Juiz de Fora e a arquitetura: um presente a caminho de um futuro incerto
Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo...
Transcript of Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo...
![Page 1: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/1.jpg)
Sistemas Periciais com Conhecimento Incerto
1
Sistemas Periciais Tradicionais Sistemas Periciais Tradicionais
Funcionam assumindo que tudo é Verdadeiro ou Falso
Qualquer regra cujas condições sejam satisfeitas
é disparável
as suas conclusões são Verdadeiras
Estas assunções são simplistas
e conduzem a Sistemas Periciais Frágeis
![Page 2: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/2.jpg)
Sistemas Periciais com Conhecimento Incerto
2
Fontes de IncertezaFontes de Incerteza
• Informação incompleta
• Informação imprecisa
Raciocínio com Incerteza exige:
• Quantificação de Incerteza
• Método de combinação dos valores de Incerteza
![Page 3: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/3.jpg)
Sistemas Periciais com Conhecimento Incerto
3
Principais AbordagensPrincipais Abordagens
Métodos
Quantitativos Qualitativos
Valores Conjuntos
Unário BinárioConjuntos Vagos
Lógica Não Monotónica
Probabilidades Fact. Certeza
Dempster-Schafer
![Page 4: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/4.jpg)
Sistemas Periciais com Conhecimento Incerto
4
Comparação das Teorias Quantitativas
FácilFácilDifícilModeradaFacilidade de Aplicação
BaixaBaixaModeradaModeradaComplexidade da Teoria
BaixaBaixaModeradaModeradaDificuldade Execução do Modelo
ModeradaBaixaModeradaModeradaDificuldade Construção Modelo
ModeradaBaixaModeradaBaixaComplexidade Computacional
ModeradaFracaForteForteFundamentos Teóricos
Conj. VagosFact. CertezaDemp.-Schafer
BayesMétodo
![Page 5: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/5.jpg)
Sistemas Periciais com Conhecimento Incerto
5
Como escolher ?
Conj. VagosFact. CertezaDemp.-Schafer
BayesMétodo
ModeradoPoucoGrandePoucoTreino na Aplicação
PoucoPoucoModeradoModeradoTreino na Teoria
Pequeno a Grande
PequenoPequeno a Grande
PequenoVolume de Computação
Bem/Mal Definido
Bem/Mal Definido
Bem DefinidoBem DefinidoDefinição do Problema
![Page 6: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/6.jpg)
Sistemas Periciais com Conhecimento Incerto
6
Fontes de IncertezaFontes de IncertezaDada a regra
Regra R1: Se A & B então C
Existem três potenciais áreas de Incerteza:
– Incerteza nos dados (quão verdadeiros são A e B)
– Incerteza na regra (com que frequência A & B implicam C)
– Imprecisão em geral
• As duas primeiras podem ser tratadas usando Probabilidades
• A terceira usando Lógica Fuzzy
![Page 7: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/7.jpg)
Sistemas Periciais com Conhecimento Incerto
7
Teoria da ProbabilidadeTeoria da Probabilidade• É uma aproximação matemática para processar informação incerta
• As suas raízes remontam ao séc. XVII, foi criada por um grupo de jogadores franceses, com o intuito de tornar o jogo menos aleatório
• Mais tarde Pascal e Fermat desenvolveram a Teoria da Probabilidade Clássica – usada ainda hoje para extrair inferências numéricas de dados
• Propõe a existência de um valor P(E) – Probabilidade - que consiste na possibilidade de ocorrência de um evento E a partir de uma experiência de eventos aleatórios
• Ou seja, se realizarmos uma determinada experiência um número considerável de vezes, então podemos ter quase a certeza que a frequência relativa do evento E é aproximadamente igual a P(E)
• O conjunto de todos os possíveis resultados de uma experiência é denominado espaço da amostra S.
![Page 8: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/8.jpg)
Sistemas Periciais com Conhecimento Incerto
8
Probabilidade DiscretaProbabilidade DiscretaExperiências com resultados discretos
P(E) = W(E)/N
em que W(E) – nº de vezes que um particular evento
Ocorreu N – nº de experiências realizadas
Exemplo
Considere-se o seguinte espaço resultante da experiência de rodar uma moedaS = {1, 2, 3, 4, 5, 6}
Cada evento neste espaço da amostra representa um possível resultado da experiência. N será o número de vezes que a moeda é rodada e W(E) o número de resultados de um particular evento. A probabilidade de cada evento neste espaço
P(E) =W(E)/N = 1/6
![Page 9: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/9.jpg)
Sistemas Periciais com Conhecimento Incerto
9
Probabilidade ContínuaProbabilidade ContínuaEspaços contínuos
Em vez de calcular a probabilidade de um evento a partir de um conjunto discreto eventos, existe necessidade de calcular valores intermédios a partir de um conjunto de valores contínuos.
