Tema 4. Representación del Conocimiento.

Incertidumbre e Imprecisión
Francisco José Ribadas Pena

INTELIGENCIA ARTIFICIAL
5o Informática

ribadas@uvigo.es

17 de enero de 2006

– c FJRP 2005 ccia ia –

 4.1 Introducción

Incertidumbre e imprecisión

Hasta ahora se ha manejado conocimiento categórico

• conocimiento siempre era verdadero o falso
• razonamiento ”exacto” (reglas, hechos y conclusiones no ambiguos)
En el ”mundo real”
• el conocimiento es dudoso y/o incompleto
• el sistema inteligente puede no tener acceso a toda la info. necesaria
• el razonamiento es inexacto (hechos y/o reglas inciertas)
Incertidumbre: falta de info. adecuada para tomar una decisión o
realizar un razonamiento
• Puede impedir llegar a una conclusión correcta
Ejemplos:
• Incertidumbre
∀x tieneF iebre(x) → tieneGripe(x)

No es necesariamente cierto en todos los casos. Una persona

con fiebre puede tener catarro, bronquitis, etc. Una forma ”mas
correcta” (pero poco util) serı́a:
∀x tieneF iebre(x) → tieneGripe(x) ∨ tieneCatarro(x) ∨ tieneBronquitis(x) ∨ ...

• Incertidumbre
∀x f iebreAlta(x) ∧ dolorM uscular(x) → tieneGripe(x)
∀x f iebreAlta(x) ∧ dolorM uscular(x) → tieneEbola(x)

¿A cuál de las dos ”reglas” habrı́a que hacer más caso?

• Imprecisión
∀x f renteM uyCaliente(x) → f iebreAlta(x)

¿Cúando es Verdadero o Falso el antecedente?

– c FJRP 2005 ccia ia – 1

 Causas:
• Falta de conocimiento (o conocimiento incompleto)
◦ No es posible identificar o manejar todo el conocimiento relevante
(o no es práctico hacerlo)
◦ Ignorancia:
⋄ no existe conocimiento completo de un dominio determinado
⋄ aún habiéndolo, no se puede acceder a todos los datos que serı́an relevantes
• Inexactitud del conocimiento
◦ Manejo de conocimiento erróneo (errores de lectura de un sensor,
error humano, creencias falsas,...)
◦ Imprecisión en la formulación del conocimiento (ambigüedad en
el significado de las reglas y hechos)
◦ Inferencias previas incorrectas (incertidumbre en cascada)
◦ Conocimiento contradictorio

Técnicas generales

Idea básica: Asociar a los elementos del formalismo de representación

informacion adicional (normalmente valores numéricos) que indique su
grado de certeza y manejar esa info. en las inferencias
• grados de certidumbre
• probabilidades
• grados de verdad
Teorı́a de las probabilidades
• La probabilidad ”resume” en un número la incertidumbre respecto
a un hecho
• Modelo teóricos sólido y bien conocido
• Problemas:
◦ En ocasiones poco intuitivo.
En algunos dominios puede no ser ”natural” pensar en términos de probabi-
lidades
◦ Restrictivo.
Para su aplicación práctica necesita asumir ciertas propiedades (independencia
entre variables aleatorias) que no siempre se ajustan a la realidad.

– c FJRP 2005 ccia ia – 2

 Modelo de los factores de certidumbre
• Modelo ”ad hoc” desarrollado originalmente para sistemas de
diagnóstico médico basados en reglas
• Carece de base teórica sólida
• Muy intuitivo (facilita adquisición de conocim. de expertos)
• Asocia a los hechos y reglas factores de certidumbre
◦ cuantifican el grado de confianza y desconfianza en ellos
◦ en las inferencias se combinan y propagan los valores de certi-
dumbre asociados a los elementos implicados para obtener otros
nuevos
Lógica difusa
• Ampliación de la lógica clásica
• Orientada a dar soporte a razonamiento con imprecisión
• Uso de grados de verdad
◦ los elementos de la lógica no son totalmente Verdaderos o Falsos
◦ se establece una gradación
• Reglas de inferencia (modus ponens difuso) combinan esos grados
de verdad

– c FJRP 2005 ccia ia – 3

 4.2 Razonamiento probabilı́stico

Modelo teórico más sólido para manejar incertidumbre.

