RAZONAMIENTOAPROXIMADO

CONOCIMIENTOEINCERTIDUMBRE

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

ndice
Presentacin.................................................................................................................................................3 Queselrazonamientoaproximado?........................................................................................................ 4 mbitosdeaplicacindelrazonamientoaproximado................................................................................. 5 Razonamientoaproximadoeincertidumbre.Dominiosinciertos...............................................................6 Razonamientoaproximadoeincertidumbre.Fuentesdeerror ...................................................................7 Mtodosderazonamientoaproximado....................................................................................................... 8 Elformalismodelosfactoresdecerteza(CF).............................................................................................. 9 PropagacindelosfactoresdecertezayregladeencadenamientoI.......................................................11 PropagacindelosfactoresdecertezayregladeencadenamientoII......................................................12 Resumen.....................................................................................................................................................13

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Presentacin
Elrazonamientoaproximadoseorientaatratarelconocimientoqueseutilizaenmltiplesdominios comolamedicinaoelderecho,odiferentesmbitosdelaingeniera.Enlaunidadanteriornoshemos centradoenlossistemasexpertosylossistemasbasadosenelconocimientoenlosquelosdatos, hechos,relacionesentreellos,yconocimientoengeneral,seencontrabandefinidosdeformaprecisay clara.Estonoocurreasenmltiplessituacionesdondeexisteincertidumbretantoenlosdatosconlos queelsistematrabaja,comoenelpropioconocimientoqueutilizanlosexpertos,quepuedeserms vagoeimpreciso. Lastcnicasderazonamientoaproximadoseorientanagestionarestetipodesituacionesdondelos datosyelconocimientosonmsimprecisos,vagosypuedenincluirdiferentesfuentesde incertidumbre.Enestaunidadtrataremoselrazonamientoaproximado,ynoscentraremosendos modelosqueresultanespecialmenterepresentativos:elformalismodelosfactoresdecertezayla lgicadifusa.

Alterminarestetemaserscapazde: Tenerunavisingeneraldequeselrazonamientoaproximadoyenquaspectossecentra. Distinguirlosmbitosdeaplicacindelrazonamientoaproximado. Comprenderlaimportanciadelaincertidumbreenelrazonamientoaproximadoylas diferentesfuentesdedondepuedeprovenir. Diferenciarladiversidaddetcnicasderazonamientoaproximado. Conocerelformalismodelosfactoresdecertezaylaregladeencadenamiento.

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Queselrazonamientoaproximado?
Deformacomplementariaalossistemasbasadosenelconocimientoquehemosvistoenlaanterior unidad,existenmuchasocasionesenlasqueesnecesariomodelarconocimientoenelquelasreglaso relacionesentrelosconceptosnosonexactamentedetipobinariosi/nooverdadero/falso. Enlavidadiariayenlatomadedecisionesendominiosconcretoseshabitualhacerusode conocimientoquerelacionaconceptosdeformamsambiguaoconunciertoniveldeincertidumbre. Enestetemaveremosunconjuntorepresentativodeelementosentornoalrazonamientoaproximado, quepermiteabordarestetipodesituaciones. Unconocimientodeestetipodelquehacemosusotodoslosdaspuedeserporejemplo:Siestmuy nublado,esposiblequelluevaenunashoras.Noesunconocimientoquepodamosrepresentar medianteunareglaounpredicadolgico.Noestamosexpresandoquesiestnubladollover,de formaprecisa. Noesfcilencontrarunacorrespondenciadelafraseanteriorconunlenguajederepresentacindel conocimientoquehemosvistoenlaunidadanterior.Incluyeunaciertagradacineincertidumbre.Por otraparte,esunconocimientoquepuederesultarnostilrepresentarysercapacesdeintegrarenun sistemaqueopereconl. Consideremoscomoejemplosencillolasiguienteregla: Sistemaexpertodeestaregla Lareglapodraencontrarseenunsistemaexperto,dentrodeunconjuntomsamplioenelquese estuvieserepresentandoelconocimientodesntomasdeenfermedades.

