Construccin de un sistema experto de tipo probabilstico

1. Resumen
2. Introduccin
3. Sistemas expertos de tipo probabilstico
4. Probabilidad condicional. Regla de Baes
!. Construccin del sistema
". Conclusiones
#. Bibliogra$a
R%S&'%()
Este trabajo se realiz como requisito parcial del curso de Sistemas Basados en el Conocimiento II,
conducido por el ing. Pervys engi!o. El propsito !undamental de este trabajo es ilustrar el procedimiento
de construccin de sistemas e"pertos de tipo probabil#sticos.
I(*R+,&CCI-(
Es muy com$n que los seres %umanos tomen decisiones en condiciones de incertidumbre, es m&s la
incertidumbre %ace parte de nuestro diario vivir, un ejemplo tan cotidiano como el de ir tarde al trabajo y
preguntarse si tomar bus o ta"i, la persona decide con incertidumbre, por que no sabe si el bus se demore
o no, o si estar& lleno, por otro lado el ta"i le costar& mas, pero debe tomar una decisin que lo lleve a su
trabajo. Este tipo de decisiones se presenta a menudo tanto en la vida cotidiana, como en el &mbito
cient#!ico o en el empresarial' aunque la incertidumbre este presente en todos esos campos, el ser %umano
%a desarrollado t(cnicas y teor#as, como la probabilidad y estad#stica, para en!rentar este tipo de decisiones,
pero adem&s de estos m(todos, el r&pido desarrollo de los sistemas %a permitido !usionar todo el
conocimiento, en aplicaciones que permiten dar soluciones que aunque no son per!ectas tienen un soporte
terico que le da mayor probabilidad de ("ito, que a una decisin tomada al azar.
) lo largo de este documento se especi!ica la manera en que se combinan la teor#a de la probabilidad, con
los sistemas e"pertos para dar respuesta a los interrogantes al momento de tomar una decisin. Para esto
se %ace una corta e"plicacin acerca de los sistemas e"pertos de tipo probabil#stico, y de las di!erencias
m&s relevantes respecto a los sistemas usuales, despu(s se describen las probabilidades condicionales y la
regla de Bayes, de manera un poco m&s general que la presentada usualmente, esto debido a que no solo
se tiene un evento com$n y su complemento, asociado a la particin disjunta de un conjunto, si no que se
tienen n conjuntos asociados a dic%a particin. Para !inalmente %acer una descripcin general de los
diagramas de &rbol, y de la manera en que se construye el sistema.
SIS*%'.S %/P%R*+S ,% *IP+ PR+B.BI01S*IC+
*os sistemas e"pertos comunes, basados en reglas no tienen en cuenta la incertidumbre, ya que la !orma
de tratar los objetos y las reglas, es de tipo determinista, pero como se aprecio anteriormente, es !recuente
la toma de decisiones en condiciones de incertidumbre, ya sea en &reas de la ingenier#a, los negocios o
inclusive la salud.
El ejemplo que se presenta a continuacin es el de un paciente que asiste al medico, con ciertos s#ntomas
para que este le determine en base a estos, que tipo de en!ermedad de las posibles padece. Se dice que el
sistema no es determinista, ya que la relacin entre las en!ermedades y los s#ntomas que tiene un paciente
no son deterministas, por que los mismos s#ntomas pueden estar presentes en distintas en!ermedades.
Esto crea la necesidad, de %erramientas que tengan la capacidad para !uncionar, en estos ambientes, una
buena opcin son los sistemas de tipo probabil#stico. Estos como los otros, cuentan con una base de
conocimiento, pero esta se !orma por el espacio probabil#stico, que describe el problema.
El motor de in!erencias es basado en probabilidades condicionales y este se encarga de actualizar dic%as
probabilidades con base en los %ec%os que observa del ambiente en que se desempe+a.
Para modelar m&s acertadamente los sistemas de tipo probabil#stico, tenemos que tener en cuenta la teor#a
de las probabilidades condicionales. ,os conceptos muy importantes para este estudio se presentan a
continuacin.
PR+B.BI0I,., C+(,ICI+(.0
) la probabilidad de que un evento B se de cuando se sabe que un evento ) se %a presentado se llama
probabilidad condicional y se escribe ) / ( A B P . Esta e"presin, por lo general se lee -la probabilidad de
que B ocurra dado que ) ocurri ) -, o simplemente -la probabilidad de B dado ). /01.
R%20. ,% B.3%S
Si los eventos
m
B B B ,..., ,
2 1
constituyen una divisin del espacio muestral S, donde 0 ) (
i
B P , para
m i ,..., 3 , 2 , 1 =
, entonces para cualquier evento ) en S es tal que 0 ) ( A P .

