Beruflich Dokumente
Kultur Dokumente
Ingeniería de Sistemas
SISTEMAS EXPERTOS
Taller No. 3 – Gestión de la incertidumbre e
imprecisión en sistemas expertos
RESUMEN
El enfoque de esta investigación está basado en comprender la gran importancia de los conceptos que se presentan en
los sistemas expertos & la inteligencia artificial. Dando como resultado el poder comprender los métodos de
razonamiento e incertidumbres que se pueden generar en un punto en el que el ser humano no sabe cuándo y en donde
puede ocurrir esta falencia, esto ayuda a que el encargado experto de dominio pueda actuar de forma veraz y aplicar
métodos probabilísticos de predicción.
ABSTRACT 2. INCERTIDUMBRE
Se pierden varias propiedades de los sistemas que no Asunción del mundo cerrado: Sirve para manejar
tienen incertidumbre, basados en lógicas o reglas, lo cual conocimiento incompleto. Intuitivamente: “Lo que no
hace el manejo de incertidumbre más complejo. Las se puede probar a partir de mi Base de Conocimiento
principales dos características que, en general, ya no es falso”. Es utilizado en las bases de datos y Prolog.
aplican son modular y Monotónica.
2.1.3 técnicas numéricas
2.1.6 Modular Modelos estadísticos-probabilísticos.
Modelo aproximado.
Un sistema de reglas es modular, ya que para saber la Modelo de lógica difusa.
verdad de una regla sólo tiene que considerarla a ésta, Redes bayesianas
sin importar el resto del conocimiento, pero si hay
incertidumbre ya no puedo considerar la regla por sí sola, 2.1.4 Modelos estadísticos-probabilísticos
debe tomar en cuenta otras reglas
Se basan en la teoría de la probabilidad. Las
2.1.7 Monotónica probabilidades se utilizan para modelizar nuestra
creencia sobre los posibles valores que pueden tomar
Un sistema es monotónico si al agregar nueva los hechos. Cada hecho tendrá una distribución de
información a su base de datos, entonces no se alteran probabilidad asociada que nos permitirá tomar
las conclusiones que seguían de la base de datos original. decisiones. La probabilidad de un hecho podrá ser
modificada por nuestra creencia en otros hechos que
2.1.8 Manejo de Incertidumbre estén relacionados.
Ejemplo
Para tratar la incertidumbre, hay que considerarla en
forma explícita en la representación e inferencia.
Se han desarrollado diversas técnicas para manejo de
incertidumbre en sistemas inteligentes, que
podemos dividir en dos grandes grupos:
Técnicas simbólicas (no numéricas).
Técnicas numéricas.
Lógicas no-monotónicas
Lógicas por defecto.
Ilustración 1Mapa Probabilística
Lógicas basadas en modelos mínimos.
2.1.5 Modelo de lógica difusa
2.2 Lógicas no Monotónica.
Como la LPO (Lógica de Primer Orden) asume que el Vamos a ver ahora como se realiza la inferencia y
conocimiento es completo y consistente, una vez que un consiguientemente la propagación de incertidumbre
hecho se asume/es cierto permanece así (Monotonía). en el caso de que la base del conocimiento contenga
Por ejemplo: si de una Base de Conocimiento (BC) se un conjunto de reglas inciertas, es decir, reglas de la
deduce una expresión “s”, y se tiene otra Base de forma
conocimiento BC’ de forma que BC BC’, entonces de
BC’ también se deduce s. Por tanto, el añadir nuevo con A y B conjuntos difusos de U y V Y con funciones de
3 Fundación Universitaria Los Libertadores
posibilidad Jl A Y Jla respectivamente. En lógica clásica Que recibe también el nombre de probabilidad
una regla se dice que es correcta si cuando las premisas condicionada por e.
son ciertas lo son también las conclusiones. La Definición 1.9.- (Independencia de sucesos).- Dados dos
generalización para la lógica difusa se traduce en que una sucesos e y h se dice que h es independiente de e si
regla es correcta cuando la función de posibilidad de las
premisas es menor o igual que la de las conclusiones. Es
decir,
Con frecuencia se utiliza la notación P(h / e) := P e (h). Es Se nos dan los siguientes datos,
fácil demostrar que Pe verifica los axiomas Pi, P2 Y que,
por tanto, define una probabilidad sobre el espacio
probabilístico (O,A) de la forma
6. REFERENCIAS