Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teoría Bayesiana.
Teoría de la Confirmación.
Teoría Bayesiana:
El objetivo en toda inferencia es: dado p(e) y p(h) obtener p(h/e). Para ello se supone la BC
compuesta por reglas del tipo:
e -> h /p(h/e)
y la BD compuesta por hechos del tipo:
e /p(e) y h /p(h)
Teoría Bayesiana:
Con esto, la máquina de inferencias debe revisar la BD para actualizar en los hechos
la probabilidad a priori por la posteriori. Según lo anterior se precisa definir p(h/e), lo
cual es muy difícil de obtener directamente.
p(e/h) * p(h)
p(h/e) = ---------------------------------
p(e/h) * p(h) + p(e/~h) * p(~h)
siendo:
p(e/h) - la posibilidad de e / h.
Ejemplo
h - tener una enfermedad
e - ser positivo determinado análisis
¿Esa probabilidad es pequeña o grande?. R/ No importa el valor absoluto (en general). Lo que importa es
cómo cambia p(h) por p(h/e).
En los ejercicios de probabilidad total y teorema de bayes, es importante identificar los sucesos que forman
la población y cuál es la característica que tienen en común dichos sucesos. Estos serán los sucesos
condicionados.
a. En este caso, la población es de los infantes. Y la característica en común es que sean menores de 24
meses. Por lo tanto, la probabilidad de seleccionar un infante menor de 24 meses es un ejemplo de
probabilidad total. Su probabilidad será:
b. Para identificar cuando en un ejercicio se hace referencia al teorema
de bayes, hay que partir de reconocer esta es una probabilidad
condicionada y que la característica común de los sucesos
condicionantes ya ha ocurrido. Entonces, la probabilidad de que sea niña
una infante menor de 24 meses será:
á:
Ejemplos
Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el
20% se realizan correcciones faciales, un 35% implantes mamarios y el restante
en otras cirugías correctivas. Se sabe además, que son mujeres(entre 20 y 25
años) el 25% de los que se realizan correcciones faciales, 15% implantes
mamarios y 40% otras cirugías correctivas. Si se selecciona un paciente al azar,
determine:
a. Determine la probabilidad de que sea de género femenino (20 y 25 años)
b. Si resulta que es de género femenino (20 y 25 años), determine la probabilidad que
se haya realizado una cirugía de implantes mamarios.
Determinar:
e - > h /CF(h/e)
y la BD vacía o no pues los CF a priori siempre son ceros (como "e" aún no se verifica entonces
p(h/e) = p(h)). El propósito es obtener el CF de “h” dado que “e” se cumpla o no.
Teoría de la Confirmación:
Para negar algo no puede usarse la fórmula de la negación probabilística, por no ser probabilidades. Para ello se utiliza:
CF(~h/e) = -CF(h/e) (certezas de “h” opuestas son simétricamente opuestas y no complementarias).
Suponer el ejemplo del inicio en el que:
Esto exige tener calculado previamente el valor de CF(h/e) el cual, como p(h/e) > p(h), se define como:
CF(h/e) = MC(h/e) = (p(h/e)-p(h))/(1-p(h)) = (0.165 - 0.01)/(1 - 0.01) = 0.155
Si se cumple la evidencia "e", entonces se infiere directamente el valor de 0.155. Este valor nos indica que, en una
escala de 100%, al cumplirse "e" aumenta la certeza del cumplimiento de "h" en un 15.5% (sean cual sean las
probabilidades involucradas).
En lo visto hasta aquí se ha supuesto que una hipótesis se infiere como consecuencia directa
de una evidencia conocida o no desde el inicio del proceso inferencial. Sin embargo, es muy
frecuente en los SE que la evidencia de una hipótesis dependa de otras hipótesis inferidas. O
sea:
e -> h1 y h1 -> h2
R/ Aumenta en un 80% el cumplimiento de “h2” si se cumple “h1”, pero si se cumple de forma absoluta.
Pero en este caso “h1” se cumple parcialmente. Es lógico pensar que el grado de cumplimiento del antecedente
repercute en la certeza obtenida con la inferencia.
En el problema anterior se ha supuesto que "e" es un dato de entrada y que se verifica de forma absoluta. ¿En la
práctica tiene que cumplirse siempre esto?
Teoría de la Confirmación:
Por ejemplo, supongamos que en el primer problema el análisis positivo se logre determinar a través de un equipo
no totalmente confiable o por una persona poco experimentada.
¿Puede afirmarse en este caso que la evidencia del análisis es absoluta y que se tiene la enfermedad con igual
certeza?
