Sección 3 Redes markovianas

Hasta ahora hemos restringido nuestro estudio a las redes bayesianas, otra manera usual de representar independencias condicionales y modelos asociados es a través de gráficas no dirigidas, o modelos de redes markovianas.

Hay dos puntos importantes en los que difieren los modelos dirigidos de los no dirigidos:

• Cómo se representan la independencias condicionales: en el caso Markoviano, la interpretación es más simple (caminos activos son bidireccionales no condicionados).
  
• Qué tipo de estructuras de independencia pueden representarse apropiadamente.
  
• Cómo se parametriza la conjunta: en general, en redes markovianas no es posible utilizar modelos locales de probabilidades condicionales como en los modelos dirigidos.

En esta sección utilizaremos los paquetes Højsgaard (2019) y Højsgaard (2017).

Y las principales referencias son Bishop (2006), Whittaker (2009), Højsgaard, Edwards, and Lauritzen (2012).

Referencias

Bishop, Christopher M. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Berlin, Heidelberg: Springer-Verlag.

Højsgaard, S., D. Edwards, and S. Lauritzen. 2012. Graphical Models with R. Use R! Springer New York. https://books.google.com.mx/books?id=em5QdpWmljAC.

Højsgaard, Søren. 2017. GRim: Graphical Interaction Models. https://CRAN.R-project.org/package=gRim.

Højsgaard, Søren. 2019. GRbase: A Package for Graphical Modelling in R. https://CRAN.R-project.org/package=gRbase.

Whittaker, Joe. 2009. Graphical Models in Applied Multivariate Statistics. Wiley Publishing.