= =
=

=
m
i
i i
i i
m
i
i
i
i
B P B A P
B P B A P
A B P
A B P
A B P
1 1
) ( * ) / (
) ( * ) / (
) (
) (
) / (
.
'+,%0+ 2%(%R.0
En el modelo general los eventos
1 2
, ,...,
m
B B B , !orman una particin del espacio muestral S, donde
0 ) (
i
B P
, para
1, 2, 3,..., i m =
, entonces para cualquier evento ) de S, en particular

J i
j
A A

=
, para
n j ,..., 3 , 2 , 1 =
tal que
0 ) (
j
A P
, entonces se tiene que2

= =
=

=
m
i
i i j
i i j
m
i
j i
j i
i i
B P B A P
B P B A P
A B P
A B P
A B P
1 1
) ( * ) / (
) ( * ) / (
) (
) (
) / (
Esto se puede representar mediante diagramas de 3en como sigue2
2ra$ico 1
Proceso general para la construccin de un sistema experto basado en probabilidades.
*os pasos !undamentales para elaborar el sistema son los siguientes2
4. Identi!icar los conjuntos que intervienen.
5. Cargar la base de conocimiento.
16. Calcular las probabilidades conocidas.
11. Calcular las probabilidades condicionales.
12. Identi!icar a que rama del &rbol o conjunto, pertenece la caracter#stica en consulta.
13. )ctualizar la base de conocimiento.
1. Identi$icar los con7untos 8ue inter9ienen
Para esto es clave determinar el n$mero de particiones m disjuntas del espacio muestral y el numero n de
eventos asociados, el espacio generado por estos n$meros se pueden representar m&s !&cilmente por un
diagrama de &rbol que contenga todas las posibles regiones del conjunto, as# la !orma de representar la
!igura 4 es la siguiente2
Este diagrama es clave por que es una representacin bastante clara de los conjuntos, que intervienen en el
sistema, adem&s %ace una lista de todos las posibles regiones del espacio muestral por ejemplo la primera
rama del conjunto, es la regin
1 1 2
...
n
B A A A , la segunda es
c
A A A B ...
2 1 1
y la ultima
c
A A A B ...
2 1 1
, cada uno de estos conjuntos tiene un cardinal.
5odos estos conjuntos representan la base de conocimientos del e"perto, el n$mero de conjuntos que debe
aparecer es
n
m 2 *
.
2. Cargar la base de conocimiento
Es claro que los conjuntos ya est&n de!inidos, sabemos cuales son y cuantos son a%ora procedemos a
asignar a cada conjunto su cardinal, o lo mismo que cargar la base de conocimiento. Sea
k
c el cardinal del
conjunto k , entonces la asignacin se %ace siguiendo el siguiente esquema2
1 2 1 1
... c A A A B
n
=
2 2 1 1
... c A A A B
c
n
=
3 1 2 1 1
... c A A A A B
n
c
n
=

4 1 2 1 1
... c A A A A B
c
n
c
n
=

6
k
c
n
c c
m
c A A A B = ...
2 1
Para k=1,2,3,,
n
m 2 *
.
3. Calcular las probabilidades conocidas.
Para calcular estas probabilidades es importante determinar el tama+o del espacio muestral, teniendo en
cuenta que los conjuntos que !ueron descritos anteriormente, !orman una particin del mismo, sea t el
tama+o del espacio entonces t se puede determinar de la siguiente manera siguiente !orma2
B
1
B
2
B
m
*
A
1
c
A
1
A
1
c
A
1
A
1
c
A
1
.
.
.
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
... A
n
A
n
c
... A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c
...
A
n
A
n
c

