Beruflich Dokumente
Kultur Dokumente
1
UNIVERSIDAD PRIVADA TELESUP
Prefacio:
2
UNIVERSIDAD PRIVADA TELESUP
Sistemas Modelos
Sistemas Expertos Propagacin
Expertos probabilisticos y
Basados en Reglas Basados en exacta en redes
graficos Probabilsticas
Probabilidad
Sistemas Basados
en Reglas. Algunos Propagacin
Modelos Definidos
conceptos Grficamente II. Simblica de
sobre grafos. Evidencia.
Control de la
Coherencia.
Tipos de Extensiones de Los Aprendizaje en
Grafos Modelos Grficos. Redes
Dirigidos. Bayesianas.
3
UNIVERSIDAD PRIVADA TELESUP
ndice del Contenido
I. PREFACIO 02
II. DESARROLLO DE LOS CONTENIDOS 03 - 156
UNIDAD DE APRENDIZAJE 1:SISTEMAS EXPERTOS BASADOS EN REGLAS 05-46
1. Introduccin 06
a. Presentacin y contextualizacin 06
b. Competencia 06
c. Capacidades 06
d. Actitudes 06
e. Ideas bsicas y contenido 06
2. Desarrollo de los temas 07-42
a. Tema 01: Los sistemas expertos. 07
b. Tema 02: Tipos de sistemas expertos. 15
c. Tema 03: Sistemas basados en reglas. 25
d. Tema 04: Control de la coherencia. 36
3. Lecturas recomendadas 43
4. Actividades 43
5. Autoevaluacin 44
6. Resumen 46
UNIDAD DE APRENDIZAJE 2: SISTEMAS EXPERTOS BASADOS EN PROBABILIDAD 47-86
1. Introduccin 48
a. Presentacin y contextualizacin 48
b. Competencia 48
c. Capacidades 48
d. Actitudes 48
e. Ideas bsicas y contenido 48
2. Desarrollo de los temas 49-82
a. Tema 01: Conceptos bsicos de probabilidad. 49
b. Tema 02: La base del conocimiento. 58
c. Tema 03: Algunos conceptos sobre grafos. 67
d. Tema 04: Tipos de grafos dirigidos. 78
3. Lecturas recomendadas 83
4. Actividades 83
5. Autoevaluacin 84
6. Resumen 86
UNIDAD DE APRENDIZAJE 3: MODELOS PROBABILSTICOS Y GRFICOS 87-124
1. Introduccin 88
a. Presentacin y contextualizacin 88
b. Competencia 88
c. Capacidades 88
d. Actitudes 88
e. Ideas bsicas y contenido 88
2. Desarrollo de los temas 89-120
a. Tema 01: Construccin de modelos probabilsticos. 89
b. Tema 02: Modelos definidos grficamente I. 97
c. Tema 03: Modelos definidos grficamente II. 105
d. Tema 04: Extensiones de los modelos grficos. 112
3. Lecturas recomendadas 121
4. Actividades 121
5. Autoevaluacin 122
6. Resumen 124
UNIDAD DE APRENDIZAJE 4: PROPAGACIN EXACTA EN REDES PROBABILSTICAS 125-153
1. Introduccin 126
a. Presentacin y contextualizacin 126
b. Competencia 126
c. Capacidades 126
d. Actitudes 126
e. Ideas bsicas y contenido 126
2. Desarrollo de los temas 127-149
a. Tema 01: Propagacin de evidencia. 127
b. Tema 02: Mtodos de propagacin aproximada. 136
c. Tema 03: Propagacin simblica de evidencia. 140
d. Tema 04: Aprendizaje en redes bayesianas. 145
3. Lecturas recomendadas 150
4. Actividades 150
5. Autoevaluacin 151
6. Resumen 153
III. GLOSARIO 154
IV. FUENTES DE INFORMACIN 155
V. SOLUCIONARIO 156
4
UNIVERSIDAD PRIVADA TELESUP
5
UNIVERSIDAD PRIVADA TELESUP
Introduccin
a) Presentacin y contextualizacin
Los temas que se tratan en la presente Unidad Temtica, tienen por finalidad que
el estudiante conozca el reconocimiento de la voz y el de patrones, ciertos juegos
(como el ajedrez o las damas), y sistemas altamente complejos de tipo
determinista o estocstico, deban ser resueltos por personas. Sin embargo, el
trabajo realizado en las ltimas dcadas muestra que muchos de estos problemas
pueden ser formulados y resueltos por maquinas basados en sistemas expertos.
b) Competencia
Aplica los fundamentos de los sistemas expertos basados en reglas para
desarrollar los problemas que se presenten.
c) Capacidades
d) Actitudes
6
UNIVERSIDAD PRIVADA TELESUP
Los TEMA 1
Sistemas
Expertos
Competencia:
Reconocer los sistemas expertos en
diferentes sistemas informticos y fsicos.
7
UNIVERSIDAD PRIVADA TELESUP
Desarrollo de los Temas
Tema 01: Los Sistemas Expertos
Hoy en da, el campo de la IA engloba varias sub reas tales como los sistemas
expertos, la demostracin automtica de teoremas, el juego automtico, el
reconocimiento de la voz y de patrones, el procesamiento del lenguaje natural, la
visin artificial, la robtica, las redes neuronales, etc.
Este libro est dedicado a los sistemas expertos. Aunque los sistemas expertos
constituyen una de las reas de investigacin en el campo de la IA, la mayor parte de
las restantes reas, si no todas, disponen de una componente de sistemas expertos
formando parte de ellas.
QU ES UN SISTEMA EXPERTO?
Los sistemas expertos son mquinas que piensan y
razonan como un experto lo hara en una cierta
especialidad o campo. Por ejemplo, un sistema
experto en diagnostico medico requerir como
datos los sntomas del paciente, los resultados de
anlisis clnicos y otros hechos relevantes, y,
utilizando estos, buscara en una base de datos la informacin necesaria para poder
identificar la correspondiente enfermedad.
8
UNIVERSIDAD PRIVADA TELESUP
9
UNIVERSIDAD PRIVADA TELESUP
Ejemplos Ilustrativos
Los sistemas expertos tienen muchas aplicaciones.
En esta seccin se dan unos pocos ejemplos
ilustrativos del tipo de problemas que pueden
resolverse mediante sistemas expertos. Otros
ejemplos prcticos se dan a lo largo del libro.
Ejemplo de Transacciones bancarias: No hace
mucho, para hacer una transaccin bancaria, tal como depositar o sacar dinero de una
cuenta, uno tena que visitar el banco en horas de oficina. Hoy en da, esas y otras
muchas transacciones pueden realizarse en cualquier momento del da o de la noche
usando los cajeros automticos que son ejemplos sencillos de sistemas expertos. De
hecho, se pueden realizar estas transacciones desde casa comunicndose con el
sistema experto mediante la lnea telefnica.
10
UNIVERSIDAD PRIVADA TELESUP
11
UNIVERSIDAD PRIVADA TELESUP
12
UNIVERSIDAD PRIVADA TELESUP
Hay varias razones para utilizar sistemas expertos. Las ms importantes son:
1. Con la ayuda de un sistema experto, personal con poca experiencia puede
resolver problemas que requieren un conocimiento de experto. Esto es tambin
importante en casos en los que hay pocos expertos humanos. Adems, el nmero
de personas con acceso al conocimiento aumenta con el uso de sistemas
expertos.
13
UNIVERSIDAD PRIVADA TELESUP
14
UNIVERSIDAD PRIVADA TELESUP
Tipos
de TEMA 2
Sistemas
Expertos
Competencia:
Identificar las diferentes tcnicas y/ o tipos
de los sistemas expertos.
