 --> 00:08:11.878
lo que realmente tenemos es que la calidad del conductor es un factor causal

00:08:11.878 --> 00:08:13.968
tanto de un accidente anterior

00:08:13.968 --> 00:08:16.765
como un accidente posterior.

00:08:16.765 --> 00:08:18.327
Y lo que si queremos mantener es

00:08:18.327 --> 00:08:20.421
la estructura causal intuitiva del dominio,

00:08:20.421 --> 00:08:28.095
algo más adecuado es añadir "DrivingHistory" como hijo

00:08:28.095 --> 00:08:29.972
en lugar de padre de "Driver_quality".

00:08:29.972 --> 00:08:32.187
Pueden preguntarse por qué es importante,

00:08:32.187 --> 00:08:33.864
y en este ejemplo muy sencillo

00:08:33.864 --> 00:08:36.874
los dos modelos son, en cierto sentido equivalentes

00:08:36.874 --> 00:08:38.851
y podríamos haberlas colocado de cualquier manera,

00:08:38.851 --> 00:08:44.076
excepto que la CPD de la calidad del conductor dado el historial de conducción

00:08:44.076 --> 00:08:46.006
puede ser un poco menos intuitivo.

00:08:46.006 --> 00:08:49.955
Pero si tuviéramos otros indicadores de calidad del conductor,

00:08:49.955 --> 00:08:52.436
por ejemplo, una infracción anterior,

00:08:52.436 --> 00:08:55.661
entonces en realidad tiene mucho más sentido

00:08:55.661 --> 00:08:58.559
tener todos ellos como hijos de la calidad del conductor

00:08:58.559 --> 00:09:00.925
en vez de padres de la calidad del conductor.

00:09:01.802 --> 00:09:02.680
Está bien.

00:09:02.680 --> 00:09:07.481
Esto nos muestra cómo podemos añadir una variable a la red.

00:09:07.481 --> 00:09:09.764
Y ahora vamos a abrir una red mucho más grande

00:09:09.764 --> 00:09:13.007
que incluye estas variables y otras.

00:09:13.007 --> 00:09:15.971
Miramos ahora en esta red más grande,

00:09:15.971 --> 00:09:17.347
y podemos ver

00:09:17.347 --> 00:09:20.237
que hemos añadido algunas variables diferentes a la red.

00:09:20.237 --> 00:09:23.211
Hemos añadido atributos del vehículo,

00:09:23.211 --> 00:09:27.284
por ejemplo, si el vehículo tenía frenos antibloqueo y airbag,

00:09:27.284 --> 00:09:28.787
que nos va a permitir dar

00:09:28.787 --> 00:09:31.483
probabilidades más informativas sobre el accidente.

00:09:31.483 --> 00:09:35.227
También hemos introducido aspectos del conductor,

00:09:35.227 --> 00:09:38.243
por ejemplo, si ha tenido una ruta de entrenamiento extra,

00:09:38.243 --> 00:09:40.084
que va a aumentar la calidad de conducción,

00:09:40.084 --> 00:09:41.684
si es joven o viejo,

00:09:41.684 --> 00:09:42.952
donde se supone

00:09:42.952 --> 00:09:45.883
que las personas más jóvenes tienden a ser conductores más imprudentes,

00:09:45.883 --> 00:09:50.373
y si el conductor es enfocado o fácilmente distraído,

00:09:50.373 --> 00:09:52.848
que a su vez va a afectar a la calidad de conducción.

00:09:53.648 --> 00:09:58.681
Ahora bien, como el tipo de personalidad es difícil de observar,

00:09:58.681 --> 00:10:03.155
añadimos otra variable que es "Good_student"

00:10:03.155 --> 00:10:05.654
lo que podría indicar el tipo de personalidad.

00:10:05.654 --> 00:10:08.862
Así que vamos a abrir la CPD para este,

00:10:11.293 --> 00:10:14.071
y así podemos ver acá que, por ejemplo,

00:10:14.071 --> 00:10:20.999
si sos una persona enfocada y joven,

00:10:20.999 --> 00:10:23.720
es mucho más probable que seas un buen estudiante,

00:10:23.720 --> 00:10:28.439
mucho más que si no sos una persona enfocada y joven.

00:10:28.439 --> 00:10:32.303
Si sos viejo, no es muy probable que seas un estudiante,

00:10:32.303 --> 00:10:38.021
por lo que esta probabilidad básicamente dice que si sos viejo,

00:10:38.021 --> 00:10:39.883
no es muy probable que seas un estudiante,

00:10:39.883 --> 00:10:41.322
y por lo tanto no es probable ser un buen estudiante.

00:10:42.014 --> 00:10:47.608
Así que, ahora que hemos añadido todas estas variables a la red,

00:10:47.608 --> 00:10:51.161
vamos a seguir adelante y ejecutar algunas consultas para ver qué pasa.

00:10:51.161 --> 00:10:56.918
Y vamos a empezar por mirar la probabilidad a priori de "Accident"

00:10:56.918 --> 00:10:59.942
antes de observar nada.

00:10:59.942 --> 00:11:04.299
Podemos ver que la probabilidad de ningún accidente es cercana al 79,5%.

00:11:04.299 --> 00:11:07.065
La probabilidad de accidente grave es de aproximadamente 3%.

00:11:07.065 --> 00:11:10.077
Ahora vamos a seguir adelante y decirle al sistema

00:11:10.077 --> 00:11:11.837
que tenemos un buen estudiante en cuestión.

00:11:11.837 --> 00:11:13.608
Así que vamos a observar

00:11:13.608 --> 00:11:15.978
que el estudiante es un buen estudiante,

00:11:15.978 --> 00:11:17.567
y vamos a ver qué pasa.