=
=
n
m
k
k
c t
2 *
1
Para calcular las probabilidades de cada conjunto se e!ect$a lo siguiente2
t
c
A A A B P
n
1
2 1 1
) ... ( =
t
c
A A A B P
c
n
2
2 1 1
) ... ( =
6
t
c
A A A B P
k
c
n
c c
m
= ) ... (
2 1
Para k=1, 2,3,,
n
m 2 *
y . 0 t
Como los datos suministrados dan in!ormacin acerca de las particiones, pero no brindan in!ormacin
acerca de los conjuntos en concreto, es necesario calcular el tama+o de los conjuntos, el tama+o de los
m
B se calcula sumando los conjuntos donde aparece
m
B de la siguiente manera2

=
=
1
2
1
1
n
k
k
c B ,

+ =

=
n
n
k
k
c B
2
1 2
2
1
,

+
+ =
=
1
2
1 2
2
n
n
k
k
c B ,...,

+
+
+ =
=
) 2 (
) 1 (
2
1 2
i n
i n
k
k
i
c B
*a probabilidad de los
m
B , se calcula de la siguiente !orma
t
B
B P
i
i
= ) ( , Con
. ,..., 3 , 2 , 1 m i =
Para
calcular las probabilidades de la !orma
) / (
i j
B A P
se %ace lo siguiente2

7inalmente es as# como se calculan las probabilidades conocidas.
4. Calcular las probabilidades condicionales.
En este punto del trabajo es donde se %ace importante el uso de las probabilidades condicionales, para
encontrarlas se %ace uso de la regla 8eneralizada de Bayes que se enuncio al principio.

= =
=

=
m
i
i i j
i i j
m
i
j i
j i
i i
B P B A P
B P B A P
A B P
A B P
A B P
1 1
) ( * ) / (
) ( * ) / (
) (
) (
) / (
!. Clasi$icar a 8ue rama del :rbol o con7unto pertenece la consulta
Para esto solo se sigue el camino en el &rbol %aciendo las preguntas, la pregunta puede estar m&s
relacionada dependiendo del conte"to en el que se elabore el sistema, esto se vera m&s detalladamente
mas adelante, por a%ora y de manera general se e"presara esto como2
49 Pregunta a priori, sospec%a que el elemento pertenece al conjunto
i
B .
09 Pregunta sobre los %ec%os asociados al sistema, el elemento pertenece al conjunt
j
A
.
,e esa !orma se clasi!ica, luego al tener identi!icado que conjunto es, se retorna la probabilidad espec#!ica,
determinada por los procesos anteriores.
". .ctuali;ar la base de conocimiento
) (
) (
) / (
i
j
i j
B P
A P
B A P =
,espu(s de todo el proceso probablistico, la situacin que se este analizando tiene que arrojar un resultado
!inal :posteriori9, por ejemplo si se analiza un juego de cartas %acemos todos los estudios y generamos, las
probabilidades correspondientes de todas !ormas el !enmeno arroja un resultado que puede que %aya sido
o no de acuerdo con las predicciones %ec%as por nosotros, puede que %aya dos tipos de errores uno es
que el suceso ocurra cuando las predicciones arrojaron que no, y el otro es que el suceso no ocurra cuando
los estudios arrojaron que si iba a ocurrir. ,e todas !ormas as# el suceso se %aya dado o no el sistema
actualiza correspondientemente , sumando uno al conjunto que se trato o la rama del &rbol en cuestin, todo
depende de el punto de vista que le parezca mas cmodo al lector.
Para ver como se construye el sistema e"perto, e ilustrar la toma de decisiones bayesiana en condiciones
de incertidumbre, se va a tomar como base el siguiente ejemplo.
%7emplo -,eterminar si un paciente tiene la en!ermedad adenocarcinoma g&strico.
Suponiendo que un medico por datos previos que le suministra un paciente , tiene la sospec%a que este
padece adenocarcinoma g&strico y que en !uncin de estos datos, estima que el paciente tiene una
probabilidad de ;.< de padecer la en!ermedad, y una del ;.= de no padecerla, por lo tanto decide
interrogarle para tener mayor conocimiento de la en!ermedad. /41
2ra$ico 1
Para !amiliarizar al lector, con la construccin del ejemplo, se tiene que lo que en el modelo general !orma la
particin del espacio, o el conjunto
i
i I
B B