Ofrece un lenguaje formal para representar conocimiento incierto y meca-

nismos para razonar con él.

4.2.1 Teoria de la Probabilidad

(a) Variables aleatorias
Vars. aleatorias: representan caracterı́sticas del dominio
8
< proposiciones: Verdadero/Falso
Pueden ser: medidas fı́sicas: valor numérico
categorı́as: colores, letras,...
:

P (V1 = v1 , V2 = v2 , ..., Vn = vn ) : (probab. a priori) probab. conjunta

de que las variables V1, V2, ..., Vn tomen los valores v1, v2, ..., vn
• Tambien se representa como P (V1 = v1 ∧ V2 = v2 ∧ ... ∧ Vn = vn)
• Toma valores en el intervalo [0, 1]:
0: creencia inequı́voca en que la afirmación es Falsa
1: creencia inequı́voca en que la afirmación es Cierta
[0,1]: niveles intermedios de certeza
• Se verifica: v1,v2,...,vn P (V1 = v1, V2 = v2, ..., Vn = vn) = 1
P

• Probab. a priori se obtenen:

◦ mediante técnicas estadı́sticas (muestreo, estudio de frecuencias,...)
◦ basándose en reglas generales (modelos estadı́sticos)
◦ de forma subjetiva (asignadas por experto)
Nota: de ahora en adelante consideraremos que las vars. aleatorias se
refieren unicamente

a proposiciones lógicas con valores V/F.
Vi = V erdadero Vi
Notación:
Vi = F also ¬Vi

– c FJRP 2005 ccia ia – 4

(b) Probabilidad Condicional
Probab. a priori (incondicional): probab. de que determinadas vars. aleatorias
tomen un conjunto determinado de valores, sin ningún conocimiento previo de otras
situaciones. (ej. P (bateria encendida))

Probab. a posteriori (condicional): probab. de que determinadas vars. alea-

torias tomen un conjunto determinado de valores en función de conocimiento so-
bre los valores tomados por otro conj. de variables en situaciones previas. (ej.
P (bateria encendida|robot se mueve))

Utilidad: Se pretende usar la info. sobre el valor de unas variables, para

obtener la probabilidad de otras

inferencia probabilı́stica
lo veremos en términos de hipótesis (Hi) y evidencias (Ej ).

Definición probab. condicional:

P (Hi ,Ej ) ”Probab. de la hipótesis Hi condiconado

P (Hi |Ej ) = P (Ej ) a que la evidencia Ej sea cierta”

Util en diagnóstico, como ”modificador” de la certeza de las reglas

IF fiebre THEN gripe WITH P (gripe|f iebre) = 0, 75

Puede expresarse probab, conjunta en base a probab. condicionadas

P (Hi , Ej ) = P (Hi |Ej ) · P (Ej )

Con n variables: Regla del producto

Qn
P (V1 , V2 , ..., Vn−1 , Vn ) = i=1 P (Vi |Vi−1 , Vi−2 , ..., V1 ) =

= P (Vn |Vn , Vn−1 , ..., V1 ) · P (Vn−1 |Vn−1 , ..., V1 ) · ... · P (V2 |V1 ) · P (V1 )

– c FJRP 2005 ccia ia – 5

 (c) Teorema de Bayes
En la práctica es difı́cil calcular/estimar directamente los valores P (H|E)

Más fácil disponer de valores para P (E|H), P (H), y P (E).

Sobre todo si existe una relación cuasal entre H y E .