15
UNIVERSIDAD PRIVADA TELESUP
16
UNIVERSIDAD PRIVADA TELESUP
Este es el caso del sistema experto PROSPECTOR, que utiliza el teorema de Bayes
para la exploracin de mineral. Los sistemas expertos que utilizan la probabilidad
como medida de incertidumbre se conocen como sistemas expertos probabilsticos y
la estrategia de razonamiento que usan se conoce como razonamiento probabilstico,
o inferencia probabilstica. Este libro est dedicado a los sistemas expertos de tipo
probabilstico.
Estos modelos, que incluyen las redes de Markov y las Bayesianas, se basan en una
representacin grfica de las relaciones entre las variables. Esta representacin
conduce no solo a formas ms eficientes de definir la distribucin conjunta de
probabilidad sino tambin a una propagacin de incertidumbre muy eficiente, que
permite sacar conclusiones. Componentes de un Sistema Experto Las definiciones de
sistemas expertos dadas se entienden mejor cuando se examinan las principales
componentes de los sistemas expertos. Estas componentes se muestran
esquemticamente en la Figura 1.3 y se explican seguidamente.
17
UNIVERSIDAD PRIVADA TELESUP
18
UNIVERSIDAD PRIVADA TELESUP
LA BASE DE CONOCIMIENTO
Los especialistas son responsables de suministrar a los ingenieros del conocimiento
una base de conocimiento ordenada y estructurada, y un conjunto de relaciones bien
definidas y explicadas. Esta forma estructurada de pensar requiere que los expertos
humanos repiensen, reorganicen, y reestructuren la base de conocimiento y, como
resultado, el especialista se convierte en un mejor conocedor de su propio campo de
especialidad. Hay que diferenciar entre datos y conocimiento. El conocimiento se
refiere a afirmaciones de validez general tales como reglas, distribuciones de
probabilidad, etc. Los datos se refieren a la informacin relacionada con una aplicacin
particular.
Por ejemplo, en diagnstico mdico, los sntomas, las enfermedades y las relaciones
entre ellos, forman parte del conocimiento, mientras los sntomas particulares de un
paciente dado forman parte de los datos. Mientras el conocimiento es permanente, los
datos son efmeros, es decir, no forman parte de la componente permanente de un
sistema y son destruidos despus de usarlos. El conocimiento se almacena en la base
de Conocimiento y los datos se almacenan en la memoria de trabajo. Todos los
Procedimientos de los diferentes sistemas y subsistemas que son de carcter
transitorio se almacenan tambin en la memoria de trabajo.
19
UNIVERSIDAD PRIVADA TELESUP
MOTOR DE INFERENCIA
El motor de inferencia es el corazn de todo sistema experto. El cometido principal de
esta componente es el de sacar conclusiones aplicando el conocimiento a los datos.
Por ejemplo, en diagnstico mdico, los sntomas de un paciente (datos) son
analizados a la luz de los sntomas y las enfermedades y de sus relaciones
(conocimiento). Las conclusiones del motor de inferencia pueden estar basadas en
conocimiento determinista o conocimiento probabilstico. Como puede esperarse, el
tratamiento de situaciones de incertidumbre (probabilsticas) puede ser
considerablemente ms difcil que el tratamiento de situaciones ciertas (deterministas).
20
UNIVERSIDAD PRIVADA TELESUP
INTERFACE DE USUARIO
La interface de usuario es el enlace entre el sistema experto y el usuario. Por ello, para
que un sistema experto sea una herramienta efectiva, debe incorporar mecanismos
eficientes para mostrar y obtener informacin de forma fcil y agradable. Un ejemplo
de la informacin que tiene que ser mostrada tras el trabajo del motor de inferencia, es
el de las conclusiones, las razones que expliquen tales conclusiones y una explicacin
de las acciones iniciadas por el sistema experto. Por otra parte, cuando el motor de
inferencia no puede concluir debido, por ejemplo, a la ausencia de informacin, la
interface de usuario es un vehculo para obtener la informacin necesaria del usuario.
Consecuentemente, una implementacin inadecuada de la interface de usuario que no
facilite este proceso minara notablemente la calidad de un sistema experto.
21
UNIVERSIDAD PRIVADA TELESUP
EL SUBSISTEMA DE EXPLICACIN
El usuario puede pedir una explicacin de
las conclusiones sacadas o de las acciones
iniciadas por el sistema experto. Por ello, es
necesario un subsistema que explique el
proceso seguido por el motor de inferencia o
por el subsistema de ejecucin. Por
ejemplo, si un cajero automtico decide
rechazar la palabra clave (una accin), la maquina puede mostrar un mensaje (una
explicacin) como la siguiente:
El Subsistema de Aprendizaje
Una de las principales caractersticas de un
sistema experto es su capacidad para aprender.
Diferenciaremos entre aprendizaje estructural y
aprendizaje paramtrico. Por aprendizaje
estructural nos referimos a algunos aspectos
relacionados con la estructura del conocimiento
(reglas, distribuciones de probabilidad, etc.).
22
UNIVERSIDAD PRIVADA TELESUP
23
UNIVERSIDAD PRIVADA TELESUP
24
UNIVERSIDAD PRIVADA TELESUP
Sistemas
TEMA 3
Basados
en
Reglas
Competencia:
Aplicar las tcnicas y herramientas de
sistemas expertos basados en reglas.
25
UNIVERSIDAD PRIVADA TELESUP
LA BASE DE CONOCIMIENTO
26
UNIVERSIDAD PRIVADA TELESUP
Cada una de las reglas anteriores relaciona dos o ms objetos y est formada por las
partes siguientes:
La premisa de la regla, que es la expresin lgica entre las palabras clave si y
entonces. La premisa puede contener una o ms afirmaciones objeto-valor
conectadas con operadores lgicos y, o, o no. Por ejemplo, la premisa de la Regla
1 consta de una nica afirmacin objeto-valor, mientras que las premisas de la
Regla 2 constan de dos afirmaciones objeto-valor conectadas por un operador
lgico.
La conclusin de la regla, que es la expresin lgica tras la palabra clave entonces.
27
UNIVERSIDAD PRIVADA TELESUP
Una expresin lgica que contiene solo una afirmacin objeto-valor se denomina
expresin lgica simple; en caso contrario, la expresin se dice expresin lgica
compuesta. Por ejemplo, las expresiones lgicas en ambas, premisa y conclusin de
la Regla 1, son simples, mientras que las expresiones lgicas de las premisas y la
conclusin de la Regla 2 es compuesta. Correspondientemente, una regla que
contiene solamente expresiones lgicas simples se denomina una regla simple; en
otro caso, se llama regla compuesta. Por ejemplo, la Regla 1 es simple, mientras que
la Reglas 2 es compuesta.
En este caso se tienen siete objetos, y cada objeto puede tomar uno y solo un valor de
entre sus posibles valores. La Tabla muestra estos objetos y sus posibles valores. La
Figura muestra siete reglas que gobiernan la estrategia que el CA debe seguir cuando
un usuario intenta sacar dinero de su cuenta. En la Regla 1, por ejemplo, la premisa
consiste en seis afirmaciones objeto - valor conectado mediante el operador lgico y,
lo que indica que la premisa es cierta si las seis afirmaciones lo son. Por ello, la Regla
1 relaciona el objeto Pago (en la conclusin) con los dems objetos. Segn la Regla 1,
la accin que debe iniciar el CA es dar el dinero al usuario si la tarjeta se ha verificado
correctamente, la fecha no ha expirado, el NIP es correcto, el nmero de intentos para
dar el NIP correcto no se ha excedido y la cantidad solicitada no excede ni la cantidad
disponible ni el lmite mximo diario. Las expresiones lgicas en cada una de las
restantes reglas de la Figura 1.5 constan de una sola afirmacin. Ntese que la Regla
1 indica cuando debe permitirse el pago, y las restantes cuando debe rechazarse.