=
U
, para el caso m=2,luego se tiene que2

1
B
2 Es el conjunto de pacientes que presentan adenocarcinoma g&strico -&rea gris del dibujo..
2
B
2 Es el conjunto de pacientes que no presentan adenocarcinoma g&strico o lo
mismo que
1
C
B -&rea blanca del dibujo..
)dem&s se tiene el evento
i
i I
A A

=
U
, donde se tiene que n =3, por lo tanto2
1
A
2 Es el conjunto de pacientes presentan dolor.
2
A
) Es el conjunto de pacientes con perdida de peso.
3
A
) Es el conjunto de pacientes paciente tienen vmitos.
C+(S*R&CCI-( ,%0 SIS*%'.
1< Identi$icar los posibles con7untos 8ue inter9ienen en el problema.
Para el caso como es claro ver en la representacin del espacio, ning$n subconjunto de este es vaci por lo
tanto los conjuntos que intervienen se pueden determinar mediante un diagrama de &rbol, como sigue2
,onde se puede ver los conjuntos que interact$an, por ejemplo la primera rama se representa por2
1 1 2 3
B A A A y la ultima por
1 1 2 3
c c c c
B A A A .
2< Cargar la base de conocimiento) ,ado que se conocen los conjuntos por el paso anterior, se asigna a
cada conjunto su cardinal, en el caso de ser ;, para alg$n Ai se dice que este conjunto no es relevante, y no
se incluye, para el ejemplo que estamos trabajando la base de conocimiento se cargo en la siguiente
seccin del cdigo.
Base de conocimiento del e7emplo
Los valores de cada conjunto representan el conjunto de conocimientos del medico.
3< Calcular las probabilidades conocidas2 para obtener las probabilidades condicionales ( / )
m n
P B A , se
deben calcular primero las probabilidades conocidas ( / )
n m
P A B , por ejemplo para calcular
1 1
( / ) P A B , se
e!ect$a el c&lculo de lo siguiente
1 1
1
( )
( )
P A B
P B

.
Esto se %ace calculando la probabilidad de dic%as intersecciones de
i
A dado que ocurri el evento
j
B
, lo
que en el cdigo es2

>? P:)4>B9?>
!loat P)4B@;'
P)4B@:probabilidadAconjunto/;1BprobabilidadAconjunto/41BprobabilidadAconjunto/01BprobabilidadAcon
junto/=19>PB''
coutCCDEtEt*a probabilidad de P:)4>B9 esDCCP)4BCCDEnD'

>? P:)4>BC9?>
!loat P)4BC@;'
P)4BC@:probabilidadAconjunto/4;1BprobabilidadAconjunto/441BprobabilidadAconjunto/F1Bprobabilidad
Aconjunto/G19>PBC'
coutCCDEtEt*a probabilidad de P:)4>BC9 esDCCP)4BCCCDEnD'

>? P:)0>B9?>
!loat P)0B@;'
P)0B@:probabilidadAconjunto/;1BprobabilidadAconjunto/41BprobabilidadAconjunto/H1BprobabilidadAcon
junto/I19>PB'
coutCCDEtEt*a probabilidad de P:)0>B9 esDCCP)0BCCDEnD'

