Escolar Documentos
Profissional Documentos
Cultura Documentos
FACTORES DE CERTEZA
ndice
Presentacin ................................................................................................................................................. 3 Ejemplo de aplicacin: sistema experto jurdico .......................................................................................... 4 Definicin de reglas ...................................................................................................................................... 5 Valores de entrada ....................................................................................................................................... 7 Encadenamiento........................................................................................................................................... 8 Ejemplo de aplicacin: sistema experto de alarmas .................................................................................... 9 Definicin de reglas .................................................................................................................................... 10 Valores de entrada y encadenamiento I .................................................................................................... 11 Valores de entrada y encadenamiento II ................................................................................................... 12 Consideraciones generales ......................................................................................................................... 13 Resumen ..................................................................................................................................................... 14
En este tema veremos dos ejemplos de aplicacin de los principales elementos del formalismo de los factores de certeza sobre dos sistemas expertos simplificados: un sistema experto jurdico y uno de control de alarmas. El propsito de trabajar con estos dos ejemplos sencillos es el de tener la oportunidad de ver sobre ellos cmo modelar mediante los CF las reglas, datos de entrada, y cmo se aplica la regla de encadenamiento para llegar a conclusiones.
Al terminar este tema sers capaz de: Poner en prctica los aspectos bsicos del modelado de reglas y datos en el formalismo de factores de certidumbre sobre dos ejemplos concretos. Saber cmo aplicar la regla de encadenamiento para derivar conclusiones de reglas con CF asociados. Tener una visin general de las ventajas del formalismo de los factores de certidumbre y su adecuacin a diversas situaciones.
IF huellas dactilares del acusado presentes en arma THEN acusado culpable (CF = 0,75)
Regla2:
Como resultado de la aplicacin de las reglas a un caso problema, conseguimos como conclusin el valor del CF calculado para culpable. Si como conclusin del razonamiento para un caso se obtiene CF(culpable) = 0,8, por ejemplo, estamos en una situacin en la que el acusado es con mucha probabilidad culpable. Si por el contrario, obtuvisemos como conclusin un CF(culpable) = -0,6, por ejemplo, estaramos en una situacin en la que es significativamente probable que el acusado sea inocente. Obtener un CF(culpable) = 0,0 es incertidumbre absoluta, en el sentido de que es igual la probabilidad de inocencia que la de culpabilidad. A continuacin vamos a comentar cada una de estas reglas, vemos cmo aplicarlas a un caso, y cmo utilizar la frmula de encadenamiento (E1) -que vimos en el tema anterior y reproducimos nuevamente aqu- para llegar a un valor final. Frmula
Definicin de reglas
Revisamos en este punto cada una de las tres reglas que estamos considerando en este ejemplo.
Regla 1
IF huellas dactilares del acusado presentes en arma THEN acusado culpable (CF = 0,75)
La regla 1 modela la probabilidad de que el acusado sea culpable si existen huellas dactilares suyas en el arma. Se le asigna un CF = 0,75 a la regla, un valor significativamente alto.
Si no hay huellas dactilares Para ver su comportamiento, podemos considerar una situacin en la que no haya huellas dactilares: supongamos por ejemplo un CF(huellas dactilares) = -0,8. Aplicar la regla para esta situacin supondra obtener CF (culpable) = 0,75 * -0,8 = -0,6. Es decir, una probabilidad significativa de no culpabilidad, o lo que es lo mismo, de inocencia.
Si hay huellas dactilares Otro ejemplo de comportamiento de la regla: un caso en que s haya presencia de huellas en el arma, y para lo que es de esperar que se obtenga un valor de culpabilidad. Por ejemplo, si CF(huellas dactilares) = 0,9, entonces CF(culpable) = 0,75 * 0,9 = 0,675, es decir un valor significativo de probabilidad de culpable.
Regla2
Regla 3
Podemos tener casos muy claros de culpabilidad en los que haya evidencia alta para los tres, por ejemplo: haba huellas en el arma, tena un mvil, y no tiene coartada . Otro caso claro puede ser uno en el que la situacin se oriente hacia a la inocencia, con evidencias por ejemplo de que: no se han encontrado huellas dactilares, no se ha encontrado ningn mvil y el acusado tiene una coartada muy buena. Tambin interesa ver que puede haber diversos casos en los que las evidencias no sean tan concluyentes, por ejemplo:
Con qu caso se corresponden estos valores? Es una situacin en la que hay presencia de huellas, un mvil significativo, pero el acusado tiene una coartada muy buena. Cul debe ser la decisin en este caso, culpable o inocente? En el punto siguiente vemos cmo aplicar la regla de encadenamiento para conseguir un valor final de CF(culpable) a partir de las tres reglas.
