Escolar Documentos
Profissional Documentos
Cultura Documentos
Captulo 13
IA - Mestrado FEI
Outline
incerteza
Probabilidade
Sintaxe e Semntica
Inferncia
Independncia e Regra de Bayes
incerteza
Seja a ao At = sair para o aeroporto t minutos antes do vo.
At me levar ao aeroporto a tempo?
Problemas:
1.
2.
3.
4.
Estados parcialmente observveis (estado das estradas, trfego, outros planos, etc.)
Sensores ruidosos (relatrios de trafego)
incerteza quanto aos efeitos das aes (pneu furado, etc.)
Grande complexidade em modelar e prever trafego
Probabilidade
A probabilidade proporciona um meio para resumir a
incerteza que vem de nossa:
preguia: falha em numerar todas as excees, antecedentes
ou consequntes para assegurar uma regra sem excees
ignorncia: falta de conhecimento sobre fatos relevantes,
condies iniciais, etc.
Probabilidade
Proposies probabilsticas no so proposies sobre
o mundo!
Portanto o compromisso ontolgico da teoria da
probabilidade o mesmo da lgica clssica:
As sentenas so verdadeiras ou falsas:
Atribuir prob. 0 (1) a S significa na crena
inequvoca de que S falsa (verdadeira)
(fuzzy assume um outro compromisso...)
Probabilidade
A probabilidade de uma sentena depende das
percepes que o agente recebeu at o momento
(evidncias)
Portanto, probabilidades mudam a partir de novas
evidncias:
e.g., P(A25 | nenhum acidente, 5 a.m.) = 0.15
[ Isso anlogo relao de conseqncia lgica:
BC |= a
]
Todas as declaraes de probabilidade devem indicar
a evidncia de acordo com a qual a prob. est sendo
avaliada.
= 0.04
= 0.70
= 0.95
= 0.9999
Que ao tomar?
Depende de minhas preferncias sobre perder o vo
vs. tempo esperando, etc.
Teoria da utilidade representa preferncias (todo estado tem um
grau de utilidade)
Teoria da Deciso = teoria da probabilidade + teoria da utilidade
Introduo probabilidade:
Proposies: graus de crena so aplicados a proposies
(afirmao sobre uma situao)
Elemento bsico: varivel aleatria algo que se refere a
uma parte do mundo cujo status inicialmente
desconhecido;
Domnio
V. aleatrias booleanas: e.g., Carie = <verdadeiro, falso>
V. aleatrias discretas: e.g., Clima possui valores em <ensolarado,
chuvoso, nublado, neve>
Introduo probabilidade:
Evento Atmico: Especificao completa do
estado do mundo sobre o qual o agente est
inseguro.
Uma atribuio de valores especficos a
TODAS as variveis as quais o mundo
formado
mutuamente exclusivos (no mximo um deles
pode ocorrer em cada instante)
exaustivos: pelo menos um deles tem que
ocorrer
Axiomas de probabilidade
Para quaisquer proposies A, B
0 P(A) 1
P(verdade) = 1 e P(falso) = 0
(proposies neces. verdadeiras -- vlidas -prob=1 e proposies neces. falsas no
satisfatveis -- prob.=0)
probabilidade
A probabilidade de uma proposio
igual soma das probabilidades dos
eventos atmicos em que ela vlida:
P(a) = ei e(a)P(ei)
Essa equao fornece um mtodo
simples de calcular a probabilidade de qqr
proposio dada uma distr. conjunta total
que especifique todos os eventos
atmicos.
Probabilidade incondicional ou
a priori
Weather =
sunny rainy cloudy snow
Cavity = true
0.144 0.02
0.016
Cavity = false 0.576 0.08 0.064
0.08
0.02
Probabidade incondicional ou a
priori
Uma distribuio conjunta total especifica a probabilidade de
todo evento atmico e , portanto, uma especificao
completa da incerteza sobre o mundo.
Qualquer questo sobre um domnio pode ser respondida a
partir de sua distribuio conjunta total.
