SISTEMAS EXPERTOS

Razonamiento bajo
incertidumbre
Sistemas Expertos Basados
en Probabilidad
Mg. Ing. Rolando M. Chvez Guilln
INCERTIDUMBRE
Todos los seres humanos tienen experiencia, en
manejar la incertidumbre. Es muy comn tomar
decisiones en condiciones de incertidumbre, acerca
del trafico, el clima, el trabajo, la escuela , etc., de tal
manera que ella, es parte de nuestra vida diaria.
Un ejemplo tan cotidiano como el ir tarde al trabajo
y preguntarse si se va a tomar un bus o un taxi.
INCERTIDUMBRE
La persona decide con incertidumbre, por que no
sabe si el bus se demore o no, o si estar lleno, por
otro lado el taxi le costar mas, pero debe tomar
una decisin que lo lleve a su trabajo.
Este tipo de decisiones se presenta a menudo tanto
en la vida cotidiana, como en el mbito cientfico o
en el empresarial.
INCERTIDUMBRE
Aunque la incertidumbre este presente en todos esos
campos, el ser humano ha desarrollado tcnicas y teoras,
como la probabilidad , para enfrentar este tipo de
decisiones.
Aun cuando es posible construir muchas aplicaciones de
los sistemas expertos utilizando el razonamiento exacto,
muchas otras requieren un razonamiento inexacto con
hechos o reglas inciertas, es decir un razonamiento con
incertidumbre.
TIPOS DE ERRORES
Muchos tipos de errores, pueden aportar
incertidumbre. Las diferentes teoras de
incertidumbre, tratan de resolver parte o todo esto,
para proporcionar, la inferencia mas confiable.
Entre los tipos de errores se puede mencionar la
ambigedad, en el que algo puede interpretarse de
ms de una manera. Ejemplo: Apagar la vlvula(Cul
vlvula?).
TIPOS DE ERRORES
Otro tipo es la falta de informacin completa.
Un tercero es la incorreccin, donde la informacin
es incorrecta. Las posibles causas de la incorreccin
son el error humano, la falla accidental en la lectura
de los datos, el mal funcionamiento del equipo, etc.
ENFOQUE PROBABILISTICO
Probabilidad Condicional: Si A y B son 2 eventos en un espacio muestral.
La probabilidad de que ocurra A dado que B ha ocurrido se define :
P(A/B)= P(A B) /P(B) = card(A,B)/card(B)
P(/B)=1-P(A/B)
Ejercicios
1.- En lima, Per la probabilidad que llueva el da primero de julio es de
0.50 y la probabilidad que llueva los 2 primeros das de julio es
0.40.Dado que llovi el da primero. cual es la probabilidad que llueva
el da siguiente.
2.- Un hombre tiene dos carros viejos , a y b; ellos tienen problemas
para arrancar en las maanas fras. La probabilidad que ambos arrancan
es 0.1; la probabilidad que arranca b y no a es 0.2; la probabilidad que
ninguno de ellos arranca es 0.4. Hallar la probabilidad que: i) el carro a
arranca; ii) arranca a dado que arranc b ; iii) arranca b, dado que no
arranc a.
Ejercicios
3.-En un sistema de alarma, la probabilidad que se produzca un peligro
es 0.10. Si este se produce, la probabilidad que la alarma funcione es de
0.95. La probabilidad que funcione la alarma sin haber habido peligro es
0.03.Determinar la probabilidad que haya un peligro y la alarma no
funcione.
4.-Dos establos A y B tienen 1000 cabezas de vacuno cada uno. Existe
una epidemia que afecta a los cascos y la boca del ganado. La proporcin
de ganados afectados es 1/5 y respectivamente(por establo). Se
escoge un ganado al azar. i) Cul es la probabilidad que el ganado
escogido viene del rancho A y tiene afeccin a los cascos y a la boca?.
Ejercicios
ii) Si el 70 % de los ganados afectados tienen edad menor que un ao.
Cul es la probabilidad que el ganado escogido venga del rancho B,
tiene afeccin y es mayor que un ao de edad?.
ENFOQUE PROBABILISTICO
Teorema de Bayes :
P(Ai/B)=P(Ai) P(B/Ai) / P(B)
A1 A2 A3
P(B)= P(Ai) P(B/Ai)
B
P(B)= P(Ai) P(B/Ai) + P(i) P(B/i)
Probabilidad Total
Teorema de Bayes
El Teorema de Bayes nos permite comparar la
probabilidad previa ( o a priori) P(Ai), con la
probabilidad posterior ( o aposteriori) P(Ai/B), esto
es, con la probabilidad de Ai despus que ha ocurrido
el evento B.
Observar que la regla de Bayes da el porcentaje de
P(Ai B) con respecto a P(B).
1. Un centro mdico tiene una base de datos de
historias clnicas de N= 1000 pacientes.
APLICACION
Dolor
25
25
220
220
12
76
95
95 4
31
50 10 10
113
9
5
Vmitos
G
Perdida peso
2. Hay 700 pacientes (regin sombreada) que tienen la
enfermedad adenocarcinoma gstrico (G), y 300 no la
tienen.
