Galindo Cádenas Enrique

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.

Por tal motivo la inteligencia artificial a definido un campo de estudio de razonamientos

bajo incertidumbre, en donde participan la lógica fuzzy, la teoría Dempster-Shafer, las
probabilidades bayesianas, entre otras con el fin de definir, manejar y estudiar este tipo de
razonamiento.

Para poder entender como trabaja el razonamiento bajo incertidumbre, se necesita

conocer muchos conceptos relacionados con la definición y causas de la incertidumbre, a
continuación se explican:

Para la incertidumbre experimental lo conceptos más importantes son:

Valor verdadero. Es un valor de una magnitud física que se le asigna a un objeto,

partiendo de la condición ideal, por ejemplo la masa atómica o la cantidad de protones de un
átomo son valores verdaderos.

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.

Incertidumbre absoluta. Es el valor umbral que se obtiene al comparar el valor

medido con el valor verdadero, para determinar el rango o porcentaje de certeza en el valor
medido.

Exactitud. Es la relación de cercanía al valor verdadero, mientras más cerca es más

exacto, de lo contrario es menos exacto.

Precisión. También conocido como repetitividad, es la fidelidad de los valores

arrojados de una magnitud física por un medidor, esto quiere decir que diferentes mediciones
de la misma magnitud física, en las mismas condiciones, debe de indicar el mismo valor de
medición.
 Galindo Cádenas Enrique
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
2 de 6

Sensibilidad. Es el cambio más pequeño que se puede detectar por medio de un

medidor, es decir, la unidad mínima que puede medir, mientras más pequeña sea la medición
tendrá mayor sensibilidad.

Así mismo existen condiciones que se pueden evaluar con proposiciones, indicando la
diferencia entre incertidumbre e imprecisión:

Proposición Incierta. Es aquella que su valor de verdad o falsedad se desconoce o

no se puede determinar. Ejemplo del caso: No sólo existen seres vivos inteligentes en la
Tierra, sino en otras partes del universo. ¿Verdadero?, ¿Falso?, ¿Se puede determinar?

Proposición Imprecisa. Se refiere a una variable cuyo valor no se puede determinar

con exactitud. Ejemplo del caso: Si llueve hoy, mañana también. ¿Se puede saber
realmente?

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:

1.- Todo es cuestión de grado. No puede existir sólo verdadero o falso.

2.- El conocimiento se maneja como acotaciones difusas y el razonamiento
como la propagación de dicho conocimiento.
3.- Como es de esperarce, para la lógica difusa existen muchos valores de
verdad, pero cada valor en sí es difuso.
4.- Los predicados que se utilizan son imprecisos, por ejemplo al decir que
una persona es joven, no se sabe de que rango partir para establecer cuando
una persona es joven o no, simplemente se hacen estimaciones tomando
diferentes valores de verdad.

A continuación se muestra un ejemplo de lógica difusa, en donde se comparan dos

gráficas que comparan la edad de una persona con su grado de pertenencia “niño”, “joven” o
“adulto”:
 Galindo Cádenas Enrique
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
3 de 6

Ejemplo de Lógica difusa.

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.

Se puede llegar a un estado impreciso en donde no se sabe si la persona es niño o

joven, o donde se puede decir que un tanto por ciento es niño y otro tanto es joven, por lo
que la lógica que se utiliza es difusa.

Probabilidades Bayesianas.

Las probabilidades Bayesianas se utilizan para encontrar la distribución de

probabilidad condicional de un evento dados otros eventos , debido a su naturaleza se puede
implementar al razonamiento bajo incertidumbre, los primeros estudios estaban basados en
encontrar los errores sistemáticos en la estimación de probabilidades apoyados por la
heurística, básicamente se da el análisis de la información que se utiliza para determinar la
incertidumbre de la misma al realizar razonamientos probabilísticos, y encontrar el nivel de
validez de los resultados obtenidos bajo esta perspectiva.