R: IF dolor.de.cabeza THEN gripe

Efectivamente,unodelossntomasdelagripeeseldolordecabeza.Porotraparte,lareglaconcluye directamentequesiexistedolordecabeza,entonceslaenfermedadeslagripecontodaseguridad.Una reglaparecidaalaanterior,peroincorporandounodelosmtodosqueveremosenpuntossiguientes, eldefactoresdecerteza,seraesta:

R: IF dolor.de.cabeza THEN gripe (CF = 0,3)

Adiferenciadelaanterior,enesteformalismoestamosrepresentando,deformamsgradual,e incluyendounadosisdeincertidumbreoconsideracindeprobabilidad,queefectivamenteesposible queelpacientetengacomoenfermedadlagripesitienedolordecabeza,peroconunfactordecerteza (CF)de0,3(quevienearepresentarsuprobabilidad,siendoelCFmximo1,0).

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

mbitosdeaplicacindelrazonamientoaproximado
Losmbitosdeaplicacinenquesehanutilizadosistemasderazonamientoaproximadosonmltiplesy abarcanunamplioespectro,desdesistemasdecontroldetransporteferroviario,aireacondicionado, controldeaeronavesyprocesosindustriales,asistemasdeanlisisytomadedecisionesen biomedicina. Tcnicasdeestetiposehanaplicadoensistemasdiversos:debsquedadeinformacinenlaweb, filtradodespamypginasweb,marketingpersonalizado,comercioelectrnico,controldecuencas fluviales,clasificacindedatosestelares,encaminamientoyclasificacindetextos,yunlargo etctera. Porverenmsdetalle,porejemplo,eneldominiobiomdico,estetipodesistemashansidoutilizados enaplicacionesconcretasquehanincluido:

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Razonamientoaproximadoeincertidumbre.Dominiosinciertos
El razonamiento aproximado es la clave en sistemas orientados a campos de aplicacin en los que la incertidumbredelosdatosqueseanalizanyladelconocimientoconquesetrabajaenljuegaunpapel especialmenteprotagonista. Elcampodelamedicinaesunejemplodedominioincierto.Enlesfrecuenteunplanteamientoenel queseestudiaunpaciente,sepresentanunconjuntodesignosysntomas,yuninterroganteprincipal essaberquenfermedadtiene.Sepuedetenertanincorporadaestapreguntaquenosiempresees capazdepercibirelgradodeincertidumbreimplcito.Larelacinentrelossignosylossntomasdelas enfermedadesquelosproducenesvariable(existenpacientesconigualessntomasydiferentes enfermedades). De hecho, la secuencia de los eventos y los datos disponibles puede no ser conocida con exactitud. No aceptar un cierto grado de incertidumbre en la informacin puede abrir senderos rpidos pero equivocados. El paciente puede administrar datos equvocos,noestarsegurodetaloculafirmacinoevocacin, puede haber ausencia de informacin, errores y subjetividad porpartedelpacienteyporpartedelmdico. El proceso mental que acerca al diagnstico es complejo, el concepto de probabilidad e incertidumbre estn en mayor o menor grado presentes. Para medir la incertidumbre, se puede partirdeunconjuntograndequeincluyatodaslasposibilidades de diagnstico, luego construir un subconjunto acotado y asignar un nmero real que mida el grado de incertidumbre sobre tal o cual diagnstico. Puede ser necesario acudir a medidas de probabilidad, y la intuicin no estexcluidadelproceso. Elcampodelamedicinaesefectivamenteunoparadigmticodedominioincierto,perotodasestas fuentesdeincertidumbrepuedendarse,ydehechosedanenmltiplescamposdelasciencias naturales,elderecho,lashumanidadesylaingenieraensusdistintosmbitosdeaplicacin.

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Razonamientoaproximadoeincertidumbre.Fuentesdeerror
Existensituacionesdondelosdatosquedebeprocesarelsistema,oelconocimientoqueprovienedeun expertoyquequeremosincluir,seencuentranrodeadosdediferentesnivelesdeincertidumbre. Laincertidumbrepuedetenerorigenenlosdatos,porejemplo: Laincertidumbrepuedeprovenirtambindelconocimientorepresentadoeincluidoenelsistema,ya quepuede: Representarlamejorestimacindelosexpertos,basadaenasociacionesplausibleso estadsticasquehanobservado. Noserapropiadaentodaslassituaciones,sinosloenunsubconjuntonodeterminadode ellas. Teniendopresentesestasnumerosasfuentesdeerror,haymuchassituacionesenlasquelossistemas basadosenelconocimientorequierenlaincorporacindealgunaformadegestindelaincertidumbre. Cuandosedesarrollaunsistemahaytresaspectosprincipalesaconsiderar,(algunosavecessonsutiles peropuedentenerimpactosignificativoenelfuncionamientoyconclusionesobtenidosporunsistema): Losdatospuedennollegaronoestardisponiblesenundeterminadomomento. Losdatospuedenestardisponibles,peropuedenserambiguos,onoserdeconfianza,debidoa erroresenmedidas,medidasenconflicto,etc. Larepresentacindelosdatospuedeserimprecisaoinconsistente. Losdatospuedensersimplementelamejorestimacindeunusuario. Losdatospuedenservalorespordefecto,ylosvalorespordefectopuedentenerexcepciones.

