· Conocer las semejanzas y diferencias entre los diferentes tipos de modelos gráficos probabilistas (redes bayesianas, diagramas de influencia, etc.) y en qué tipo de problemas debe utilizarse cada uno de ellos
· Determinar las relaciones de dependencia e independencia de un grafo dirigido o no-dirigido, es decir, distinguir cuándo dos subconjuntos de nodos de un grafo están conectados o desconectados dado un tercer subconjunto de nodos
· Conocer los principales algoritmos exactos y aproximados para redes bayesianas y ser capaz de implementarlos en algún lenguaje de programación. Analizar la complejidad de cada uno de esos algoritmos
· Construir redes bayesianas causales a partir de conocimiento experto
· Construir redes bayesianas a partir de bases de datos
· Determinar los valores y las utilidades involucrados en un problema de decisión
· Transformar un diagrama de influencia en un árbol de decisión y evaluarlo
· Conocer algoritmos eficientes de evaluación de diagramas de influencia, tales como la elimina-ción de variables y la inversión de arcos
· Construir diagramas de influencia y árboles de decisión
· Aplicar las técnicas y algoritmos anteriores mediante herramientas informáticas, como Elvira y otras.