Incertidumbre
-
Upload
luis-rengifo -
Category
Documents
-
view
152 -
download
5
Transcript of Incertidumbre
Introducción
Todo sistema que tenga por objetivo simular las interacciones entre componentes inteligentes y autónomos debe de considerar el manejo de incertidumbre e inconsistencia.
Introducción
Incertidumbre– Información incompleta– Fuentes poco confiables– Detalles y hechos importantes cambian– Hechos imprecisos, vagos o difusos
La gente llega a soluciones razonables a pesar de todo
Lógica de predicados
Sistema convencional de razonamiento Trabaja con información
– Completa con respecto al dominio de interés. Todos los hechos están presentes o pueden derivarse de los que se encuentran.
– Consistente– La única forma en que pueda cambiar es
que se agreguen nuevos hechos.
Modelos
Razonamiento no monotónico– Los axiomas y/o reglas de inferencia se
complementan para permitir el razonamiento con información incompleta. Cuentan con la propiedad de que, en cualquier momento, dada una afirmación, ésta se cree verdadera, falsa, o ninguna.
Razonamiento no monotónico
La lógica clásica descansa sobre la premisa de que las deducciones que se obtienen a partir de ella son válidas y permanecen así.
Al agregar nuevos axiomas se incrementa la cantidad de conocimiento en la base de conocimientos.
El conjunto de hechos sólo puede crecer, no reducirse (monotónico).
Razonamiento no monotónico El razonamiento no monotónico
contempla el hecho de que nueva información puede cambiar las creencias o deducciones previas.
Razonamiento no monotónico
Sistemas de mantenimiento de verdad– Permite la adición de enunciados que
cambian la base de conocimientos (aún contradictorios).
– Se conocen como sistemas de verificación de creencias.
– Tienen la finalidad de mantener la consistencia del conocimiento que utiliza el resolvedor de problemas.
Razonamiento no monotónico
Sistemas de mantenimiento de verdad– No realiza funciones de inferencia.– Proporciona, al componente que realiza la
inferencia, la capacidad de realizar inferencias no monotónicas.
– Cuando descubre nuevos hechos, se reemplazan conclusiones previas no válidas.
– Mantiene el conjunto de creencias actualizado y válido.
Razonamiento no monotónico
Sistemas de mantenimiento de verdad
pedrofiestapersona
pedroestudiantebuen
YduroestudianoYfiestapersonaY
Xgradua
XduroestudiaMXestudiantebuenX
_
_
__:
__:
Modelos
Razonamiento estadístico– La representación se complementa para
permitir algún tipo de medida numérica de certeza asociada a cada afirmación o enunciado.
Razonamiento estadístico
Enfoque Bayesiano– Utilizando la teoría de probabilidades es
posible generalizar observaciones sobre eventos para llegar a afirmaciones sobre poblaciones de objetos, o viceversa, de poblaciones llegar a eventos específicos.
– Se utiliza el teorema de Bayes para manejar incertidumbre.
Teorema de Bayes
Sea {B1, B2, ..., B3} un conjunto de eventos que forman una partición en un estado muestra S, donde P(Bi) <> 0, para i = 1,2,..., n. Sea A cualquier evento de S tal que P(A) <> 0. Entonces, para K = 1,2, ... , n, se tiene:
n
iii
kkn
ii
kk
BAPBP
BAPBP
ABP
ABPABp
11
Teorema de Bayes Ej. Si se conoce que el dos porciento de una población
tiene tuberculosis, podemos definir:– Dado el hecho: P(T) = 0.02– Variables definidas
• P(X | T) = probabilidad de que los rayos X de una persona con tuberculosis sean positivos.
• P(X | no-T) = probabilidad de que los rayos X de una persona saludable sean positivos.
• P(T | X) = probabilidad de que una persona con rayos X positivos tenga tuberculosis.
– Dada la información P(X | T) = 0.99 y P(X | no-T) = 0.01
Razonamiento estadístico
Mecanismos que explotan la estadística Bayesiana– Redes Bayesianas– Factores de certeza– Teoría de Dempster-Shafer (ignorancia)– Lógica difusa (vaguedad)
Redes Bayesianas
El razonamiento, utilizando el sentido común, generalmente es incierto.
Es posible construir y utilizar un método probabilístico para este tipo de razonamiento.
Se razona sobre las probabilidades en el conocimiento incierto.
Se encuentra una distribución de probabilidad que represente los posibles eventos.
Redes Bayesianas Modela la estructura causal de un proceso no
determinista. Es un grafo acíclico dirigido, G=(V,E), donde el
conjunto de vértices representa variables y cada arco las relaciones de causalidad que existen entre ellas.
La variable al final del arco es dependiente de la variable al inicio del mismo.
Cada nodo tiene una tabla de probabilidad condicional que cuantifica los efectos que los padres de un nodo tienen sobre él.
