INF 1771 Inteligncia Artificial

Aula 15 Incerteza

Edirlei Soares de Lima

LOGO
Agentes Vistos Anteriormente

Agentes baseados em busca:

Busca cega
Busca heurstica
Busca local

Agentes baseados em lgica:

Lgica proposicional
Lgica de primeira ordem

Agentes baseados em planejamento:

Planejamento de ordem parcial
Planejamento em ambientes no-determinsticos
LOGO
Incerteza

Agentes raramente tem acesso toda

verdade sobre o ambiente.

Mundo de Wumpus:
Apenas informaes locais.
Maior parte do ambiente no imediatamente
observvel.
Incerteza de fatos:

O mundo real muito mais complexo do que o mundo

de wumpus. Informaes no garantem resultados.
LOGO
Incerteza

Exemplo: Levar algum ao aeroporto para pegar um vo.

Seja a ao At = sair para o aeroporto t minutos antes do

vo.

At levar o passageiro ao aeroporto a tempo?

Dificuldades de saber o resultado da ao:

Estados parcialmente observveis.
Estados das estradas, trnsito, etc.
Sensores ruidosos.
Relatrios de trnsito
Incerteza quanto ao efeito das aes.
Acidentes, pneu furado, etc.
Grande complexidade em prever e modelar o trnsito.
LOGO
Incerteza

Um procedimento puramente lgico no muito til

nesse caso:

Arriscaria deduzir algo potencialmente falso:

A45 me levar a tempo ao aeroporto

Levaria a concluses fracas para tomada de decises:

A45 me levar a tempo ao aeroporto, se nenhum acidente
ocorrer na ponte, se no chover, se nenhum pneu furar,
etc.

Levaria a concluses que no prticas:

A1440 me levar a tempo ao aeroporto
LOGO
Incerteza

O plano escolhido deve maximizar a

performance do agente.
Chegar no aeroporto a tempo.
No perder tempo esperando no aeroporto.

O agente no tem como garantir nenhum

sucesso em seus objetivos.

Mas ele pode prever um certo grau de crena

que ele ter sucesso em seus objetivos.
LOGO
Incerteza

A coisa certa a se fazer depende da

importncia dos objetivos e da probabilidade
de que eles sero alcanados.

necessrio lidar com a incerteza e a

impreciso dos ambientes.
LOGO
Incerteza

Considerando a seguinte regra em lgica de primeira

ordem:

p Sintoma(p, Dor_de_Dente) Doena(p, Cries)

A regra esta errada. Nem todas as pessoas que tem dor de

dente tem cries, algumas podem ter outras doenas.

p Sintoma(p, Dor_de_Dente) Doena(p, Cries) Doena(p, Gengivite)

Doena(p, Abscesso)...

Para tornar essa regra verdadeira seria necessrio adicionar

a ela uma lista infinita de possibilidades.
LOGO
Incerteza

Tentar utilizar lgica de primeira ordem para lidar com um

domnio de diagnstico mdico falha por trs razes:

Preguia: muito trabalho listar o conjunto completo de sentenas

necessrias para garantir uma regra sem exceo.

Ignorncia terica: A medicina no tem nenhuma teoria completa para

todos os domnios.

Prtico ignorncia: Mesmo conhecendo todas as regras, poderiam

existir dvidas sobre um determinado paciente.

Este tipo de problema afeta tambm outros domnios:

Negcios, Direito, Design, Reparao automveis,
Jardinagem...
LOGO
Fontes de Incerteza

Informaes precisas podem ser muito complexas

para serem modeladas.

necessrio lidar com informaes incompletas.

Implicaes podem ser modeladas de forma mais

fraca:

Dor_de_Dente(0.7) Doena(Cries)

Quantificao do nmero de vezes

em que a regra se aplica.
LOGO
Fontes de Incerteza

Conflito de informaes:

Especialistas distintos podem fornecer informaes conflitantes

e incertas.