La hipótesis H es causante de la evidencia E
Especialmente útil en tareas de diagnóstico

Teorema de Bayes

P (H, E) = P (E, H) (usando regla del producto)

P (H, E) = P (H|E)P (E) = P (E|H)P (H) = P (E, H)
P (E|H)P (H)
P (H|E) = P (E)

Ejemplo: Diagnóstico médico

Ante un paciente con fiebre (evidencia), se desea determinar qué enfermedad tiene:
gripe, bronquitis o ébola (hipótesis)

Idea base: Bastará calcular las probabilidades de todas las posibles hipótesis en base a
las evidencias disponibles y tomar la/las más probable/probables

¿P (gripe|f iebre)? ¿P (bronquitis|f iebre)? ¿P (ebola|f iebre)?

Difı́cil estimar ese tipo de probabilidades (P (H|E)). Más fácil estimar P (E|H) si hay
relación causa-efecto.

¿P (gripe|muerte)?, ¿P (ebola|muerte)? Probab. de que un muerto tenga gripe/ébola

P (muerte|gripe) = 0, 03, P (muerte|ebola) = 0, 9 Probab. de que un paciente de gripe/ébola muera

– c FJRP 2005 ccia ia – 6

Asumumos que se dispone de las siguientes reglas causales, ”cuantificadas” con las
probabilidades condicionadas

IF gripe THEN fiebre P (f iebre|gripe) = 0, 85

IF bronquitis THEN fiebre P (f iebre|bronquitis) = 0, 80
IF ébola THEN fiebre P (f iebre|ebola) = 0, 95

(Probab. de que la gripe/bronquitis/ébola provoque fiebre)

Se dispone de P (f iebre) = 0, 45: Incidencia de fiebre (el 45 % de los enfermos tiene fiebre)

Se dispone de P (gripe) = 0, 35, P (bronquitis) = 0, 10 y P (ebola) = 0, 0001: Indicencia

de las enfermedades (gripe, bronquitis y ébola)

Aplicando el Teorema de Bayes

P (f iebre|gripe)P (gripe) 0,85·0,35

P (gripe|f iebre) = = 0,45 = 0, 661
P (f iebre)
P (f iebre|bronquitis)P (bronquitis) 0,80·0,10
P (bronquitis|f iebre) = = 0,45 = 0,178
P (f iebre)
P (f iebre|ebola)P (ebola) 0,95·0,0001
P (ebola|f iebre) = = 0,45 = 0,0002
P (f iebre)

– c FJRP 2005 ccia ia – 7

Nota: No es estrictamente necesario disponer de P (E)

Uso de probabilidades relativas (bastan para ”seleccionar” la/s me-

jor/es hipótesis)
P (H|E) ≈ P (E|H)P (H)
1 , factor normaliz. para obtener probab. e
P (H|E) = αP (E|H)P (H)con α = P (E)

Reformular teorema de Bayes introduciendo ¬H

P (E)
P (H|E) + P (¬H|E) = 1 = P (E)
P (E|H)P (H) P (E|¬H)P (¬H) P (E)
P (E)
+ P (E)
= P (E)
P (E) = P (E|H)P (H) + P (E|¬H)P (¬H)

Teorema de Bayes
P (E|H)P (H)
P (H|E) =
P (E|H)P (H) + P (E|¬H)P (¬H)

Conclusión: Para obtener la probab. de las hipótesis (Hi y ¬Hi) condicio-

nadas a las evidencias Ej , bastará con estimar/disponer en la ”base de
conocimiento” de las siguientes probab.:

P (Ej |Hi ) IF Hi THEN Ej WITH probab P (Ej |Hj )

P (Ej |¬Hi ) IF ¬Hi THEN Ej WITH probab P (Ej |¬Hj )
P (H)

– c FJRP 2005 ccia ia – 8

 (d) Teorema de Bayes con Múltiples Evidencias (com-
binación de evidencias)
Generalización de la regla del producto P (V1 , V2 , ..., Vn |E) =
Q n
i=1 P (Vi |Vi−1 , Vi−2 , ..., V1 , E) =

= P (Vn |Vn , Vn−1 , ..., V1 , E)·P (Vn−1 |Vn−1 , ..., V1 , E)·...·P (V2 |V1 , E)·
P (V1 |E)

Teorema de Bayes con 2 evidencias

P (E1 ,E2 |H)P (H) P (E1 |E2 ,H)P (E2 |H)P (H)
P (H|E1 , E2 ) = P (E1 ,E2 )
= P (E1 |E2 )P (E2 )

(El denominador P (E1 , E2 ) puede omitirse (uso prob. relativas o introducir ¬H ))

Aplicando la regla del producto generalizada puede extenderse a n evi-

dencias.