28
UNIVERSIDAD PRIVADA TELESUP
Tabla 2.2 Objetos y posibles valores para el ejemplo del cajero automtico.
29
UNIVERSIDAD PRIVADA TELESUP
TABLA 2.3. Una base de datos mostrando cuatro objetos y sus valores
correspondientes para el ejemplo de las personas famosas.
30
UNIVERSIDAD PRIVADA TELESUP
FIGURA 1.6. Un ejemplo de una base de datos con tres atributos binarios que dividen
la poblacin en ocho conjuntos disjuntos.
31
UNIVERSIDAD PRIVADA TELESUP
TABLA 2.4. Ejemplos de sustitucin de reglas: Las reglas en la primera columna son
equivalentes a las reglas de la segunda columna. Ntese que en los seis primeros
ejemplos las sustituciones se aplican a la premisa y en los cuatro ltimos, a la
conclusin.
32
UNIVERSIDAD PRIVADA TELESUP
EL MOTOR DE INFERENCIA
Tal como se ha mencionado en la seccin anterior, hay dos
tipos de elementos: los datos (hechos o evidencia) y el
conocimiento (el conjunto de reglas almacenado en la base
de conocimiento). El motor de inferencia usa ambos para
obtener nuevas conclusiones o hechos. Por ejemplo, si la
premisa de una regla es cierta, entonces la conclusin de la
regla debe ser tambin cierta. Los datos inciales se
incrementan incorporando las nuevas conclusiones. Por ello,
tanto los hechos inciales o datos de partida como las conclusiones derivadas de ellos
forman parte de los hechos o datos de que se dispone en un instante dado.
33
UNIVERSIDAD PRIVADA TELESUP
34
UNIVERSIDAD PRIVADA TELESUP
A = C y B = C A = F o B = F,
35
UNIVERSIDAD PRIVADA TELESUP
Control TEMA 4
de la
Coherencia
Competencia:
Implementar un control de coherencias en
sistemas expertos.
36
UNIVERSIDAD PRIVADA TELESUP
TABLA 2.8. Una tabla de verdad que muestra que las Reglas 1 y 2 son
coherentes.
37
UNIVERSIDAD PRIVADA TELESUP
COHERENCIA DE REGLAS
Reglas coherentes. Un conjunto de reglas se
denomina coherente si existe, al menos, un
conjunto de valores de todos los objetos que
producen conclusiones no contradictorias. En
consecuencia, un conjunto coherente de reglas no
tiene porque producir conclusiones no
contradictorias para todos los posibles conjuntos
de valores de los objetos. Es decir, es suciente que exista un conjunto de valores
que conduzcan a conclusiones no contradictorias.
38
UNIVERSIDAD PRIVADA TELESUP
C C B =C B =F S
C F B =C B =F S
F C B = No
F F C S
B =
C
TABLA 2.9. Una tabla de verdad que muestra que las Reglas 13 son coherentes.
C C B = B =F S S
CB B =F S S
F =C B = B =F
C C B =F
C
B =
F F C
TABLA 2.10. Una tabla de verdad que muestra que las Reglas 1- 4 son incoherentes.
1. Las dos primeras reglas implican que A = C, puesto que A = C siempre conduce a
conclusiones inconsistentes. Por tanto, el valor A = C deber ser eliminado
automticamente de la lista de valores factibles de A. Dado que A es binario,
entonces resulta A = F (el nico valor posible).
39
UNIVERSIDAD PRIVADA TELESUP
Regla 1: Si A = 0 y B = 0, entonces C = 0.
Regla 2: Si A = 0 y D = 0, entonces C = 1.
Regla 3: Si A = 0 y B = 0, entonces C = 1.
Regla 4: Si A = 0, entonces B = 0.
Regla 5: Si B = 0, entonces A = 1.
Supngase ahora que se desea aadir las tres ltimas reglas a una base de
conocimiento que contiene las dos primeras reglas. Entonces, las Reglas 1 y 3 son
inconsistentes, puesto que tienen la misma premisa pero diferentes conclusiones.
40
UNIVERSIDAD PRIVADA TELESUP
Por tanto, la Regla 3 debe ser rechazada y el experto humano informado de la razn
del rechazo. El experto humano corregir la regla en cuestin y/o las reglas existentes
si fueran incorrectas. La Regla 4 entrar en la base de conocimiento, puesto que es
consistente con las Reglas 1 y 2. La Regla 5 es inconsistente con la Regla 4. Por ello,
la consistencia de ambas reglas debe ser comprobada antes de pasar a formar parte
de la base de conocimiento.
COHERENCIA DE HECHOS
Los datos o evidencias suministrados por los usuarios deben ser tambin consistentes
en s y con el conjunto de reglas de la base de datos. Por ello, el sistema no debe
aceptar hechos que contradigan el conjunto de reglas y/o el conjunto de hechos
existente en cada instante del proceso. Por ejemplo, con una base de conocimiento
que contenga las dos primeras reglas del Ejemplo 2.15, el sistema no debe aceptar el
conjunto de hechos A = 0, B = 0 y C = 1 puesto que contradicen la Regla 1. El
sistema debe tambin comprobar si existe o no, una solucin factible e informar al
usuario en consecuencia. Si en el ejemplo anterior se trata de dar la informacin A =
0, B = 0 y D = 0, el sistema debe detectar que no existe ningn valor de C que sea
consistente con la base de conocimiento. Ntese que antes de conocer los valores de
los objetos, existe una solucin factible. Por ejemplo, A = 0, B = 0, C = 0 y D = 1
(estos hechos no contradicen la base de conocimiento). Por ello, la inconsistencia
surge que los hechos y las reglas sean inconsistentes.
41
UNIVERSIDAD PRIVADA TELESUP
42
UNIVERSIDAD PRIVADA TELESUP
Lecturas Recomendadas
APUNTES DE SISTEMAS EXPERTOS
http://www.dccia.ua.es/dccia/inf/asignaturas/FIA/apuntesse.pdf
Actividades y Ejercicios
43
UNIVERSIDAD PRIVADA TELESUP
Autoevaluacin
1) Una definicin de sistema experto seria:
a. El sistema Hardware.
b. El sistema Software.
c. Memorizar informacin.
d. Maquinas que piensan y razonan.
e. Procesar informacin.
44
UNIVERSIDAD PRIVADA TELESUP
9) Cules son los dos elementos importantes que intervienen en los sistemas
basados en reglas?
a. Elemento dinmico y aplicaciones.
b. Base de datos y base de conocimientos.
c. Base de conocimientos y los datos.
d. Memoria de trabajo y datos.
e. Conjunto de objetos y conjunto de reglas.
10) Es una afirmacin lgica que relaciona dos o ms objetos e incluye dos
partes, la premisa y la conclusin:
a. Conclusin.
b. Regla.
c. Operadores.
d. Objeto-valor.
e. Expresin lgica.
45
UNIVERSIDAD PRIVADA TELESUP
Resumen
UNIDAD DE APRENDIZAJE I:
Los sistemas expertos son mquinas que piensan y razonan como un experto lo hara en
una cierta especialidad o campo. Por ejemplo, un sistema experto en diagnostico medico
requerir como datos los sntomas del paciente, los resultados de anlisis clnicos y otros
hechos relevantes, y, utilizando estos, buscara en una base de datos la informacin
necesaria para poder identificar la correspondiente enfermedad.
Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse en
dos tipos: problemas esencialmente deterministas y problemas esencialmente
estocsticos. Consecuentemente, los sistemas expertos pueden clasificarse en dos
tipos principales segn la naturaleza de problemas para los que estn diseados:
deterministas y estocsticos.
