SISTEMAS EXPERTOS

SE BASADOS EN PROBABILIDAD.
1. Explique la aplicacin de las Reglas Generalizadas
Una forma de introducir la incertidumbre en los sistemas basados en reglas
consiste en utilizar reglas generalizadas. El uso de reglas generalizadas
requiere utilizar medidas de incertidumbre para ambos, objetos y reglas, junto
con frmulas de agregacin para combinar la incertidumbre de los objetos en
las premisas con la de las reglas para obtener la incertidumbre de los objetos
en las conclusiones
2. Mediante que se describe las relaciones entre variables en los
SE basados en probabilidad.
Una forma alternativa de utilizar la medida de probabilidad consiste en
describir las relaciones entre los objetos (variables) mediante una funcin de
probabilidad conjunta.
3. Explique brevemente un ejemplo de diagnstico mdico.
Ejemplo: Diagnstico mdico.
Supngase que se dispone de una base de datos con informacin sobre N
pacientes y que un paciente puede tener una y slo una de m enfermedades,
e1,.. , em. Para m = 5 enfermedades.

Supngase
tambin
que un paciente puede
tener ninguno, uno, o ms de n sntomas, para n = 3 sntomas

Por
simplicidad,
supngase que la variable
aleatoria enfermedad, E, toma como valores las enfermedades e1, . . . , em.
Supngase tambin que los sntomas son variables binarias, de forma que cada
una toma el valor 1, si est presente, o el valor 0, si est ausente. Ntese que
cualquier variable aleatoria en el conjunto {E,S1, . . . , Sn} define una particin
del conjunto universal de pacientes en una clase disjunta y exhaustiva de
conjuntos. Entonces, combinando las enfermedades y los sntomas, cada
paciente puede clasificarse en una y slo una regin tal como se muestra en la
Figura, que proviene de superponer las dos figuras anteriores. Por ejemplo, el
crculo negro de la Figura representa un paciente que tiene la enfermedad e4 y
los tres sntomas: S1, S2 y S3.

4. Explique
la estructura de la
base de
conocimiento o en
un SE basado en probabilidad.
4.1.
MSD. El Modelo de Sntomas Dependientes.
En este modelo, se supone que los sntomas son dependientes pero que las
enfermedades son independientes entre s, dados los sntomas. En el MSD todo
sntoma se conecta con los dems sntomas y con todo valor posible de E
enfermedad (indicando dependencia). El principal problema del MSD es que
requiere un nmero muy alto de parmetros. Claramente, especificar las
frecuencias para todas esas combinaciones es muy difcil y se hace imposible
al crecer los nmeros de las enfermedades y los sntomas.
4.2.

MSI El Modelo de Sntomas Independientes

Debido a la imposibilidad de trabajar con el modelo anterior en muchos casos

prcticos, resulta necesario proceder a la simplificacin del modelo. Una
simplificacin posible consiste en suponer que, para una enfermedad dada, los
sntomas son condicionalmente independientes entre s. El modelo resultante
se denomina modelo de sntomas independientes (MSI).
4.3.

MSRI Modelo de Sntomas Relevantes Independientes

Se puede conseguir una reduccin an

suponiendo que cada enfermedad tiene
relevantes. En consecuencia, para cada
seleccionan algunos sntomas relevantes
frente al total de sntomas) y los
independientes para ese valor de E.
4.4.

mayor del nmero de parmetros

un nmero reducido de sntomas
valor ei de la enfermedad E se
S1, . . . , Sr (relativamente pocos
restantes sntomas se suponen

MSRD El Modelo de Sntomas Relevantes Dependientes

Aunque el MSRI reduce el nmero de parmetros considerablemente,

desgraciadamente, es poco realista, ya que los sntomas asociados a ciertas
enfermedades suelen producirse en grupos o sndromes. Por ello, puede ser
poco razonable suponer que los sntomas relevantes son independientes. El
modelo de sntomas relevantes dependientes (MSRD) evita este inconveniente.
El MSRD es el mismo que el MSRI pero sin obligar a los sntomas relevantes a
ser independientes, dada la correspondiente enfermedad. De esta forma, se
supone que slo los sntomas irrelevantes son independientes pero los
sntomas relevantes pueden ser dependientes.
5. De qu manera se lleva a cabo el control de coherencia en los SE
basados en probabilidad.
Uno de los problemas ms serios de los sistemas expertos es la presencia de
incoherencias en su base de conocimiento y/o en su memoria de trabajo. En
algunos modelos probabilsticos el control de la coherencia es una necesidad,
no un lujo. El subsistema de control de coherencia impide que el conocimiento
incoherente entre en la base de conocimiento y/o la memoria de trabajo.
6. Realiza una comparacin entre SE basados en probabilidad y los
SE basados en reglas

Base de Conocimiento
SE basados en probabilidad
SE basados en reglas
El conocimiento de un sistema El conocimiento de un sistema experto
experto basado en probabilidad basado en reglas consiste en los objetos
consiste en el espacio de y el conjunto de reglas
probabilidad, que incluye las La base de conocimiento en los sistemas
variables, sus posibles valores, y expertos basados en reglas es fcil de
su funcin de probabilidad implementar, puesto que slo es
conjunta.
necesario utilizar elementos simples,
Un
inconveniente
de
los tales como objetos, conjuntos de
sistemas expertos probabilsticos valores, premisas, conclusiones y reglas.
es el alto nmero de parmetros Sin embargo el conocimiento que puede
que manejan, lo que hace que ser almacenado es limitado cuando se
sea difcil su especificacin y compara con el de los sistemas expertos
definicin
basados en probabilidad

Motor de Inferencia
SE basados en probabilidad
En los sistemas expertos basados
en probabilidad, el motor de
inferencia es ms complicado, se
basa en la evaluacin de las
probabilidades
condicionales
utilizando uno o varios mtodos
propuestos por los diferentes tipos
de
sistemas
expertos
probabilstico.

SE basados en reglas
En los sistemas expertos basados en
reglas las conclusiones se obtienen
de los hechos aplicando las diferentes
estrategias de inferencia, tales como
Modus Ponens, Modus Tollens y
encadenamiento de reglas. Por ello, el
motor de inferencia es rpido y fcil
de implementar.

Subsistema de Explicacin
SE basados en probabilidad
SE basados en reglas
la informacin sobre qu variables La explicacin es fcil en el caso de
influyen en otras est codificada en los sistemas expertos basados en
la funcin de probabilidad conjunta. reglas, ya que se sabe que reglas
Por ello, la explicacin se basa en los han sido utilizadas para concluir en
valores
relativos
de
las cada momento
probabilidades condicionales que
miden los grados de dependencia.
Subsistema de Aprendizaje
SE basados en probabilidad
SE basados en reglas
En
los
sistemas
expertos En los sistemas expertos basados en
probabilsticos,
el
aprendizaje reglas, el aprendizaje consiste en
consiste en incorporar o modificar incorporar nuevos objetos, nuevos
la estructura del espacio de conjuntos de valores factibles para los
probabilidad: variables, conjunto de objetos,
nuevas
reglas
o
posibles valores, o los parmetros modificaciones
de
los
objetos
(valores de las probabilidades).
existentes, de los conjuntos de
valores posibles, o de las reglas.