>? P:)0>BC9?>
!loat P)0BC@;'
P)0BC@:probabilidadAconjunto/F1BprobabilidadAconjunto/G1BprobabilidadAconjunto/401BprobabilidadA
conjunto/4=19>PBC'
coutCCDEtEt*a probabilidad de P:)0>BC9 esDCCP)0BCCCDEnD'

>? P:)=>B9?>
!loat P)=B@;'
P)=B@:probabilidadAconjunto/;1BprobabilidadAconjunto/01BprobabilidadAconjunto/J1BprobabilidadAcon
junto/H19>PB'
coutCCDEtEt*a probabilidad de P:)=>B9 esDCCP)=BCCDEnD'

>? P:)=>BC9?>
!loat P)=BC@;'
P)=BC@:probabilidadAconjunto/4;1BprobabilidadAconjunto/F1BprobabilidadAconjunto/401Bprobabilidad
Aconjunto/4H19>PBC'
coutCCDEtEt*a probabilidad de P:)=>BC9 esDCCP)=BCCCDEnD'

Para lo cual %ace uso de los conocimientos que tiene representados en la gra!ica 4.En el sistema
desarrollado la base de conocimiento inicial viene dada en la seccin2
,e la anterior in!ormacin se tiene que2
E"perimenten perdida de peso el G;K de los pacientes de los pacientes con adenocarcinoma g&strico y
el H;K de los pacientes sin adenocarcinoma g&strico.
E"perimentan dolor el <;K de los pacientes con adenocarcinoma g&strico y el 4;K de los pacientes sin
adenocarcinoma g&strico.
5ienen vmitos el I;K de los pacientes con adenocarcinoma g&strico y el =;K de los pacientes sin
adenocarcinoma g&strico.
,atos que en el cdigo del programa se calculan como sigue2
>? P:)4>B9?>
!loat P)4B@;'
P)4B@:probabilidadAconjunto/;1BprobabilidadAconjunto/41BprobabilidadAconjunto/01BprobabilidadAcon
junto/=19>PB'
coutCCDEtEt*a probabilidad de P:)4>B9 esDCCP)4BCCDEnD'

>? P:)4>BC9?>
!loat P)4BC@;'
P)4BC@:probabilidadAconjunto/4;1BprobabilidadAconjunto/441BprobabilidadAconjunto/F1Bprobabilidad
Aconjunto/G19>PBC'
coutCCDEtEt*a probabilidad de P:)4>BC9 esDCCP)4BCCCDEnD'

>? P:)0>B9?>
!loat P)0B@;'
P)0B@:probabilidadAconjunto/;1BprobabilidadAconjunto/41BprobabilidadAconjunto/H1BprobabilidadAcon
junto/I19>PB'
coutCCDEtEt*a probabilidad de P:)0>B9 esDCCP)0BCCDEnD'

>? P:)0>BC9?>
!loat P)0BC@;'
P)0BC@:probabilidadAconjunto/F1BprobabilidadAconjunto/G1BprobabilidadAconjunto/401BprobabilidadA
conjunto/4=19>PBC'
coutCCDEtEt*a probabilidad de P:)0>BC9 esDCCP)0BCCCDEnD'

>? P:)=>B9?>
!loat P)=B@;'
P)=B@:probabilidadAconjunto/;1BprobabilidadAconjunto/01BprobabilidadAconjunto/J1BprobabilidadAcon
junto/H19>PB'
coutCCDEtEt*a probabilidad de P:)=>B9 esDCCP)=BCCDEnD'

>? P:)=>BC9?>
!loat P)=BC@;'
P)=BC@:probabilidadAconjunto/4;1BprobabilidadAconjunto/F1BprobabilidadAconjunto/401Bprobabilidad
Aconjunto/4H19>PBC'
coutCCDEtEt*a probabilidad de P:)=>BC9 esDCCP)=BCCCDEnD'

