Bajesove mreže

Pretpostavka uslovne nezavisnosti (kao u metodi Naivnog Bajesa) predstavlja se na sledeći način:

𝑝(𝑎, 𝑏, 𝑐, 𝑑) = 𝑝(𝑎) ∙ 𝑝(𝑏) ∙ 𝑝(𝑐) ∙ 𝑝(𝑑)

Međutim, ova pretpostavka nije uvek opravdana. Postoje situacije gde su atributi međusobno zavisni
(npr. težina zavisi od brzine). Druga krajnost je da su svi atributi u potpunosti međusobno zavisni, tj.

𝑝(𝑎, 𝑏, 𝑐, 𝑑) = 𝑝(𝑎|𝑏, 𝑐, 𝑑) ∙ 𝑝(𝑏|𝑐, 𝑑) ∙ 𝑝(𝑐 |𝑑) ∙ 𝑝(𝑑)

Gde je 𝑝(𝑐 |𝑑) ∙ 𝑝(𝑑 ) = 𝑝(𝑐, 𝑑), a 𝑝(𝑏|𝑐, 𝑑) ∙ 𝑝(𝑐|𝑑) ∙ 𝑝(𝑑) = 𝑝(𝑏, 𝑐, 𝑑). Kao i kod situacije da su svi
atributi međusobno nezavisni (slika 1) i situacija da su svi atributi zavisni (slika 2) ne oslikava realno
stanje u pravom modelu odlučivanja.

a b c d a c
Slika 1. Nezavisni atributi

d
Slika 2. Potpuno zavisni atributi

Stoga, treba naći model koji ne pripada nijednoj krajnosti, tj. da su neki atributi zavisni a neki nisu.
Kao rezultat ove potrebe nastale su Bajesove mreže. Na primer, ukoliko bismo dodali novi nezavisni
atribut e u situaciji gde su a, b, c i d međusobno zavisni dobili bi sledeće:

𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒) = 𝑝(𝑎|𝑏, 𝑐, 𝑑 ) ∙ 𝑝(𝑏|𝑐, 𝑑) ∙ 𝑝(𝑐|𝑑) ∙ 𝑝(𝑑) ∙ 𝑝(𝑒)

Što grafički (slika 3) izgleda:

a c e

d
Slika 3. Grafički model Bajesove mreže sa novim nezavisnim atributom
Međutim, ukoliko bi rekli da atribut e zavisi od atributa c dobili bi sledeće:

𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒) = 𝑝(𝑎|𝑏, 𝑐, 𝑑) ∙ 𝑝(𝑏|𝑐, 𝑑) ∙ 𝑝(𝑐 |𝑑) ∙ 𝑝(𝑑) ∙ 𝑝(𝑒|𝑐)

Grafički (slika 4) to izgleda:

a c e

d
Slika 4. Grafički model Bajesove mreže gde e zavisi od c

Formalno, Bajesove mreže predstavljaju grafičke modele, tj. grafove gde su čvorovi atributi, a lukovi
zavisnosti između promenjivih. Važno je napomenuti da su lukovi usmereni i tumače se kao da
atribut a utiče na vrednosti atributa b, odnosno b zavisi od a (ako je relacija od a ka b).

Za rezonovanje nad Bajesovom mrežom potrebne su sledeće osobine:

𝑝(𝑎, 𝑏) = 𝑝(𝑎|𝑏) ∙ 𝑝(𝑏) = 𝑝(𝑏|𝑎) ∙ 𝑝(𝑎)

Ova osobina se naziva faktorizacija.

Ukoliko nas za trenutak ne zanimaju pojavljivanja događaja b,c,d i e, i hteli bi da izračunamo verovatnoću
ostvarivanja događaja a u grafičkom modelu sa slike 4 koristićemo marginalizaciju, tj:

𝑝(𝑎) = ∑ 𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒)
𝑏,𝑐,𝑑,𝑒

Na kraju, uslovne verovatnoće (na istom primeru) računamo na sledeći način:

𝑝(𝑎, 𝑏)
𝑝(𝑎 |𝑏) =
𝑝(𝑏)
Odnosno kada primenimo marginalizaciju:
𝑝(𝑎, 𝑏) ∑𝑐,𝑑,𝑒 𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒)
=
𝑝(𝑏) ∑𝑎,𝑐,𝑑,𝑒 𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒)
Primer 1:

Firma koja se bavi obezbeđenjem je uvela alarm. Alarm se oglašava kada dođe do krađe. Međutim, u
specifikaciji alarma piše da se alarm može oglasiti ukoliko dođe do zemljotresa. Za zemljotres
saznajemo iz vesti.