En este caso, "E" se considera la evidencia total, la cual representa el grado de confiabilidad de la fuente de
información.
Si se tuvieran tales valores para cada evidencia primaria, entonces la función de contribución se redefiniría como
sigue:
Utilizándose esta función para propagar la incertidumbre desde la evidencia primaria hasta la hipótesis final.
¿Cómo determinar CF(e/E)?
La determinación de este parámetro depende del significado de "e" y de las causas de su incertidumbre. En algunas
ocasiones este valor lo ofrece el usuario al considerar por apreciación, en una escala de -1 a 1, el grado de cumplimiento de
la evidencia. En otras ocasiones tal valor se define a partir de varias constantes o de una tabla de valores prefijados tras un
estudio preliminar del fenómeno. También pudiera definirse una función dependiente de otros parámetros, etc. En este curso
consideraremos que ese valor está dado de alguna forma, dejando para postgrados el estudio de este fenómeno.
O sea, con las evidencias que existen aumenta la creencia del no cumplimiento de C en un 43.2%.
Teoría de la Confirmación:
1. Fórmulas:
2. Valor de Certeza:
4. Negación:
CF(~h/e) = -CF(h/e)
6. Antecedentes Compuestos:
En la clase anterior se han supuesto reglas del tipo: A -> C. Sin embargo, es conocido que
estas pueden tener como antecedente una conjunción de términos afirmados o negados:
[A1,...,An] => C.
Ejemplo:
R/:
CF(~a/E) = 0.5
CF(c/~a) = 0.9
CF(b/E) = 0.3
CF(d/c&b) = 0.8
7. Acumulación de Evidencias:
e1 -> h /CF(h/e1)
e2 -> h /CF(h/e2)
Ejemplo:
h - Hay ladrones.
e1 - Alarma láser.
e2 - Alarma mecánica.
CF(h/e1) = 0.9
CF(h/e2) = 0.5
La alarma mecánica es totalmente confiable, o sea, CF(e2/E) = 1.0. Pero la láser no es segura, por lo que se asume CF(e1/E) = 0.6.
Teoría de la Confirmación:
Es lógico suponer que no es lo mismo afirmar que hay ladrón si suena una sola de las
alarmas a si suenan las dos simultáneamente. Este fenómeno suele denominarse
"acumulación de las evidencias".
Teoría de la Confirmación:
donde:
CF1 = CF(h/E:e1)
CF2 = CF(h/E:e2)
R/
CF(h/E:e1&e2) = 0.54 + 0.5 - 0.54 * 0.5 = 1.04 - 0.27 = 0.77
Bien argumentada.
Es automatizable.
Si e1 & ... & en -> h entonces los ei deben ser independientes bajo h.
e -> h1 y e -> h2
En una empresa agrícola se quiere conocer si ciertas plantas presentan o no una enfermedad determinada. Para ello
consultaron un informe técnico en el que se expone el estudio de dos reactivos con los siguientes resultados:
De 1000 plantas enfermas, 700 reaccionaron con el primero y 900 con el segundo.
De 1000 plantas sanas, 10 reaccionaron con el primero y 20 reaccionaron con el segundo.
La empresa conoce que históricamente se ha tenido en sus áreas de cultivo una probabilidad de 0.01 de presentar dicha
enfermedad y de que reaccionen a ambos reactivos, creyéndose casual esa coincidencia.
P(r1/h) = 0.01
a) P(r2/h) = 0.02
P(h) = 0.01
P(h) = 0.99
r1: Reaccionan al reactivo 1.
p(r1/h) * p(h)
r2: Reaccionan al reactivo 2. p(h/r1) = --------------------------------------- = 0.4
h: Planta enferma. p(r1/h) * p(h) + p(r1/~h) * p(~h)
p(r2/h) * p(h)
p(h/r2) = --------------------------------------- = 0.3
Base de Reglas: p(r2/h) * p(h) + p(r2/~h) * p(~h)
b) c)
Datos:
Ecuación para el cálculo de la probabilidad dado el
valor de la certeza:
CF(r2/E) = 1.0
CF(r1/E) = 0.5 P(h/E) = P(h) + CF(h/E) * (1 - P(h)) = 0.429
CF(h/E:r1) = CF(h/r1) * CF(r1/E) = 0.195 = CF1 Este resultado se obtiene de la fórmula para el cálculo
de CF(h/E).
CF(h/E:r2) = CF(h/r2) * CF(r2/E) = 0.29 = CF2