Razonamiento bajo incertidumbre

Razonamiento bajo incertidumbre

Para los seres humanos el razonamiento como tal tiene poca certidumbre, es decir, tiene poca certeza o es muy difícil tener certeza de todo lo que se razona al 100%, y así escomo el cerebro procesa la información, debido principalmente a la naturaleza del universo, en donde las cosas (sobre todo la información que se toma del ambiente) pueden no existir o no estar disponibles, pocas veces son exactas, la información que se nos presenta es ambigua, puede ser imprecisa, inconsistente, inclusive los datos pueden ser sólo interpretaciones hechas por las personas, en donde cada una le da un sentido y significado único y tal vez muy semejante o muy diferente. Por tal motivo la inteligencia artificial ha definido un campo de estudio de razonamientos bajo incertidumbre, en donde participan la lógica fuzzy, la teoría Dempster-Shafer, las probabilidades bayesianas, entre otras con el fin de definir, manejar y estudiar este tipo de razonamiento. Para poder entender cómo trabaja el razonamiento bajo incertidumbre, se necesita conocer muchos conceptos relacionados con la definición y causas de la incertidumbre, a continuación se explican:

Para la incertidumbre experimental lo conceptos más importantes son:

Valor verdadero.

Es un valor de una magnitud física que se le asigna a un objeto, partiendo de la condición ideal, por ejemplo la masa atómica o la cantidad de protones de un átomo son valores verdaderos.

Valor medido.

Se obtiene al medir un objeto de forma experimental, por ejemplo las básculas arrojan un número medido para determinar el peso de una persona.

Valor de error.

Es la diferencia que existe entre el valor medido y el valor verdadero, aquí es cuando empieza la incertidumbre.

Incertidumbre absoluta.

Es el valor umbral que se obtiene al comparar el valor medido con el valor verdadero, para determinar el rango o porcentaje de certeza en el valor medido.

Exactitud.

Es la relación de cercanía al valor verdadero, mientras más cerca es más exacto, de lo contrario es menos exacto.

Precisión.

También conocido como repetitividad, es la fidelidad de los valores arrojados de una magnitud física por un medidor, esto quiere decir que diferentes mediciones de la misma magnitud física, en las mismas condiciones, debe de indicar el mismo valor de medición.

Sensibilidad.

Es el cambio más pequeño que se puede detectar por medio de un medidor, es decir, la unidad mínima que puede medir, mientras más pequeña sea la medición tendrá mayor sensibilidad. Así mismo existen condiciones que se pueden evaluar con proposiciones, indicando la diferencia entre incertidumbre e imprecisión:

Proposición Incierta.

Es aquella que su valor de verdad o falsedad se desconoce o no se puede determinar. Ejemplo del caso: No sólo existen seres vivos inteligentes en la Tierra, sino en otras partes del universo. ¿Verdadero?, ¿Falso?, ¿Se puede determinar?

Proposición Imprecisa.

Se refiere a una variable cuyo valor no se puede determinar con exactitud. Ejemplo del caso: Si llueve hoy, mañana también. ¿Se puede saber realmente?

Lógica Difusa.

La lógica difusa es una rama de la IA, y como tal define lo que es el razonamiento bajo incertidumbre, este tipo de lógica tiene como característica principal manejar los valores no como cero y uno, como los trabaja una computadora, sino más bien diluye estos valores para manejar valores aproximados al valor verdadero, tomando condiciones desde 0 a 1 por ejemplo, pero en donde se puede manejar términos como casi cero, casi uno, más cero que uno o más uno que cero, etc. Para utilizar la lógica difusa se debe de tener como información principal información que sea imprecisa y/o incierta, lo que representa más precisamente el lenguaje natural con elque los seres humanos se comunican. Las principales características de la lógica difusa son:

1. Todo es cuestión de grado. No puede existir sólo verdadero o falso.

2. El conocimiento se maneja como acotaciones difusas y el razonamiento como la propagación de dicho conocimiento.

3. Como es de esperarse, para la lógica difusa existen muchos valores de verdad, pero cada valor en sí es difuso.

4. Los predicados que se utilizan son imprecisos, por ejemplo al decir que una persona es joven, no se sabe de qué rango partir para establecer cuando una persona es joven o no, simplemente se hacen estimaciones tomando diferentes valores de verdad.

A continuación se muestra un ejemplo de lógica difusa, en donde se comparan dos gráficas que comparan la edad de una persona con su grado de pertenencia “niño”, “joven” o “adulto”:

La información que presenta cada una de las gráficas es imprecisa y a veces incierta, si tomamos el grado de pertenencia para que una persona sea niño, podremos observar que al inicio de la gráfica no se marca algún tipo de pertenencia, así que antes de ser niño no se sabe que es en realidad, cuando se llega al cambio de la gráfica entonces si podemos determinar cuándo es niño con un porcentaje del 0% al 100% de certidumbre. Se puede llegar a un estado impreciso en donde no se sabe si la persona es niño o joven, o donde se puede decir que un tanto por ciento es niño y otro tanto es joven, por lo

...