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Mtodosderazonamientoaproximado
Enlaactualidadexisteunamplioabanicodediversosmtodosytcnicas,yaplicacionesbasadasen ellos,orientadosalaimplementacindediferentesformasderazonamientoaproximado:hacemosuna revisinsintticadealgunosdelosmsrelevantes. LasprimerasaproximacionessebasarondeformamuydirectaenelteoremadeBayes(alqueya hemoshechoreferenciaentemasanterioresdeestaasignatura)pararelacionarprobabilidadesde hiptesisyevidencias: Respectoalosprimerossistemasbasadosenelmtodoprobabilsticoclsico(avecesdenominado BayesIngenuo),elformalismodelosfactoresdecerteza(CF),supusounavancebsicoalpermitirla incorporacindecriteriosdeincertidumbreyprobabilidadenlasreglasdelossistemasexpertos. Mtodoprobabilsticoensistemasexpertos ElprimersistemaexpertoenincorporarlofueMYCIN,aprincipiosdelosaos70.Enaossiguientes,el formalismodelosfactoresdecertezarecibimejorasensufundamentacinyfueincorporadodeforma crecienteendiversossistemasyentornosdedesarrollo.Lasredesbayesianashansidoenciertamedida unacontinuacindirecta,yenlaactualidadsonutilizadasendiversosproductosdefabricantescomo Microsoft,Digital,HewlettPackard,IBM,InteloSiemens,ascomodefabricantestecnolgicosms especializados. Tambinhajugadounpapelrelevanteenelmbitodelrazonamientoaproximadolateoradela evidenciadesarrolladainicialmenteporDempsteren1967yposteriormenteextendidaporShaferen 1976,yqueeshabitualmentedenominadateoradeDempsterShafer. Tambin,enelmarcodelrazonamientoaproximado,lateoradeconjuntosdifusos,ylalgicadifusa basadaenella,hansidolabasedeunnmeromuyimportantetantodesistemascomodeentornosde desarrollo.

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Elformalismodelosfactoresdecerteza(CF)
Elconocimientoenunsistemaexpertoqueincorporeelformalismodelosfactoresdecerteza,se representacomounconjuntodereglasdelaforma:

IF EVIDENCIA THEN HIPOTESIS (CF)

DondeEVIDENCIAsonunoomshechosquedansoporteaquelaHIPOTESISseacierta.ElvalordelCF delaregladenotalaconfianzaenqueefectivamentelaHIPOTESISsed,siEVIDENCIAocurre.Eneste formalismo,tambinaloshechosselespuedeasignarunvalordeCF,dependiendodelnivelde seguridadocertidumbreconqueseestnproduciendo.Paraverlosobreunejemplo,consideremosuna reglasencillamotivadaeneldominiomdico:

R: IF dolor.de.cabeza THEN gripe (0,3)

ValordeCF ElvalordeCFoscilaentre1y1,detalformaqueunCF=1esseguridadtotal,unCF=1esseguridadde quenoocurre,yunCF=0esincertidumbreabsoluta. Loshechosqueseincluyencomoevidenciaenlasreglas,tambinpuedentenersuCFparamodelaruna situacin.Deestaforma,siestamosconsiderandounasituacinenlaquealguientienedolordecabeza bastanteintenso,podramosasignarleunCF=0,9adolor.de.cabeza.Siporelcontrario,manifiestaque notieneabsolutamenteningntipodedolordecabeza,podramosasignarleadolor.de.cabezaunCF= 0,9,oinclusounCF=1,0.DadounvalordeCFparalaEVIDENCIA,yaplicandolaregla,elCFdela HIPOTESISsecalculamedianteelproductodeambas,esdecir:

CF(HIPOTESIS) = CF(EVIDENCIA) * CF(REGLA)

Porlotanto,parauncasoporejemploenquetuvisemosunCF=0,9paradolor.de.cabeza, obtendramosparagripeunCF=0,9*0,3=0,27.

