Teora Dempster-Shafer

La teora Dempster-Shafer es una teora matemtica de las pruebas. Esto permite combinar
la evidencia de diferentes fuentes y llegar a un grado de creencia que tiene en cuenta toda la
evidencia disponible. La teora fue desarrollada por primera vez por Arthur P. Dempster y
Glenn Shafer.
Esta Teora es una generalizacin de la teora bayesiana de la probabilidad subjetiva.
A menudo se utiliza como un mtodo de fusin de sensores, la teora Dempster-Shafer se
basa en dos ideas:
la obtencin de grados de creencia por una cuestin de probabilidades subjetivas de una
pregunta relacionada,
y el Estado de Dempster para combinar esos grados de creencia cuando se basan en artculos
independientes de las pruebas.
En esencia, el grado de creencia en una proposicin depende principalmente de la cantidad
de respuestas que contienen la proposicin, y la probabilidad subjetiva de cada respuesta.
Tambin contribuyen son las reglas de combinacin que reflejan suposiciones generales
sobre los datos.
su atractivo se basa en el hecho de que, naturalmente, codifican la evidencia a favor de las
proposiciones.

La creencia y la plausibilidad

Marco de Shafer permite creencias acerca de las proposiciones que se hagan representar en forma de intervalos, delimitadas por dos valores, las
creencias y la verosimilitud:
creencia = plausibilidad.
La creencia en una hiptesis est constituida por la suma de las masas de todos los conjuntos encerrados por ella. Es la cantidad de la creencia de que
apoya directamente una hiptesis dada, al menos en parte, la formacin de un lmite inferior. Creencia mide la fuerza de la evidencia a favor de un
conjunto de proposiciones. El ndice vara de 0 a 1. Plausibilidad es 1 menos la suma de las masas de todos los conjuntos cuya interseccin con la
hiptesis est vaca. Se trata de un lmite superior en la posibilidad de que la hiptesis poda ser cierto, es decir, que "podra ser el verdadero estado
del sistema" a ese valor, porque slo hay tanta evidencia que contradice esta hiptesis. Verosimilitud se define como Pl = 1-Bel. Tambin va de 0 a 1,
y mide el grado en que la evidencia a favor de la ~ s deja espacio para creer en s. Por ejemplo, supongamos que tenemos una creencia de 0,5 y una
verosimilitud de 0,8 para una proposicin, decimos "el gato en la caja est muerto." Esto significa que tenemos evidencia que nos permite afirmar
con fuerza que la proposicin es verdadera con un nivel de confianza de 0.5 - Sin embargo, la evidencia en contra de esta hiptesis slo tiene un nivel
de confianza de 0.2 - La masa restante de 0.3 es "indeterminado", lo que significa que el gato bien podra estar muerto o vivo. Este intervalo
representa el nivel de incertidumbre sobre la base de la evidencia en su sistema.
La hiptesis nula es cero por definicin. Las hiptesis ortogonales "Alive" y "Dead" tienen probabilidades de 0,2 y 0,5, respectivamente. Esto podra
corresponder a "Live/Dead Cat Detector de seales", que tienen fiabilidades respectivas de 0,2 y 0,5 - Por ltimo, el que todo lo abarca "cualquier"
hiptesis toma el relevo para que la suma de las masas es 1 - La creencia de la hiptesis "Alive" y "Dead" coincide con sus masas correspondientes
porque no tienen subconjuntos, la creencia de "O" se compone de la suma de las tres masas porque "Alive" y "Dead" son cada subconjuntos de "O".
La plausibilidad "Alive" es 1 - m y la plausibilidad "Dead" es 1 - m. Por ltimo, las sumas "O" plausibilidad m m m. La hiptesis universales siempre
tendr 100% de la creencia y la credibilidad-que acta como una suma de comprobacin de tipo.
Aqu es un ejemplo algo ms complejo que el comportamiento de la creencia y plausibilidad comienza a emerger. Estamos buscando a travs de una
variedad de sistemas de deteccin en un solo semforo lejano, que slo puede ser de color en uno de tres colores:
Eventos de este tipo no se pueden modelar como conjuntos disjuntos en el espacio de probabilidad, ya que estn en el espacio asignacin masiva.
Ms bien, el evento "rojo o amarillo" sera considerado como la unin de los acontecimientos "rojos" y "Yellow", y P = P, y P = 1, donde se refiere a
cualquier color rojo o amarillo o verde. En el horario de verano de la masa destinados a cualesquiera refiere a la proporcin de las pruebas que no se
pueden asignar a cualquiera de los otros estados, que aqu significa evidencia de que dice que hay una luz, pero no dice nada acerca de qu color es.
En este ejemplo, el porcentaje de pruebas que demuestran que la luz es de color rojo o verde se da una masa de 0,05 - Tal evidencia puede ser, por
ejemplo, se obtiene a partir de un color ciego R/G. DST nos permite extraer el valor de las pruebas de este sensor. Adems, en el horario de verano
se considera el conjunto nulo tener masa cero, lo que significa aqu que existe el sistema de semforo y estamos examinando sus posibles estados,
no especular sobre si es que existe.

