Aplicación de la IA

Alumno(s):

Liz Teresa Ramos Reyes                14TE0573

Alberto Ruiz Aburto                        14TE0423

Nombre del docente:

Dr. Gustavo Padrón Rivera

Trabajo:

Proyecto Unidad III

Carrera:

Ingeniería en Sistemas Computacionales

FECHA: 

03/05/2018

Introducción

El presente trabajo llevamos a cabo un análisis Bayesiano de la presión arterial, como una "prueba" predictiva en poblaciones con diferentes probabilidades de riesgo de hipertensión, como lo son el peso y la estatura. Se consideró una prueba positiva si la presión arterial sistólica era superior a 139 mmHg  (o menor a 130) o si la presión diastólica era superior a 89 mm Hg(o menor a 80) Dado que estos valores representan los rangos en los que se encuentra una presión normal. Para la base de Datos, se ocuparon registros existentes obtenidos de estudios previos realizados por la OMS. Así como datos obtenidos de familiares cercanos que se realizan un monitoreo diario.

Descripción del Teorema de Bayes

El teorema habla sobre probabilidades condicionales; la probabilidad de que ocurra un evento A dado que otro evento B ya ha ocurrido es igual a la probabilidad de que ocurra el evento B dado que A ya ha ocurrido multiplicado por la probabilidad de ocurrencia del evento A y dividido por la probabilidad de ocurrencia del evento B. (Universidad de Valencia, S.F.)

 En sí, Bayes es una fórmula que describe cómo actualizar las probabilidades de las hipótesis cuando se presentan pruebas. Se sigue simplemente de los axiomas de la probabilidad condicional, pero se puede usar para razonar sobre una amplia gama de problemas. (Peter, 2013)

Dada una hipótesis y evidencia, el teorema de Bayes establece que la relación entre la probabilidad de la hipótesis antes de obtener la evidencia y la probabilidad de la hipótesis después de obtener la evidencia es:

[pic 1]

Muchas técnicas modernas de aprendizaje automático se basan en el teorema de Bayes. Por ejemplo, los filtros de spam usan el teorema de Bayes para determinar si un correo electrónico es real o no deseado, dadas las palabras del correo electrónico. Además, muchas técnicas específicas en estadística, como el cálculo de valores o la interpretación de resultados médicos, se describen mejor utilizando el teorema de Bayes.

Pantallas de la aplicación

[pic 2]

Ilustración 1 Menú Principal

[pic 3]

Ilustración 2 Agregar Valores

[pic 4]

Ilustración 3 Tips

[pic 5]

Ilustración 4 Información de la aplicación

Después de ingresar los registros, la aplicación calcula las probabilidades de la presión. Dado que fue hecha en AppInventor, no se puede enviar el código de la aplicación, pero la metodología será mostrada en la presentación en clase.

[pic 6]

Ilustración 5 Funcionamiento de la aplicación

Conclusiones

El teorema de Bayes tiene implicaciones importantes para la medicina, ya que permite la especificación formal de la probabilidad de que un diagnóstico sea correcto teniendo en cuenta las probabilidades previas relevantes, en este caso fue aplicada a la presión arterial, sin embargo, se le pueden dar muchísimos más usos, algunos trabajos encontrados durante la presente investigación, hablaban del uso de Bayes para encontrar factores claves en el cáncer, VIH, entre otros muchos más usos. Aunque el teorema de Bayes es simple, a menudo se ignora en la práctica, tal vez porque las matemáticas subyacentes a la regla a menudo se tratan de manera superficial en el entrenamiento clínico o bien se dejan sin especificar. Aunque algunos autores dicen que la exposición de la importancia del Teorema de Bayes es minuciosa y convincente, se dejan (y se pueden encontrar) muchas pruebas sobre el funcionamiento de bayes. Aunque para el presente trabajo utilizamos argumentos de varios autores diferentes, se comenzó desde una base muy simple. Las estadísticas bayesianas se han vuelto muy importantes desde principios de la década de 1990. Una de las razones más importantes es que se hizo fácil adaptar modelos muy, muy complejos que involucran datos latentes. Esto incluye, por ejemplo, modelos de datos funcionales, modelos mixtos lineales, etc. Por lo tanto, es más fácil adaptar muchos modelos como bayesianos.

...