Professional Documents
Culture Documents
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
1 de 6
Para los seres humanos el razonamiento como tal tiene poca certidumbre, es decir,
tiene poca certeza o es muy difícil tener certeza de todo lo que se razona al 100%, y así es
como el cerebro procesa la información, debido principalmente a la naturaleza del universo,
en donde las cosas (sobre todo la información que se toma del ambiente) pueden no existir o
no estar disponibles, pocas veces son exactas, la información que se nos presenta es
ambigua, puede ser imprecisa, inconsistente, inclusive los datos pueden ser sólo
intepretaciones hechas por las personas, en donde cada una le da un sentido y significado
único y tal vez muy semejante o muy diferente.
Valor medido. Se obtiene al medir un objeto de forma experimental, por ejemplo las
básculas arrojan un número medido para determinar el peso de una persona.
Valor de error. Es la diferencia que existe entre el valor medido y el valor verdadero,
aquí es cuando empieza la incertidumbre.
Así mismo existen condiciones que se pueden evaluar con proposiciones, indicando la
diferencia entre incertidumbre e imprecisión:
Lógica Difusa.
La lógica difusa es una rama de la IA, y como tal define lo que es el razonamiento bajo
incertidumbre, este tipo de lógica tiene como característica principal manejar los valores no
como cero y uno, como los trabaja una computadora, sino más bien diluye estos valores para
manejar valores aproximados al valor verdadero, tomando condiciones desde 0 a 1 por
ejemplo, pero en donde se puede manejar terminos como casi cero, casi uno, más cero que
uno o más uno que cero, etc.
Para utilizar la lógica difusa se debe de tener como información principal información
que sea imprecisa y/o incierta, lo que representa más precisamente el lenguaje natural con el
que los seres humanos se comunican. Las principales características de la lógica difusa son:
La información que presenta cada una de las gráficas es imprecisa y a veces incierta,
si tomamos el grado de pertenencia para que una persona sea niño, podremos observar que
al inicio de la gráfica no se marca algún tipo de pertenencia, así que antes de ser niño no se
sabe que es en realidad, cuando se llega al cambio de la gráfica entonces si podemos
determinar cuando es niño con un porcentaje del 0% al 100% de certidumbre.
Probabilidades Bayesianas.
Problema:
¿Cual es la probabilidad de que esta mercadería sea de “Casa Ochoa”?. (El resultado
como tal también es difuso puesto que los valores planteados lo son y por tanto no se puede
estar cierto del resultado).
Probabilidades condicionales:
P (B|A1) = (3/100)= 0.03 mercadería de “Casa Ochoa”, sea defectuosa.
P (B|A2) = (5/100)= 0.05 mercadería de “Textiles de Sur”, sea defectuosa.
P (B|A3) = (4/100)= 0.04 mercadería de “Tituanatex”, sea defectuosa.
La probabilidad de que un paquete de telas que resultan ser defectuosas sea de “Casa
Ochoa”, lo podemos encontrar aplicando el Teorema de Bayes. Se desea calcular P (A1|B1),
donde A1 se refiere a Casa Ochoa, y B1 de que la mercadería resulte defectuosa.
= (0.30)(0.03)
(0.30)(0.03)(0.20)(0.02)(0.50)(0.05)
= 0.009 = 0.2308
0.039
Dempster-Shafer.
Aquí se manejan dos medidas de certeza, una denominada creencia la cual se define
como la suma de las probabilidades que hacen segura la ocurrencia de un suceso, y la otra
se llama plausibilidad que no es más que la suma de todas las probabilidades que lo hacen
seguro o dudoso, es decir todas las probabilidades que intersectan con el suceso.
Además la teoría utiliza cuatro valores, los cuales son ignorancia, información máxima,
certidumbre e incertidumbre que se obtienen al relacionar la creencia y la plausibilidad dada
por la fórmula:
Opinión
Parece ser que aún falta mucha investigación con respecto a este tema, puesto que a
pesar de que no es muy actual no hay muchas herramientas que se puedan utilizar, ni las
suficientes teorías como para formalizar este tipo de razonamiento.
Lo que si se puede optar es utilizar la lógica fuzzy como base para poder implementar
sistemas basados en incertidumbre, que generalmente son los sistemas expertos, la
probabilidad ayuda mucho, pero si se utiliza en combinación con la heurística para poder
especificar de mejor manera las entradas y el comportamiento de la información a procesar.
Galindo Cádenas Enrique
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
6 de 6
Referencias.
2.- Ronald Yager, Liping Liu. Studies in Fuzzines and Soft Computing, Classic Works of the
Dempster-Shafer Theory of Belief Functions. Springer. 2008. USA.
6.- Ing. Cruz Antonio Galdaméz. Razonamiento con Incertidumbre. Universidad Don Bosco.
30 de junio de 2004.