Imajući ove podatke dolazimo do sledećeg grafičkog modela (slika 5).

Krađa Zemljotres

Alarm Vesti

Slika 5. Grafički model – primer Alarm

Prvi korak u rešavanju je faktorizacija modela. Atributi nisu u potpunosti međusobno zavisni, niti
nezavisni, već postoje definisane zavisnosti. Tako vidimo da aktivacija alarma zavisi od toga da li se
dogodila krađa i da li se dogodio zemljotres. Takođe, vidimo da vesti zavise od toga da li se dogodio
zemljotres. Sa druge strane, vidimo da vesti ne zavise od alarma, kao i krađa od zemljotresa itd.
Primenom pravila faktorizacije dobijamo:
𝐾𝑟𝑎đ𝑎 = 𝐾, 𝐴𝑙𝑎𝑟𝑚 = 𝐴, 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 = 𝑍, 𝑉𝑒𝑠𝑡𝑖 = 𝑉

𝑝(𝐾, 𝐴, 𝑍, 𝑉) = 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍 ) ∙ 𝑝 (𝑍) ∙ 𝑝(𝑉|𝑍)

Da bismo mogli da rešavamo upite, tj. rezonujemo nad Bajesovom mrežom (određivanje verovatnoća
određenih događaja) potrebne su nam procenjene verovatnoće datih faktora (ujedno su nam to
parametri modela), tj. one verovatnoće koje imamo u modelu. Tako imamo verovatnoće za krađu:

𝑝(𝐾) = 0,01
̅ ) = 1 − 0,01 = 0,99
𝑝(𝐾
Za zemljotres imamo sledeće verovatnoće:

𝑝(𝑍) = 0,000001 = 10−6

𝑝(𝑍̅) = 1 − 10−6 = 0,999999

Za alarm nam su nam potrebne verovatnoće u zavisnosti od krađe i zemljotresa, te imamo:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝐾𝑟𝑎đ𝑎 𝑆𝑡𝑎𝑛𝑗𝑒: 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 𝐴𝑙𝑎𝑟𝑚 ̅̅̅̅̅̅̅̅̅

𝐴𝑙𝑎𝑟𝑚
𝐾𝑟𝑎đ𝑎 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 0,9999 0,0001
𝐾𝑟𝑎đ𝑎 ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 0,99 0,01
̅̅̅̅̅̅̅̅̅
𝐾𝑟𝑎đ𝑎 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 0,99 0,01
̅̅̅̅̅̅̅̅̅
𝐾𝑟𝑎đ𝑎 ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 0,0001 0,9999
Na kraju potrebne su nam verovatnoće za vesti u zavisnosti od zemljotresa:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 𝑉𝑒𝑠𝑡𝑖 ̅̅̅̅̅̅̅

𝑉𝑒𝑠𝑡𝑖
𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 1 0
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 0 1

Napomena: verovatnoće ostvarivanja nekog događaja, npr. krađe, obeležavamo kao 𝑝(𝐾), a
verovatnoće ne ostvarivanja tog događaja (čitamo kao ne <<taj događaj>>, u ovom slučaju ne krađa)
̅ ).
𝑝(𝐾

Upit 1: Koja je verovatnoća da će se alarm oglasiti, da će biti zemljotres i da će vesti javiti da je bio
zemljotres?

Dakle, potrebno je da izračunamo 𝑝(𝐴, 𝑍, 𝑉). Kako nam stanje krađe nije poznato, potrebno je da bi
izračunali traženu verovatnoću da marginalizujemo po krađi, tj:

𝑝(𝐴, 𝑍, 𝑉) = ∑ 𝑝(𝐾, 𝐴, 𝑍, 𝑉) = ∑ 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍)

𝐾 𝐾

𝑆𝑡𝑎𝑛𝑗𝑒: 𝐾 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍 )

𝐾 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 1 +
𝐾̅ 0,99 ∙ 0,99 ∙ 0,000001 ∙ 0 =

Popunjavanje polja, npr. 𝑝(𝐴|𝐾, 𝑍) radimo tako što gledamo u date (ili izračunate) verovatnoće. U
prvom redu (gde stoji 𝐾) gledamo verovatnoću gde se ostvarila i krađa (to nam je stanje po kojem
marginalizujemo) i zemljotres a alarm se oglasio (u upitu želimo takvu verovatnoću) i to je prvi red u
tabeli gde je vrednost 0,9999. Drugi red (gde stoji 𝐾̅) tražimo verovatnoću da se alarm oglasio ako
znamo da nije bila krađa, a zemljotres se dogodio.