Problema: Al incluir más evidencias el número de probab. conjuntas

distintas a especificar/estimar crece exponencialmente.
Ejemplo: Inclusión de nuevas evidencias sobre el paciente: tos y dolor de pecho

P (f iebre|tos,dolor,gripe)P (tos|dolor,gripe)P (dolor|gripe)P (gripe)

P (gripe|f iebre, tos, dolor) =
P (f iebre|tos,dolor)P (tos|dolor)P (dolor)

En general, en este caso se necesitarı́a disponer en la B.C. de probab. de la forma:

P (f iebre|tos, dolor, gripe)
P (tos|f iebre, dolor, gripe)
P (dolor|f iebre, tos, gripe)
P (f iebre|tos, gripe) P (f iebre|gripe)
P (f iebre|dolor, gripe) P (tos|gripe)
P (tos|f iebre, gripe) P (dolor|gripe)
P (tos|dolor, gripe)
P (dolor|f iebre, gripe)
P (dolor|dolor, gripe)

Conclusión: En la práctica no es directamente aplicable el Teorema de

Bayes, se necesita imponer restricciones que simplifiquen el cálculo.

– c FJRP 2005 ccia ia – 9

(e) Independencia Condicional
Restrición adicional impuesta sobre las evidencias que permite simplicar
el cáculo de probabilidades condicionadas

Definición: Una variable Vi es condicionalmente independiente de otra

variable Vj , dado un conjunto de variables V (puede ser vacio) si:
P (Vi |Vj V) = P (Vi |V)

La variable Vj no afecta a las probabilidades de la variable Vi .

Una vez que se sabe algo sobre V , no importa lo que se sepa de Vj de cara a calcular
probabilidades relacionadas con Vi .
Se puede extender a conjuntos de variables.

Consecuencia: Si Vi y Vj son condicionalmente independientes respecto

aV

P (Vi , Vj |V) = P (Vi |V)P (Vj |V)

(P (Vi , Vj |V) = P (Vi |Vj , V)P (Vj |V) = P (Vi |V)P (Vj |V))

Regla del producto con vars. independientes

En general, si todas la vars. son mutuamente independientes respecto a

V , se simplifica la regla del producto
Qn
P (V1 , V2 , ..., Vn |V) = i=1 P (Vi |V) = P (V1 |V)P (V2 |V)...P (Vn |V)

Teorema de Bayes con variables independientes

Si E1 y E2 son condicionalmente independientes respecto a H

P (E2 |H)P (E1 |H)P (H)

P (H|E1 , E2 ) = P (E1 ,E2 )

– c FJRP 2005 ccia ia – 10

Conclusión: Si las vars. son condicionalmente independ. el número de
probabilidades a especificar crece linealmente con el número de evidencias.

Ejemplo.

Si se asume que fiebre, tos y dolor sólo dependen de si el paciente tiene gripe, no los
unos de los otros, tenemos:

P (f iebre|gripe)P (tos|gripe)P (dolor|gripe)P (gripe)

P (gripe|f iebre, tos, dolor) =
P (f iebre, tos, dolor)

Solo necesitamos: P (f iebre|gripe), P (tos|gripe), P (dolor|gripe) y P (gripe)

Nota: Esta simplificacion del teorema de Bayes solo es posible si las

evidencias E1 y E2 son independientes entre si dado H .

Normalmente en el caso de relaciones causales suele existir independencia

dada la causa (= hipotesis H ).

Si H es causa de E1 y E2, entonces ambas seran independientes entre si

dado H .

P (E1 |H, E2 ) = P (E1 |H)

P (E2 |H, E1 ) = P (E2 |H)

Nos interesara identificar esas relaciones causales.

Redes Bayesianas: Estructuras de datos para representar relaciones de dependencia e

independencia condicional

Tambien redes de creencias o redes causales.