Con base en el ejemplo, el medico va conociendo sucesivamente los datos2
49 *os datos iniciales antes de las preguntas que !ormula el medico.
09 Si el en!ermo tiene vmitos.
=9 Si el en!ermo e"perimenta perdida de peso.
H9 Si el en!ermo tiene dolor.
Con los datos que va conociendo el medico, va determinando unas nuevas probabilidades de que el
paciente tenga la en!ermedad.
El caso particular que se va a ver es el de un paciente que inicialmente, en una e"ploracin anterior se le
diagnostico, adenocarcinoma g&strico con una probabilidad de ;.<, pero el medico considera que esto no es
su!iciente ya que tiene una probabilidad de ;.= de equivocarse por tanto decide %acer las preguntas
mencionadas anteriormente a lo cual el paciente del ejemplo responde lo siguiente.
49 Probabilidad de ;.< de tener la en!ermedad.
09 El paciente no presenta vmitos.
=9 El en!ermo presenta perdida de peso.
H9 El en!ermo tiene dolor.
Para el caso tenemos que dada una serie de s#ntomas A1, A2 y A3 se determina si el paciente tiene o no la
en!ermedad tal evento se ve representado por B. Para ubicar el trabajo en el conte"to la probabilidad
condicional viene dada por eventos diyuntos relacionados en este caso tener o no adenocarcinoma g&strico
y un evento com$n a estos, para el caso no se tiene un solamente un evento com$n si no =, que son los
s#ntomas entonces la pregunta que se busca contestar es dada cualquier combinacin, posible de los
s#ntomas poder determinar de una !orma mas acertada, que probabilidad tiene el paciente de tener la
en!ermedad.
4< Calcular las probabilidades condicionales.
Para esto se toma P:B9@;.<; que es la primera estimacin dada por el medico, con base en los s#ntomas
mani!estados por el paciente se dir#a que este pertenece al conjunto 3 2 1 ' A A A B . Se calculan las
probabilidades como sigue2
Para el caso la probabilidad inicial de B es ;.< por lo tanto por medio de la regla de Bayes se tiene que, la
probabilidad que el paciente tenga la en!ermedad, dado que no presenta vmitos o lo que simblicamente
se escribe como ) 1 / (
C
A B P se calcula como sigue.
625 . 0
3 . 0 * 7 . 0 7 . 0 * 5 . 0
7 . 0 * 5 . 0
) ( * ) / 1 ( ) ( * ) / 1 (
) ( * ) / 1 (
) 1 / ( =
+
=
+
=
c c c c
c
c
B P B A P B P B A P
B P B A P
A B P
Por la teor#a de la probabilidad tenemos que2
375 . 0 ) 1 / ( 1 ) 1 / ( = =
c c
A B P A B P
*as deducciones obtenidas dan una nueva probabilidad de que el paciente tenga adenocarcinoma g&strico,
por lo tanto la probabilidad de tener la en!ermedad dado este s#ntoma, su!re un cambio ya que a%ora
625 . 0 ) ( = B P
, lo mismo su complemento estas nuevas probabilidades son usadas para el siguiente
c&lculo2
7895 . 0
375 . 0 * 40 . 0 625 . 0 * 90 . 0
625 . 0 * 90 . 0
) ( * ) / 2 ( ) ( * ) / 2 (
) ( * ) / 2 (
) 2 / ( =
+
=
+
=
c c
B P B A P B P B A P
B P B A P
A B P
21 . 0 ) 2 / ( 1 ) 2 / ( = = A B P A B P
Este c&lculo determina que dado que un paciente no tiene vmitos y presenta perdida de peso su nueva
probabilidad de tener la en!ermedad es ;.<FGI.
9634 . 0
2105 . 0 7895 . 0 * 7 . 0
7895 . 0 * 7 . 0
) ( * ) / 3 ( ) ( * ) / 3 (
) ( * ) / 3 (
) 3 / ( =
+
=
+
=
c c
B P B A P B P B A P
B P B A P
A B P
366 . 0 ) / ( 1 ) 3 / ( = = A B P A B P
En el paso anterior se tiene que un paciente que, en un principio se determin que tenia, adenocarcinoma
g&strico, que adem&s no presenta vmitos, pero presenta perdida de peso y dolor tiene una probabilidad de
;.GJ=H de tener la en!ermedad.
!< Clasi$icar a 8ue rama del :rbol o con7unto pertenece la consulta
En el sistema se activa la seleccin %ec%a por el usuario al responder como sigue2
>>Lpcion I ssns o Lpcion 4=
i!::respA;@@MsMNNrespA;@@MnM9 OO respA4@@MnM OO respA0@@MsM OO respA=@@MsM9P
>? P4 >>> P:B>)=C9?>
!loat PB)=C,PB4,PB4C'

