Please enable JavaScript.
Coggle requires JavaScript to display documents.
TEMA 4: INCERTIDUMBRE EN INTELIGENCIA ARTIFICIAL - Coggle Diagram
TEMA 4
: INCERTIDUMBRE EN INTELIGENCIA ARTIFICIAL
El Problema de la Incertidumbre
El mundo real es incierto y ruidoso
La percepción es imprecisa
Las acciones pueden tener resultados inesperados
La representación del conocimiento no siempre es exacta
Ejemplo histórico: MYCIN
(sistema experto en diagnóstico médico)
Reglas de inferencia basadas en probabilidades
Uso de factores de certeza (CFs) para representar incertidumbre
Clases de Incertidumbre
Epistemológica
El mundo es ordenado, pero el agente no tiene información completa.
Métodos para manejarla:
Probabilidad
Ontológica
El mundo es inherentemente difuso e impreciso
Métodos para manejarla:
Lógica Difusa
Métodos Probabilísticos
Fundamentos de Probabilidad en IA
Variables Aleatorias
: Representan estados inciertos del mundo
Ejemplo: R = {llueve, no llueve}
Distribuciones de Probabilidad
Conjunta
(probabilidades combinadas de varias variables)
Marginal
(probabilidad de una sola variable, sumando sobre las demás)
Condicional
(probabilidad de un evento dado que otro ha ocurrido)
Principios de Inferencia Probabilística
Regla del Producto
: P(A ∧ B) = P(A | B) * P(B)
Regla de Bayes
P(H | E) = (P(E | H) * P(H)) / P(E)
Ejemplo: diagnóstico médico (P(enfermedad | síntomas))
Independencia e Inferencia Probabilística
Independencia de eventos
Si P(A | B) = P(A), entonces A y B son independientes
Facilita cálculos y simplifica modelos
Modelos probabilísticos en IA
Redes Bayesianas
: Representación gráfica de relaciones entre variables
Procesos de Markov
: Modelos de decisión probabilísticos
Métodos Difusos (Fuzzy Logic)
Lógica Difusa y Conjuntos Borrosos
Diferencias con la lógica clásica
En lógica clásica
: una afirmación es Verdadera o Falsa
En lógica difusa
: una afirmación tiene grados de verdad entre 0 y 1
Ejemplo de conjunto difuso
En lógica clásica
: "Temperatura caliente" → 1 si es mayor a 30°C, 0 si es menor
En lógica difusa
: "Temperatura caliente" → 0.2 a 25°C, 0.8 a 35°C
Variables Lingüísticas y Funciones de Pertenencia
Variables difusas
: Representan cualidades en lugar de valores numéricos exactos
Ejemplo: Temperatura = {frío, templado, caliente}
Funciones de membresía
: Determinan qué tan cierto es un valor en un conjunto
Ejemplo: 36°C puede ser 0.3 templado, 0.7 caliente
Inferencia Difusa
Conectores Lógicos en Lógica Difusa
Disyunción difusa (OR)
: max(A, B)
Conjunción difusa (AND)
: min(A, B)
Ejemplo de inferencia difusa
Regla: Si está nublado y es frío, entonces conducir lento
Se evalúa la pertenencia de cada variable y se combinan
Aplicaciones de Lógica Difusa
Control Difuso en Sistemas Automáticos
Control de velocidad en automóviles basado en temperatura y visibilidad
Sistemas de climatización ajustan temperatura según sensación térmica
Fuzzificación y Defuzzificación
Fuzzificación
: Convertir datos numéricos en conjuntos difusos
Defuzzificación
: Convertir valores difusos en decisiones concretas