Tres sntomas: Dolor (D), prdida de peso (P) y vmitos
(V) estn ligados a la enfermedad.
Cuando un paciente nuevo llega a la consulta, hay una
probabilidad 700/1000 = 70% de que el paciente
tenga G.
Dolor
25
25
220
220
12
76
95
95
4
31
50 10 10
113
9
5
Vmitos
G
Perdida peso
=> Pueden hacerse las siguientes afirmaciones:
Probabilidad a priori: 440 de 1000 pacientes vomitan
=> p(v) = 0.44
Verosimilitud: El 50% de los pacientes que tienen la
enfermedad, vomitan.
p(v|g) = card(v,g) / card(g)
card(v,g) = 25+220+95+10=350
= 350/700 = 0.5
Dolor
25
25
220
220
12
76
95
95
4
31
50 10 10
113
9
5
Vmitos
G
Perdida peso
A1 A2
A3
Mientras que slo el 30% de los pacientes que
no tienen la enfermedad vomitan
p(v| g)=card(v, g)/card( g)= 90/300=0.3
Dolor
25
25
220
220
12
76
95
95
4
31
50 10 10
113
9
5
Vmitos
G
Perdida peso
Probabilidad a priori: 220+95+4+31+4= 350 de 1000
pacientes vomitan y pierden peso.
=> p(v,p) = 0.35
Verosimilitud: El 45% de los pacientes que tienen la
enfermedad vomitan y pierden peso.
card(v, p,g) = 220+95 = 315
p(v, p | g) = card(v, p,g) / card(g)
= 315/700 = 0.45
Mientras que slo el 12% de los que no tienen la
enfermedad vomitan y pierden peso
p(v,p| g) = card(v,p, g)/card( g)
= 35/300
= 0.11666667
= 0.12
Puesto que la probabilidad inicial de que el paciente
tenga adenocarcinoma gstrico, p(g)=0.7, no es
suficientemente alta para hacer un diagnstico (tomar
una decisin ahora, implica una probabilidad 0.3 de
equivocarse),
Entonces el doctor decide examinar al paciente para
obtener ms informacin:
Supngase que los resultados muestran que el paciente
tiene los sntomas vmitos (v) y prdida de peso (p).
Cul es ahora la probabilidad de que el paciente tenga la
enfermedad?
Tras observar que tiene v la probabilidad a posteriori es
p(g|v)
p(g) p(v|g)
p(g) p(v| g)+ p( g) p(v| g)
=
0.7 x 0.5
(0.7 x 0.5) + (0.3 x 0.3)
= = 0.795
p(g|v)
p(g) p(v|g)
p(v)
=
0.7 x 0.5
0.44
= =
0.795
Tras observar que tiene v y p la probabilidad a posteriori es
p(g|v,p)
p(g) p(v, p |g)
p(g) p(v, p | g)+ p( g) p(v,p| g)
=
0.7 x 0.45
(0.7 x 0.45) + (0.3 x 0.12)
= 0.9 =
p(g) p(v,p|g)
P(v,p)
=
0.7 x 0.45
0.35
= =
0.9
p(g|v,p)
Ntese que cuando se aplica el teorema de Bayes
sucesivamente, la probabilidad a posteriori calculada
en una etapa dada es la misma que la probabilidad a
priori en la siguiente.
Por ejemplo, la probabilidad a posteriori que se ha
calculado en el primer paso anterior, puede ser utilizada
como probabilidad a priori en la siguiente:
p(g|v,p)
p(g|v) p(p|g,v)
p(g|v) p(p|g,v)+ p( g|v) p(p| g,v)
0.795 x 0.9
(0.795 x 0.9) + (0.205 x 0.389)
=
0.9
=
=
=
I) Identificar los posibles conjuntos que intervienen en
el problema
B
BC
A1
A2
A3
A3C
A2C
A3
A3C
A1C
A2
A2C
A3
A3C
A3
A3C
A1
A2
A3
A3C
A2C
A3
A3C
A1C
A2
A2C
A3
A3C
A3
A3C
II) Cargar la base de conocimiento
III) Calcular las probabilidades conocidas
/* P(A1/B)*/
real PA1B=0;
PA1B=(personas_por_conjunto[0]+personas_por_conjunto[1]+
personas_por_conjunto[2]+personas_por_conjunto[3])/(personas_por
_conjunto[0]+personas_por_conjunto[1]+
personas_por_conjunto[2]+personas_por_conjunto[3]+personas_por_
conjunto[4]+personas_por_conjunto[5]+
personas_por_conjunto[6]+personas_por_conjunto[7])
Escribir("La probabilidad de P(A1/B) es : , PA1B)
III) Calcular las probabilidades conocidas
/* P(A1/BC)*/
Real PA1BC=0;
PA1BC=(personas_por_conjunto[8]+personas_por_conjunto[9]+
personas_por_conjunto[10]+personas_por_conjunto[11])/(personas_p
or_conjunto[8]+personas_por_conjunto[9]+
personas_por_conjunto[10]+personas_por_conjunto[11]+personas_po
r_conjunto[12]+personas_por_conjunto[13]+
personas_por_conjunto[14]+personas_por_conjunto[15])
Escribir("La probabilidad de P(A1/BC) es : , PA1BC)
III) Calcular las probabilidades conocidas
/* P(A2/B)*/
real PA2B=0;
PA2B=(personas_por_conjunto[0]+personas_por_conjunto[1]+
personas_por_conjunto[4]+personas_por_conjunto[5])/(personas_por
