Incertidumbre - Departamento de Inteligencia Artificial
Incertidumbre - Departamento de Inteligencia Artificial
Incertidumbre - Departamento de Inteligencia Artificial
- No tags were found...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
SISTEMAS DE AYUDA A LA<br />
DECISIÓN<br />
Tema 2: <strong>Incertidumbre</strong> y probabilidad<br />
Concha Bielza<br />
mcbielza@fi.upm.es<br />
Dpto. <strong>Inteligencia</strong> <strong>Artificial</strong>, Facultad <strong>de</strong> Informática<br />
Univ. Politécnica <strong>de</strong> Madrid<br />
SAD-Concha Bielza-– p. 1
2. INCERTIDUMBRE Y PROBABILIDAD<br />
Sucesos. Espacio muestral. Operaciones con sucesos. [pizarra]<br />
Enfoques <strong>de</strong> la Probabilidad: frecuentista, clásico, subjetivo.<br />
Axiomas <strong>de</strong> la probabilidad subjetiva.<br />
Axiomática <strong>de</strong> Kolmogorov. Propieda<strong>de</strong>s inmediatas. [pizarra]<br />
Resultados básicos con probabilida<strong>de</strong>s: P <strong>de</strong> la unión,<br />
P marginales, P condicionadas, P <strong>de</strong> la intersección,<br />
in<strong>de</strong>pen<strong>de</strong>ncia <strong>de</strong> sucesos. [pizarra]<br />
Árboles <strong>de</strong> probabilida<strong>de</strong>s. Teorema <strong>de</strong> la P total. Revisión <strong>de</strong><br />
juicios y Th <strong>de</strong> Bayes<br />
V.a. Esperanza, varianza, cuantiles. [pizarra]<br />
Educción <strong>de</strong> Probabilida<strong>de</strong>s<br />
SAD-Concha Bielza-– p. 2
Enfoque subjetivo <strong>de</strong> la P<br />
1 a mitad s.XX. Escuela personalista: asocia la P no con el<br />
sistema en observación sino con el observador <strong>de</strong>l sistema<br />
P como medida personal sobre incertidumbre <strong>de</strong> suceso, basada<br />
en experiencias previas. Juicio personal, medida <strong>de</strong>l grado <strong>de</strong><br />
creencia o convicción respecto a ocurrencia<br />
El mejor enfoque para los propósitos <strong>de</strong>l Análisis <strong>de</strong> Decisiones<br />
(circunstancias únicas, irrepetibles)<br />
P(roben cuadro Prado), P(acciones suban), P(gane R.Madrid)...<br />
Más general: también experimentos repetitivos y apuestas:<br />
Frecuentista<br />
Subjetivo<br />
P(moneda sale cara)= 1 2<br />
P= 1 2 → moneda no cargada no cargada → P=1 2<br />
P(esa moneda cara ∄ Ahora no creo carg. Luego<br />
próx tirada)= 1 2<br />
SAD-Concha Bielza-– p. 3
Axiomas P subjetiva<br />
Decisor tiene sentimiento inherente <strong>de</strong> verosimilitud relativa y<br />
pue<strong>de</strong> <strong>de</strong>cir: A más verosímil que B, menos o igual<br />
Relación binaria A B: “A al menos tan verosímil como B”<br />
A1) es un or<strong>de</strong>n débil (transitividad, completitud, consistencia)<br />
A2) In<strong>de</strong>p <strong>de</strong> sucesos comunes: si A ∩ C = B ∩ C = ∅, entonces<br />
A B ⇔ A ∪ C B ∪ C<br />
A3) No trivialidad: A ∅, ∀A –P cualitativa–<br />
A4) ∃ experimento <strong>de</strong> referencia, don<strong>de</strong> el <strong>de</strong>cisor está preparado<br />
para consi<strong>de</strong>rar sus creencias (rueda fortuna)<br />
