INTELIGENCIA

ARTIFICIAL II
Conf 4. Tratamiento de la Incertidumbre
 Sumario
o Fuentes de incertidumbre.
o Factores de certeza.
o Modelo de Hajek.
o Propagación de la evidencia.
o Acumulación de la evidencia.
 Objetivo
o Caracterizar el tratamiento de la
incertidumbre en sistemas basados en
reglas.
 Bibliografía
o Solución de problemas bajo incertidumbre.
Dr. Rafael Bello Pérez 1998.Temas 1 y 5.
 Introducción
o Los SBC que utilizan lógica clásica en su
proceso de inferencia:
• Funcionan bien en situaciones extremas (V/F).
• Los hechos necesarios para la solución deben
estar dentro del sistema o poderse derivar de
los existentes.
o Necesidad de desarrollar SBC capaces de
manejar situaciones más cercanas a la
realidad:
• Menor grado de certeza en los hechos.
• La información es imperfecta, incompleta,
imprecisa y muchas veces no cierta.
 Incertidumbre
o El término incertidumbre se entiende
como duda, ambigüedad, cuestionable,
problemático, no seguro.
o Resultado de la incompletitud e
inexactitud del conocimiento.
o Presente en muchos problemas del mundo
real.
o Se produce una situación de alta
incertidumbre cuando no se conocen las
probabilidades de los resultados a obtener
o incluso estas pueden carecer de sentido.
 Categorías de incertidumbre
o Provocada por información o conocimiento
impreciso (errores de medición, de
transmisión, inseguridad en las
observaciones realizadas, diagnóstico
médico).
o Provocada por información incompleta (no
se tiene toda la información o es muy
costoso obtenerla).
o Provocada por conceptos o palabras que
son inherentemente inexactos (Ej. gato
pardo, ligero cambio, un tilín, un poco, una
pila, más o menos…)
 Ejemplos de dominios con
incertidumbre
o Diagnóstico médico
o Predicción financiera
o Exploración minera / petrolera
o Interpretar imágenes (visión)
o Reconocimiento de voz
o Monitoreo / control de procesos
industriales complejos
 Tratamiento de la
Incertidumbre
o Métodos numéricos: orientados a
problemas de imprecisión e incertidumbre.
• Ej. análisis de intervalos, probabilidades, redes
Bayesianas

o Métodos simbólicos: orientados a los

problemas de incertidumbre generados por
información incompleta.
• Ej. Teoría de los conjuntos borrosos, de la
evidencia, de la posibilidad, de las medidas
borrosas, factores de certeza, teoría de Hajek
 Factor de certeza
 Es una medida sencilla para trasladar los
criterios subjetivos y objetivos. Diferente
de la probabilidad.
 Pueden utilizarse para clasificar hipótesis
por orden de importancia.
 Lo proporcionan los expertos que escriben
las reglas (en un intervalo de -1 a 1)

o Ejemplo:
• “me gusta ir al cine” con grado 0,9
• “me gusta ver la televisión” con grado 0,7
 Tratamiento de la
Incertidumbre
o fc(A)------factor de certeza de A
en el intervalo [-M, M] con M = 1.

o Si el fc es:
• +1 es equivalente al sí (verdad
absoluta)
• -1 es equivalente al no (falsedad
absoluta)
• 0 es equivalente al “no se sabe”
 Teoría de Hajeck
o Es una generalización de las teorías que
surgieron basadas en la certeza de
fórmulas cada una con un método
específico para calcular certezas de
fórmulas compuestas ( A & B, or, not, . . ).
o Define propiedades que deben cumplir las
fórmulas NEG, CONJ, DISJ, CTR y GLOBAL
para poder ser usadas en el cálculo de la
certeza de las expresiones lógicas
compuestas y en el cálculo de la certeza
de fórmulas que dependen de otras
mediante implicaciones.
 Negación (NEG)

o fc(¬A)=NEG(fc(A))= - fc(A)
 Conjunción (CONJ)

FC(A^B)=CONJ(FC(A),FC(B))
= min(FC(A), FC(B))
 Disyunción (DISY)

o FC(A | B) = DISY(FC(A),
FC(B)) = max(FC(A), FC(B))
 Propagación de certeza
(CTR)
(contribución de un antecedente a un
consecuente)
o CTR(FC(e), FC(Regla)) = 0 si
FC(e) <= 0

o CTR(FC(e), FC(Regla)) =
FC(Regla) si FC(e) = M
 CTR
o si 0 < FC(e) < M, hay dos
alternativas:
• MYCIN:
 CTR(CF(e), FC(R)) = (FC(e)/M) * FC(R)

• DIFUSA:
 CTR(FC(e),FC(R))= min(FC(e),FC(R)),
• si
FC(R)>=0
 CTR(FC(e),FC(R))= max(-FC(e),FC(R)),
• si
 CTR en reglas con antecedentes
compuestos
o P y Q y R -> Z (W1)
o -A y N -> M (W2)
o H o I o J -> B (W3)
o Donde W1 = FC(Z/ P y Q y R), W2 =
FC(M /-A y N) y FC(B/ H o I o J)
• Se calcula la certeza del antecedente completo
como un todo, y de ahí se toma este valor
como si el antecedente fuera simple
 Global (GLOB) acumulación de
evidencias por la contribución de
varias reglas
o A->B
o C->B

o FC(B/A) = FC1 y FC(B/C) =

FC2
 Global (GLOB)
o MYCIN
• GLOB1(FC1, FC2) = FC1 + FC2 – FC1
* FC2
 para FC1>0, FC2>0

• GLOB1(FC1, FC2) = FC1 + FC2 + FC1

* FC2
 para FC1<0, FC2<0

• (FC1+FC2)/ (1−min(|FC1|,|FC2|))
 en otro caso.
 Global (GLOB)
o PROSPECTOR
• GLOB2(FC1, FC2) = (FC1 + FC2) /
(1 + FC1 * FC2)
 para cualquier valor de FC1, FC2 en [-
1,1]

o DIFUSA
• GLOB3(FC1, FC2) = max( FC1, FC2)
 para FC1>0, FC2>0
Ejemplo de propagación de
certidumbre
 Conclusiones
o En los Sistemas de Reglas de Producción
se puede emplear el razonamiento
aproximado.
o Existen varias formas de combinar las
fórmulas para el cálculo de la certeza y
cada una da valores distintos.
 Estudio independiente
1. Lea el Tema 1 del curso “Solución de
problemas bajo incertidumbre”, del DrC.
Dr. Rafael Bello Pérez.
• Identifique los requerimientos que debe tener
un modelo de razonamiento bajo
incertidumbre.
 Estudio Independiente
2. Teniendo en cuenta las siguientes reglas:
• R1: Si los vientos son leves (VL) entonces el mar
estará tranquilo (MT). FC = 0.6
• R2: Si los vientos son leves (VL) y el cielo está
despejado (CD) entonces las temperaturas serán
elevadas (TE). FC = 0.25
• R3: Si las temperaturas no son elevadas (NTE)
entonces habrá poca humedad (PH). FC = 0.8
• R4: Si el cielo está despejado (CD) entonces
habrá poca humedad (PH). FC = 0.4
• R5: Si (el mar está tranquilo (MT) y hay poca
humedad (PH)) o las temperaturas son elevadas
(TE) entonces habrá un día bueno para
 Estudio Independiente

o Si en un día se determina que los vientos

serán leves (VL) con una certeza de 0.4 y
el cielo despejado (CD) con una certeza
de 0.1, utilizando Contribución y Global de
MYCIN. ¿Qué certeza existe de que ese sea
una buen día para vacacionistas?