Propagao de incertezas:

Fatos com um certo grau de incerteza implicam em outros fatos

com um grau de incerteza ainda maior.
1 0.7
Exemplo: a b a b
ab
bc 1 0.6
b c b c
LOGO
Lidando com a Incerteza

A principal ferramenta para se lidar com a incerteza

a teoria da probabilidade. Busca-se atribuir um
grau de crena numrica (entre 0 e 1) a cada
sentena.

Modela-se o grau de crena de um agente dadas as

evidncias disponveis:

A25 chegar a tempo ao aeroporto com probabilidade 0.04

A45 chegar a tempo ao aeroporto com probabilidade 0.85
A60 chegar a tempo ao aeroporto com probabilidade 0.95
LOGO
Probabilidade

A probabilidade subjetiva ou bayesiana estabelece

o estado de crena do agente em uma sentena dadas
as evidncias.

P(A25|nenhum acidente) = 0.06

A probabilidade de um sentena muda quando novas

evidncias chegam.

P(A25|nenhum acidente) = 0.06

P(A25|nenhum acidente, 5 a.m.) = 0.15

LOGO
Decises sob Incerteza

Supondo o seguinte conjunto de crenas:

P(A25|...) = 0.04
P(A90|...) = 0.70
P(A120|...) = 0.95
P(A1440|...) = 0.9999

Que ao o agente deve tomar?

Depende da preferncia entre perder o vo versus o
tempo esperando no aeroporto.
Teoria da utilidade = representao de preferncias
Teoria da deciso = teoria da probabilidade + teoria da utilidade
LOGO
Introduo Probabilidade

Elemento bsico da probabilidade uma varivel

aleatria.
Semelhante a lgica proposicional e de primeira
ordem, onde os mundos possveis so definidos pela
atribuio de valores s variveis.

Cada varivel aleatria tem um domnio que determina

seus valores possveis.
Tipos de domnio:
Booleano, exemplo: Crie possui valores em
<verdadeiro,falso>
Discreto, exemplo: Clima possui valores em <ensolarado,
chuvoso, nublado, neve>
Contnuo, exemplo: Temperatura
LOGO
Introduo Probabilidade

Proposies elementares:
So construdas atravs da atribuio de valores a
variveis.

Exemplo: Crie = falso, Clima = chuvoso

Proposies complexas:
So formadas a partir de proposies elementares
e conectivos lgicos padro.

Exemplo: Clima = chuvoso Crie = falso

LOGO
Introduo Probabilidade

Um evento atmico consiste da especificao

completa do estado do mundo sobre o qual o
agente est incerto.

Uma atribuio de valores a TODAS as variveis das

quais o mundo formado.

Exemplo:
Crie = verdadeiro DorDeDente = verdadeiro
Crie = verdadeiro DorDeDente = falso
Crie = falso DorDeDente = verdadeiro
Crie = falso DorDeDente = falso
LOGO
Probabilidade a priori

O grau de crena em uma proposio na ausncia de

outras informaes pode ser definida da seguinte
maneira:

P(Crie = verdadeiro) = 0.1

P(Clima = ensolarado) = 0.72

Distribuio de probabilidades:

P(Clima) = (0.7, 0.2, 0.08, 0.02)

Distribuio de probabilidade da variavel randomica

Clima = (ensolarado, chuvoso, nublado, neve)
 Distribuio de Probabilidade Conjunta
LOGO

Probabilidades de todas as combinaes de

valores de um conjunto de variveis aleatrias.

P(Clima, Crie) = tabela 4 x 2 de valores de probabilidade.

Clima ensolarado chuvoso nublado neve

Crie = verdadeiro 0.144 0.02 0.016 0.02

Crie = falso 0.576 0.08 0.064 0.08

Uma distribuio conjunta total especifica a

probabilidade de qualquer evento atmico.