La combinacin de creencias

Las creencias de diferentes fuentes se pueden combinar con diversos operadores de fusin para
modelar situaciones especficas de fusin, por ejemplo, la creencia con la regla de combinacin,
que combina las restricciones de creencias que se dictan por las fuentes de creencias
independientes, como en el caso de la combinacin de pistas o la combinacin de preferencias de
Dempster. Tenga en cuenta que las masas de probabilidad de proposiciones que se contradicen
entre s se pueden utilizar para obtener una medida de conflicto entre las fuentes de creencias
independientes. Otras situaciones pueden ser modelados con diferentes operadores de fusin,
tales como fusin acumulativo de las creencias de fuentes independientes que pueden ser
modelados con el operador de fusin acumulativa.
Regla de combinacin de Dempster se interpreta a veces como una generalizacin aproximada de la
regla de Bayes. En esta interpretacin no es necesario especificar los priores y condicionales, a
diferencia de los mtodos bayesianos tradicionales, que a menudo utilizan un argumento de
simetra para asignar probabilidades a priori de variables aleatorias. Sin embargo, la informacin
contenida en los antecedentes faltantes y los condicionales no se utiliza en la regla de combinacin
de Dempster, a menos que se puede obtener indirectamente-y podra decirse que pasa a estar
disponible para el clculo con ecuaciones Bayes.
Teora Dempster-Shafer permite especificar un grado de desconocimiento en esta situacin en
lugar de verse obligados a suministrar antes de probabilidades que se suman a la unidad. Este tipo
de situacin, y si hay una diferencia real entre el riesgo y la ignorancia, se ha discutido ampliamente
por los estadsticos y economistas. Vase, por ejemplo, los puntos de vista contrastantes de Daniel
Ellsberg, Howard Raiffa, Kenneth Arrow y Frank Knight.

Definicin formal

Sea X el conjunto universal: el conjunto que representa a todos los estados posibles de un sistema considerado. El conjunto potencia
es el conjunto de todos los subconjuntos de X, incluyendo el conjunto vaco. Por ejemplo, si:
entonces
Los elementos del conjunto de potencia se pueden tomar para representar proposiciones relativas al estado actual del sistema, que contiene todos y
slo los estados en los que la proposicin es verdadera.
La teora de la evidencia asigna una masa creencia a cada elemento del conjunto de alimentacin. Formalmente, una funcin
que se llama una asignacin bsica de creencias, cuando tiene dos propiedades. En primer lugar, la masa del conjunto vaco es cero:
En segundo lugar, las masas de los miembros restantes del conjunto potencia se suman a un total de 1:
La masa m de A, un miembro determinado del juego de poder, expresa la proporcin de todas las pruebas pertinentes y disponible que apoya la
afirmacin de que el estado actual pertenece a A, pero que no subconjunto de A. El valor de m se refiere slo a la conjunto A y no hace
reclamaciones adicionales sobre los subconjuntos de A, cada una de las cuales tienen, por definicin, de su propia masa.
A partir de las asignaciones de masas, los lmites superior e inferior de un intervalo de probabilidad pueden ser definidos. Este intervalo contiene la
probabilidad precisa de un conjunto de intereses, y est delimitada por dos medidas continuas no aditivos llamados creencia y plausibilidad:
La creencia de bel para un conjunto A se define como la suma de las masas de todos los subconjuntos del conjunto de inters:
La plausibilidad j es la suma de todas las masas de los conjuntos B que se cruzan el conjunto de inters A:
Las dos medidas estn relacionadas entre s de la siguiente manera:
Y a la inversa, por finito A, dada la creencia de medida bel para todos los subconjuntos B de A, podemos encontrar la masa m con la siguiente funcin
inversa:
donde | A - B | es la diferencia de las cardinalidades de los dos conjuntos.
De las dos ltimas ecuaciones que, para un conjunto finito X, usted necesita saber slo uno de los tres a deducir los otros dos, aunque es posible que
necesite saber los valores de muchos conjuntos con el fin de calcular uno de los otros valores de un conjunto en particular. En el caso de una X
infinita, no puede haber creencia bien definido y funciones de plausibilidad, pero sin funcin de masa bien definida.

Regla de combinacin de Dempster

El problema al que nos enfrentamos ahora es cmo combinar dos conjuntos

independientes de las asignaciones de masa de probabilidad en situaciones
especficas. En caso de diferentes fuentes de expresar sus creencias sobre el marco
en trminos de restricciones de creencias tales como en el caso de dar consejos o
en caso de preferencias que expresan, a continuacin, la regla de combinacin de
Dempster es el operador de fusin apropiada. Esta regla se deriva la creencia
comn compartido entre mltiples fuentes e ignora todas las creencias en
conflicto a travs de un factor de normalizacin. La aplicacin de tal regla en
situaciones distintas de la de combinar las restricciones de creencias ha sido
objeto de serias crticas, como por ejemplo en caso de fusin de creencias distintas
estimaciones de varias fuentes que se van a integrar de manera acumulativa, y no
como limitaciones. Fusin acumulativa significa que todas las masas de
probabilidad de las diferentes fuentes se reflejan en la creencia de derivados, por
lo que se pasa por alto ninguna masa de probabilidad.
Especficamente, la combinacin se calcula a partir de los dos conjuntos de masas
m1 y m2 de la siguiente manera:
donde
K es una medida de la cantidad de conflicto entre los dos conjuntos de masas.

