Sistemas expertos basados en REDES

SISTEMAS EXPERTOS BASADOS EN REDES PROBABILÍSTICAS

Un paciente presenta un conjunto de síntomas, ¿cuál de las enfermedades posibles es la que tiene el paciente?
Para entender este nuevo concepto, leamos este ejemplo:

Implica incertidumbre puesto que:

Los hechos o datos pueden no ser conocidos con exactitud. Un paciente puede no estar seguro de haber tenido fiebre durante la noche. Hay un cierto grado de incertidumbre en la información de cada paciente (subjetividad, imprecisión, ausencia de información, errores, datos ausentes, etc.) El conocimiento no es determinista. Las relaciones entre las enfermedades y los síntomas no son deterministas; un mismo conjunto de síntomas puede estar asociado a diferentes enfermedades. No es extraño encontrar dos pacientes con los mismos síntomas pero diferentes enfermedades.

Conclusión: es clara la necesidad de contar con sistemas expertos que traten situaciones de incertidumbre. Un tipo de sistema experto que trata este tipo de situaciones de forma efectiva lo constituyen los sistemas expertos basados en probabilidad.

Con la aparición de las redes probabilistas (principalmente las redes Bayesianas y Markovianas), la

probabilidad ha resurgido de forma espectacular, siendo hoy en día, la más intuitiva y la más aceptada de las medidas de incertidumbre.

Lindley (1987) dice: “La única descripción satisfactoria de la incertidumbre es la probabilidad. Esto quiere decir que toda afirmación incierta debe estar en forma de una probabilidad, que varias incertidumbres deben ser combinadas usando las reglas de la probabilidad, y que el cálculo de probabilidades es adecuado para manejar situaciones que implican incertidumbre. En particular, las descripciones alternativas de la incertidumbre son innecesarias.”

Redes bayesianas:

¿Qué es?

Las redes bayesianas modelan un fenómeno mediante un conjunto de variables y las relaciones de dependencia entre ellas. Dado este modelo, se puede hacer inferencia bayesiana; es decir, estimar la probabilidad posterior de las variables no conocidas, en base a las variables conocidas. Estos modelos pueden tener diversas aplicaciones, para clasificación, predicción, diagnóstico, etc. Además, pueden dar información interesante en cuanto a como se relacionan las variables del dominio, las cuales pueden ser interpretadas en ocasiones como relaciones de causa–efecto.

¡Ejemplo!

Ejemplo: congreso con 50 personas de 3 universidades (23,18,9). 1ª:30% Ciencias, 40% de Ing, 25% Humanidades y 5% Economía. 2ª:25% Ciencias, 35% de Ing, 30% Humanidades y 10% Economía 3ª:20% Ciencias, 50% de Ing, 10% Humanidades y 20% Economía. 

A la salida, nos encontramos un profesor:

a)¿Probabilidad de que sea de la tercera universidad?

b)Y si nos enteramos de que es de Economía ¿Cuál sería? 

Solución: 

a) Probabilidad a priori : P(x)=9/50=0'18=18% 

b) Para esta respuesta, hacemos la siguiente tabla(x=uni|y=especialidad): 

Aplicando Bayes: = 37'9% 

REFERENCIAS:

• Valencia, L; García, M (2017). Cs.us.es. Retrieved 14 July 2017, from http://www.cs.us.es/blogs/iic2012/files/2012/02/IIC-Teoria7.pdf
• Sucar, L (2017). Ccc.inaoep.mx. Retrieved 14 July 2017, from http://ccc.inaoep.mx/~esucar/Clases-mgp/caprb.pdf
• Marín, A (2017). E-ghost.deusto.es. Retrieved 14 July 2017, from http://e-ghost.deusto.es/docs/2005/conferencias/B