A5) Continuidad: ∀A, <strong>de</strong>cisor pue<strong>de</strong> i<strong>de</strong>ntificarlo con suceso<br />
sobre rueda fortuna à t.q. A ∼ Ã<br />
A6) Equivalencia <strong>de</strong> certidumbres: α(Ω) = 360 o SAD-Concha Bielza-– p. 4
Axiomas P subjetiva (ii)<br />
Si creencias cumplen A1-A6, entonces ∃!P t.q. A B ⇔ P(A) ≥ P(B)<br />
Se dice que P es la distrib. <strong>de</strong> Prob. subjetiva <strong>de</strong>l <strong>de</strong>cisor;<br />
<strong>de</strong>scribe sus creencias<br />
Se construye con P(A) = α(A)<br />
360<br />
Verifica axiomas Kolmogorov.<br />
French (1986) muy basado en DeGroot(1970). Otros sistemas<br />
axiomáticos: De Finetti (1937), Raiffa (1968), Ramsay (1931),<br />
Savage (1954)<br />
SAD-Concha Bielza-– p. 5
Árboles <strong>de</strong> probabilida<strong>de</strong>s<br />
P(A, B, C) = P(A)P(B|A)P(C|A, B)<br />
P(A, B, C) = P(C)P(B|C)P(A|B, C)<br />
Ciertas direcciones <strong>de</strong> asignación son más sencillas:<br />
P(síntoma|enfermedad) (dirección causal) más fácil que<br />
P(enfermedad|síntoma)<br />
Ejemplo (libro <strong>de</strong> texto)<br />
SAD-Concha Bielza-– p. 6
Revisión juicios y Th Bayes<br />
Depen<strong>de</strong>ncia entre sucesos pue<strong>de</strong> conducir a mo<strong>de</strong>los más<br />
complejos, pero da la oportunidad <strong>de</strong> apren<strong>de</strong>r<br />
Proceso <strong>de</strong> diagnóstico : observaciones que evocan hipótesis ⇒<br />
Recolectar datos (test) ⇒ Revisar creencia en esa hipótesis (con<br />
Th Bayes)<br />
1) P a priori o pre-test: juicio inicial sobre enfermedad<br />
(preguntas, exploración, experiencia, literatura...)<br />
2 a opinión<br />
Heurísticas cognitivas → asignaciones sesgadas<br />
Combinar P objetivas y subjetivas; incluir imprecisión<br />
–ver luego–<br />
SAD-Concha Bielza-– p. 7
Revisión juicios y Th Bayes (ii)<br />
2) Test diagnóstico para reducir incertidumbre<br />
Presente Ausente<br />
Positivo VP FP<br />
Negativo FN VN<br />
Evaluar utilidad <strong>de</strong>l test:<br />
TV P = sensibilidad = P(+|enfermo) = V P/(V P + FN)<br />
TV N = especificidad = P(−|sano) = V N/(V N + FP)<br />
TFN = 1 − sensibilidad<br />
TFP = 1 − especificidad<br />
SAD-Concha Bielza-– p. 8
Revisión juicios y Th Bayes (iii)<br />
Ojo al criterio para <strong>de</strong>finir un resultado como positivo (lo<br />
especifican los laboratorios). Si crece sensibilidad, <strong>de</strong>crece<br />
especificidad<br />
Intercambiar uno por el otro; ¿qué error es mejor tolerar, FP o FN<br />
Depen<strong>de</strong> <strong>de</strong> la enfermedad, <strong>de</strong>l propósito <strong>de</strong>l test...<br />
Po<strong>de</strong>mos minimizar % errores: p ∗<br />
razonable si costes <strong>de</strong> errores son iguales o están<br />
opuestamente relacionados con el n o <strong>de</strong> errores <strong>de</strong><br />
cada tipo<br />
Otros consi<strong>de</strong>ran costes en cada clase por mala clasificación<br />
SAD-Concha Bielza-– p. 9
Revisión juicios y Th Bayes (iv)<br />
Otra vista: Curva ROC (Receiver Operating Characteristic)<br />
Usar varios tests y comparar<br />
Usar ROC + discriminatoria<br />
(test2)<br />
