Documentos de Académico
Documentos de Profesional
Documentos de Cultura
L. Enrique Sucar
ITESM Campus Cuernavaca
Informacin General
Pgina del curso:
http://dns1.mor.itesm.mx/~esucar/incertidumbre.html
Correo para tareas y proyectos:
esucar.mor@servicios.itesm.mx
Correo para asesora:
esucar@itesm.mx
Incertidumbre, E. Sucar: 1 2
Informacin General
Objetivos
Programa
Bibliografa
Polticas del Curso
Incertidumbre, E. Sucar: 1 3
Sesin 1: Introduccin
Incertidumbre, E. Sucar: 1 5
Incertidumbre
La incertidumbre surge porque se tiene un
conocimiento incompleto / incorrecto del
mundo o por limitaciones en la forma de
representar dicho conocimiento, por ejemplo:
Un sistema experto mdico
Un robot mvil
Un sistema de anlisis financiero
Un sistema de reconocimiento de voz o imgenes
Incertidumbre, E. Sucar: 1 6
Incertidumbre
Incertidumbre, E. Sucar: 1 7
Causas de Incertidumbre
Incertidumbre, E. Sucar: 1 8
Informacin
Incompleta
Poco confiable
Ruido, distorsin
Incertidumbre, E. Sucar: 1 9
Conocimiento
Impreciso
Contradictorio
Incertidumbre, E. Sucar: 1 10
Representacin
No adecuada
Falta de poder descriptivo
Incertidumbre, E. Sucar: 1 11
Ejemplos de dominios con incertidumbre
Diagnstico mdico
Prediccin financiera
Exploracin minera / petrolera
Interpretacin de imgenes (visin)
Reconocimiento de voz
Monitoreo / control de procesos industriales
Robtica
Incertidumbre, E. Sucar: 1 12
Efectos de Incertidumbre
Se pierden varias propiedades de los
sistemas que no tienen incertidumbre,
basados en lgicas o reglas, lo cual hace el
manejo de incertidumbre ms complejo. Las
principales dos caractersticas que, en
general, ya no aplican son:
1. Modular
2. Monotnica
Incertidumbre, E. Sucar: 1 13
Modular
Un sistema de reglas es modular, ya que
para saber la verdad de una regla slo tiene
que considerarla a sta, sin importar el resto
del conocimiento.
Incertidumbre, E. Sucar: 1 14
Monotnica
Incertidumbre, E. Sucar: 1 15
Si hay incertidumbre ya no puedo
considerar que la certeza en una
hiptesis ya no puede cambiar, debo
tomar en cuenta otras reglas que
involucren a dicha hiptesis; as como
nuevos datos.
Incertidumbre, E. Sucar: 1 16
Manejo de Incertidumbre
Para tratar la incertidumbre, hay que
considerarla en forma explcita en la
representacin e inferencia
Para ello se han desarrollado diversas
formas de representar y manejar la
incertidumbre
Incertidumbre, E. Sucar: 1 17
Tcnicas Simblicas
* Lgicas no-monotnicas
* Sistemas de mantenimiento de
verdad (TMS, ATMS)
* Teora de endosos
Incertidumbre, E. Sucar: 1 18
Tcnicas Numricas
Probabilistas
Cadenas de Markov (ocultas)
Campos de Markov
Redes bayesianas
Redes de decisin
Procesos de decisin de Markov
Alternativas
* Empricas (MYCIN, Prospector)
* Lgica difusa
* Teora de Dempster-Shafer
Lgicas probabilistas
Incertidumbre, E. Sucar: 1 19
Otra clasificacin
Sistemas Extensionales (valores de verdad
generalizados) la certidumbre de una frmula
es una funcin nica de las certidumbres de sus
sub-frmulas
Sistemas Intensionales - medidas de verdad
asignadas a conjuntos de mundos posibles, no
se puede determinar la certidumbre
directamente de los valores individuales
Incertidumbre, E. Sucar: 1 20
Tcnicas
Por ejemplo, para el robot mvil:
Si el sensor de distancia (sonar) regresa una
lectura de 5 m, se considera una distribucin de
probabilidad alrededor de dicha lectura
Incertidumbre, E. Sucar: 1 22
Desarrollo Histrico
Inicios (50s y 60s)
Mundos de juguete
No se consider el uso de nmeros
Sistemas Expertos (70s)
Aplicaciones reales surge necisidad de
manejo de incertidumbre
Mtodos Ad-hoc
Nuevas teoras
Incertidumbre, E. Sucar: 1 23
Desarrollo Histrico
Resurgimiento de probabilidad (80s)
Resurge el uso de probabilidades
Desarrollo de las redes bayesianas
Diversos formalismos (90s)
Uso de diversas tcnicas
Consolidacin de modelos probabilistas
Modelos grficos probabilistas (00s)
Unificacin de tcnicas bajo el marco de PGM
Extender expresividad (modelos de 1er orden)
Incertidumbre, E. Sucar: 1 24
Modelos Grficos Probabilistas
Representaciones basadas en modelar
la incertidumbre con variables
probabilistas relacionadas mediante
un modelo grfico (dependencias)
Muchas tcnicas se pueden englobar
dentro de este tipo de modelos
Incertidumbre, E. Sucar: 1 25
Modelos Grficos Probabilistas
Podemos clasificar los modelos grficos
probabilistas en 3 dimensiones principales:
Dirigidos vs. No-dirigidos
Estticos vs. Dinmicos
Probabilista vs. Decisiones
Incertidumbre, E. Sucar: 1 26
Modelos Grficos Probabilistas
Dirigido No-dirigido
1 1
3 2 3
2
4 5 4 5
Incertidumbre, E. Sucar: 1 27
Modelos Grficos Probabilistas
Esttico Dinmico
E E E E
H
Incertidumbre, E. Sucar: 1 28
Modelos Grficos Probabilistas
Probabilista Decisiones
St St+1 St+2 D
A
E E E
B C U
D
Incertidumbre, E. Sucar: 1 29
Modelos Grficos Probabilistas
Modelo D/N S/D P/D
Clasificador bayesiano D/N S P
Cadenas ocultas de Markov D D P
Campos / Redes de Markov N S P
Redes bayesianas D S P
Redes bayesianas dinmicas D D P
Filtros de Kalman D D P
Redes de Decisin D S D
Procesos de decisin de Markov D D D
POMDPs D D D
Incertidumbre, E. Sucar: 1 30
Referencias
Ng & Abramson, Uncertainty Management
in Expert Systems, IEEE Expert, Abril
1990.
[Russell y Norvig] Cap. 14
[Pearl] Cap.1
Incertidumbre, E. Sucar: 1 31