Daí que seja necessário uma função de calculo da probabilidade da distribuição do evento.
![Page 10: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/10.jpg)
Sistemas Periciais com Conhecimento Incerto
10
Probabilidade ContínuaProbabilidade Contínua
Probabilidade experimental
Define a probabilidade de um evento P(E) como o limite de uma função de frequência de distribuição f(E)
P(E) = lim f(E)/N N
sendo f(E) – frequência de observação de um evento
Este tipo de probabilidade é também conhecido por probabilidade à posteriori – o que significa – “após o evento”.
0 < = P(E) <= 1
P(Ei) = 1 i
P(E) + P(~E) = 1 sendo ~E o complemento de E
![Page 11: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/11.jpg)
Sistemas Periciais com Conhecimento Incerto
11
Probabilidades CompostasProbabilidades CompostasEm muitos problemas é necessário considerar combinações de diferentes eventos, por exemplo, calcular a probabilidade de ocorrência de dois eventos diferentes, ou a probabilidade de nenhum deles ocorrer.
IntersecçãoPara problemas relativos a múltiplos eventos, é necessário determinar a intersecção dos espaços das amostras de todos os eventos. A partir disto é possível determinar a probabilidade conjunta
P(A B) = n(A B) / n(S) = P(A) * P(B) fórmula válida para eventos independentes
sendo P(A) = n(A)/n(S)Exemplo Considere-se a probabilidade de retirar do conjunto S = {1, 2, 3, 4, 5, 6} um número ímpar e um número divisível por 3 – dois eventos independentes. A= {1,3,5} B={3,6} A B ={ 3} P(A) = 3/6 P(B) = 2/6 P(A B) = 1/6
Donde, a probabilidade de retirar do conjunto um número ímpar e divisível por 3 é de 1/6.
![Page 12: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/12.jpg)
Sistemas Periciais com Conhecimento Incerto
12
Probabilidades Compostas Probabilidades Compostas União Por vezes pode ser necessário determinar a probabilidade de nenhum ou vários eventos ocorrerem
P(A B) = P(A) + P( B) - P(A B)
Exemplo Considere-se a probabilidade de retirar do conjunto S = {1, 2, 3, 4, 5, 6} um número ímpar ou um número divisível por 3 – dois eventos independentes.
A= {1,3,5} B={3,6} A B ={ 3 } P(A) = 3/6 P(B) = 2/6 P(A B) = 1/6
ou P(A B) = 3/6 + 2/6 – 1/6 = 2/3
Donde, a probabilidade de retirar do conjunto um número ímpar ou divisível por 3 é de 2/3.
![Page 13: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/13.jpg)
Sistemas Periciais com Conhecimento Incerto
13
Probabilidade CondicionalProbabilidade Condicional
São usadas quando os eventos não são mutuamente exclusivos, ou seja, quando os eventos se podem influenciar.
A probabilidade de ocorrência de um evento A sabendo que um evento B ocorreu é chamada Probabilidade Condicional e é dada por:
P(A | B) = P(A B) / P(B)
A probabilidade condicional permite obter a probabilidade de um evento A sabendo que o evento B ocorreu
Exemplo
Qual a probabilidade de se retirar do conjunto S o número 3 (evento A) sabendo que um número divisível por 3 ocorreu (evento B)
P (A | B) = n (A B) / n (S) / n(B)/n(S) = n (A B) / n ( B )
= 1/6 / 2/6 = 1/2
![Page 14: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/14.jpg)
Sistemas Periciais com Conhecimento Incerto
14
Fórmulas Básicas de ProbabilidadeFórmulas Básicas de Probabilidade
Regra do Produto: Probabilidade de conjunção de dois eventos A e B
Regra da Soma: Probabilidade de disjunção de dois eventos A e B
Teorema da Multiplicação de Probabilidades: permite calcular a probabilidade de ocorrência simultânea de vários eventos a partir das probabilidades condicionais
P(A1 ... An ) = P(An /A1 ... An-1) ... P(A2 /A1) P(A1)
)()/()()/()( APABPBPBAPBAP
)()()()( BAPBPAPBAP
![Page 15: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/15.jpg)
Sistemas Periciais com Conhecimento Incerto
15
Teorema da Probabilidade TotalTeorema da Probabilidade Total
B1
B2
B3 B6
B5B4
A
k
kk BPBAPAP )()/()(
1
1)(i
iBP
Se os eventos B1,..,Bn são mutuamente exclusivos e formam uma partição certa do evento A
![Page 16: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/16.jpg)
Sistemas Periciais com Conhecimento Incerto
16
Probabilidade à PosterioriProbabilidade à Posteriori
A probabilidade condicional permite obter a probabilidade de um evento A sabendo que o evento B (anterior a A) ocorreu
Muitas vezes estamos interessados na situação inversa:
Qual é a probabilidade de um anterior evento ter ocorrido sabendo que um evento posterior ocorreu ?