Efectos de los conflictos

El factor de normalizacin anteriormente, 1 - K, tiene el efecto de ignorar completamente conflicto y la atribucin de cualquier masa asociada con el conflicto para el conjunto nulo. Esta
regla de combinacin de evidencia por tanto, puede producir resultados contrarios a la intuicin, como mostramos a continuacin.
Ejemplo producir resultados correctos en caso de alto conflicto
El siguiente ejemplo muestra cmo el gobierno de Dempster produce resultados intuitivos cuando se aplica en una situacin de fusin preferencia, incluso cuando hay un alto conflicto.
Supongamos que dos amigos, Alice y Bob, quieren ver una pelcula en el cine una tarde, y que slo hay tres pelculas que muestran: X, Y y Z. Alice expresa su preferencia por el cine X con
una probabilidad de 0.99, y su preferencia por pelcula Y con una probabilidad de slo el 0,01 - Bob expresa su preferencia por la pelcula Z con probabilidad 0,99, y su preferencia por Y la
pelcula con una probabilidad de slo 0.01 - Cuando se combinan las preferencias con la regla de combinacin de Dempster resulta que sus resultados de preferencia combinadas en la
probabilidad de 1,0 para la pelcula Y, debido a que es la nica pelcula que ambos estn de acuerdo para ver. Regla de combinacin de Dempster produce resultados intuitivos, incluso
en el caso de las creencias totalmente opuestas cuando se interpreta de esta manera. Supongamos que Alicia prefiere pelcula X con probabilidad 1,0, y que Bob prefiere pelcula Z con
una probabilidad de 1,0. Cuando se trata de combinar sus preferencias con la regla de Dempster resulta que no est definida en este caso, lo que significa que no hay una solucin. Esto
significa que no pueden ponerse de acuerdo sobre seing cualquier pelcula juntos, as que no ir al cine juntos esa noche. Sin embargo, la semntica de preferencia interpretar como una
probabilidad es vaga - si se refiere a la probabilidad de ver cine X esta noche, entonces nos enfrentamos a la falacia del tercero excluido: el caso de que se produzca realmente, ya
ninguna de las pelculas de esta noche, tiene una masa de probabilidad de 0. Ejemplo producir resultados contrarios a la intuicin en el caso de alta conflictividad
Un ejemplo con exactamente los mismos valores numricos se introdujo por Zadeh en 1979, para sealar resultados contra-intuitivos generados por la regla de Dempster cuando hay un
alto grado de conflicto. El ejemplo es el siguiente:
Supongamos que uno tiene dos mdicos equi-fiables y un mdico cree que un paciente tiene o bien un tumor cerebral-con una probabilidad de 0.99 - o meningitis-con una probabilidad
de slo 0,01 - Un segundo mdico considera que el paciente tiene una conmocin cerebral - con una probabilidad de 0,99 - y cree que el paciente sufre de meningitis - con una
probabilidad de slo el 0,01 - Dempsters Aplicando la regla de combinar estos dos tipos de masas de la creencia, se obtiene finalmente m = 1.
Este resultado va en contra del sentido comn, ya que los mdicos estn de acuerdo en que hay una pequea posibilidad de que el paciente tiene meningitis. Este ejemplo ha sido el
punto de partida de numerosos trabajos de investigacin para tratar de encontrar una justificacin slida para el gobierno de Dempster y bases de Dempster-Shafer teora o para mostrar
las inconsistencias de esta teora.
Ejemplo producir resultados contrarios a la intuicin, en caso de conflicto de baja
El siguiente ejemplo muestra que el gobierno de Dempster produce un resultado contrario a la intuicin, incluso cuando no hay conflicto de baja.
Supongamos que un mdico considera que un paciente tiene o bien un tumor cerebral, con una probabilidad de 0.99, o meningitis, con una probabilidad de slo 0,01 - Un segundo
mdico tambin cree que el paciente tiene un tumor cerebral, con una probabilidad de 0.99, y cree que el paciente sufre de conmocin cerebral, con una probabilidad de slo el 0,01 - Si
calculamos m con el artculo Dempsters, obtenemos
Este resultado implica soporte completo para el diagnstico de un tumor cerebral, que tanto los mdicos crean muy probable. El acuerdo surge del bajo grado de conflicto entre los dos
conjuntos de datos integrada por las opiniones de los dos mdicos.
En cualquier caso, sera razonable esperar que:
ya que la existencia de las probabilidades de creencias distintas de cero para otros diagnsticos implica menos apoyo completo para el diagnstico de tumor cerebral.