De acuerdo a los resultados obtenidos con la probabilidad a posteriori como resultado

final se pueden tomar decisiones de acuerdo al nivel o niveles de verdad que se obtengan. A
continuación un ejemplo de probabilidad Bayesiana:

Problema:

Una textilera llamada “Ecotexa”, compra un cargamento de telas de tres casas

proveedoras. Un 30% de las telas se adquieren en “Casa Ochoa”, 20% en “Casa Textiles del
Sur”, y el 50% sobrante a “Tituanatex”. Ecotexa posee información de las tres casas y sabe
que 3% de la mercadería de “Casa Ochoa” son defectuosas, 5% de telas de “Casa Textiles
del Sur” no son aceptables, y que 4% de telas de “Tituanatex” tienen algún tipo de defecto,
(esta información tiene incertidumbre, sólo son tomadas como diferentes valores de verdad
difusa). Al llegar a bodega no son seleccionados y se toma un paquete de telas que resultan
ser defectuosas.
 Galindo Cádenas Enrique
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
4 de 6

¿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 información se la pude resumir en la siguiente tabla:

Evento Ai Probabilidad Probabilidad Probabilidad Probabilidad

a Priori, condicional, conjunta, posteriori, P(Ai|B1)
P(Ai) P(B1|Ai) P(Ai|B1)
“Casa Ochoa” 0.30 0.03 0.009 0.009/0.039=0.2308
“Textiles de Sur” 0.20 0.02 0.010 0.010/0.039=0.2564
“Tituanatex” 0.50 0.05 0.020 0.020/0.039=0.5128
0.39

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.

P(A1 |B1) = P(A1)P(B1|A1)

P(A1)P(B1|A1) + P(A2) P(B1|A2) + P(A3) P(B1|A3)

= (0.30)(0.03)
(0.30)(0.03)(0.20)(0.02)(0.50)(0.05)

= 0.009 = 0.2308
0.039

Para el resultado obtenido es la probabilidad de que el defecto provenga de la “Casa

de Ochoa”, pero no se puede decir que de ahí venga el defecto, sólo tiene un pequeño
porcentaje del 23.08%, es más probable que venga de “Tituanatex” con un 51.28%, lo que
nos arroja grados de pertenencia diferentes con valores de verdad diferentes.

Dempster-Shafer.

Esta es una teoría derivada también de la probabilidad, partiendo de un discenimiento

de la información que se posee acerca de un dominio del universo, en donde los
subconjuntos son los valores de verdad representados por grados de pertenencia.
 Galindo Cádenas Enrique
IA 1958
Trabajo 2: Razonamiento Bajo Incertidumbre.
miercoles 27/octubre/2010
5 de 6

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:

Plausibilidad = 1 (Universo) - Creencia

Obteniendo como resultado el manejo de un conjunto de hipótesis sin precisar un

modelo de probabilidad completo, apoyándose en la teoría de conjuntos.

Opinión

En cuanto a los diferentes tipos de razonamiento, en lo particular el razonamiento bajo

incertidumbre, es el más cercano a lo que se nos presenta en la vida cotidiana, por ejemplo,
tan sólo el hecho de pensar en cómo llegar a un lugar a tiempo crea cierta incertidumbre,
porque tal vez se conozca la ruta, pero no se conoce realmente el tiempo que se tomará
cada tipo de transporte a utilizar como para determinar la hora exacta, sólo se puede hacer
una aproximación que realmente es difusa, puesto que puede cambiar de acuerdo a los
eventos que ocurran en el transcurso del traslado.

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.

1.- Luis Álvarez Munárriz. Fundamentos de Inteligencia Artificial. Universidad de Murcia.

1994.

2.- Ronald Yager, Liping Liu. Studies in Fuzzines and Soft Computing, Classic Works of the
Dempster-Shafer Theory of Belief Functions. Springer. 2008. USA.

3.- J. López Puga y J. García. Asimetría en el Razonamiento Causal Bayesiano Bajo

Incertidumbre. 2009.

4.- Introducción. Teorema de Bayes. http://student.ccbcmd.edu/~pmuratal/index.html.

26/10/2010 12:00 pm.

5.- Ejemplo del Teorema de Bayes y Principios de Conteo.

http://fpcuenca.wordpress.com/2008/07/18/ejemplo-del-teorema-de-bayes-y-principios-de-
conteo/. 26/10/2010 12:26 pm.

6.- Ing. Cruz Antonio Galdaméz. Razonamiento con Incertidumbre. Universidad Don Bosco.
30 de junio de 2004.

7.- Julio Villena Román. Inteligencia en Redes de Comunicaciones, Razonamiento Bajo

Incertidumbre. Universidad Carlos III de Madrid.