Probabilidade à Posteriori
O problema em determinar a probabilidade à posteriori foi resolvido por Thomas Bayes sendo conhecido por Teorema de Bayes
![Page 17: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/17.jpg)
Sistemas Periciais com Conhecimento Incerto
17
Teorema de BayesTeorema de Bayes
P(h | D): probabilidade à posteriori de h dado D (reflecte a confiança da hipótese h depois de se observar – D)
P(D | h): probabilidade de D dado h
• P(h): probabilidade a priori da hipótese h (representa o conhecimento de domínio, se este conhecimento prévio não existir pode ser atribuída a mesma probabilidade a cada hipótese candidata)
P(D): probabilidade a priori de D (sem conhecimento prévio)
)(
)()|()|(
DP
hPhDPDhP
![Page 18: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/18.jpg)
Sistemas Periciais com Conhecimento Incerto
18
Teorema de BayesTeorema de BayesA aplicação do teorema de Bayes como classificador requer que se conheçam:
• duas probabilidades a priori - p (decisãoi)
• uma probabilidade condicional - p (x | decisãoi)
Em recursos ricos estatisticamente, é possível determinar a probabilidade das hipóteses serem verdadeiras, através de algumas evidências acerca do problema
![Page 19: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/19.jpg)
Sistemas Periciais com Conhecimento Incerto
19
Teorema de Bayes Teorema de Bayes O Teorema de Bayes é usado no desenvolvimento de Sistemas Periciais
Dada a estrutura de uma regra típica
If E then H (LS, LN)
A fórmula de Bayes pode ser usada para calculo da probabilidade da hipótese H partindo da probabilidade apriori do facto E
Exemplo:
Diagnóstico de avaria de uma máquina. Podemos observar os sintomas apresentados pela máquina mas o diagnóstico está relacionado com os eventos anteriores que causaram os sintomas que a máquina apresenta
![Page 20: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/20.jpg)
Sistemas Periciais com Conhecimento Incerto
20
LS versus LN LS versus LN As regras são da forma
IF E THEN H (LS, LN)
E – denota alguma EvidênciaH – representa alguma Hipótese
LS – Likelihood of Sufficiency representa a medida de Suporte da Hipótese H dada a Evidência E
LS = P(E | H) / P(E |~H)
LN– Likelihood of Necessity representa a medida de descredito da Hipótese H se a Evidência E
estiver em faltaLN = P(~E | H) / P(~E | ~H)
![Page 21: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/21.jpg)
Sistemas Periciais com Conhecimento Incerto
21
LS versus LN LS versus LN IF E THEN H (LS, LN)
Ambos os factores LS e LN são fornecidos pelo perito e são usados para calcular a Probabilidade à Posterior da Hipótese O ( H | E )
Ambos os factores variam :
0 < LS < 0 < LN <
LS Efeito na Hipótese
0 H é Falso quando E é Verd ou ~E é necessário para concluir HPequeno E não é favorável para concluir H1 E não tem efeito para concluir HGrande E é favorável para concluir H
E é logicamente suficiente para concluir H
![Page 22: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/22.jpg)
Sistemas Periciais com Conhecimento Incerto
22
LS versus LN LS versus LN
LN Efeito na Hipótese
0 H é Falso quando E ausente ou E é necessário para concluir HPequeno Ausência de E não é favorável para concluir H1 Ausência de E não tem efeito para concluir HGrande Ausência de E é favorável para concluir H
Ausência de E é logicamente suficiente para concluir H
![Page 23: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/23.jpg)
Sistemas Periciais com Conhecimento Incerto
23
Aplicação do Teorema de Bayes: Aplicação do Teorema de Bayes: Diagnóstico MédicoDiagnóstico Médico
Seja
M = doença meningite
S = dor no pescoço
Um Doutor sabe:
P(S|M) = 0.5
P(M) = 1/50000
P(S) = 1/20
P(M|S) = P(S|M)P(M)
P(S)
= 0,5*(1/50000) = 0,0002
1/20
A probabilidade de uma pessoa ter meningite dado que ela está
com dor no pescoço é 0,02% ou ainda 1 em 5000.