Muy usadas en inferencia probabilistica
Determina ”implicitamente” que variables son condicionalmente independientes ⇒
ahorro de calculos

– c FJRP 2005 ccia ia – 11

 4.2.2 Redes Bayesianas

Definición

Representación gráfica de dependencias condicionales para razona-

miento probabilı́stico
Red bayesiana: Grafo dirigido acı́clico (GDA)
• Nodo: representa una variable aleatoria (puede ser causa o efecto).
• Arco Dirigido: representa una dependencia probabilı́stica entre 2
variables (normalmente relación causal)
• Cada nodo tiene asociada una tabla de probabilidades condicionales
respecto a sus padres.
◦ Especifica (cuantifica) el efecto de los padres sobre el nodo Vi
◦ A los nodos sin padres (evidencias/percepciones iniciales) se les
asocia su probabilidad a priori.

Se verifica: Vi es condicionalmente independiente de cualquier con-

junto A de nodos no descendientes de Vi, dados sus padres (conjunto
padres(Vi))
• Siendo A cualquier conj. de no descencientes de Vi
• Dados los padres de Vi, Vi es independiente de A
P (Vi |A, padres(Vi )) = P (Vi |padres(Vi ))

NOTA: Normalmente los arcos representan relaciones causales.

Vi −→ Vj ≈ “Vi es la causa de Vj ”
Ejemplo:

– c FJRP 2005 ccia ia – 12

Interpretación de las R.B.

Las R.B. tienen dos componentes:

• topologı́a de la red: arcos representan relaciones causales
• conjunto de probab. condicionadas parciales: “cuantifican” esas
relaciones
2 posibles formas de interpretarlas
1. Representación distribuida de las prob. conjuntas de las variables
de la red
• R.B. permite calcular cualquier probab. conjunta donde inter-
vengan nodos de la red
• Cada nodo es independiente condicionalmente respecto a sus no
descendientes, dados sus padres.
• Suponiendo un “ordenamiento adecuado” de las variables impli-
cadas, tomando como base el GDA.
◦ ORDENAMIENTO: Dado Vi, supondremos que todos los Vk con
k ≤ i están “por encima” de Vi en la R.B.
◦ Resulta: P (Vi|Vi−1, Vi−2, . . ., V1) = P (Vi|padres(Vi))
→ en Vi−1, Vi−2, . . ., V1 están los padres de Vi (orden “adecuado”)
→ los demás nodos no influyen
• La probabilidad conjunta global era: (regla del producto)
1
Y
P (V1 , V2 , . . ., Vn ) = P (Vi |Vi−1 , Vi−2 , . . ., V1 )
i=n

• En R.B. resulta: (regla del producto en RB)

1
Y
P (V1 , V2 , . . ., Vn ) = P (Vi |padres(Vi ))
i=n

• Ejemplo:

– c FJRP 2005 ccia ia – 13

 2. Representación de un conj. de independencias condicionales
• Topologı́a de la red representa independencias condicionales
• En general: si un arco representa una relación causal, implı́cita-
mente da lugar a una independencia condicional
• Ejemplo:

• R.B ≈ base de reglas causales + tabla prob. condic.

• NOTA: Además de independencias basadas en los padres, pueden
existir otras independencias condicionales más generales.
◦ OBJETIVO: Saber si un conj. de vars. A es condicionalmente
independiente de otro conj. B dado un tercer conj. C .
◦ En general, A y B serán independientes dado C , si al eliminar
los nodos de C los nodos de A y B están desconectados.
(separación-d)
◦ Los padres siempre realizarán una separación de este tipo.
• Las relaciones de independencia simplifican:
◦ represent. del conocimiento (menos probab. a especificar)
◦ razonamiento (menos probab. a propagar + cálculo sencillo)

– c FJRP 2005 ccia ia – 14

Inferencia en R.B.

Objetivo: Realizar el cálculo de la probab. condicionada de unas variables

de consulta (hipótesis), en base a otro conjunto de variables (evidencias).

