INSTITUTO TECNOLOGICO SUPERIOR

DE ALVARADO
INGENIERA EN SISTEMAS COMPUTACIONALES
Materia:
INTELIGENIA ARTIFICIAL
Semestre-Grupo:
8WA
Producto Acadmico:
EXPOSICION
Tema:
RAZONAMIENTO POR INCENTIDUMBRE
Presenta:
PABLO AGUILAR VALERIO,106Z1073.
KARLA JANET CADENA OCHOA,106Z0167.
Docente:
Ing. Guadalupe Ramirez
H. Y G. ALVARADO, VER. FEBREROJUNIO 2014


Introduccion
El trmino incertidumbre significa razonamiento
aproximado o inexacto de la informacin. De
manera general, slo se conoce con certeza una
pequea parte de un determinado dominio del
mundo, la informacin restante puede ser incierta
por diversas causas, tales como: imprecisin,
incapacidad para tomar medidas adecuadas, falta
de conocimiento, vaguedad, etc.
Objetivo
Ser capaz de razonar sin tener todo el
conocimiento relevante en un campo
determinado utilizando lo mejor posible el
conocimiento que se tiene.
Implementacin

Es dificil cumplir estos requerimientos
utilizando la lgica de primer orden Deben
de introducirse modelos para manejar
informacin vaga,incierta, incompleta y
contradictoria. Crucial para un sistema
funcione en el mundo real
Principales Modelos
deRepresentacin de la
Incertidumbre


La lgica de primer orden (LPO) no es adecuada
para modelar la incertidumbre por lo que son
necesarios nuevos modelos, entre ellos destacan:

- Modelos Simblicos
Lgicas por Defecto
Lgicas basadas en Modelos Mnimos

- Modelos Numricos
Probabilidad
Teora de Dempster-Shaffer
Lgica difusa


Representacin Numrica de la
Incertidumbre: Factores de Certeza



Grados de creencia

Los FC se calculan a partir de los grados de creencia GC y no
creencia en la hiptesis
Los GC varan entre 0 (creencia nula) y 1 (creencia total)
La relacin entre FC y GC es: FC(H|E)=GC(H|E)- GC(H| E)

Propiedades
A diferencia de los grados de creencia probabilsticos
GC(H|E)+GC(H|E) 1

Ejemplo de Combinacin de Factores
de Certeza

Razonamiento Probabilstico

La tcnica ms antigua y mejor definida para
manejar la incertidumbre es la Regla de Bayes, la
misma que est basada en la teora clsica de la
probabilidad Las hiptesis son ms o menos
probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene La
probabilidades se calculan en base a la frmula
general de la probabilidad condicionada de Bayes
o algunas transformaciones de la misma.
Regla de Bayes: Forma General

Forma general de la Regla de Bayes
Si se tiene un conjunto de proposiciones {A1, A2,..., Am}

completas y mutuamente excluyente se tiene:
P(Ai|B)=
P(B|Ai) P(Ai)
P(B|A1) P(A1)+... P(B|An) P(Am)

O lo que es lo mismo, si tiene una variable aleatoria A con
valores a1, a2,..., am
P(ai|B)=
P(B|ai) P(ai)
P(B|a1) P(a1)+... P(B|an) P(am)

La Regla de Bayes Ejemplos:
Intentemos resolver un caso real con
probabilidades:
Se pretende determinar la presencia o no de una enfermedad
con un test.
En este caso:
Hiptesis (A): Enfermedad (variable aleatoria con dos valores verdadero y falso)
Evidencia (B): Test (variable aleatoria con dos valores positivo y negativo)
Se tiene:
P(a)=1/10000
P(b|a)=0.99
P( b| a)=0.99

(Prevalencia)
(Sensibilidad)
(Especificidad)
Aplicando la Regla de Bayes:
P(a|b)= P(b|a) P(a) /(P(b|a) P(a) + P(b| a) P( a))=
0.99 0.0001/ ( 0.99 0.0001 + (1-0.99)(1-0.0001))=
(1/102)=0.0098
P( a |b)=1- 0.0098=0.9902
Al elegir la hiptesis ms probable debemos concluir que con este test
si el
resultado es positivo lo ms probable es que el paciente no est
enfermo!

Conclucion
Concluimos que el razonamiento con
insertidumbre es un metodo donde no
tienes la certesa de las probabilidades,
se tienen que utilizar los distintos
metodos como el de bayer y el de
certeza
Bibliografia
http://inteligencia-artificial802-a.blogspot.mx/2013/04/sistemas-de-razonamiento-probabilistico.html


http://menteerrabunda.blogspot.mx/2008/07/razonamiento-con-incertidumbre.html


http://estadisticageneral.wordpress.com/ejercicios-resueltos/