Qualquer probabilidade nesse domnio pode ser calculada a

partir da distribuio conjunta total.
 Probabilidade Condicional ou a posteriori
LOGO

O grau de crena em uma proposio dada a

presena de novas evidncias pode ser
definido utilizando a notao P(a|b):

P(Crie = verdadeiro | Dor_De_Dente = verdadeiro) = 0.6

P(Crie = verdadeiro | Dor_De_Dente = verdadeiro,

Escova_Dentes_Regularmente = false) = 0.7

P(a|b) = A probabilidade de a dado todo o

conhecimento b.
LOGO
Probabilidade Condicional

A probabilidade condicional pode ser definida em

termos de probabilidades a priori:

P ( a b)
P ( a | b) se P(b) > 0
P(b)

A mesma equao tambm pode ser escrita da

seguinte maneira utilizando a regra do produto:
P(a b) P(a | b) P(b)

Ou:

P(a b) P(b | a) P(a)

LOGO
Axiomas da Probabilidade

Para quaisquer proposies A, B:

P(A) 0 e P(A) 1
P(Verdade) = 1
P(Falso) = 0
P(A B) = P(A) + P(B) - P(A B)
LOGO
Probabilidade

A probabilidade de uma proposio igual

soma das probabilidades dos eventos
atmicos em que ela vlida:

P(a) e e ( a ) P(ei )
i

Essa equao permite calcular a

probabilidade de qualquer proposio dada
uma distribuio conjunta total que
especifique todos os eventos atmicos.
LOGO
Inferncia Probabilstica

Inferncia probabilstica consiste na computao

da distribuio de probabilidade posterior para um
conjunto de variveis de consulta C dada alguma
evidncia observada.

A inferncia realizada com o uso de distribuies

conjuntas totais. Ou seja, uma base de
conhecimento a partir da qual so derivadas respostas
para todas as consultas.
LOGO
Inferncia Probabilstica

Suponha um domnio com a seguinte distribuio

conjunta total:

Dor_De_Dente Dor_De_Dente
Sonda Sonda Sonda Sonda
Crie 0.108 0.012 0.072 0.008
Crie 0.016 0.064 0.144 0.576

Para qualquer proposio a, P(a) a soma dos

eventos atmicos w onde a ocorre: P(a ) ei e ( a )
P(ei )
LOGO
Inferncia Probabilstica

Suponha um domnio com a seguinte distribuio

conjunta total:

Dor_De_Dente Dor_De_Dente
Sonda Sonda Sonda Sonda
Crie 0.108 0.012 0.072 0.008
Crie 0.016 0.064 0.144 0.576

Para qualquer proposio a, P(a) a soma dos

eventos atmicos w onde a ocorre: P(a ) ei e ( a )
P(ei )

P(Dor_De_Dente) = 0.108 + 0.012 + 0.016 + 0.064 = 0.2

LOGO
Inferncia Probabilstica

Suponha um domnio com a seguinte distribuio

conjunta total:

Dor_De_Dente Dor_De_Dente
Sonda Sonda Sonda Sonda
Crie 0.108 0.012 0.072 0.008
Crie 0.016 0.064 0.144 0.576

Para qualquer proposio a, P(a) a soma dos

eventos atmicos w onde a ocorre: P(a ) ei e ( a )
P(ei )

P(Dor_De_Dente Crie) = 0.108 + 0.012 + 0.016 + 0.064

+ 0.072 + 0.008 = 0.28
LOGO
Inferncia Probabilstica

possvel tambm calcular probabilidades

condicionais: P(a | b) P(a b)
P(b)

Dor_De_Dente Dor_De_Dente
Sonda Sonda Sonda Sonda
Crie 0.108 0.012 0.072 0.008
Crie 0.016 0.064 0.144 0.576

P(Crie Dor _ De _ Dente)

P(Crie | Dor _ De _ Dente)
P( Dor _ De _ Dente)
0.016 0.064
P(Crie | Dor _ De _ Dente) 0.4
0.108 0.012 0.016 0.064
LOGO
Inferncia Probabilstica

O denominador pode ser visto como uma constante de

normalizao .