En general, consi<strong>de</strong>rar costes por cometer errores y otros<br />
factores como riesgos, malestar, <strong>de</strong>moras...<br />
SAD-Concha Bielza-– p. 10
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Revisión juicios y Th Bayes (v)<br />
3) P a posteriori o post-test (Bayes):<br />
SAD-Concha Bielza-– p. 11
Educción <strong>de</strong> probabilida<strong>de</strong>s: Índice<br />
Discretas y continuas<br />
Descomposición y educción<br />
Sucesos muy raros: árboles <strong>de</strong> sucesos y árboles <strong>de</strong> fallos<br />
Heurísticas y sesgos<br />
Fases <strong>de</strong> la educción<br />
Consistencia, coherencia, calibración<br />
Discretización<br />
SAD-Concha Bielza-– p. 12
Educción <strong>de</strong> probabilida<strong>de</strong>s<br />
Problemas complejos e importantes. Asignaciones probabilísticas<br />
cuidadosas y formales. ⇒ Métodos rigurosos y sistemáticos<br />
Heladas en cosechas ¿protegerlas ← Predicc<br />
meteorológicas (usar gran PC + incert tpo local...)<br />
Catástrofe por terremoto ← Geólogos (.6 en LA en ’88)<br />
Efecto inverna<strong>de</strong>ro ¿hacer algo el Gob ← Predicc NASA (.99<br />
en ’88)<br />
2 grupos principales:<br />
1. <strong>de</strong>mandan una respuesta directa <strong>de</strong>l <strong>de</strong>cisor<br />
2. infieren las probabilida<strong>de</strong>s <strong>de</strong> forma indirecta a partir <strong>de</strong><br />
comparaciones<br />
SAD-Concha Bielza-– p. 13
Asignación <strong>de</strong> P discretas<br />
Asignación directa : preguntar directamente (reflexión) ⇒ simple<br />
y discutible<br />
Asignación basada en apuestas : que le motiven a participar en<br />
ellas ⇒ encontrar cantida<strong>de</strong>s monetarias x, y t.q. que al <strong>de</strong>cisor le<br />
resulte indiferente cualquier lado <strong>de</strong> la apuesta<br />
Copa Europa Madrid-Barça<br />
Valor esperado apuestas son iguales<br />
Ej: x = 50, y = 90eur ⇒ P(A) = .64<br />
Preguntas sucesivas + y - atractivas<br />
hasta indiferencia<br />
xP(A) − yP(A c ) = −xP(A) + yP(A c ) ⇒P(A) = y<br />
x + y<br />
SAD-Concha Bielza-– p. 14
Asignación <strong>de</strong> P discretas (ii)<br />
Asignación basada en loterías : cada una pue<strong>de</strong> proporcionar un<br />
premio T o W (sup. T preferido a W ) ⇒ encontrar p en lotería <strong>de</strong><br />
referencia t.q. el <strong>de</strong>cisor se sienta indiferente entre ambas loterías<br />
⇒ P(A) = p<br />
Visualizar cualquier valor entre 0 y 1<br />
p = .4 → Prefiero L1<br />
⇓<br />
p >.4, etc.<br />
Comenzar exagerado,<br />
converger lento<br />
Difícil estimar probabilida<strong>de</strong>s muy altas o bajas<br />
–ver luego–<br />
Otros dispositivos (distribución cualitativamente uniforme): urna...<br />
SAD-Concha Bielza-– p. 15
Asignación <strong>de</strong> P continuas<br />
Métodos anteriores para asignar algunas P acumuladas ⇒<br />
dibujarlas en un gráfico ⇒ ajustar una función (<strong>de</strong> distribución)<br />
Inversamente: escoger algunas P acumuladas sobre el eje<br />
vertical ⇒ encontrar los valores <strong>de</strong> la variable asociados (lotería<br />
