Toma

de Decisiones usando
Enfoques Probabilistas
Dr. Pedro Aarn Hernndez valos

C.A.T.I.A.

INTRODUCCIN

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

Naturaleza curiosa del Hombre

C.A.T.I.A.

Orgenes de la probabilidad
RAE: Casualidad, Caso Fortuito.
Sin Rumbo ni Orden

Cmo ganar?
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

Cmo osamos hablar

de leyes del azar? No
es, acaso, el azar la
anttesis de cualquier
ley?
Bertrand Rusell

C.A.T.I.A.

TOMA DE DECISIONES
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

La probabilidad nos ayuda a

tomar decisiones?
La probabilidad de tener un accidente de trfico aumenta
con el tiempo que pasas en la calle. Por tanto, cuanto mas
rpido circules, menor es la probabilidad de que tengas un
accidente.

C.A.T.I.A.

La probabilidad nos ayuda a

tomar decisiones?
El 33 % de los accidentes mortales involucran a alguien que
ha bebido. Por tanto, el 67 % restante ha sido causado por
alguien que no haba bebido.

A la vista de esto y de
lo anterior, esta claro
que la forma ms
segura de conducir es ir
borracho y a gran
velocidad.
C.A.T.I.A.

Qu necesito para tomar una

decisin en mi vida?

Qu carrera estudiar?
Renunciar a un trabajo?
Estudiar un posgrado?
Comprar un auto?
Qu enfermedad Hene un paciente?
Casarse?
Decidir si veo una pelcula?
Cenar un plato de cereal?

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

La Informacin como eje vital para

tomar decisiones
Todos tenemos disHntas respuestas, pero todos
requerimos de Informacin para tomar
decisiones.
La informacin podra ser la misma para todos,
pero todos podramos tener disHntas maneras de
interpretarla.
Cmo trasladar esta accin natural en un
modelo arHcial que permita, a parHr de cierta
informacin, tomar decisiones?
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

10

Dos fuentes de informacin en

nuestro cerebro
1. Informacin a Priori (permite juicios a priori)
2. Informacin condicionada por una evidencia
observada.
Y cmo tomo una decisin?

Se llama inferencia:

Proceso de sacar una consecuencia o deducir algo

de otra cosa. (Rae)
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

11

Representacin de la Informacin
Informacin Textual (libros, cartas, texto digital)
Informacin Visual (imgenes, dibujos, videos)
Informacin audiHva (Seales de audio)
Con el incremento exponencial de TI, el crecimiento de
la misma en las 3 principales representaciones crece a
pasos agigantados.
Cmo discriminamos informacin relevante de la que
no lo es?
Con qu Hpo de informacin tomamos decisiones?
[Relevante | Irrelevante]
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

12

P (A \ B)
P (A|B) =
P (B)

PROBABILIDAD CONDICIONAL

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

13

Obteniendo probabilidades va
estadsHca

Nublado?
1
0
1
1
0
1
1
0
0
1

Lluvia?
1
0
0
1
0
0
1
1
0
0

6
= 0.6
10
4
P( Nublado) = = 0.4
10
4
P(Lluvia) = = 0.4
10
6
P( Lluvia) = = 0.6
10
P(Nublado) =

C.A.T.I.A.

P (A \ B)
P (A|B) =
P (B)
P(Nub | Lluvia) =

P(Nub Lluvia) 0.3

=
= 0.75
P(Lluvia)
0.4

P(Nub | Lluvia) =

P(Nub Lluvia) 0.1

=
= 0.25
P(Lluvia)
0.4

P(Nub | Lluvia) =

P(Nub Lluvia) 0.3

=
= 0.50
0.6
P(Lluvia)

P(Nub | Lluvia) =

P(Nub Lluvia) 0.3

=
= 0.50
0.6
P(Lluvia)

14

P (A \ B)
P (A|B) =
P (B)

P (A \ B) = P (A|B) P (B)

P(B | A) P(A)
P(A | B) =
P(B)

TEOREMA DE BAYES
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

15

3 mquinas, productos
defectuosos
0.05

0.6

0.95

0.10
0.2

0.90

0.7

0.3

0.93

D
no D
D

P (A|D) ?

no D
D
no D

P. Condicional

P (A|B)
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

16

3 mquinas, productos
defectuosos
A

B
P(D A)
P(A | D) =
P(D)

Interseccin

P (A \ B) = P (A|B) P (B)

C.A.T.I.A.

P (D \ A) = 0.05 0.6 = 0.03

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

17

NAIVE BAYES

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

18

Temp

Humidity

Windy

Class

sunny

hot

high

false

Don't Play

sunny

hot

high

true

Don't Play

overcast

hot

high

false

Play

rainy

mild

high

false

Play

rainy

cool

normal

false

Play

rainy

cool

normal

true

Dont Play

overcast

cool

normal

true

Play

sunny

mild

high

false

Dont Play

sunny

cool

normal

false

Play

rainy

mild

normal

false

Play

sunny

mild

normal

true

Play

overcast

mild

high

true

Play

overcast

hot

normal

false

Play

rainy

mild

high

true

Dont Play

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

DataSet

C.A.T.I.A.

Outlook

19

Clasicacin

C.A.T.I.A.