Probabilidade Condicional ou
posterior
Uma vez que alguma evidncia relativa s variveis aleatrias
conhecida, as prob. a priori no so mais aplicveis. Em vez
disso, devemos usar as probabilidades Condicionais ou
posteriores
e.g., P(carie | dordeDente) = 0.8
i.e., dado que dordeDente tudo o que se sabe a respeito de carie
Distribuies condicionais:
P(X | Y) = fornece o conjunto de valores de P(X = xi| Y = yj) para cada i, j
possvel
Probabilidade Condicional
Podem ser definidas em termos de prob. a priori:
P(a | b) = P(a b) / P(b) if P(b) > 0
Inferncia Probabilstica
Inferncia probabilstica: a computao da
evidncia observada de probabilidades
posteriores para proposies de consulta;
Inferncia com o uso de distribuies
conjuntas totais: base de conhecimento a
partir da qual so derivadas respostas para
todas as perguntas.
Inferncia Probabilstica
Iniciamos com um exemplo em que Cavity = Carie,
Toothache = DordeDente, Catch = Botico. E a seguinte
distribuio conjunta total deste domnio:
Inferncia Probabilstica
Iniciamos com um exemplo em que Cavity = Carie,
Toothache = DordeDente, Catch = Botico. E a seguinte
distribuio conjunta total deste domnio:
Inferncia Probabilstica
Iniciamos com um exemplo em que Cavity = Carie,
Toothache = DordeDente, Catch = Botico. E a seguinte
distribuio conjunta total deste domnio:
Inferncia Probabilstica
Podemos calcular probabilidades condicionais:
Inferncia probabilstica
inferncia por enumerao
Objetivo: calcular a distribuio de probabilidades das variveis
de consulta X (ex. Cavity), dados valores especficos e (ex.
Toothache) para as variveis de evidncia E.
Seja Y as variveis restantes no observadas (ex. Catch). A
consulta P(X|e) pode ser avaliada como:
P(X|e) = yP(X, e, y)
Note que, juntas, as var. X, E e Y constituem o conjunto
completo de var. para o domnio;
assim, P(X, e, y) simplesmente um subconjunto de
probabilidades a partir da distribuio conjunta total.
Independncia
A e B so independentes sse
P(A|B) = P(A) ou P(B|A) = P(B)
Independncia Condicional
Se eu tenho crie, a probabilidade do botico acertar esse dente
no depende de minha dor de dente:
(1) P(catch | toothache, cavity) = P(catch | cavity)
Sentenas Equivalentes :
P(Toothache | Catch, Cavity) = P(Toothache | Cavity)
P(Toothache, Catch | Cavity) = P(Toothache | Cavity) P(Catch | Cavity)
Independncia Condicional
Escrevendo toda a distribuio total utilizando a regra da
cadeia:
P(Toothache, Catch, Cavity)
= P(Toothache | Catch, Cavity) P(Catch, Cavity)
= P(Toothache | Catch, Cavity) P(Catch | Cavity) P(Cavity)
= P(Toothache | Cavity) P(Catch | Cavity) P(Cavity)
Bayes' Rule
Da regra do produto P(ab) =
P(a | b) P(b) = P(b | a) P(a)
Regra de Bayes: P(a | b) = P(b | a) P(a) / P(b)
Ou na forma da distribuio conjunta:
P(Y|X) = P(X|Y) P(Y) / P(X) = P(X|Y) P(Y)
til para acessar regras probabilsticas de diagnstico
atravs de probabilidades causais:
P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)
E.g., let M be meningitis, S be stiff neck:
P(m|s) = P(s|m) P(m) / P(s) = 0.8 0.0001 / 0.1 = 0.0008
Regra de Bayes e
Independncia Condicional
P(Cavity | toothache catch)
= P(toothache catch | Cavity) P(Cavity)
= P(toothache | Cavity) P(catch | Cavity) P(Cavity)
Este um exemplo de um modelo de Bayes Ingnuo:
P(Cause,Effect1, ,Effectn) = P(Cause)xiP(Effecti|Cause)
vermelha
branca
Azul
B1
2
3
6
B2
4
2
3
B3
3
4
3