<strong>de</strong> referencia está fija). Suele ser: 1 o ) percentiles 5 y 95;<br />
2 o ) cuartiles 1 y 3; 3 o ) mediana<br />
El percentil 0.05 es 1000 unida<strong>de</strong>s<br />
El percentil 0.95 es 9000 unida<strong>de</strong>s<br />
El cuartil 1 es 3500 unida<strong>de</strong>s<br />
El cuartil 3 es 6800 unida<strong>de</strong>s<br />
La mediana es 4600 unida<strong>de</strong>s<br />
Ver Shephard y Kirkwood’94<br />
SAD-Concha Bielza-– p. 16
Otros métodos<br />
Método <strong>de</strong> la probabilidad [Stäel von Holstein y Matheson’79],<br />
para superar el exceso <strong>de</strong> confianza en los juicios. Pasos:<br />
1. Establecer recorrido <strong>de</strong> la variable<br />
2. Imaginar escenarios que podrían conducir fuera <strong>de</strong>l recorrido<br />
3. Actualizar recorrido si proce<strong>de</strong><br />
4. Dividir recorrido en 6 ó 7 intervalos <strong>de</strong> aprox. misma amplitud<br />
5. Preguntar por P acumulada en cada intervalo<br />
6. Ajustar curva por puntos asignados<br />
7. Realizar contrastes sobre resultados obtenidos:<br />
(a)<br />
(b)<br />
(c)<br />
Dividir recorrido en 3 intervalos con igual P. ¿Estás igualmente satisfecho<br />
<strong>de</strong> apostar sobre la cantidad incierta que cae en el intervalo Si no, revisar<br />
Contrastar la moda educida. ¿Es tu mejor conjetura Si no, revisar<br />
¿Es igualmente probable estar <strong>de</strong>ntro y fuera <strong>de</strong>l intervalo<br />
intercuartílico...<br />
SAD-Concha Bielza-– p. 17
Descomposición y educción<br />
Romper la asignación en trozos más manejables, en los que sea fácil<br />
pensar<br />
Pensar cómo se relaciona el suceso con otros sucesos<br />
Ej: En vez <strong>de</strong> asignar subida <strong>de</strong> los precios <strong>de</strong> las acciones, más<br />
sencillo asignar P condicionadas y P <strong>de</strong> posibles movimientos <strong>de</strong>l<br />
mercado (Th P total)<br />
SAD-Concha Bielza-– p. 18
Descomposición y educción (ii)<br />
Pensar en otros sucesos que pudieran conducir a él (causas)<br />
Ej: Para P(Coche no arranca), asignar P <strong>de</strong> posibles causas y P<br />
<strong>de</strong> coche no arranca condicionado a cada posible razón o alguna<br />
combinación <strong>de</strong> ellas (Th P total varias veces)<br />
P(A) = P(A|C, N)P(C, N) + P(A| ¯C, N)P( ¯C, N)<br />
+P(A|C, ¯N)P(C, ¯N) + P(A| ¯C, ¯N)P( ¯C, ¯N)<br />
P(C, N) = P(C, N|E)P(E) + P(C, N|Ē)P(Ē)<br />
P(C, N|E) = P(C|E)P(N|E)<br />
C y N no funcionan <strong>de</strong> forma in<strong>de</strong>pendiente (<strong>de</strong>p. <strong>de</strong> E)<br />
9 asignaciones<br />
Pensar en sucesos ocurridos antes <strong>de</strong>l suceso<br />
–ver árboles <strong>de</strong> fallos<br />
SAD-Concha Bielza-– p. 19
Asignación <strong>de</strong> P sucesos muy raros<br />
Aplicar enfoque frecuentista es imposible<br />
Sesgos en P subjetivas: noticias sensacionalistas...<br />
Difícil distinguir entre Ps como 0.00001 y 0.001<br />
⇒ Descomponer e i<strong>de</strong>ntificar factores y caminos hacia el suceso raro:<br />
Árbol <strong>de</strong> sucesos = Árbol <strong>de</strong> probabilida<strong>de</strong>s (condicionadas)<br />