En las RR.BB., cualquier variable podrá actuar como hipótesis o

evidencia
IDEA: Se propagan probabilidades partiendo de las evidencias a través
de los arcos de la R.B., para obtener la prob. de las hipótesis.
4 tipos de inferencia en función de la situación de hipótesis y evidencias
dentro de la topologı́a de la red.

(a) Inferencia Causal (descendente)

Queremos conocer la probab. de un efecto suponiendo que “sabe-
mos” que su causa ha sucedido.
Conocemos las causas, queremos evaluar sus efectos

evidencias = causas
hipótesis = efectos
Determinar P(Q|E), donde E es causa de Q.
Ejemplo: P (JuanLlama|Robo)
Cálculo de la probabilidad:
• Cálculo ascendente de forma iterativa, a través de la red.
1. introducir todas las posibles combinaciones de padres del nodo
Q que no sean evidencias, condicionadas a las evidencias E .

P (JuanLlama|Robo) = P (JuanLlama, Alarma|Robo)+

P (JuanLlama, ¬Alarma|Robo)

“la prob. de que llame si hubo un robo es igual a la prob. de que suene la alarma y llame
cuando hubo robo más la prob. de que no suene la alarma y llame cuando hubo robo”
2. transformar la expresión para que quede condionada a los
padres (usar regla del producto)

= P (JuanLlama|Alarma, Robo)P (Alarma|Robo)+

P (JuanLlama|¬Alarma, Robo)P (¬Alarma|Robo)

– c FJRP 2005 ccia ia – 15

 3. aplicar la independencia respecto a los padres para simplificar
las probab. (eliminación de las evidencias iniciales E )
= P (JuanLlama|Alarma) P (Alarma|Robo)+
P (JuanLlama|¬Alarma) P (¬Alarma|Robo)
4. repetir estos pasos para las probab. de padres condiciondos a
las evidencias E (paso iterativo [son inferencias causales])
→ parar cuando se llegue a los nodos superiores (no condicionados)

P (Alarma|Robo) = P (Alarma, T emblor|Robo) + P (Alarma, ¬T emblor|Robo) =

= P (Alarma|T emblor, Robo)P (T emblor|Robo)+
P (Alarma|¬T emblor, Robo)P (¬T emblor|Robo)

no depende de otras vars.
◦ T emblor es una causa sin padres ⇒
tenemos su prob. a priori
◦ P (Alarma|T emblor, Robo) y P (Alarma|¬T emblor, Robo) ya están en
las tablas de probab. parciales del nodo Alarma
◦ MISMO RAZONAMIENTO para P (¬Alarma|Robo)
• Al final, en el cálculo sólo aparecerán probabilidades a priori de
los nodos sin padres y probabilidades condicionadas diponibles
en las tablas parciales de la R.B.
(b) Inferencia de Diagnóstico (ascendente)
Queremos conocer la probab. de una causa suponiendo que “sabe-
mos” que su efecto ha sucedido.
Conocemos
 los efectos, queremos evaluar sus causas
evidencias = efectos
hipótesis = causas
Determinar P(Q|E), donde Q es causa de E .
Ejemplo: P (Robo|JuanLlama)
Cálculo de la probabilidad:
• Aplicar teorema de Bayes para transformar el problema en una
inferencia causal.
P (JuanLlama|Robo)P (Robo)
P (Robo|JuanLlama) =
P (JuanLlama)
P (JuanLlama|Robo) es una inferencia causal pura ⇒ usar cálculo anterior
P (JuanLlama) se puede omitir o reescribir.

– c FJRP 2005 ccia ia – 16

(c) Inferencia Intercausal (justificación)
Queremos conocer la probab. de una causa condicionada a que
“sabemos” que su efecto se ha producido y que también ha
sucedido otra posible causa de dicho efecto.
Conocemos los efectos y una causa, queremos evaluar otra causa
posible

evidencias = efectos + causa
hipótesis = otra causa posible
Determinar P(Q1|E, Q2), donde Q1 y Q2 son causas de E .
• Ver cómo afecta el conocimiento de una causa a la probab. de otra
• Suele suceder que la presencia de una causa disminuya la probab. de la otra
Ejemplo: P (Robo|Alarma, T emblor) (≤ P (Robo|Alarma))
Cálculo de la probabilidad:
• Aplicar el teorema de Bayes y transformarlo en inferencias cau-
sales y de diagnótico puras.