Los sistemas basados en reglas son una herramienta eficiente para tratar estos
problemas. Las reglas deterministas constituyen la ms sencilla de las metodologas
utilizadas en sistemas expertos. La base de conocimiento contiene el conjunto de reglas
que definen el problema, y el motor de inferencia saca las conclusiones aplicando la
lgica clsica a estas reglas.
46
UNIVERSIDAD PRIVADA TELESUP
47
UNIVERSIDAD PRIVADA TELESUP
Introduccin
a) Presentacin y contextualizacin
Los temas que se tratan en la presente Unidad Temtica, tienen por finalidad que
el estudiante conozca los Sistemas expertos probabilsticos que han demostrado
resolver muchos problemas que se cran necesitaban ciertas habilidades que slo
se encuentran en los seres humanos (por ejemplo, la habilidad de pensar,
observar, memorizar, aprender, ver, oler, etc.). Sin embargo, el trabajo realizado en
las tres ltimas dcadas por investigadores procedentes de varios campos,
muestra que muchos de estos problemas pueden ser formulados y resueltos por
mquinas.
b) Competencia
Comprende los sistemas expertos basados en probabilidades relacionados
con el clculo.
c) Capacidades
1. Interpretar la construccin de modelos probabilsticos.
2. Describir la base de conocimientos de un sistema experto.
3. Reconoce los grafos como una tcnica para representar procesos.
4. Emplea grafos definidos en procesos de sistemas expertos.
d) Actitudes
Presenta iniciativa en la investigacin para profundizar los sistemas expertos.
Promueve el desarrollo de ejercicios prcticos basados en probabilidades.
48
UNIVERSIDAD PRIVADA TELESUP
Conceptos
TEMA 1
Bsicos de
Probabilidad
Competencia:
49
UNIVERSIDAD PRIVADA TELESUP
Desarrollo de los Temas
Tema 01: Conceptos Bsicos de Probabilidad
Medida de probabilidad
Para medir la incertidumbre se parte de un marco de
discernimiento dado S, en el que se incluyen todos los
posibles resultados de un cierto experimento como
conjunto exhaustivo y mutuamente exclusivo. El conjunto
S se conoce como espacio muestral. Una vez denido
este conjunto, el objetivo consiste en asignar a todo
subconjunto de S un nmero real que mida el grado de incertidumbre sobre su
realizacin. Para obtener medidas con signicado fsico claro y prctico, se imponen
ciertas condiciones o propiedades intuitivas adicionales que denen una clase de
medidas que se conocen como medidas de probabilidad.
50
UNIVERSIDAD PRIVADA TELESUP
Ntese que esta propiedad tambin se cumple para sucesiones ntas. De los
axiomas anteriores pueden deducirse propiedades muy interesantes de la
probabilidad. Por ejemplo:
Propiedad 1 (Normalizacin): p() = 0.
Propiedad 2 (Monotonicidad): Si A B S, entonces p(A) p(B).
Propiedad 3 (Continuidad-Consistencia): Para toda sucesin creciente A1
A2 ... o decreciente A1 A2 ... de subconjuntos de S se tiene
51
UNIVERSIDAD PRIVADA TELESUP
Distribuciones de probabilidad
Sea {X1 ,..., Xn} un conjunto de variables aleatorias
discretas y {x1 ,..., xn } el conjunto de sus posibles
realizaciones. Ntese que las variables aleatorias se
denotan con maysculas y que sus realizaciones se
denotan con minsculas. Por ejemplo, si Xi es una
variable binaria, entonces xi puede ser 1 o 0. Los resultados que siguen son tambin
validos si las variables son continuas, pero en este caso los smbolos de suma deben
sustituirse por integrales.
p(x1 ,..., xn ).
52
UNIVERSIDAD PRIVADA TELESUP
(3.5)
La ecuacin (3.5) implica que la funcin de probabilidad conjunta de X e Y puede
escribirse como:
(3.6)
53
UNIVERSIDAD PRIVADA TELESUP
Dependencia e independencia
Independencia de dos variables. Sean X e Y dos subconjuntos disjuntos el conjunto
de variables aleatorias {X,...,Xn}. Entonces se dice que X es independiente de Y si y
solamente si:
. (3.7)
(3.8)
(3.9)
(3.10)
54
UNIVERSIDAD PRIVADA TELESUP
(3.11)
Para todos los valores posibles x1 ,..., xm de X1 ,..., Xm . En otro caso, se dice que
son dependientes. En otras palabras, {X1 ,..., Xm } se dicen independientes si y slo
si su funcin de probabilidad conjunta es igual al producto de sus funciones de
probabilidad marginal. Ntese que (3.11) es una generalizacin de (3.9).
Ntese tambin que si X1 ,..., Xm son condicionalmente independientes dado otro
subconjunto Y1 ,..., Yn , entonces
.(3.12)
p( x | z, y) = p(x | z)
55
UNIVERSIDAD PRIVADA TELESUP
56
UNIVERSIDAD PRIVADA TELESUP
y z x p(x|y, z)
0 0 0 12/21 0.571
0 0 1 9/21 0.429
0 1 0 18/39 0.462
0
1 1
0 1
0 21/39
4/6 0.667
0.538
1 0 1 2/6 0.333
1 1 0 16/34 0.471
1 1 1 18/34 0.529
57
UNIVERSIDAD PRIVADA TELESUP
La Base TEMA 2
del
Conocimiento
Competencia:
58
UNIVERSIDAD PRIVADA TELESUP
Esta fue una de las primeras crticas al uso de la probabilidad en los sistemas
expertos. Sin embargo, en la mayor parte de las situaciones prcticas, muchos
subconjuntos de variables pueden ser independientes o condicionalmente
independientes. En tales casos, se pueden obtener simplicaciones del modelo ms
general teniendo en cuenta la estructura de independencia de las variables. Esto
suele dar lugar a una reduccin importante del nmero de parmetros.
59
UNIVERSIDAD PRIVADA TELESUP
60
UNIVERSIDAD PRIVADA TELESUP
61
UNIVERSIDAD PRIVADA TELESUP
62
UNIVERSIDAD PRIVADA TELESUP
Los datos se resumen en la Tabla 3.13. Ntese que los datos del Centro Medico 1
son los mismos que los de la Figura 3.1, pero dados ahora en forma tabular, en vez
de forma grca. Para especicar el MSI, se necesita la probabilidad marginal, p(ei ),
de la enfermedad y las probabilidades condicionales de cada sntoma dada cada
enfermedad, p(d|ei ), p(v|ei ) y p(p|ei ). Estas probabilidades se extraen de la Tabla
3.13 y se dan en la Tabla 3.14. Ntese que slo 7 parmetros son libres. Un
aspecto interesante de los dos conjuntos de datos es que aunque son muy
diferentes, conducen a idnticas probabilidades, como se muestra en la Tabla 3.14.
63
UNIVERSIDAD PRIVADA TELESUP
64
UNIVERSIDAD PRIVADA TELESUP
Por simplicidad de notacin, supngase que S1 ,..., Sri son relevantes para la
enfermedad ei y que los restantes sntomas Sri +1 ,..., Sn son irrelevantes. Segn el
MSRI, p(sj |ei ) se supone idntica para todos los sntomas que son
irrelevantes para la enfermedad ei . Entonces la funcin de probabilidad
conjunta de la enfermedad ei dados los sntomas s1 ,..., sn puede
escribirse como sigue donde pj = p(sj |ei ), que es la misma para
todas las enfermedades para la que Sj es irrelevante, se obtiene el
MSRI. Se deduce que es necesario almacenar las probabilidades
siguientes en la base de conocimiento del MSRI:
65
UNIVERSIDAD PRIVADA TELESUP
En total, se tiene
66
UNIVERSIDAD PRIVADA TELESUP
Algunos
Conceptos TEMA 3
sobre
Grafos
Competencia:
67
UNIVERSIDAD PRIVADA TELESUP
Los nodos estn representados por crculos y las aristas por lneas que unen
los nodos correspondientes.
