* Presentar los Fundamentos Matemáticos. Teoría de Grafos y Estadística de los Denominados "Modelos Gráficos ProbabilísticosÓ presentando especial importancia a Redes de Markov, las Leyes Bayesianas y los Diagramas de Influencia.

* Presentar métodos de Programación de la Evidencia, tanto exactos como aproximados, así como de Aprendizaje Estructural.

* Presentar problemas resueltos con esta metodología en diferentes dominios: Médicos Ecológicos, Telecomunicaciones, É

* Familiarizar al alumno con el Sitema Hugin.

1. Fundamentos Matemáticos. (8)

2. Propagación de Evidencias. (4)

3. Propagación de la Evidencia. Métodos Aproximados. (2)

4. Aprendizaje Estructural (6)

5. Aplicaciones. (7)

6. El Sistema HUGIN. (3)

Castillo e. Gutiérrez. J.M., Hadi A.S. (1997) Expert Systems and Probabilistic Network Models, Spinger Verlag

Jensen F.V. (1996) Intriduction to Bayesian Networks, University College of London

Lauritzen S.L. (1996) Graphical Models, Oxford Sciencies Publications

Cox, D.R. Werm H. N. (1996) Multivariante Dependencies, Chapman Hall

Edwards, D. (1995) Introduction to Graphical Modeling, Springer Verlag

Neapolitan E. (1998) Probabilistic Reasoning In Expert Systems, John Willey & Sons

Pearl J. (1998) Probabilistic Reasoning In Intelligent Systems: Networks of Pausibles Inference, Morgan Kaufman, San Mateo