>? :P:)=C>B9?P:B99 > /P:)=C>B9?P:B9 B P:)=C>BC9?P:BC91?>
PB)=C@::4QP)=B9?:PB99>::4QP)=B9?:PB9B:4QP)=BC9?:PBC99'
coutCCDEtEt*a probabilidad de P:B>)=C9 esDCCPB)=CCCDEnD'
PB4@PB)=C'
PB4C@4QPB)=C'
>? P0 >>> P:B4>)09?>
!loat PB4)0,PB0,PB0C'
>? :P:)0>B9?P:B499 > /P:)0>B9?P:B49 B P:)0>BC9?P:B4C91?>
PB4)0@::P)0B9?:PB499>::P)0B9?:PB49B:P)0BC9?:PB4C99'
coutCCDEtEt*a probabilidad de P:B4>)09 esDCCPB4)0CCDEnD'
PB0@PB4)0'
PB0C@4QPB4)0'
>? P= >>> P:B0>)49?>
!loat PB0)4,PB=,PB=C'
>? :P:)4>B9?P:B099 > /P:)4>B9?P:B09 B P:)4>BC9?P:B0C91?>
PB0)4@::P)4B9?:PB099>::P)4B9?:PB09B:P)4BC9?:PB0C99'
coutCCDEtEt*a probabilidad de P:B0>)49 esDCCPB0)4CCDEnD'
PB=@PB0)4'
PB=C@4QPB0)4'
i!:respA;@@MsM9P
coutCCDEnEtEt,ado que el doctor sospec%a que usted tiene ).8 EnEtEtla probabilidad de que
se encuentre en!ermo es2DCCPB=CCDEnD'R
,onde se puede ver como se %ace el c&lculo de las probabilidades, seg$n la seleccin del usuario. Como
la primera estimacin se que se %ace a prior es que el paciente, tiene adenocarcinoma g&strico con una
probabilidad, de ;.< %ay otras a posteriori que se calculan en base a los s#ntomas que el paciente
mani!iesta.
"< .ctuali;ar la base de conocimiento
Pero el sistema no solo se queda con los datos a priori suministrados por el medico, si no que a medida que
va conociendo nuevos casos y los resultados !inales de estos a posteriori, actualiza su propia base de
conocimiento, este sistema tambi(n lo %ace en la siguiente seccin del cdigo2
void re!rescarAsistema:9P
i!:resultadoA!inal@@MsM9P
>> Lpcion 4 sss
i!:respA4@@MsM OO respA0@@MsM OO respA=@@MsM9P
>?4 BA)4A)0A)= ?> personasAporAconjunto/;1BB'
R
>> Lpcion 0 ssn
i!:respA4@@MsM OO respA0@@MsM OO respA=@@MnM9P
>?I BA)4CA)0A)= ?> personasAporAconjunto/H1BB'
R
>> Lpcion = sns
i!:respA4@@MsM OO respA0@@MnM OO respA=@@MsM9P
>?= BA)4A)0CA)= ?> personasAporAconjunto/01BB'
R
>> Lpcion H snn
i!:respA4@@MsM OO respA0@@MnM OO respA=@@MnM9P
>?< BA)4CA)0CA)= ?> personasAporAconjunto/J1BB'
R
>> Lpcion I sns
i!:respA4@@MnM OO respA0@@MsM OO respA=@@MsM9P
>?0 BA)4A)0A)=C ?> personasAporAconjunto/41BB'
R
>> Lpcion J nsn
i!:respA4@@MnM OO respA0@@MsM OO respA=@@MnM9P
>?J BA)4CA)0A)=C ?> personasAporAconjunto/I1BB'
R
>> Lpcion < nns
i!:respA4@@MnM OO respA0@@MnM OO respA=@@MsM9P
>?H BA)4A)0CA)=C ?> personasAporAconjunto/=1BB'
R
>> Lpcion F nnn
i!:respA4@@MnM OO respA0@@MnM OO respA=@@MnM9P
>?F BA)4CA)0CA)=C ?> personasAporAconjunto/<1BB'
R
R
i!:resultadoA!inal@@MnM9P
>> Lpcion 4 sss
i!:respA4@@MsM OO respA0@@MsM OO respA=@@MsM9P
>?G BCA)4A)0A)= ?> personasAporAconjunto/F1BB'