68
UNIVERSIDAD PRIVADA TELESUP
69
UNIVERSIDAD PRIVADA TELESUP
Ejemplo 4.3 Conjuntos adyacentes. El grafo dirigido dado en la Figura 4.2(a) tiene
asociados los siguientes conjuntos de nodos adyacentes:
Por otra parte, los conjuntos adyacentes del grafo no dirigido de la Figura 4.2 (b) son:
Por tanto, los grafos mostrados en la Figura 4.2 pueden ser denidos de forma
equivalente por (X, L) o por (X, Ady).
70
UNIVERSIDAD PRIVADA TELESUP
La longitud del camino, (r 1), se dene como el nmero de aristas que contiene.
En el caso de grafos no dirigidos, un camino (Xi1 ,..., Xir ) puede representarse
mediante Xi1 ... Xir , indicando el carcter no dirigido de las aristas. De modo
similar, otra forma de representar un camino en un grafo dirigido es mediante
Xi1 ... Xir .
Ejemplo:
Considrese el grafo dirigido dado en la Figura 4.2(a).
Existe un nico camino de longitud 2 de D a F en este
grafo, D E F Por otra parte, existe un camino de A
a B de longitud 2, A D B, y otro de longitud 5,
A D E F D B. Obsrvese que, por el
contrario, no existe ningn camino de B a A. Por otra parte,
existe al menos un camino entre cada par de nodos del
grafo no dirigido de la Figura 4.2 (b). Por ejemplo, algunos
de los caminos entre A a H son;
A E D H, de longitud 3,
A B C D H, de longitud 4, y
A E F G D H, de longitud 5.
71
UNIVERSIDAD PRIVADA TELESUP
Ntese que en un grafo dirigido han de tenerse en cuenta las direcciones de las
aristas para formar un camino. Por ejemplo, en el grafo dirigido de la Figura 4.2(a)
existe un camino de A a C (A D B C), pero no existe ningn camino que una
los nodos en sentido inverso.
Camino cerrado:
Un camino (Xi1 ,..., Xir ) se dice que es cerrado si el nodo inicial coincide con el
nal, es decir, Xi1 = Xir .
Ejemplo
Caminos cerrados. El camino D G F D en el grafo
dirigido de la Figura 4.3(a) es un camino cerrado. El grafo no
dirigido dado en la Figura 4.3 (b) contiene varios caminos
cerrados como, por ejemplo, el camino
A B C D E A.
72
UNIVERSIDAD PRIVADA TELESUP
73
UNIVERSIDAD PRIVADA TELESUP
74
UNIVERSIDAD PRIVADA TELESUP
75
UNIVERSIDAD PRIVADA TELESUP
76
UNIVERSIDAD PRIVADA TELESUP
77
UNIVERSIDAD PRIVADA TELESUP
Tipos
TEMA 4
de Grafos
Dirigidos
Competencia:
Emplear grafos definidos en procesos de
sistemas expertos.
78
UNIVERSIDAD PRIVADA TELESUP
FIGURA 4.17. Ejemplos de grafos dirigidos: rbol simple (a) y poli rbol (b).
79
UNIVERSIDAD PRIVADA TELESUP
Grafos triangulados
Los grafos triangulados son un tipo especial de grafos no
dirigidos que tienen muchas aplicaciones prcticas
interesantes en varios campos. Los grafos triangulados
tambin reciben el nombre de circuitos rgidos y grafos
cordales. Cuerda de un bucle: Una cuerda es una arista
que une dos nodos de un bucle y que no pertenece al bucle. Por ejemplo, en el grafo
de la Figura 4.20, la arista E G es una cuerda del bucle E F G D E.
Obsrvese que la cuerda divide el bucle en dos bucles menores: E F G E y E
G D E. Por otra parte, el bucle A B C D E A no contiene ninguna cuerda.
Dada su estructura, los bucles de longitud 3 son los nicos que no pueden poseer
cuerdas. Por ello, estos son los menores elementos en los que puede
descomponerse un bucle mediante la incorporacin de cuerdas en el grafo.
80
UNIVERSIDAD PRIVADA TELESUP
81
UNIVERSIDAD PRIVADA TELESUP
Puesto que un bucle puede romperse de varias formas distintas con una cuerda,
existen varias formas distintas de triangular un grafo. Por ejemplo, los dos grafos
mostrados en la Figura 4.23 corresponden a dos triangulaciones distintas asociadas
con el grafo de la Figura 4.21(b).
FIGURA 4.23. Dos triangulaciones distintas del mismo grafo. Las lneas de
puntos representan las cuerdas aadidas.
82
UNIVERSIDAD PRIVADA TELESUP
Lecturas Recomendadas
ESTRUCTURA DE UN SISTEMA EXPERTO
https://docs.google.com/viewer?a=v&pid=sites&srcid=ZGVmYXVsdGRvbWFpbn
xqbGNodWN8Z3g6NjZiOGY2ZThjNTJhODJk
Actividades y Ejercicios
83
UNIVERSIDAD PRIVADA TELESUP
Autoevaluacin
1) El conocimiento de la ocurrencia de un suceso puede modicar las -
_________de otros sucesos.
a. Informaciones.
b. Ecuaciones.
c. Condiciones.
d. Variables.
e. Probabilidades.
2) Una urna tiene ocho bolas rojas, 5 amarilla y siete verdes. Si se extrae una
bola al azar calcular la probabilidad de no sacar amarilla.
a. 5/20
b. 1/20
c. 2/5
d. 3/20
e. 4/5
3) Una urna contiene tres bolas rojas y siete blancas. Se extraen dos bolas al
azar. Hallar la probabilidad de extraer dos rojas.
a. 9/100
b. 1/200
c. 1/3
d. 3/20
e. 9/400
84
UNIVERSIDAD PRIVADA TELESUP
85
UNIVERSIDAD PRIVADA TELESUP
Resumen
UNIDAD DE APRENDIZAJE II:
86
UNIVERSIDAD PRIVADA TELESUP
87
UNIVERSIDAD PRIVADA TELESUP
Introduccin
a) Presentacin y contextualizacin
Los temas que se tratan en la presente unidad temtica, tienen por finalidad que el
estudiante conozca los algoritmos para grafos que necesitan un mecanismo de
bsqueda para explorar los nodos y aristas de un grafo. Estos mtodos son la base
para la construccin de los algoritmos. La exploracin de un grafo comienza en un
nodo inicial y consiste en la denicin de un criterio para moverse hacia adelante y
hacia atrs a travs de las aristas del grafo, estos se pueden ejecutar siguiendo
modelos probabilsticos.
b) Competencia
Describe los modelos probabilsticos y grficos en sistemas expertos para el
desarrollo de los clculos.
c) Capacidades
1. Interpreta la construccin de modelos probabilsticos
2. Describe los modelos definidos grficamente empleando sus tcnicas.
3. Aplica las Tcnicas y herramientas formales de anlisis de sistemas desde los
modelos definidos grficamente.
4. Emplea las extensiones de los modelos grficos para desarrollar de manera
tcnica las probabilidades.
d) Actitudes
Muestra autonoma para resolver tus clculos aplicando modelos
probabilsticos.
Iniciativa para profundizar y ampliar los conocimientos con respecto a los
modelos probabilsticos.