𝑝(𝐴, 𝑍, 𝑉) = 9,9 ∙ 10−7

Dakle, verovatnoća da će se alarm oglasiti, da će biti zemljotres i da će vesti javiti da je bio zemljotres
iznosi 9,9 ∙ 10−7 .
Upit 2: Koja je verovatnoća da će se alarm oglasiti?

Računamo 𝑝(𝐴), gde nam stanja 𝐾, 𝑍 i 𝑉 nisu poznata. Dobijamo sledeće:

𝑝(𝐴) = ∑ 𝑝(𝐾, 𝐴, 𝑍, 𝑉) = ∑ 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍 )

𝐾,𝑍,𝑉 𝐾,𝑍,𝑉

Potrebno je po svim mogućim stanjima 𝐾, 𝑍 i 𝑉 da marginalizujemo. Dobijamo sledeće:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝐾, 𝑍, 𝑉 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍 ) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍 )

𝐾𝑍𝑉 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 1 +
𝐾𝑍𝑉̅ 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 0 +
𝐾𝑍̅𝑉 0,01 ∙ 0,99 ∙ 0,999999 ∙ 0 +
̅̅̅̅
𝐾𝑍𝑉 0,01 ∙ 0,99 ∙ 0,999999 ∙ 1 +
̅𝑍𝑉
𝐾 0,99 ∙ 0,99 ∙ 0,000001 ∙ 1 +
̅ 𝑍𝑉̅
𝐾 0,99 ∙ 0,99 ∙ 0,000001 ∙ 0 +
̅̅̅̅𝑉
𝐾𝑍 0,99 ∙ 0,0001 ∙ 0,999999 ∙ 0 +
̅̅̅̅̅̅
𝐾𝑍𝑉 0,99 ∙ 0,0001 ∙ 0,999999 ∙ 1 =

𝑝(𝐴) = 0,01
Verovatnoća da će se alarm aktivirati iznosi 0,01, odnosno 1%.

Upit 3: Koja je verovatnoća da se da će je bila krađa, ako znamo da se alarm aktivirao?

Potrebna nam je verovatnoća 𝑝(𝐾|𝐴). Primenom uslovne verovatnoće dobijamo:

𝑝(𝐾, 𝐴) ∑𝑍,𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)
𝑝(𝐾|𝐴) = =
𝑝(𝐴) ∑𝐾,𝑍,𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)

Verovatnoću da se alarm oglasio smo izračunali u prethodnom upitu, te ćemo računati samo 𝑝(𝐾, 𝐴).

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑍, 𝑉 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍 )

𝑍𝑉 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 1 +
𝑍𝑉̅ 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 0 +
𝑍̅𝑉 0,01 ∙ 0,99 ∙ 0,999999 ∙ 0 +
̅̅̅̅
𝑍𝑉 0,01 ∙ 0,99 ∙ 0,999999 ∙ 1 =

Dobijamo da je:

𝑝(𝐾, 𝐴) = 0,0099
Odnosno:
𝑝(𝐾, 𝐴) 0,0099
𝑝(𝐾|𝐴) = = = 0,99
𝑝(𝐴) 0,01
Zaključujemo da je verovatnoća da se dogodila krađa, ako znamo da se alarm oglasio jednaka 0,99.
Upit 4: Koja je verovatnoća da se dogodio zemljotres, pod uslovom da se alarm oglasio i da je bila
krađa?
𝑝(𝑍, 𝐴, 𝐾) ∑𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)
𝑝(𝑍|𝐴, 𝐾) = =
𝑝(𝐴, 𝐾) ∑𝑍,𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)

U prethodnom upitu smo izračunali 𝑝(𝐴, 𝐾) pa ćemo računati samo 𝑝(𝑍, 𝐴, 𝐾).

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑉 𝑝(𝐾) ∙ 𝑝(𝐴|𝐾, 𝑍) ∙ 𝑝(𝑍) ∙ 𝑝(𝑉|𝑍 )

𝑉 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 1 +
𝑉̅ 0,01 ∙ 0,9999 ∙ 0,000001 ∙ 0 =

Dobijamo:

𝑝(𝑍, 𝐴, 𝐾) = 9,9 ∙ 10−9

Odnosno:

𝑝(𝑍, 𝐴, 𝐾) 9,9 ∙ 10−9

𝑝(𝑍|𝐴, 𝐾) = = = 1,01 ∙ 10−6
𝑝(𝐴, 𝐾) 0,0099
Ovaj upit oslikava pojam koji se naziva objašnjivanje drugim atributom. Upit pokazuje da su
zemljotres i krađa uslovno zavisni preko zajedničke posledice (alarma), iako su marginalno nezavisni.

