(eng): In this contribution we discuss a relation of two types of multidimensional models introduced within the framework of probability theory, which appeared to be in a sense equivalent: Bayesian networks and compositional models. Based on a simple example we analyse algorithms transforming one type of the model into the other. In this way we demonstrate a principal difference, which explains why the compositional models are more efficient for computations.

(cze): Příspěvek diskutuje vztah mezi dvěma typy pravděpodobnostních modelů, které jsou v jistém smyslu ekvivalentní: mezi bayesovskými sítěmi a kompozicionálními modely. Na základě jednoduchého příkladu jsou analyzovany rozdíly v algoritmech převádějících jeden model na druhý. Na tomto příkladu je ukázán základní rozdíl, který vysvětluje skutečnost, že kompozicionální modely mohou být z výpočetního hlediska efektivnější než bayesovské sítě