R
>> Lpcion 0 ssn
i!:respA4@@MsM OO respA0@@MsM OO respA=@@MnM9P
>?4= BCA)4CA)0A)= ?> personasAporAconjunto/401BB'
R
>> Lpcion = sns
i!:respA4@@MsM OO respA0@@MnM OO respA=@@MsM9P
>?44 BCA)4A)0CA)= ?> personasAporAconjunto/4;1BB'
R
>> Lpcion H snn
i!:respA4@@MsM OO respA0@@MnM OO respA=@@MnM9P
>?4I BCA)4CA)0CA)= ?> personasAporAconjunto/4H1BB'
R
Seg$n sea el caso.
Conclusiones
El sistema es realmente muy interesante de estudiar por muc%as razones, algunas ya !ueron e"puestas
anteriormente, otras se in!ieren al trabajar con el, en !in estos sistemas presentan una riqueza mayor que
los sistemas comunes basados en reglas, estos son muy importantes ya que muestra las relaciones entre
eventos con car&cter condicional, y adem&s de esto incluye con qu( probabilidad puede que se d( o no un
evento, en este punto es clave el uso de la regla de Bayes que es el eje central de este trabajo ya que
permite calcular todas las probabilidades que no conocemos, y no solo eso tambi(n da una estructura para
el desarrollo de las metodolog#a planteada, para la construccin del sistema. )unque una de las mas
importantes caracter#sticas de este sistema es el dinamismo de este mismo para aprender, ya que sus
decisiones no solo se soportan en la base de conocimiento original si no que a medida que se usa y se
actualiza, (sta deja de ser solo la original propuesta por el e"perto, para convertirse en una base de
conocimiento a!inada por la realidad o la e"periencia.
7inalmente se concluye que estos sistemas, tienen un gran potencial debido a la capacidad de e"plorar
nuevos campos que no se trabajaban con los sistemas tradicionales, debido a las !ortalezas que !ueron ya
mencionadas, pero como sabemos la realidad es muy compleja y como todo, es posible %acer mejoras a la
!orma en como trabajan estos.
Bibliogra$a)
/41 C)S5I**L LS, ESITUE. Sistemas E"pertos )prendizaje e Incertidumbre, Editorial Peranin!o.
Capitulo = pagina GF, Vadrid,4GFG.
/01 Walpole, onald O Vyers, aymond X.O Vyers S%aron. Probabilidad y estad#stica. Editorial Prentice
Xall, capitulo 4, 4GGG.
/=1 =+S%P> 2I.RR.*.(+ ?2.R3 RI0%3.Sistemas E"pertos Principios y Programacin, *@omson
International,capitulo H, 0;;;

)utores2
Camilo %duardo 'atson >ernande;
zimsYateZ%otmail.com
Estudiante de $ltimo semestre del Programa de Vatem&ticas de la 7undacin Universitaria [onrad *orenz.
,irigido por2
Ing. Per9s Rengi$o Rengi$o.
pervys0;;;Zya%oo.es
,ocente del Programa de Ing. ,e Sistemas de la 7undacin Universitaria [onrad *orenz.
Bogot&Q Colombia, Soviembre de 0;;<.