Resumo: Modelos gráficos probabilísticos (ou grafos de independência

condicional) são uma linguagem intuitiva e rigorosa matematicamente para
descrever as relações de independência condicional implicadas pela
distribuição de probabilidade conjunta das variáveis. Assim, são muito
utilizados para descrever relações causais (dirigidas) ou correlacionais
(não dirigidas) entre variáveis.
Sob certas suposições, algoritmos computacionais baseados em testes de
independência condicional conseguem aprender a estrutura do modelo
gráfico probabilístico (ou de sua classe de equivalência) a partir de
dados puramente observacionais. Aplicados na área biomédica, esses
algoritmos têm ajudado na identificação dos mecanismos por trás de
fenótipos de doenças multifatoriais e, assim, dos fatores de riscos de
doenças.
Com base nos modelos mistos poligênicos univariados, que permitem
explicar a (co)variabilidade fenotípica de acordo com as influências
genéticas e ambientais em estudos de famílias, mostraremos a derivação
de estimadores e testes de significância para coeficientes de correlação
parcial genético e ambiental. Além disso, mostraremos como esses testes
podem ser aplicados para o aprendizado da estrutura de modelos gráficos
probabilísticos Gassianos e também de sua decomposição em dois
componentes: genético e ambiental.