Abstracts de Technical Reports/Technical Reports Abstracts

  • #GAD-9601, Antonio Salmerón, Manuel J. Bolaños. , Método híbrido para inferencia en redes Bayesianas, (7 pages) January 1996.

    It is known that probabilistic inference in Bayesian Networks by exact methods is a NP-hard problem. In this paper, we propose a method for combining exact and Monte Carlo techniques, in order to improve the performance of approximate algorithms without a high computational cost.
  • #GAD-9602, Luis D. Hernández, Serafín Moral, Antonio Salmerón. Importance sampling algorithms for belief networks based on approximate computation., (6 pages) January 1996.

    In this paper we study a new general class of algorithms for the propagation of probabilities on graphical structures based on importance sampling techniques. The idea is to make an approximate and fast propagation in order to obtain a sampling distribution as close as possible to the true one. Our proposal is based on a deletion sequence of the variables to calculate the 'a posteriori' probability in one variable. The deletion procedure is the basis for the exact propagation algorithms. Here the difference is that sometimes, when the cost of the exact deletion exceeds a given limit, an approximated deletion is done. The calculations of the deletion procedure will be used to obtain in a very fast way a sample for the simulation. Some experimental tests are carried out to compare our procedure with other known methods.
  • #GAD-9603, Antonio Salmerón. Propagación de probabilidades mediante precomputación aproximada. , (73 pages) (In Spanish) March 1996.

    Many aspects of probability propagation are reviewed in this report, including exact methods and Monte Carlo technics. The technique of approximate precomputation is explained and mixed with importance sampling and stratified simulation methods.
  • #GAD-9604, Luis D. Hernández, Antonio Salmerón. Distancias e índices parciales de medidas difusas. (6 pages) (in Spanish) September 1996.

    Un elemento fundamental en la teoría de las medidas difusas es el estudio de índices que determinen la calidad de ésta (i.e. medidas de disonancia, confusión o discordancia). Dichos estudios se centran principalmente en al teoría de la posibilidad y de la evidencia, y todos ellos consideran toda la información que codifica la medida. En este trabajo proponemos dos técnicas para determinar la probabildad más cercana a una medida difusa general así como el establecimiento de un conjunto de índices de (in)certidumbre asocidos a estas medidas. En su desarrollo establecemos el concepto de distancia entre medidas difusas considerando sólo una parte de la información que éstas suministran.
  • #GAD-9605, Manuel J. Bolaños, Fernando Reche. Definición de parámetros estadísticos utilizando la Integral de Choquet. (5 pages) (In Spanish) September 1996.

    Es este trabajo se presentan algunas definiciones de parámetros estadísticos en un contexto no-aditivo utilizando medidas difusas. Así pues, se define el concepto de Varianza Monótona y de Momentos Monótonos de funciones no negativas. Se sugiere una tranformación de funciones utilizando la Integral de Choquet para facilitar y, en algún sentido, explicar la agregación de información.
  • #GAD-9701, Manuel J. Bolaños, Fernando Reche. Definición de parámetros estadísticos bidimensionales basados en la integral de Choquet (6 pages) (In Spanish) June 1997.

    En este trabajo abordamos el problema de la evaluación estadística de información proviniente de varias fuentes en un contexto no-aditivo. Para ello presentamos algunos coeficientes que nos permiten estudiar el comportamiento de dos funciones definidas sobre referenciales finitos sobre los que hay subyacente una medida difusa.
  • #GAD-9702, Antonio Salmerón, Finn V. Jensen. HUGIN architecture for propagating belief functions. (23 pages). December 1997.
    In this paper we study the use of a HUGIN like architecture for propagating Dempster-Shafer belief functions. The main issue of the proposed scheme is that it allows to do the entire propagation with mass function. To achieve this, an inverse for mass functions is defined.