1 Probabilidade condicional
2 Probabilidades
a priori
![Page 24: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/24.jpg)
Sistemas Periciais com Conhecimento Incerto
24
ExercícioExercícioPacientes com problemas cardíacos são sujeitos a um electrocardiograma (ECG)
Os resultados são classificados:• positivos (+ECG) sugerindo doença cardíaca (+DC) • negativos (-ECG) no caso de não haver doença cardíaca (-DC)
Assumindo que um dado paciente realizou um electrocardiograma positivo pretende-se saber qual a probabilidade deste ter doença cardíaca ?
P(+DC | + ECD)
Sabendo que – 10 pessoas em 100 têm um ataque cardíaco – 90 pessoas em 100 que tiveram doença cardíaca produziram um
electrocardiograma positivo – 95 pessoas em 100 que não tiveram doença cardíaca produziram um
electrocardiograma negativo
![Page 25: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/25.jpg)
Sistemas Periciais com Conhecimento Incerto
25
ExercícioExercício• 10 pessoas em 100 têm um ataque cardíaco
P(+DC) = 0.1 P(-DC) = 1- P(+DC) = 1 - 0.1 = 0.9
• 90 pessoas em 100 que tiveram doença cardíaca produziram um electrocardiograma positivo (+ECD)
P(+ECD | +DC) = 0.9
• 95 pessoas em 100 que não tiveram doença cardíaca produziram um electrocardiograma negativo (-ECD)
P ( -ECD | -DC) = 0.95 P (+ECD | -DC) = 1 - P(-ECD | -DC) = 1 - 0.95 = 0.05
P(+ECD) = P(+ECD | +DC) * P(+DC) + P(+ECD | -DC) * P(-DC) = 0.9 * 0.1 + 0.05 * 0.9 = 0,135
P(+DC | + ECD) = P(+ECD | +DC) * P(+DC) / P(+ECD )P(+DC | + ECD) = 0.1 * 0.9 / 0,135 = 0.67 67%
)(
)()|()|(
DP
hPhDPDhP
![Page 26: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/26.jpg)
Sistemas Periciais com Conhecimento Incerto
26
Teorema de BayesTeorema de BayesA aplicação do teorema de Bayes requer que se conheçam:
• duas probabilidades a priori - p (decisãoi)
• uma probabilidade condicional - p (x | decisãoi)
Na prática estas probabilidades são desconhecidas
• Estimativas fiáveis destas probabilidades requer um número infinito de exemplos
Como ultrapassar o problema ?
– Assumindo simplificações no calculo de p (x | decisão)
O termo P(D) também pode ser escrito sob a forma:
P(D) = P(D | h) * P(h) + P(D | ~h) * P(~h)
)(
)()|()|(
DP
hPhDPDhP
![Page 27: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/27.jpg)
Sistemas Periciais com Conhecimento Incerto
27
Teorema de Bayes GeneralizadoTeorema de Bayes Generalizado• Conjunto de evidências Ei
• Conjunto de Hipóteses plausíveis Hj
Assumindo que as hipóteses são
– mutuamente exclusivas e
– colectivamente exaustivas
Suposição Bayesiana Naive P (a1, a2, ..., an / vj) = P (ai / vj) i
P (Hj | E1.... Em) = P (Hi | E1 ,..., Em) * P(Hj ) P (Hi | E1 ,..., Em) * P(Hj )
![Page 28: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/28.jpg)
Sistemas Periciais com Conhecimento Incerto
28
PROSPECTORPROSPECTORPROSPECTOR - Sistema Pericial no domínio da Geologia
• desenvolvido para auxiliar os geólogos na procura de depósitos minerais [Duda-79]
• Um dos Sistemas Periciais mais populares de Aplicação da Teoria Bayesiana para Apoio à Decisão
• Dado o sucesso deste Sistema Pericial surgiu a Linguagem KAS que permite o desenvolvimento de Sistemas Periciais usando a Teoria Bayesiana de Probabilidades
![Page 29: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/29.jpg)
Sistemas Periciais com Conhecimento Incerto
29
PROSPECTOR - PROSPECTOR - Medida de CertezaMedida de Certeza
Em vez de se usar P( E | E’) introduziram o conceito Medida de Certeza C ( E | E’) variável - 5 < C ( E | E’) < 5
Se C ( E | E’) = -5 então P ( E | E’) = 0 C ( E | E’) = 0 então P ( E | E’) = P(E) C ( E | E’) = 5 então P ( E | E’) = 1
Para P(E | E’total) > P(E)
C(H|E’) = 5 * P(E | E’total) – P(E) / 1-P(E) Para P(E | E’total) <= P(E)
C(H|E’) = 5 * P(E | E’total) – P(E) / P(E)
A razão principal para introduzir este conceito prendeu-se meramente com questões psicológicas.É mais fácil para um perito dizer: “Penso que estou a apanhar uma constipação”Do que dizer: “A probabilidade de estar a apanhar uma constipação é de 90%”