Outlook

Temp

Humidity

Windy

Class

sunny

cool

high

true

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

20

Naive Bayes
Outlook

temperature

yes

no

sunny

overcast

rainy

sunny

yes

no

hot

mild

cool

hot

2/9

2/5

high

mild 4/9

2/5

normal

cool 3/9

1/5

2/9 3/5

overcast 4/9 0/5

rainy

humidity

3/9 2/5

windy

yes

no

yes

no

High

False

normal

true

3/9 4/5

false

6/9

2/5

6/9 5/5

true

3/9

3/5

play
yes

no

9/14 5/14
C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

21

Naive Bayes
(Test)
Outlook

Temp

Humidity

Windy

Class

sunny

cool

high

true

P(Class = yes | Outlook = sunny Temp = cool Humidity = high Windy = true)
P(Class = no | Outlook = sunny Temp = cool Humidity = high Windy = true)

Teorema de Bayes
C.A.T.I.A.

P(B | A) P(A)
P(A | B) =
P(B)

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

22

Naive Bayes
(Test)
P(Class = yes | Outlook = sunny Temp = cool Humidity = high Windy = true) =

P(Outlook = sunny Temp = cool Humidity = high Windy = true|Class = yes) P(Class = yes)
=
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

P(Outlook = sunny | Class = yes) P(Temp = cool | Class = yes) P(Humidity = high|Class = yes)
P(Windy = true|Class = yes) P(Class = yes)
=
=
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

93 93 93 149
=
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

0, 0053
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

2
9

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

23

Naive Bayes
(Test)
P(Class = no | Outlook = sunny Temp = cool Humidity = high Windy = true) =

P(Outlook = sunny Temp = cool Humidity = high Windy = true | Class = no) P(Class = no)
=
P(Outlook = sunny Temp = cool Humidity = high Windy = true)
P(Outlook = sunny | Class = no) P(Temp = cool | Class = no) P(Humidity = high | Class = no)

P(Windy = true | Class = no) P(Class = no)

P(Outlook = sunny Temp = cool Humidity = high Windy = true)

3
5

15 54 53 145
=
=
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

C.A.T.I.A.

0,0206
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

24

Naive Bayes
(Test)
P(Class = yes | Outlook = sunny Temp = cool Humidity = high Windy = true) =

0,0053
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

P(Class = no | Outlook = sunny Temp = cool Humidity = high Windy = true) =

C.A.T.I.A.

0,0206
P(Outlook = sunny Temp = cool Humidity = high Windy = true)

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

25

Naive Bayes
(Test)

Pyes

0,0053
0,0053
0,0053
P(E)
P(E)
=
=
=
= 20.5%
0,0053 0,0206 0,0053 + 0,0206 0,0259
+
P(E)
P( E )
P( E )

0,0206
P(E)
Pno =
= 79,5%
0,0053 0,0206
+
P(E)
P( E )

C.A.T.I.A.

NO se juega

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

26

APLICACIONES

C.A.T.I.A.

Cuerpo Acadmico en Tecnologas de la Informacin Aplicada

27

En Imgenes, el cerebro es un poderoso

instrumento de Reconocimiento de Patrones.
Tenemos maneras diversas de interpretar la
realidad.

C.A.T.I.A.

28

Recuperando Informacin Visual

1. Procesar una imagen: image in -> image out
2. Analizar una Imagen: image in -> measurements out
3. Entendiendo una imagen: image in -> high-level
descrip:on out
Cul de las 3 Realiza nuestro Cerebro?
Qu es una imagen? Matem:camente, puede ser
vista como una matriz I(x,y) donde x son las las, y las
columnas. Y cada pixel est denido por una
coordenada en dicha matriz.
C.A.T.I.A.

29

Pxel.
Pi + x + el: Picture element. R2
f (r , c) = p
p := tono de color.
r = row, (rengln).
c = column (columna).

Vo + x + el: Volume element. R3

C.A.T.I.A.

30

Procesar una Imagen

Buscando caractersHcas invariantes en una
imagen.
Bordes?
* Ejemplo de Aplicacin *

UHlidad de la Convolucin 2D

C.A.T.I.A.

31

Deteccin de Bordes
* Ejemplo de Aplicacin

C.A.T.I.A.

32

El procesado puede servir para

analizar mejor una imagen

C.A.T.I.A.

33

Analizar una Imagen

35 Puntos blancos con
80 pxeles de supercie
en promedio
2 Puntos con supercie
mayor que 100 pxeles

C.A.T.I.A.

34

 * Ejemplo de
Aplicacin.
Como reconocer
Placas en un
Automvil?
Cmo

C.A.T.I.A.

OCR

35

Entendimiento de una Imagen

Image Retrieval!!
Hay 2 objeHvos en el entendimiento de una
imagen:
Hacia el reconocimiento de objetos
especcos en una imagen.
Hacia el reconocimiento de categoras de
objetos, de una manera ms cercana al
entendimiento de la visin, desde el punto de
vista biolgico.
C.A.T.I.A.

36

Entendimiento de una Imagen

Scale Invariant Features Transform (SIFT)
Deteccin de Objetos.

C.A.T.I.A.

37

Aplicaciones de la Recuperacin Visual

InformHca Mdica

Tumores, Angiografas, Anlisis Citolgico.

Vigilancia

Robo, Conteo de Vehiculos.

Videojuegos (Kinect)
Recuperacin 3D, IA.

RobHca

Desarrollo de Agentes Inteligentes. IA.

Anlisis de Videos (You Tube)

Ofertas y Publicidad

C.A.T.I.A.

38

Seccin de Preguntas.
Gracias!!

C.A.T.I.A.

39