88
UNIVERSIDAD PRIVADA TELESUP
Construccin
de TEMA 1
Modelos
Probabilsticos
Competencia:
89
UNIVERSIDAD PRIVADA TELESUP
Desarrollo de los Temas
Tema 01: Construccin de Modelos
Probabilsticos
MTODOS DE BSQUEDA
Muchos algoritmos para grafos necesitan un mecanismo de
bsqueda para explorar los nodos y aristas de un grafo. Por
ejemplo, entre otras cosas, los algoritmos de bsqueda pueden
ser utilizados para obtener un camino entre dos nodos, o para
buscar un bucle o ciclo en un grafo.
90
UNIVERSIDAD PRIVADA TELESUP
91
UNIVERSIDAD PRIVADA TELESUP
92
UNIVERSIDAD PRIVADA TELESUP
Los Algoritmos pueden ser utilizados para realizar una bsqueda exhaustiva
considerando el mismo nodo inicial y nal, es decir, el conjunto Visitados resultante
de la ejecucin de estos algoritmos contendr la componente conexa
correspondiente a Xi .
93
UNIVERSIDAD PRIVADA TELESUP
94
UNIVERSIDAD PRIVADA TELESUP
95
UNIVERSIDAD PRIVADA TELESUP
96
UNIVERSIDAD PRIVADA TELESUP
Modelos TEMA 2
Definidos
Grficamente I
Competencia:
Describir los modelos definidos grficamente
empleando sus tcnicas.
97
UNIVERSIDAD PRIVADA TELESUP
Modelos de dependencia
Grafoide: Un grafoide es un conjunto de relaciones de independencia que es
cerrado con respecto a las propiedades de simetra, descomposicin, unin dbil,
contraccin e interseccin.
Semigrafoide. Un semigrafoide es un conjunto de relaciones de independencia
que es cerrado con respecto a las propiedades de simetra, descomposicin, unin
dbil y contraccin.
Por tanto, un grafoide debe satisfacer las cinco primeras propiedades, mientras
que un semigrafoide debe satisfacer slo las cuatro primeras.
98
UNIVERSIDAD PRIVADA TELESUP
Por otra parte, dado que solo las funciones de probabilidad no extremas
satisfacen la propiedad de interseccin, solo los modelos de dependencia
probabilsticos no extremos son grafoides.
99
UNIVERSIDAD PRIVADA TELESUP
Dado que toda funcin de probabilidad cumple las cuatro primeras propiedades de la
independencia condicional, si un modelo de dependencia M
es compatible con una funcin de probabilidad p(x1,...,xn),
entonces el menor semigrafoide generado por M
tambin debe ser compatible con p(x1,...,xn). Por tanto,
un problema interesante desde el punto de vista prctico
es calcular el menor semigrafoide generado por un modelo de
dependencia M.
100
UNIVERSIDAD PRIVADA TELESUP
101
UNIVERSIDAD PRIVADA TELESUP
Una vez que se conoce la estructura cualitativa del modelo probabilstico (la
factorizacin de la funcin de probabilidad), la estructura cuantitativa de un modelo
particular se dene mediante la asignacin de valores numricos a los parmetros
asociados a las funciones de probabilidad condicionada que intervienen en la
factorizacin del modelo. Estos valores han de ser denidos por algn
experto, o estimados a partir de un conjunto de datos. Por tanto,
si la estructura cualitativa del modelo es desconocida, que
es el caso habitual en la prctica, entonces tanto la
estructura cualitativa, como la cuantitativa (los parmetros)
han de ser estimadas a partir del conjunto de datos
disponible (una base de datos, etc.).
102
UNIVERSIDAD PRIVADA TELESUP
103
UNIVERSIDAD PRIVADA TELESUP
104
UNIVERSIDAD PRIVADA TELESUP
Modelos
TEMA 3
Definidos
Grficamente
II
Competencia:
Aplicar las tcnicas y herramientas formales
de anlisis de sistemas desde los modelos
definidos grficamente.
105
UNIVERSIDAD PRIVADA TELESUP
106
UNIVERSIDAD PRIVADA TELESUP
Por otra parte, un modelo de dependencia puede ser denido de forma alternativa
mediante un grafo (dirigido o no dirigido), una lista de
relaciones de independencia, o un conjunto de funciones
de probabilidad condicionada. Estas tres alternativas
determinan tres metodologas diferentes para construir un
modelo de dependencia:
o Modelos denidos gracamente.
o Modelos denidos por listas de independencias.
o Modelos denidos condicionalmente.
107
UNIVERSIDAD PRIVADA TELESUP
En algunas ocasiones, el orden de las variables (es decir, la direccin de las aristas)
es importante en el grafo (grafos dirigidos) y en otras no (grafo no dirigido). Las
representaciones grcas tienen la ventaja de mostrar explcitamente las relaciones
entre las variables y conservar estas relaciones de forma cualitativa (es decir, para
cualquier valor numrico de los parmetros).
Dependiendo del carcter dirigido o no dirigido del grafo G, los mapas perfectos
se denominan mapas perfectos dirigidos o no dirigidos, respectivamente.
108
UNIVERSIDAD PRIVADA TELESUP
109
UNIVERSIDAD PRIVADA TELESUP
En los casos en los que no existe un mapa perfecto, es necesario asegurarse de que
el modelo grco que se utilice no posea ninguna independencia que no est
contenida en el modelo, y que el nmero de independencias del modelo que no sean
reproducidas por el grafo sea mnimo. Esto motiva las siguientes deniciones.
110
UNIVERSIDAD PRIVADA TELESUP
111
UNIVERSIDAD PRIVADA TELESUP
Extensiones TEMA 4
de los Modelos
Grficos
Competencia:
Emplear las extensiones de los modelos
grficos para desarrollar de manera tcnica
las probabilidades.
112
UNIVERSIDAD PRIVADA TELESUP
113
UNIVERSIDAD PRIVADA TELESUP
En algunos casos, el conjunto de grafos puede ser reducido a un conjunto menor que
es una representacin ms simple y eciente del modelo.
Grafos redundantes. Dados dos grafos G1 y G2 , se dice que G1 es redundante
dado G2 si el conjunto de relaciones de independencia contenidas en G1 est
contenido en G2 .
El teorema siguiente muestra las condiciones para que dos grafos dirigidos
sean redundantes.
Redundancia en multgrafos dirigidos. Sean D1 y D2 dos grafos dirigidos acclicos
sobre el mismo conjunto de variables X, y sean G1 y G2 los grafos no dirigidos
asociados respectivos. Entonces, D2 es redundante dado D1 si (a) G2 est contenido
en G1 , (b) cada v-estructura de D1 est tambin contenida en D2 , y (c) cada v-
estructura (Xi , Xj , Xk ) de D2 est tambin contenida en D1 siempre que G1
contenga el camino Xi Xj Xk .
114
UNIVERSIDAD PRIVADA TELESUP
.(7.14)
Donde la primera igualdad se ha obtenido considerando la particin de las variables
{{X2 , X3 }, X1 , X4} y aplicando la regla de la cadena a la funcin de probabilidad
p(x), y la segunda igualdad se ha obtenido utilizando la relacin de independencia I
(X1 , X2 |X3), que implica p(x1 |x2 , x3) = p(x1 |x3).
115
UNIVERSIDAD PRIVADA TELESUP
(7.15)
Que incluye todas las relaciones de independencia de la lista causal.