![Page 30: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/30.jpg)
Sistemas Periciais com Conhecimento Incerto
30
Exemplo usando a Exemplo usando a Linguagem KAS Linguagem KAS Problema: Decidir se compra ou não um carro
Com base na seguinte rede de inferência:
H1 Não compra
E1 Mau Estado
E2 Preço Elevado
E3Kilometragem >
100 000 km
E4Carro
de cidade
E5Carroçaria degradada
E7Amolgada
E6Com ferrugem
OR
AND
![Page 31: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/31.jpg)
Sistemas Periciais com Conhecimento Incerto
31
Exemplo Exemplo Regras que formam a rede de inferência
Regra R1 Se Carro em Mau EstadoOu Preço do carro Elev Então Não compra carro
Regra R2 Se Kilometragem do carro > 100 000 KmE Carro de cidadeE carroçaria degradada Então carro em mau estado
Regra R3 Se carro tem amolgadelasEntão carroçaria degradada [LS = 1000, LN = 0.001]
Regra R4 Se carro tem ferrugemEntão carroçaria degradada [LS = 100, LN = 1]
![Page 32: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/32.jpg)
Sistemas Periciais com Conhecimento Incerto
32
Exemplo Exemplo Regra R3 Se carro tem amolgadelas
Então carroçaria degradada [LS = 1000, LN = 0.001]
Regra R4 Se carro tem ferrugem
Então carroçaria degradada [LS = 100, LN = 1]
A presença de amolgadelas no carro é muito favorável à conclusão Carroçaria degradada, enquanto que a não observação de amolgadelas é bastante desfavorável no suporte da conclusão
No caso da regra R4 a ferrugem é de algum modo favorável ao suporte da conclusão, enquanto que a ausência de ferrugem não tem qualquer efeito na conclusão
![Page 33: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/33.jpg)
Sistemas Periciais com Conhecimento Incerto
33
Exemplo Exemplo Assumindo que todas as Probabilidades à priori das Evidências P( E i ) = 0,1
Sistema KAS com que Grau de Confiança se pode assumir que:
1. a Kilometragem do carro é superior 100 000 Km ? Utilizador: 5
2. o carro é de cidade ? Utilizador: 5
3. o carro tem amolgadelas ? Utilizador: 4
4. o carro tem ferrugem ? Utilizador: -1
5. o preço do carro é elevado ? Utilizador: 1
Conclusão: A minha certeza em não comprar o Carro é de 3.97
O valor da Confiança C(H1) = 3.97 com base no intervalo [-5, 5]
Sendo o valor mais próximo de 5 conclui-se
“Recomenda-se vivamente a não comprar o carro”
![Page 34: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/34.jpg)
Sistemas Periciais com Conhecimento Incerto
34
Operações Internas Operações Internas C(E3 | E3’) = C(E4 | E4’) = 5 o utilizador observando E3’ e E4’ está
totalmente certo de E3 e E4C(E5 | E6, E7) ?
É calculado através do Teorema Bayes por manipulação das diversas fórmulas de Probabilidades
C(E5 | E6, E7) = 3,97
A confiança em E1 é dada pela conjunção das condições E3, E4, E5, pelo que
C(E1) = min {5, 5, 3,97} = 3,97
A confiança em H1 é dada pela disjunção das condições E1 e E2
C(H1) = max {3,97, 1} = 3,97
![Page 35: Sistemas Periciais com Conhecimento Incerto 1 Sistemas Periciais Tradicionais Funcionam assumindo que tudo é Verdadeiro ou Falso Qualquer regra cujas condições.](https://reader034.fdocumentos.com/reader034/viewer/2022051413/552fc0fc497959413d8ba1e2/html5/thumbnails/35.jpg)
Sistemas Periciais com Conhecimento Incerto
35
Inconvenientes da Abordagem BayesianaInconvenientes da Abordagem Bayesiana• Só é matematicamente correcta se os eventos respeitarem a
independência estatística
• Requer a existência de valores difíceis de obter – Probabilidades à Priori
• Não admite incerteza associada às evidências
• Alguns problemas em que os dados ou a informação está continuamente a ser alterada é necessário recalcular as probabilidades
• Em bases de conhecimento de dimensão apreciável, torna-se difícil efectuar alterações dado que se tem de verificar
P(H1) + P(H2) +... + P(Hn) = 1