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE
Explicacinregla Explicacindelaregla Conestaregla(quepuedesermuycuestionableenuncasoreal)estamosrepresentandoel conocimientodequesialguientienedolordecabeza,esprobablequetengalagripe.AlasignarleunCF =0,3alareglaR,estamosrepresentandoqueestimamosun30%aproximadamentedeque efectivamenteocurra,quesialguientienedolordecabeza,tengalagripe(estosecorrespondeconque estambinbastanteprobablequealguientengadolordecabeza,peroporotrasrazones,yquede hechonotengalagripe).

10

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

PropagacindelosfactoresdecertezayregladeencadenamientoI
Eshabitualquetengamosunaseriedereglasyquetodasellasinfluyanenunadeterminadahiptesis.Es decir,paradosreglas,estasituacin:

R1: IF EVIDENCIA1 THEN HIPOTESIS (CF1) R2: IF EVIDENCIA2 THEN HIPOTESIS (CF2)
Enestecaso,surgelacuestindecmocomponerlosvaloresobtenidosparaelCFdeHIPOTESISapartir decadaunadeellas. Consideremosestosobreelejemplosencillo:

R1: IF dolor.de.cabeza THEN gripe (0,5) R2: IF fiebre THEN gripe (0,9)
SiporejemploobtenemoscomoresultadoparagripeunCF(gripe)=0,4aplicandoR1,yunCF(gripe)= 0,7aplicandoR2,cmocomponerambosvalores? PodramosporejemplointentarsumarambosCF,peroestecasonosmuestraquenopuedeseras,ya queobtendramosunCFde1,1y,pordefinicinelmximoCFes1,0(queseracertezaabsolutade tenerlagripe).VeremosacontinuacinlaexpresinquenospermitecomponerambosCFrespetando suspropiedades.

11

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

PropagacindelosfactoresdecertezayregladeencadenamientoII
ElformalismodeCFincluyelassiguientesexpresionesparalacomposicindeCFdedosreglasque proporcionanevidenciaparalamismahiptesis:

Laexpresin(E1)constituyelabasedeladenominadaregladeencadenamiento,quepermite encadenarlasconclusionesobtenidasporlasreglasenelprocesodeinferenciaorazonamiento.La expresinsepuedefundamentarconteoradeprobabilidades:verendetalleestacuestinquedafuera delosobjetivosdeestetema,perointeresatenerlopresente. Lasexpresionesen(E1)permitencomponerunnmerondereglas,deformaiterativa.Enelcaso anteriorquecomentbamosdelosdosvaloresobtenidosparagripedeCF(gripe)=0,4yCF(gripe)=0,7, aplicaramoslaexpresin(laopcincorrespondientealosdosCF>0),yobtendramosunCFparala gripede:

R1+R2. CF(gripe) = 0,4 + 0,7*(1-0,4) = 0,82

Eneltemasiguienteveremoslautilizacindetodosestoselementosysuclculoparadosejemplosde sistemasexpertossimplificados:unoenundominiojurdicosimplificado,yotroenunsistemade controldealarmas.

12

RAZONAMIENTOAPROXIMADO CONOCIMIENTOEINCERTIDUMBRE

Resumen
Lastcnicasderazonamientoaproximadoseorientanatratarsituacionesendondelosdatosyel conocimientotienenunaciertaimprecisinopuedeincluirdiferentesfuentesdeincertidumbre.Eneste temahemosproporcionadounavisingeneraldequeselrazonamientoaproximadoyenqu aspectossecentra. Hemosvistoladiversidaddembitosdeaplicacindelrazonamientoaproximado,comolabiomedicina, elderechoolaingeniera.Laincertidumbrejuegaunpapelrelevanteenelconocimientoconelquese trabajaenmuchassituacionesdeestosmbitosdeaplicacin,ypuedeprovenirdediversasfuentes.

Existeunciertonmerodetcnicasderazonamientoaproximadoqueincluyenlasaproximaciones bayesianasclsicas,elformalismodelosfactoresdecerteza,lasredesbayesianas,lateoradela evidenciadeDempsterShaferylalgicadifusa. Elformalismodelosfactoresdecerteza(CF)permiterepresentarenlasreglasdeunsistemaexpertoel niveldeconfianzaoprobabilidadasociadoaella.Laregladeencadenamientopermitecalcularelvalor delCFresultantedelaaplicacindelasreglas,ydelasconclusionesfinalesdelprocesode razonamiento.

13