116
UNIVERSIDAD PRIVADA TELESUP
..(7.28)
. (7.30)
Para cada i y s. Por tanto, uno de los parmetros puede escribirse como uno menos
la suma de los restantes. Por ejemplo,
...(7.31)
117
UNIVERSIDAD PRIVADA TELESUP
Obsrvese que todos los parmetros que intervienen en el producto anterior estn
asociados a variables distintas. Por tanto p(x1,...,xn) es un monomio de grado menor
o igual que el nmero de variables. Obsrvese tambin que p(x1,...,xn) puede
resultar un polinomio si slo se considera el conjunto de parmetros libres. Para ello
solo se necesita reemplazar los parmetros iri si por
118
UNIVERSIDAD PRIVADA TELESUP
El problema de la compatibilidad
El anlisis de la estructura paramtrica de las probabilidades, introducido en la
seccin anterior, permite resolver el problema de la compatibilidad de los modelos
multifactorizados, es decir, permite obtener la familia de funciones de probabilidad
compatible con el conjunto de factorizaciones dado en (7.29). Obsrvese que
siempre existe una solucin trivial para este problema, ya que el modelo de
independencia total cumple todas las relaciones de independencia posibles
119
UNIVERSIDAD PRIVADA TELESUP
120
UNIVERSIDAD PRIVADA TELESUP
Lecturas Recomendadas
SISTEMAS EXPERTOS Y MODELOS DE REDES PROBABILSTICAS
http://fismat.umich.mx/~htejeda/gutierjm/BookCGH.pdf
Actividades y Ejercicios
121
UNIVERSIDAD PRIVADA TELESUP
Autoevaluacin
1) Para comprobar si un grafo dirigido verica una relacin de independencia
dada, es necesario introducir :
a. Un criterio de separacin.
b. Tres grafos continuos.
c. Un grafo no dirigido.
d. Un grafo no contino.
e. Dos o ms uniones de grafos.
122
UNIVERSIDAD PRIVADA TELESUP
123
UNIVERSIDAD PRIVADA TELESUP
Resumen
UNIDAD DE APRENDIZAJE iIi:
Los grafos son herramientas muy potentes para describir de forma intuitiva las
relaciones de dependencia e independencia existentes en un conjunto de variables. Por
tanto, una forma de denir un modelo probabilstico es partir de un grafo que describa
las relaciones existentes entre las variables.
124
UNIVERSIDAD PRIVADA TELESUP
125
UNIVERSIDAD PRIVADA TELESUP
Introduccin
a) Presentacin y contextualizacin:
Las redes Bayesianas son modelos grficos probabilsticos utilizados en la toma
de Decisiones. Una red Bayesiana representa una funcin de distribucin conjunta
Sobre un conjunto finito de variables. Muchas de las actividades en la ingeniera
del software, como por ejemplo, la estimacin de costes o esfuerzo, evaluacin de
riesgos o fiabilidad tratan con valores inciertos o probabilsticas. Por tanto, diversas
tcnicas estadsticas y la teora de la probabilidad han sido aplicadas a la
ingeniera del software desde sus inicios.
b) Competencia:
Explica la importancia del anlisis y estudio de la propagacin exacta en
diversas redes probabilsticas.
c) Capacidades:
d) Actitudes:
Muestra inters por el anlisis sobre la propagacin exacta en diversas redes
probabilsticas.
Muestra entusiasmo en los diversos desarrollos de las teoras respecto a la
propagacin en redes.
126
UNIVERSIDAD PRIVADA TELESUP
TEMA 1
Propagacin
de Evidencia
Competencia:
Comprender las generalidades y aplicacin
de la propagacin de evidencias.
127
UNIVERSIDAD PRIVADA TELESUP
Desarrollo de los Temas
128
UNIVERSIDAD PRIVADA TELESUP
De esta forma se tiene p(xi , e) = x\{xi ,e} pe (x1 ,..., xn ), donde pe (x1 ,..., xn ) es la
funcin de probabilidad obtenida sustituyendo en p(x1 ,..., xn ) las variables con
evidencia, E, por sus valores e. Por tanto, para calcular p(xi , e), ha de sumarse pe
(x1 ,..., xn) para todas las posibles combinaciones de valores de las variables que no
estn contenidas en E, excepto la variable Xi .
PROPAGACIN EN POLIRBOLES
El poliarbol es uno de los modelos grcos ms simples para construir redes
Bayesianas. La caracterstica principal de este algoritmo es que su complejidad es
lineal en el tamao de la red (es decir en el nmero de nodos y aristas que la
componen), a diferencia del mtodo de fuerza bruta que requiere un numero
exponencial de operaciones para realizar la propagacin.
129
UNIVERSIDAD PRIVADA TELESUP
130
UNIVERSIDAD PRIVADA TELESUP
131
UNIVERSIDAD PRIVADA TELESUP
MTODO DE CONDICIONAMIENTO
En el caso de redes Bayesianas mltiplemente conexas ya no se cumple la
propiedad de que un nodo cualquiera separa el grafo en dos partes inconexas. Por
tanto, algunas de las propiedades de independencia aplicadas en el algoritmo de
propagacin en polirboles no pueden ser aplicadas en esta situacin.
Esta idea de cortar los bucles para obtener un grafo de estructura ms simple puede
ser llevada a la prctica utilizando el mtodo denominado absorcin de evidencia.
Este mtodo muestra que la evidencia puede ser absorbida por el grafo cambiando
su topologa. De forma ms precisa, si Xi es un nodo evidenciar, se pueden eliminar
del grafo todas las aristas de la forma Xi Xj sustituyendo la funcin de probabilidad
condicionada del nodo Xj , p(xj |j ), por una funcin denida sobre un conjunto ms
reducido de variables:
p1 (xj |j \ xi) = p(xj |j \ xi , Xi = ei ).
132
UNIVERSIDAD PRIVADA TELESUP
MTODOS DE AGRUPAMIENTO
El algoritmo de propagacin en polirboles y el algoritmo de
condicionamiento introducidos en las secciones anteriores
aprovechan la estructura particular de los grafos dirigidos para
propagar la evidencia. Por tanto, estos algoritmos son slo
aplicables a redes Bayesianas. En esta seccin se presenta un mtodo de
propagacin distinto, el mtodo de agrupamiento que, a partir de las estructuras
locales contenidas en el grafo, produce representaciones alternativas para propagar
la evidencia. Por tanto, estos mtodos no dependen del tipo de grafo y son aplicables
tanto a redes de Markov, como a redes Bayesianas.
133
UNIVERSIDAD PRIVADA TELESUP
Por tanto, en ambos casos, se puede aplicar el mtodo anterior para obtener la
funcin de probabilidad condicionada de los nodos, dada la evidencia E = e. En el
primer caso se continua con la misma estructura utilizan ms recursos de los
necesarios. En el segundo caso, no se utilizan ms recursos de los necesarios, pero
se necesita modicar la estructura. Por tanto, se requiere un consenso entre ambas
opciones con objeto de elegir la ms adecuada en cada caso.
134
UNIVERSIDAD PRIVADA TELESUP
135
UNIVERSIDAD PRIVADA TELESUP
Mtodos de TEMA 2
Propagacin
Aproximada
Competencia:
Conocer los principales mtodos de
propagacin aproximada, identificando las
caractersticas que la representan.
136
UNIVERSIDAD PRIVADA TELESUP
137
UNIVERSIDAD PRIVADA TELESUP
Que es ms fcil lanzar el dado que extraer la bola de una urna, devolverla y mezclar
las bolas antes de la extraccin siguiente. En otras palabras, si no es fcil obtener
muestras de la distribucin de la poblacin se debe elegir otra distribucin que resulte
ms sencilla para la simulacin. se puede utilizar un dado para simular la extraccin
de bolas de urnas con diferentes nmeros de bolas? La respuesta, afortunadamente,
es positiva. Por ejemplo, supngase que la urna contiene solo cinco bolas numeradas
{1,..., 5} (Urna 2). Sea X el nmero de bolas con el nmero i sacadas al azar con
reemplazamiento de la Urna 2.