P (Alarma,T emblor|Robo)P (Robo)

P (Robo|Alarma, T emblor)
= =
P (Alarma,T emblor)
P (Alarma|T emblor,Robo)P (T emblor|Robo)P (Robo)
=
P (Alarma|T emblor)P (T emblor)

• NOTA: Realmente se tratará como una inferencia mixta

(d) Inferencia Mixta
Combinación de las inferencias anteriores.
Ejemplo: P (Alarma|T emblor, JuanLlama) (inf. causal + diagnóstico)

– c FJRP 2005 ccia ia – 17

Algoritmos de Propagación de Probabilidades

Implementación de la inferencia probabilı́stica para el caso general

(inferencias mixtas)
Depende de la estructura de la red.
• Árboles: estructuras más sencillas
• Poliárboles: entre 2 nodos cualquiera existe como máximo una ruta
no dirigida
• Redes Multiconectadas: sin restricciones en la topologı́a
Propagación en árboles y poliárboles
• Caso más simple (existe algoritmo lineal)
• Se distinguen dos componentes en el conj. de evidencias totales
(E ).
+ −
◦ P (Q|E) con E = EQ ∪ EQ
◦ E+ Q : apoyo causal de Q
⋄ conj. de vars. de evidencia ”por encima” de Q
⋄ conectadas a Q a través de sus padres
◦ E− Q : apoyo evidencial de Q
⋄ conj. de vars. de evidencia ”por debajo” de Q
⋄ conectadas a Q a través de sus hijos
◦ Conjuntos separados por el nodo de consulta Q
+ −
⇒ EQ y EQ son independientes (separación-d mediante Q)

P (Q|E) = P (Q|E − , E + )
P (E − ,E + |Q)P (Q)
= = (teorema de Bayes)
P (E − ,E + )
P (E − |E + ,Q)P (E + |Q)P (Q)
= = (regla producto)
P (E − ,E + )
P (E − |Q)P (E + |Q)P (Q)
= (independ. E- y E+ dado Q
P (E − ,E + )

⋄ P (E −, E +) puede omitirse o reescribirse

⋄ P (E −|Q) es una inferencia causal
⋄ P (E +|Q) es una inferencia de diagnóstico
• Ejemplo: poliárbol

– c FJRP 2005 ccia ia – 18

 Propagación en redes multiconectadas
• Mayor complejidad ⇒ necesidad de técnicas alternativas
• IDEA: uso de métodos aproximados
◦ simplificar la red para obtener poliárboles
◦ forzar algunas trayectorias instanciando el valor ciertas variables
◦ uso de simulaciones previas para asignar valores a variables

– c FJRP 2005 ccia ia – 19

 4.2.3 Inconvenientes de los métodos probabilı́sticos

Requiere gran cantidad de datos estadı́sticos para construir Base de

Conocim.
• determinar/estimar todas las prob. a priori y condicionadas nece-
sarias
• en R.B., además especificar topologı́a
◦ existen técnicas de aprendizaje automático que construyen RB
en base a grandes colecciones de datos de entrenamiento.
Dificultad para explicar el razonamiento efectuado.
• las relaciones se reducen a números
En algunos dominios da lugar a contradicciones
• Teorı́a de la probab. permite que una misma evidencia apoye a la
vez a la hipótesis y su negación (no aceptable en algunos dominios)
Probab. de diagnóstico Interpretación causal
P (gripe|f iebre) = 0,75 gripe origina fiebre
P (¬gripe|f iebre) = 0,25 no-gripe origina fiebre

• Exigencias sobre independencia pueden no ”encajar” en la visión

del mundo de los expertos.
Como respuesta surgieron técnicas heurı́sticas menos formales.

– c FJRP 2005 ccia ia – 20