Para componer estos valores y llegar a un valor final de CF para culpabilidad aplicamos de forma iterativa la regla de encadenamiento, basndonos en la expresin (E1) vista anteriormente, como sigue: Para componer los CF obtenidos de R1 y R2, como los dos son del mismo signo, de acuerdo con (E1):
Conclusin
Conclusin Como conclusin para este caso se obtiene un CF(culpable) = 0,052. Interesa interpretar cmo este resultado es de un valor de indefinicin, que se corresponde con lo que era de esperar intuitivamente. Efectivamente, estbamos ante un caso en el que haba evidencias tanto de culpabilidad como de inocencia, y el valor numrico final para CF(culpabilidad) que se ha obtenido es prximo a cero, tan prximo de hecho, que indica que es prcticamente igual la probabilidad de culpabilidad a la de inocencia (otros valores pequeos, pero con un determinado sesgo podran haber sido CF(culpable) = 0,1 CF(culpable = -0,1), pero el CF obtenido es todava menor en valor absoluto).
Regla2:
Regla 3:
Regla4:
La regla 1 modela el comportamiento que se desea del sistema Regla 1: IF sensor.temperatura THEN alarma (CF = 0,5) en caso de que se produzca una seal desde un sensor de temperatura. Si el sensor proporciona un valor de la temperatura muy alto, la regla hace que se produzca una seal de alarma, con un CF asignado de 0,5. La regla 2 modela un comportamiento anlogo al de la 1, pero Regla2: IF sensor.humo THEN alarma (CF = 0,9) centrado en la seal que d un detector de humo. El que el CF de la regla 2 sea mayor que el de la regla 1, hay que interpretarlo como que se est asignando mayor confianza a la necesidad de dar la seal de alarma si se detecta humo, que si se detecta temperatura excesiva. Regla 3: IF alarma THEN aviso.urgencias (CF = 0,7) Esta regla viene a modelar el comportamiento de que si se ha producido una seal de alarma, se debe dar a continuacin un aviso al servicio de urgencias (bomberos, por ejemplo). Esta regla viene a modelar un comportamiento complementario al de la anterior, en la medida en que el CF es negativo. Podra Regla 4: IF horario.diurno THEN aviso.urgencias (CF = -0,3) interpretarse como que se desea que si la alarma se produce durante el da, la necesidad de avisar a urgencias es menor que durante la noche (algo as como que durante el da puede haber personal que resuelva el problema sin necesidad de avisar al servicio de urgencia, y que si es por la noche, s es ms propenso el sistema a avisar a urgencias).
10
Vamos a suponer para este ejemplo que tenemos los valores concretos:
Es decir, una situacin donde el sensor de temperatura da una seal muy pequea de conflicto, pero el sensor de humo da una seal bastante significativa de deteccin. Tambin, estamos en un momento que se encuentra de forma bastante significativa en el horario diurno. Una diferencia bsica con el caso anterior del sistema jurdico, es que el valor del requisito de la regla R3 depende del resultado de R1 y R2. Para casos como este podemos aplicar la regla de encadenamiento (E1) para conseguir componer los resultados de R1 y R2. Los valores que se obtendran seran los de las tres primeras filas de la tabla. El valor del CF de alarma se aplica como entrada de R3 y se obtiene el CF de aviso.urgencias:
Regla R1 R2 R1+R2 R3
Regla de encadenamiento 0,1 * 0,5= 0,6 * 0,9 = 0,05 + 0,54(1-0,05) = 0,563* 0,7 = 0,05 0,54 0,563 0,3941
Resultado
Es decir, hasta este punto del razonamiento, y por lo que respecta a R1, R2, y R3, para esta situacin se est llegando a que hay un valor de CF significativo para dar la seal de alarma (CF=0,56), y por ahora, tambin un valor significativo, aunque algo menor (CF=0,39) para dar el aviso al servicio de urgencias.
11
Interpretndolo, por estar en horario diurno, la regla indica que es mejor no dar aviso de urgencias. Ahora se trata de componer los dos CF obtenidos para aviso.urgencias provenientes de R3 y R4. Nuevamente, utilizando la expresin E1 para el encadenamiento, ya que en este caso los dos valores tienen signos distintos, se llega a:
(0,3941 -0,27) / ( 1
Por lo tanto, la conclusin de todo el proceso de razonamiento es un CF finalmente para aviso.urgencias de 0,17. En resumen para este caso, aunque por los valores de los sensores se llegaba a una conclusin de dar aviso al servicio de urgencias, ya que el momento en que se razona es en horario.diurno, no se llega a tener un valor alto para el aviso. Si hubisemos estado en un momento no de horario diurno (por ejemplo CF(horario.diurno) = -0,9), el valor para la seal de alarma es de esperar que s que hubiese sido alto. Comparando este ejemplo con el anterior, hemos visto cmo se puede aplicar la regla de encadenamiento basada en la expresin (E1) para el caso general donde las reglas y sus requisitos y conclusiones pueden depender unos de otros.
12
Por otra parte, como sealamos anteriormente, tambin han surgido tcnicas complementarias que han proporcionado mecanismos ms expresivos y flexibles para algunos aspectos tiles en el razonamiento aproximado. En el tema siguiente veremos, en este sentido, la lgica difusa.
13
Los aspectos bsicos que hemos visto en cada uno de los ejemplos han sido: La definicin de las reglas y los CF asociados. Los valores de los datos de entrada. El proceso de inferencia aplicando la regla de encadenamiento basada en la expresin (E1).
Hemos terminado el tema con unas consideraciones generales sobre las ventajas del formalismo CF y las situaciones donde resulta adecuado.
14