Dor_De_Dente Dor_De_Dente
Sonda Sonda Sonda Sonda
Crie 0.108 0.012 0.072 0.008
Crie 0.016 0.064 0.144 0.576
P(Crie | Dor _ De _ Dente) P(Crie, Dor _ De _ Dente)
[ P(Crie, Dor _ De _ Dente, Sonda) P(Crie, Dor _ De _ Dente, Sonda)]
[ 0.108,0.016 0.012,0.064 ]
[ 0.12,0.08 ]
0.6,0.4
 Problemas com a inferncia por enumerao
LOGO

Complexidade de tempo (pior caso): O(dn)

onde d a cardinalidade do maior domnio e n o

nmero de variveis.

Complexidade de espao: O(dn) para

armazenar a distribuio conjunta.

Como encontrar as probabilidades para

O(dn) elementos?
LOGO
Independncia

X e Y so independentes se e somente se:

P(X|Y) = P(X) ou P(Y|X) = P(Y) ou P(X,Y) = P(X)P(Y)

Exemplo: P(Dor_De_Dente, Sonda, Crie, Clima)

Tabela com 32 elementos.

P(Dor_De_Dente,Crie,Sonda,Clima) = P(Dor_De_Dente,Crie,Sonda)P(Clima)

Dor_De_Dente Decomposio Dor_De_Dente

Crie Sonda
Crie Sonda
Tabela com
Clima 12 elementos
Clima
LOGO
Teorema de Bayes

Seja:
P(A | B) a probabilidade de que a hiptese A seja verdadeira
dada a evidncia B.
P(B | A) a probabilidade que a evidncia B ser observada se a
hiptese A for verdadeira.
P(A) a probabilidade a priori que a hiptese A verdadeira na
ausncia de qualquer evidncia especfica.
k o nmero de hipteses possveis.

O Teorema de Bayes formulado como:

P( B | A) * P( A) P( B | A) P( A)
P( A | B) k
P( A | B)
P( B | A ) * ( P( A )
P( B)
n n
n 0
LOGO
Regra de Bayes Exemplo

Para aplicar a regra de Bayes necessrio

trs termos:
Uma probabilidade condicional.
Duas probabilidades incondicionais.

Exemplo de diagnostico mdico:

um mdico sabe que a meningite causa torcicolo
em 50% dos casos. Porm, o mdico tambm
conhece algumas probabilidades incondicionais
que dizem que, um caso de meningite atinge
1/50000 pessoas e, a probabilidade de algum ter
torcicolo de 1/20.
LOGO
Regra de Bayes Exemplo

Considerando:
T = probabilidade incondicional de um paciente ter
torcicolo:
P(T) = 1/20

M = probabilidade incondicional de um paciente ter

meningite.
P(M) = 1/50000

P(T|M) = 0.5 (probabilidade de ter torcicolo tendo

meningite)
LOGO
Regra de Bayes Exemplo

Aplicando a regra de Bayes:

P(T | M ) P( M )
P( M | T )
P(T )
0.5 1 / 50000
P( M | T )
1 / 20
P( M | T ) 0.0002

esperado que apenas 1 em 5000 pacientes

com torcicolo tenha meningite.
LOGO
Regra de Bayes Exemplo

Apesar de torcicolo ser um fortemente

indicativo de meningite (com probabilidade
0.5), a probabilidade de meningite no
paciente permanece pequena.
 Regra de Bayes Combinando Evidencias
LOGO

P(Crie|Dor_De_Dente Sonda)
= <0.108,0.016>
= <0.871,0.129>

Utilizando o conceito de independncia possvel

reduzir o problema de escala em problemas mais
complexos.

Funcionaria se Dor_De_Dente e Sonda fossem

independentes, mas eles no so. Essas variveis so
independentes somente dado a presena ou a
ausncia de Crie.
 Regra de Bayes Combinando Evidencias
LOGO

Dor_De_Dente e Sonda so causas diretas

de Crie, mas no tem nenhum efeito direto
uma sobre a outra.

P(Dor_De_Dente Sonda|Crie) =
P(Dor_De_Dente|Crie)P(Sonda|Crie)

Para obter a probabilidade de Crie:

P(Crie|Dor_De_Dente Sonda) =
P(Dor_De_Dente|Crie)P(Sonda|Crie)P(Crie)