Primer 2:

U poslovanju firme Siax & Co. generalni direktor želi da vidi kako uspeh firme zavisi od različitih
faktora. Njegovo znanje je zadato na sledeći način:

Prodaja firme zavisi od dva ključna faktora. To su promocija i konkurencija. Sa druge strane, naša
prodaja utičen na lojalnost naših kupaca i na profit firme (slika 6).

Promocija Konkurencija

Prodaja

Lojalnost Profit

Slika 6. Grafički model - primer Prodaja

Primenom pravila faktorizacije dobijamo sledeći model:

 𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 = 𝑃𝑟𝑜𝑚

𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎 = 𝐾𝑜𝑛𝑘
𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝑃𝑟𝑜𝑑
𝐿𝑜𝑗𝑎𝑙𝑛𝑜𝑠𝑡 = 𝐿𝑜𝑗
𝑃𝑟𝑜𝑓𝑖𝑡 = 𝑃𝑟𝑜𝑓

𝑝(𝑃𝑟𝑜𝑚, 𝐾𝑜𝑛𝑘, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝑃𝑟𝑜𝑓)

= 𝑝(𝑃𝑟𝑜𝑚) ∙ 𝑝(𝐾𝑜𝑛𝑘) ∙ 𝑝(𝑃𝑟𝑜𝑑|𝑃𝑟𝑜𝑚, 𝐾𝑜𝑛𝑘) ∙ 𝑝(𝐿𝑜𝑗|𝑃𝑟𝑜𝑑) ∙ 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑑)

Parametre modela (verovatnoće) treba proceniti iz istorijskih podataka. Tako je generalni direktor
zatražio podatke iz prethodnih meseci i dobio sledeće:

Period Promocija Konkurencija Prodaja Lojalnost Profit

1 1 0 1 1 0
2 0 1 1 1 1
3 1 0 1 0 1
4 0 0 0 0 1
5 0 1 0 0 0
6 1 0 0 1 1
7 1 1 1 0 1
8 1 1 0 1 0
9 1 1 1 1 1

Iz tabele slučajeva treba da procenimo verovatnoće. Dobijamo sledeće verovatnoće za promociju:

6
𝑝(𝑃𝑟𝑜𝑚) =
9
3
̅̅̅̅̅̅̅̅) =
𝑝(𝑃𝑟𝑜𝑚
9
Za konkurenciju dobijamo sledeće:
5
𝑝(𝐾𝑜𝑛𝑘) =
9
4
̅̅̅̅̅̅̅) =
𝑝(𝐾𝑜𝑛𝑘
9
Prodaja zavisi od promocije i konkurencije i dobijamo sledeće:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 𝑆𝑡𝑎𝑛𝑗𝑒: 𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎 𝑃𝑟𝑜𝑑𝑎𝑗𝑎 ̅̅̅̅̅̅̅̅̅̅̅

𝑃𝑟𝑜𝑑𝑎𝑗𝑎
2 1
𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎
3 3
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ 2 1
𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎
3 3
̅̅̅̅̅̅̅̅̅̅̅̅̅̅ 1 1
𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎
2 2
̅̅̅̅̅̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ 0
𝑃𝑟𝑜𝑚𝑜𝑐𝑖𝑗𝑎 𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎 1
1

Vrednosti verovatnoća dobijamo na sledeći način. Pogledamo u tabeli slučajeva tamo gde je
promocija jednaka jedan i gde je konkurencija jednaka jedan. To su slučajevi 7, 8 i 9. Od tih slučajeva
gledamo koliko puta je prodaja bila jedan. Imaju dva slučaja (7 i 9) i upisujemo u prvom redu i trećoj
2
koloni 3. Analogno, popunjavamo ostatak tabele.

Verovatnoće za lojalnost su sledeće:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑃𝑟𝑜𝑑𝑎𝑗𝑎 𝐿𝑜𝑗𝑎𝑙𝑛𝑜𝑠𝑡 ̅̅̅̅̅̅̅̅̅̅̅̅̅

𝐿𝑜𝑗𝑎𝑙𝑛𝑜𝑠𝑡
3 2
𝑃𝑟𝑜𝑑𝑎𝑗𝑎
5 5
̅̅̅̅̅̅̅̅̅̅̅ 2 2
𝑃𝑟𝑜𝑑𝑎𝑗𝑎
4 4

Kada je prodaja bila jedan (slučajevi 1, 2, 3, 7 i 9) bilo je tri slučaja kada je i lojalnost bila jedan
(slučajevi 1, 2 i 9) te procenjujemo da je verovatnoća da je lojalnost jedan pod uslovom da je prodaja
3
jedan jednaka 5. Analogno, popunjavamo ostatak tabele.

