no se puede decir con rotundidad q ue es alto pero

Info iconThis preview shows page 1. Sign up to view the full content.

View Full Document Right Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: entar problemas de explosión combinatoria. En consecuencia, se estudian más por su importancia teórica (fundamentación de l a lA) que por las aplicaciones prácticas a que puedan dar lugar. E n cuanto a los m é t o d o s numéricos, q ue son los que se estudian en este trabajo, d estacan los siguientes: • M é t o d o probabilista clásico. Y a en el siglo XVIII, Bayes y Laplace propusieron l a probabihdad como una medida de la creencia personal. A principios del siglo XX s urgen las interpretaciones de la probabilidad como la frecuencia (a largo plazo) asociada a situaciones o experimentos repetibles; en esta línea, destacan especialmente los trabajos estadísticos de Fisher. A principios de los años 30, en cambio, debido s obre todo a los trabajos de L. J. Savage y B. de Finetti, entre otros muchos, se redescubre la probabilidad como medida de la creencia personal. Unos años más tarde, se i nventan los computadores y poco después surge la inteligencia artificial —lA- (suele t omarse como punto de referencia el año 1956, en el que se celebró la Conferencia de Darmouth). • M o d e l o de factores de certeza. E l éxito obtenido por el DENDRAL, considerado por muchos como el primer sistema experto, mostró las grandes ventajas de l a programación mediante reglas. Por ello, los creadores de MYCIN buscaron un m étodo de computación eficiente que pudiera adaptarse al razonamiento mediante e ncadenamiento de reglas. La incapacidad de los métodos probabilistas para encajar e n este esquema llevaron a los responsables del proyecto a desarrollar un método p ropio, consistente en asignar a cada regla un factor de certeza. • R e d e s Bayesianas. A p rincipios de los años 80 ocurrió un acontecimiento que cambió completamente el escenario: la aparición de las RRBB, un modelo probabilista 30 Clasificación Supervisada Basada en RRBB. Aplicación en Biología Computacional i nspirado en la causalidad, cuya virtud principal consiste en que lleva asociado un m odelo gráfico en que cada nodo representa una variable y cada enlace representa, g eneralmente, un mecanismo causal. El extraordinario desarrollo experimentado por las RRBB en las dos últimas décadas ha permitido construir modelos de diagnóstico y a lgoritmos encientes para problemas de tamaño considerable, a veces con cientos d e variables, o incluso con miles de variables en algunos problemas de genética. Por ello, a lgunos de los antiguos detractores del uso de la probabilidad en lA son hoy en d ía defensores entusiastas de los modelos gráficos probabilistas. • L ógica difusa. E n paralelo con esta evolución histórica de crisis y resurgimiento d e la probabilidad, se desarrolló la teoría de los conjuntos difusos, frecuentemente l lamada, con cierta impropiedad, l ógica difusa. L a motivación inicial no fue el e studio de la incertidumbre, sino el estudio de la vaguedad, que es algo diferente. P or ejemplo, si sabemos que Juan mide 1,78 m., no se puede decir con rotundidad q ue es alto, pero tampoco se puede decir que no lo es. Se t r a t a de una cuestión d e grado; en este caso hay vaguedad intrínseca, pero no hay incertidumbre, con lo q ue se demuestra que son dos conceptos en principio independientes, aunque existe u na cierta relación en el sentido de que si recibimos una información imprecisa (por e jemplo, si nos dicen que Juan es alto, pero sin decirnos su estatura exacta) tenemos u na cierta incertidumbre. L os cuatro métodos que se acaban de comentar, m é t o d o probabilista clásico, m o delo de factores de certeza, R R B B y l ógica difusa, c orresponden cuatro métodos utilizados para representar la incertidumbre. Es importante señalar que, mientras las RRBB y l a lógica difusa son temas de gran actualidad, como lo prueba la intensa labor investigadora que se está realizando en cada uno de ellos, el método probabilista clásico y el m odelo de factores de certeza se consideran temas "muertos" desde el punto de vista de l a investigación, por razones diversas. C omo conclusión, señalar que el debate sobre cuál es el método más adecuado para r epresentar la incertidumbre sigue abierto hoy en día. Por un lado, está el grupo de los b ayesianos, que defienden que la teoría de la probabilidad es el único método correcto p ara el tratamiento de la incertidumbre. Por otro, están quienes señalan que los modelos p robabilistas, a pesar de sus cualidades, resultan insuficientes o inaplicables en muchos p roblemas del mundo real, por lo que conviene disponer de métodos alternativos. 3.1.3. Thomas Bayes L as redes Bayesianas (RRBB) deben su nombre al inglés Thomas Bayes (Londres, 1 702-1761). Su padre fue uno de los primeros seis ministros presbiterianos que fueron o rdenados en Inglaterra. La educación de Thomas fue privada, un hecho que se antoja n ecesario para el hijo de un ministro presbiteriano de aquellos tiempos. Parece ser que de M oivre fue su maestro particular, pues se sabe que por aquel entonces e...
View Full Document

This note was uploaded on 02/01/2012 for the course . . taught by Professor . during the Spring '11 term at Pontificia Universidad Católica de Chile.

Ask a homework question - tutors are online