2.

EJEMPLOS CON INCERTIDUMBRE

INCERTIDUMBRE:

1
 1. INTRODUCCIÓN
INCERTIDUMBRE:
Provocado por
instrumentos no precisos y
análisis poco confiables.
Desviación en los
Falta de análisis sistemas por ruidos.
en la medicina.

No se selecciono la
representación
idónea para la
aplicación

Si tiene dolor de No permitir

cabeza posiblemente representar
tiene gripe. Si tiene dolor de cabeza es adecuadamente el
probable que tenga gripe, conocimiento
pero también es posible
que no tenga gripe.
2
 3. HISTORIA

MYCIN
• Los expertos no expresan su razonamiento en términos
probabilísticos.
• La probabilidad requiere grandes cantidades de datos,
aproximaciones y suposiciones.
"si e entonces h , O’7”

3
 3. HISTORIA

Aportes:
Motor de inferencia, base de
conocimientos.
Explicar sus propios procesos de
razonamiento.
NOTA: El éxito de un SE depende casi
exclusivamente de la calidad de su
base de conocimiento

4
 4. TRATAMIENTO DE INCERTIDUMBRE

Factor de certeza
Cada regla tiene asociado un “factor de certeza” (CF) en el rango [-1,
+1]
CF>0 grado de confianza
CF<0 grado de desconfianza
CF(h, e) = MB(h, e) – MD(h, e)
Donde: MB,MD ∈ [0,1]
Su principal función es permitir al intérprete priorizar hipótesis.

5
5. COMBINACIÓN DE FACTORES DE CERTEZA

ENCADENADO DE REGLAS

 𝐹𝐶(𝐵∨𝐴 )  𝐹𝐶(𝐶∨𝐵)

A B C  𝐹𝐶(𝐶∨ 𝐴 )

𝐹𝐶 (𝐶|𝐵 ) ∗ 𝐹𝐶 ( 𝐵| 𝐴 ) 𝐹𝐶 ( 𝐵| 𝐴 ) ≥0
 
𝐹𝐶 𝐶 𝐴 =
( | )
{ 0 𝐹𝐶 ( 𝐵| 𝐴 )< 0

6
6. COMBINACIÓN DE REGLAS CONVERGENTES
 𝐹𝐶(𝐻 ∨𝐸1 )
E1
H  𝐹𝐶(𝐻 ∨𝐸1 ∨ 𝐸2 )
E2  𝐹𝐶(𝐻 ∨𝐸2 )

 𝐹𝐶 ( 𝐻 |𝐸1 ∨ 𝐸2 ) =𝑓 𝑐𝑜𝑚𝑏 (𝐹𝐶 (𝐻 ∨𝐸 1), 𝐹𝐶 (𝐻∨𝐸 2))

𝑓 𝑐𝑜𝑚𝑏 ( 𝑥 , 𝑦 )=¿
 

7
 7. EJEMPLOS DE COMBINACIÓN
DE FACTORES DE CERTEZA
Dadas las siguientes reglas calcular el factor de certeza de la
proposición AvBvE  F
A 0.8
0.7
C D 0.9
0.5
B -0.3 F
E
- A C,BC FC(C|A,B)=0.8+0.5(1-0.8)=0.9 (Convergencia)
- AvBC,CD FC(D|A,B)=0.9x0.7=0.63 (Encadenado)
- AvBD,DF FC(F|A,B)=0.63x0.9=0.567 (Encadenado)
- AvBF,EF FC(F|A,B,E)=(0.567-0.3)/(1-min(0.567,0.3))
(Convergencia)
Por tanto, si observamos A,B y E podemos concluir F con certidumbre 0.38
8
¿CÓMO ERA EL
RENDIMIENTO DE
MYCIN?
El sistema experto Mycin
proporcionaba diagnósticos y
recomendaciones terapéuticas que
eran al menos tan buenas como los
mejores expertos en la especialidad.

9
 8. EJEMPLO: SISTEMA EXPERTO JURÍDICO
• Vamos a considerar un escenario simplificado en el caso de un juicio.
3 reglas para modelar cómo podría razonar un sistema experto.

• Valores de entrada
Dependiendo de los valores que tengan los tres parámetros de entrada de las siguientes reglas, se
pueden presentar situaciones muy diversas:

• Situación en la que hay presencia de huellas, un móvil significativo, pero el acusado tiene una coartada
muy buena.

𝑓 𝑐𝑜𝑚𝑏 ( 𝑥 , 𝑦 )=¿
 

10
 8. EJEMPLO: SISTEMA EXPERTO JURÍDICO
• Vamos a considerar un escenario simplificado en el caso de un juicio.
3 reglas para modelar cómo podría razonar un sistema experto.

R1 0.75
R1 y
R2
CF
R2 0.6 R1,
R2 y
R3
R3
-0.8
• Situación en la que hay presencia de huellas, un móvil significativo, pero el acusado tiene una coartada
muy buena.

𝑓 𝑐𝑜𝑚𝑏 ( 𝑥 , 𝑦 )=¿
 

11
GRACIAS
12
ENCADENAMIENTO
• Vemos en este punto la aplicación de la regla de encadenamiento al caso concreto de:
Para estos valores, los CF que se obtienen para culpable, en cada una de las reglas son:

• Para componer estos valores y llegar a un valor final de CF para culpabilidad aplicamos de
forma iterativa la regla de encadenamiento:
Para componer los CF obtenidos de R1 y R2, como los dos son del mismo signo:

Para componer ahora el anterior valor de R1 y R2, con el que se obtenía para R3, como los dos CF son de signos diferentes:

C O N C LU S I Ó N :
Indica que es prácticamente igual la probabilidad de culpabilidad a la de inocencia
13