Na kraju, verovatnoće za profit su sledeće:

𝑆𝑡𝑎𝑛𝑗𝑒: 𝑃𝑟𝑜𝑑𝑎𝑗𝑎 𝑃𝑟𝑜𝑓𝑖𝑡 ̅̅̅̅̅̅̅̅̅

𝑃𝑟𝑜𝑓𝑖𝑡
4 1
𝑃𝑟𝑜𝑑𝑎𝑗𝑎
5 5
̅̅̅̅̅̅̅̅̅̅̅ 2 2
𝑃𝑟𝑜𝑑𝑎𝑗𝑎
4 4

Upit 1: Koja je verovatnoća da će firma Siax & Co. ostvariti profit pod uslovom da je promocija bila
loša, lojalnost kupaca dobra i konkurencija dobra?
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘). Primenom uslovne verovatnoće i
Dakle treba da izračunati 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚
marginalizacije dobijamo:
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) =
𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚 =
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
∑𝑃𝑟𝑜𝑑 𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
=
̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
∑𝑃𝑟𝑜𝑑,𝑃𝑟𝑜𝑓 𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
 Odatle računamo:

̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) = ∑ 𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚

𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚 ̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑃𝑟𝑜𝑑

̅̅̅̅̅̅̅̅)
𝑆𝑡𝑎𝑛𝑗𝑒: 𝑃𝑟𝑜𝑑 𝑝(𝑃𝑟𝑜𝑚 ∙ ̅̅̅̅̅̅̅̅, 𝐾𝑜𝑛𝑘) ∙ 𝑝(𝐿𝑜𝑗|𝑃𝑟𝑜𝑑) ∙ 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑑)
𝑝(𝐾𝑜𝑛𝑘) ∙ 𝑝(𝑃𝑟𝑜𝑑|𝑃𝑟𝑜𝑚
3 5 1 3 4
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ +
9 9 2 5 5
3 5 1 2 2
̅̅̅̅̅̅̅
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ =
9 9 2 4 4

̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) = 0,06759

𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) dobijamo na sledeći način:
A 𝑝(𝑃𝑟𝑜𝑚

̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) =

𝑝(𝑃𝑟𝑜𝑚 ∑ ̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
𝑃𝑟𝑜𝑑,𝑃𝑟𝑜𝑓

𝑆𝑡𝑎𝑛𝑗𝑒 ̅̅̅̅̅̅̅̅)
𝑝(𝑃𝑟𝑜𝑚 ∙ ̅̅̅̅̅̅̅̅, 𝐾𝑜𝑛𝑘) ∙ 𝑝(𝐿𝑜𝑗|𝑃𝑟𝑜𝑑) ∙ 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑑)
𝑝(𝐾𝑜𝑛𝑘) ∙ 𝑝(𝑃𝑟𝑜𝑑|𝑃𝑟𝑜𝑚
3 5 1 3 4
𝑃𝑟𝑜𝑑, 𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ +
9 9 2 5 5
3 5 1 3 1
𝑃𝑟𝑜𝑑, ̅̅̅̅̅̅̅
𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ +
9 9 2 5 5

̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑓 3 5 1 2 2
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ +
9 9 2 4 4

̅̅̅̅̅̅̅, ̅̅̅̅̅̅̅ 3 5 1 2 2
𝑃𝑟𝑜𝑑 𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ =
9 9 2 4 4

̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) = 0,10185

𝑝(𝑃𝑟𝑜𝑚

Na kraju dobijamo:
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) 0,06759
𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) =
𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚 = = 0,6636
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑚 0,10185

Rezonovanje u Bajesovim mrežama može da se vrši od uzroka ka posledicama i tada se takvo

rezonovanje naziva prediktivno. Na primer, koja je verovatnoća da će firma Siax & Co. imati dobar
profit ako znamo da smo imali dobru promociju?

Ako se vrši rezonovanje od posledice prema uzroku onda se takav način rezonovanja naziva
dijagnostički. Na primer, koja je verovatnoća da je promocija bila dobra, ako je poznato da je profit
bio dobar?

Na kraju rezonovanje može biti kombinovano, kao što je bio upit u drugom primeru.

Bitno je naglasiti da je domensko znanje ugrađeno u strukturu Bajesove mreže, a da se parametri

modela uče iz podataka.
Na kraju algoritam Naivnog Bajesa se može predstaviti kao Bajesova mreža, kao što je prikazano na
slici 7.

Vratio?

Vlasnik stana Bračni status Prihodi

Slika 7. Algoritam Naivnog Bajesa kao Bajesova mreža