Redes Bayesianas
Las Redes Bayesianas pueden realizar cuatro tipos de inferencia– Diagnóstico (de efectos a causas)– Causales (de causas a efectos)– Intercausales (entre causas de un efecto
común)– Mixtas (combinación de dos o más de las
anteriores)
Ejemplo Alarma
Inferencia por diagnóstico: Dado que Arturo llamó, inferir la probabilidad de que hubo un asalto: P(Asalto | Arturo llamó)
Inferencia causal: Dado que hubo un asalto, inferir la probabilidad de que Arturo llame: P(Arturo llamó | Asalto)
Ejemplo Alarma
Inferencia intercausal: Dado que la alarma sonó, tenemos que P(Asalto | Alarma) = 0.376. Pero si se añade la evidencia de que hubo un terremoto, entonces P(Asalto | Alarma y Terremoto) = 0.003.
Aún cuando los asaltos y los terremotos son independientes, la presencia de alguno provoca que el otro sea menos probable.
Ejemplo Alarma
Inferencia mixta: Dado que Arturo llamó es verdadero y que terremoto es falso (inferencia de diagnóstico y causal).
P(Asalto | Arturo llamó y no-terremoto) (inferencia intercausal y de diagnóstico)
Teoría de Dempster-Shafer
Hace la distinción entre ignorancia e incertidumbre.
No conocer el valor de una variable no significa que está sujeta a incertidumbre.
Ejemplo
Definir un universo de discernimiento de hipótesis mutuamente excluyentes,
En un problema de diagnóstico este universo puede ser:
{alergia, gripa, resfrío, neumonía}
La meta es determinar alguna medida de credibilidad para los elementos de
Ejemplo
Sin embargo, no toda la evidencia confirma a un solo elemento. Es decir, si tenemos como evidencia fiebre, esta puede confirmar {gripa, resfrío, neumonía}.
Dempster-Shafer utiliza una función de densidad de probabilidad denotada m.
Ejemplo
La función m está definida no sólo para los elementos de sino también para todos sus subconjuntos.
El valor m(p) mide la cantidad de creencia que se asigna al subconjunto p de la hipótesis.
Si tiene n elementos existen 2n subconjuntos de
La suma de los valores de m asignados a los subconjuntos de es 1.
Ejemplo
Asumamos que, al inicio del diagnóstico, no existe información sobre cómo elegir entre las cuatro hipótesis. Entonces m se define como:
{ } (1.0)
Ejemplo
Todos los demás valores de m son 0. Ahora, suponemos que conocemos
cierta información que nos dice que con un 0.6 el diagnóstico está en {gripa, resfrío, neumonía}. Entonces m se actualiza como:
{ } (0.4)
{gripa, resfrío, neumonía} (0.6)
Ejemplo
Si recibimos más información que determina:
Debe calcularse la combinación de ambas informaciones para sacar el nuevo valor de m.
{ } (0.2)
{gripa, resfrío, alergia} (0.8)
Ejemplo
{gripa, resfriado} (0.48)
{alergia, gripa, resfriado} (0.32)
{gripa, resfriado, neumonía} (0.12)
(0.08)
Ejemplo
{gripa, resfriado} (0.104)
{alergia, gripa, resfriado} (0.696)
{gripa, resfriado, neumonía} (0.026)
{alergia} (0.157)
(0.017)
Factores de certeza
Es la forma más común de representar pesos heurísticos.
Utiliza técnicas pseudo-probabilísticas para manejar la incertidumbre.
Indican el grado de certeza en los que se cree que cada regla o hecho es verdadero.
Factores de certeza
Aplicados en el sistema MYCIN, que intentaba recomendar terapias a pacientes con infecciones bacterianas.
Factores de certeza
Se utilizan en los sistemas expertos, donde a cada regla se le asocia un valor de credibilidad a la conclusión.
Un factor de certeza se define en términos de dos componentes:– MB [h, e]– MD [h, e]
Factores de certeza
MB [h,e] – es la medida (entre 0 y 1) de credibilidad en la hipótesis h dada la evidencia e. Mide el grado en que la evidencia confirma la hipótesis.
MD [h,e] – es la medida (entre 0 y 1) de incredulidad de la hipótesis h dada la evidencia e. Mide el grado en el que la evidencia confirma negativamente la hipótesis.
Factores de certeza
El factor de certeza se mide como:
En MYCIN, los factores de certeza fueron proporcionados por expertos humanos.
ehMDehMBeh,CF ,,
Lógica difusa
Se utiliza para representar conceptos vagos o difusos.
Conjuntos difusos– En la teoría estándar un objeto pertenece
o no a un conjunto.– La lógica tradicional se basa en el hecho
de que P(a) es verdadero o falso.– Un conjunto difuso permite valores
diferentes de 0 ó 1.
Lógica difusa
Conjuntos difusos (cont.)– Sea U un conjunto enumerable o no– Sea x en elemento de U– Un subconjunto difuso de U es un
conjunto de pares ordenadospara toda x en U donde es una función característica con valores [0,1], que indica el grado o nivel de pertenencia de x en
A~
xux A, xuA
A~
Lógica difusa
Un valor de significa que x no es un miembro de , y un valor de
significa que x pertenece completamente a
Valores entre significa que x pertenece parcialmente a
0xuA
1xuA
A~
A~
10 xuA
A~
Lógica difusa
Las funciones características de los conjuntos difusos no deben confundirse con probabilidades.
Una probabilidad es la medida del grado de incertidumbre o creencia basada en la frecuencia o proporción de ocurrencia de un evento.
Una función característica difusa está relacionada con la vaguedad y es la medida de factibilidad de un evento.