138
UNIVERSIDAD PRIVADA TELESUP
Una forma de tener en cuenta esta diferencia es la siguiente: cuando en el dado sale
un 6, se ignora la tirada y se repite de nuevo hasta que salga un valor menor que 6,
en cuyo caso se hace y igual al nmero que salga y se toma y como valor generado
de la poblacin p(x). Este ejemplo es en realidad un caso especial del mtodo
conocido como mtodo de aceptacin- rechazo.
139
UNIVERSIDAD PRIVADA TELESUP
Propagacin TEMA 3
Simblica de
Evidencia
Competencia:
Reconocer la importancia de la propagacin
simblica de evidencia respecto al desarrollo
de redes.
140
UNIVERSIDAD PRIVADA TELESUP
En el caso de redes Bayesianas, los conjuntos condicionantes son los padres del
nodo, i , i = 1,..., n. En el caso de redes de Markov descomponibles, estos conjuntos
se obtienen aplicando la regla de la cadena a la factorizacin obtenida a partir de la
cadena de conglomerados. Por tanto, aunque algunos de los mtodos introducidos
en este captulo pueden ser facialmente extendidos para tratar una representacin
potencial de la de probabilidad conjunta, por simplicidad, pero sin prdida de
generalidad, se utiliza el conjunto de probabilidades condicionales en como
representacin paramtrica bsica de la funcin de probabilidad conjunta.
141
UNIVERSIDAD PRIVADA TELESUP
Nodo Simblico. Cuando p(xi |i ) es una familia paramtrica simblica (es decir,
depende de al menos un parmetro en forma simblica), el nodo Xi se denomina un
nodo simblico, y se utiliza i para denotar sus correspondientes parmetros
simblicos. Cuando p(xi |i ) es una familia paramtrica, es decir, cuando Xi es un
nodo simblico, una eleccin conveniente de los parmetros es la siguiente
No todos los parmetros son libres, es decir, uno cualquiera de ellos puede ser
escrito como la unidad menos la suma del resto. Por ejemplo, el primer parmetro
puede escribirse como
Para implicar la notacin en los casos en los que la variable Xi no tiene padres, se
utiliza ij para denotar pi (Xi = j), j {0,..., ri }. Se ilustra esta notacin usando el
ejemplo siguiente.
142
UNIVERSIDAD PRIVADA TELESUP
Ntese, sin embargo, que solamente 17 de ellos son libres (puesto que las
probabilidades en cada una de las probabilidades condicionales deben sumar la
unidad). Estos 17 parmetros se dan en la Tabla.
143
UNIVERSIDAD PRIVADA TELESUP
En este ejemplo, solo los nodos X3 y X6 son nodos simblicos puesto que sus
correspondientes funciones de probabilidad condicionada contienen al menos un
parmetro simblico. Se tienen los conjuntos de parmetros 3 = {300 , 310 } y 6
= {600 , 610 }. Ntese que estos conjuntos incluyen todos los parmetros
simblicos, no slo los parmetros libres. Por ello, el conjunto de parmetros
simblicos asociados a la red Bayesiana es = {3, 6}.
144
UNIVERSIDAD PRIVADA TELESUP
Aprendizaje TEMA 4
en Redes
Bayesianas
Competencia:
Aplicar las diversas teoras de aprendizaje
sobre las redes bayesianas en diversos
sistemas expertos.
145
UNIVERSIDAD PRIVADA TELESUP
Equivalencia en Peso:
Dado un conjunto de datos S, una medida de calidad Q(B|S, ) se dice que es
equivalente en peso si asigna el mismo valor a todo par de redes Bayesianas
equivalentes B1 y B2 , es decir, si Q(B1 |S, ) = Q(B2 |S, ).
Otras propiedades de las medidas de calidad son:
A las redes recomendadas por los expertos se les debe asignar calidades ms
altas que a las rechazadas por ellos.
Las representaciones perfectas deben recibir calidades mayores que las
imperfectas.
Las I -representaciones mnimas deben recibir calidades mayores que las no
mnimas.
146
UNIVERSIDAD PRIVADA TELESUP
147
UNIVERSIDAD PRIVADA TELESUP
148
UNIVERSIDAD PRIVADA TELESUP
149
UNIVERSIDAD PRIVADA TELESUP
Lecturas Recomendadas
CURSO BSICO DE SISTEMAS EXPERTOS
http://luisguillermo.com/cbse.pdf
Actividades y Ejercicios
150
UNIVERSIDAD PRIVADA TELESUP
Autoevaluacin
1) Un subconjunto de variables cuyos valores son conocidos, en una situacin
dada, se conoce como:
a. Conjunto de variables.
b. Evidencia almacenada.
c. Conjunto de evidencia.
d. Evidencia inteligente.
e. Evidencias asociadas.
4) No todos los parmetros son libres, es decir, uno cualquiera de ellos puede
ser escrito como:
a. La unidad ms la suma del resto.
b. La unidad por la suma del resto.
c. La unidad entre la suma del resto.
d. El total menos la suma del resto.
e. La unidad menos la suma del resto.
151
UNIVERSIDAD PRIVADA TELESUP
152
UNIVERSIDAD PRIVADA TELESUP
Resumen
UNIDAD DE APRENDIZAJE IV:
Estas probabilidades proporcionan informacin a priori sobre los distintos valores que
pueden tomar las variables, Cuando se dispone de cierta evidencia, es decir, cuando se
conoce un conjunto de variables que tienen asociadas los valores el proceso de
propagacin debe tener en cuenta estos valores para calcular las nuevas probabilidades
de los nodos.
153
UNIVERSIDAD PRIVADA TELESUP
Glosario
ARQUITECTURA: Consiste en la estructura organizacional de un sistema.
ATRIBUTO: Es una parte especfica de una clase. Una propiedad de un tipo
identificada mediante un nombre.
ESTADO: Es una condicin o situacin en la vida de un objeto, durante la cual
satisface una condicin, realiza una actividad o est esperando un evento.
ESTADO ACTIVO: Es un estado con una accin interna y una o ms transiciones
asociadas a la finalizacin de la accin interna.
ESTADO COMPUESTO: Es un estado compuesto por subestados.
EVENTO: En el contexto de un diagrama de estado, un evento es un
acontecimiento que puede disparar una transicin de estados.
EVENTO TEMPORAL: Es un evento que ocurre en un tiempo particular. Puede ser
especificado por medio de una expresin temporal.
MQUINA DE ESTADOS FINITOS (MEF): Es un modelo que describe los aspectos
de control en los sistemas de informacin.
META-METAMODELO: Es un modelo que define el lenguaje para expresar el
metamodelo. La relacin entre meta-metamodelo y metamodelo es anloga a la
relacin entre metamodelo y modelo.
METAMODELO: Es un modelo que define el lenguaje para poder expresar un
modelo.
MODELO: Es una abstraccin semnticamente consistente de un sistema.
MSC: Es un lenguaje grfico orientado a objetos que se usa para describir
escenarios, es decir, ejecuciones concretas del sistema.
154
UNIVERSIDAD PRIVADA TELESUP
Fuentes de Informacin
BIBLIOGRFICAS:
ELECTRNICAS:
155
UNIVERSIDAD PRIVADA TELESUP
Solucionario
UNIDAD DE UNIDAD DE
APRENDIZAJE 1 APRENDIZAJE 2:
1. D 1. E
2. A 2. A
3. E 3. A
4. E 4. C
5. B 5. D
6. D 6. A
7. A 7. B
8. A 8. B
9. C 9. E
10. B 10. C
UNIDAD DE UNIDAD DE
APRENDIZAJE 3: APRENDIZAJE 4:
1. A 1. C
2. E 2. C
3. A 3. D
4. C 4. A
5. C 5. E
6. B 6. B
7. D 7. D
8. E 8. B
9. A 9. B
10. B 10. A
156