00:11:18.059 --> 00:11:19.695
Podemos ver, sorprendentemente,

00:11:19.695 --> 00:11:20.807
que a pesar de que se observa

00:11:20.807 --> 00:11:21.887
que alguien es un buen estudiante,

00:11:21.887 --> 00:11:23.954
la probabilidad de ningún accidente

00:11:23.954 --> 00:11:27.699
se redujo de 79,5% a 78%,

00:11:27.699 --> 00:11:29.582
y la probabilidad de accidentes graves

00:11:29.582 --> 00:11:32.819
subió de 3,5% a 3,67%.

00:11:32.819 --> 00:11:33.880
Ustedes pueden decir:

00:11:33.880 --> 00:11:35.986
"Bueno, pero me dijo que es un buen estudiante,

00:11:35.986 --> 00:11:38.138
¿No debería bajar la probabilidad de accidentes?"

00:11:38.307 --> 00:11:41.972
Así que echemos un vistazo a algunos caminos activos en este grafo.

00:11:41.972 --> 00:11:46.461
Un camino activo pasa desde "Good_student" a "Focused",

00:11:46.461 --> 00:11:48.928
a "Driver_quality",

00:11:48.928 --> 00:11:49.939
a "Accident".

00:11:49.939 --> 00:11:53.602
Y es bastante seguro que, si tenemos en cuenta ese camino de forma aislada,

00:11:53.602 --> 00:11:58.378
probablemente va a hacer que la probabilidad de ningún accidente sea mayor.

00:11:58.378 --> 00:12:00.204
Sin embargo, tenemos otro camino activo.

00:12:00.204 --> 00:12:04.058
Tenemos el camino activo que va de "Good_student" hasta "Age",

00:12:04.058 --> 00:12:07.085
y luego hacia abajo, a través de "Driver_quality".

00:12:07.085 --> 00:12:09.921
Por lo tanto, para ver esto, vamos a desmarcar en buen estudiante

00:12:09.921 --> 00:12:11.281
y ver qué pasa.

00:12:11.281 --> 00:12:15.767
Noten que inicialmente la probabilidad de que el conductor sea joven era del 25%,

00:12:15.767 --> 00:12:17.710
pero cuando observé un buen estudiante,

00:12:17.710 --> 00:12:20.538
subió a cerca de 95%.

00:12:20.538 --> 00:12:23.143
Y eso fue suficiente para contrarrestar la influencia

00:12:23.143 --> 00:12:27.446
a lo largo de este camino activo más evidente.

00:12:27.831 --> 00:12:31.551
Así que, para demostrar que esto es precisamente lo que está pasando,

00:12:31.551 --> 00:12:35.783
hagamos click para

00:12:35.783 --> 00:12:38.415
instanciar el hecho de que el estudiante es joven,

00:12:38.415 --> 00:12:43.446
y podemos ver que la probabilidad de accidente grave subió hasta el 3,7%

00:12:43.446 --> 00:12:47.967
y ningún accidente bajó un poco por debajo del 77%.

00:12:47.967 --> 00:12:51.559
Y ahora vamos a observar buen estudiante y ver qué pasa.

00:12:51.559 --> 00:12:53.174
Así que ahora observamos buen estudiante,

00:12:53.174 --> 00:13:01.656
y la probabilidad de ningún accidentes se fue a 78%,

00:13:01.656 --> 00:13:07.036
a diferencia del anterior, cuando era 77%.

00:13:07.036 --> 00:13:10.558
Y la razón de esto

00:13:10.558 --> 00:13:12.773
es que ahora hemos bloqueado este camino

00:13:12.773 --> 00:13:15.871
que va de buen estudiante, a través de la edad, a la calidad del conductor

00:13:15.871 --> 00:13:17.917
mediante la observación de esta variable que bloquea el camino.

00:13:17.917 --> 00:13:20.624
Así podemos ver que los patrones de razonamiento

00:13:20.624 --> 00:13:24.981
en una red bayesiana a veces son sutiles.

00:13:24.981 --> 00:13:28.640
Y hay diferentes caminos que pueden afectar a las cosas

00:13:28.640 --> 00:13:31.748
y interactúan entre sí de diferentes maneras.

00:13:31.748 --> 00:13:34.698
Y de esta manera, es útil tomar el modelo

00:13:34.698 --> 00:13:36.315
y jugar con diferentes consultas

00:13:36.315 --> 00:13:37.734
y diferentes combinaciones de evidencias

00:13:37.734 --> 00:13:40.026
para entender el comportamiento de una red.

00:13:40.026 --> 00:13:41.341
Y especialmente si están diseñando

00:13:41.341 --> 00:13:43.786
dicha red para una aplicación particular,

00:13:43.786 --> 00:13:46.290
es útil para probar las diferentes consultas

00:13:46.290 --> 00:13:48.053
y ver si el comportamiento que se obtiene

00:13:48.053 --> 00:13:49.706
es el comportamiento que desean conseguir.

00:13:49.706 --> 00:13:52.076
Y si no, entonces necesitan preguntarse

00:13:52.076 --> 00:13:55.962
¿cómo puedo modificar esta red para obtener un comportamiento

00:13:55.962 --> 00:14:00.498
que es más similar a la conducta deseada?.

00:14:00.498 --> 00:14:03.755
Esta red está disponible para que jueguen

00:14:03.755 --> 00:14:06.005
y puedan probar diferentes cosas

00:14:06.005 --> 00:14:08.961
y ver qué comportamientos se obtienen.