_conjunto[0]+personas_por_conjunto[1]+
personas_por_conjunto[2]+personas_por_conjunto[3]+personas_por_
conjunto[4]+personas_por_conjunto[5]+
personas_por_conjunto[6]+personas_por_conjunto[7])
Escribir("La probabilidad de P(A2/B) es : , PA2B)
III) Calcular las probabilidades conocidas
/* P(A2/BC)*/
Real PA2BC=0;
PA2BC=(personas_por_conjunto[8]+personas_por_conjunto[9]+
personas_por_conjunto[12]+personas_por_conjunto[13])/(personas_p
or_conjunto[8]+personas_por_conjunto[9]+
personas_por_conjunto[10]+personas_por_conjunto[11]+personas_po
r_conjunto[12]+personas_por_conjunto[13]+
personas_por_conjunto[14]+personas_por_conjunto[15])
Escribir("La probabilidad de P(A2/BC) es : , PA2BC)
III) Calcular las probabilidades conocidas
/* P(A3/B)*/
real PA3B=0;
PA3B=(personas_por_conjunto[0]+personas_por_conjunto[2]+
personas_por_conjunto[4]+personas_por_conjunto[6])/(personas_por
_conjunto[0]+personas_por_conjunto[1]+
personas_por_conjunto[2]+personas_por_conjunto[3]+personas_por_
conjunto[4]+personas_por_conjunto[5]+
personas_por_conjunto[6]+personas_por_conjunto[7])
Escribir("La probabilidad de P(A3/B) es : , PA3B)
III) Calcular las probabilidades conocidas
/* P(A3/BC)*/
Real PA3BC=0;
PA3BC=(personas_por_conjunto[8]+personas_por_conjunto[10]+
personas_por_conjunto[12]+personas_por_conjunto[14])/(personas_p
or_conjunto[8]+personas_por_conjunto[9]+
personas_por_conjunto[10]+personas_por_conjunto[11]+personas_po
r_conjunto[12]+personas_por_conjunto[13]+
personas_por_conjunto[14]+personas_por_conjunto[15])
Escribir("La probabilidad de P(A3/BC) es : , PA3BC)
IV) Calcular las probabilidades condicionales
En este caso particular que se analiza, un paciente que va a una
consulta, tiene una probabilidad a priori de 0.7 de tener la
enfermedad , pero el medico considera que esto no es suficiente
ya que tiene una probabilidad de 0.3 de equivocarse, por tanto
decide hacer las preguntas adecuadas que el paciente debe
responder .
a) Si el enfermo tiene vmitos.
b) Si el enfermo experimenta perdida de peso.
c) Si el enfermo tiene dolor.
IV) Calcular las probabilidades condicionales
Para esto se toma P(B)=0.70 que es la primera estimacin dada por el mdico.
Para el caso que la probabilidad inicial de B es 0.7 , por medio de la regla de
Bayes se tiene que, la probabilidad que el paciente tenga la enfermedad, dado
que no presenta vmitos , se calcula como sigue:
P(B
C
/A3
C
)=1- P(B/A3
C
)= 1-0.625= 0.375
3
3
3
3
P(/B)=1-P(A/B)
P(A3C/B)=1-P(A3/B)
IV) Calcular las probabilidades condicionales
Las deducciones obtenidas, dan una nueva probabilidad de que el
paciente tenga la enfermedad, por lo tanto la probabilidad de
tener dicha enfermedad , teniendo el sntoma de perdida de
peso, sufre un cambio, ya que ahora P(B)=0.625 , lo mismo su
sucede con su complemento, estas nuevas probabilidades son
usadas para el siguiente clculo:
P(B
C
/A2)=1- P(B/A2) = 0.2105
IV) Calcular las probabilidades condicionales
Este clculo determina que dado que, un paciente no tiene
vmitos y presenta perdida de peso su nueva probabilidad de
tener la enfermedad es 0.7895.
Un paciente que, no presenta vmitos, pero presenta perdida de
peso , y adems tiene el sntoma de dolor, su probabilidad de
tener la enfermedad es de :
P(B
C
/A1)=1- P(B/A1) = 0.366
1
1
1
IV) Actualizar la base de conocimiento
Pero el sistema no solo se queda con los datos a priori
suministrados por el medico, si no que a medida que va
conociendo nuevos casos y los resultados finales de estos a
posteriori, actualiza su propia base de conocimiento.
Ejemplo:
Un paciente que tiene dolor ,perdida de peso y vmitos. Tiene X% de
probabilidades de tener la enfermedad. Se le realizan los anlisis
correspondientes y se le diagnostica que tiene la enfermedad.
Entonces : Pertenece al conjunto: 1 B_A1_A2_A3
personas_por_conjunto[0]++ (se incrementa en 1)