P (Catástrofe) =<br />
= P (C 1 ) + P (C 2 )<br />
= (0.01 · 0.2 · 0.1 · 0.1) + (0.01 · 0.8 · 0.05)<br />
= 0.00002 + 0.0004 = 0.00042<br />
Aquí in<strong>de</strong>pendientes<br />
SAD-Concha Bielza-– p. 20
Asignación <strong>de</strong> P sucesos muy raros (ii)<br />
Árbol <strong>de</strong> fallos : comienza en su nivel más alto indicando el fallo y<br />
<strong>de</strong>spués va abriendo ramas que <strong>de</strong>scriben las causas posibles<br />
P(falle estación <strong>de</strong> bombeo <strong>de</strong> oleoducto)<br />
Asignar Ps a hojas<br />
Obtener las Ps <strong>de</strong> nodos intermedios hasta raíz<br />
Aquí in<strong>de</strong>pendientes (mutuam.) las <strong>de</strong>l mismo nivel<br />
SAD-Concha Bielza-– p. 21
Heurísticas y sesgos<br />
Falta <strong>de</strong> datos estadísticos apropiados ⇒ Ps son estimaciones<br />
subjetivas basadas en juicios humanos<br />
¿Somos buenos estimando Ps<br />
[Tversky y Kahneman, en los últimos 30 años] El ser humano utiliza<br />
heurísticas o reglas empíricas en la asignación <strong>de</strong> Ps (evitando su<br />
complejidad)<br />
⇒ A veces bien, pero pue<strong>de</strong>n conducir a juicios sistemáticamente<br />
sesgados (<strong>de</strong> distintas formas, <strong>de</strong>pendiendo <strong>de</strong> la heurística usada)<br />
SAD-Concha Bielza-– p. 22
Heurísticas y sesgos (ii)<br />
Descripción <strong>de</strong> personalidad escogida al azar <strong>de</strong> entre 30 ingenieros y 70 sociólogos:<br />
“Tom W. es muy inteligente, aunque le falta verda<strong>de</strong>ra creatividad. Necesita el or<strong>de</strong>n y la<br />
claridad, y sistemas or<strong>de</strong>nados y pulcros en los que cualquier <strong>de</strong>talle encuentra su lugar<br />
apropiado. Su escritura es bastante sosa y mecánica, animada ocasionalmente por<br />
juegos <strong>de</strong> palabras bastante trillados y por flashes <strong>de</strong> imaginación como <strong>de</strong> ciencia<br />
ficción. Tiene gran instinto para la competencia. Parece tener poca solidaridad por los<br />
<strong>de</strong>más y no disfruta relacionándose con otros. Egocéntrico, tiene sin embargo un<br />
profundo sentido moral”<br />
Escrito por psicólogo a partir <strong>de</strong> tests cuando Tom estaba en el instituto. Ahora es<br />
licenciado. ¿Cuál es tu P <strong>de</strong> que Tom sea ingeniero<br />
SAD-Concha Bielza-– p. 23
Heurísticas y sesgos (iii)<br />
Heurística <strong>de</strong> la representatividad , al asignar P(objeto o persona<br />
pertenezca a <strong>de</strong>terminada categoría en una clasificación): se<br />
pregunta cuán representativa comparándola con estereotipo que<br />
tenga <strong>de</strong> categoría. A + similaridad, P más alta.<br />
Sesgos por:<br />
Ignorar tasas base <strong>de</strong> cada categoría: incluso cuando la <strong>de</strong>scripción no era<br />
informativa!; Sólo las usaban cuando ∄ <strong>de</strong>scripción<br />
Esperar que las secuencias <strong>de</strong> sucesos parezcan aleatorias (que<br />
representen las caract <strong>de</strong> la aleatoriedad) –6 monedas y crees que<br />
P(xccxcx) > P(xxxccc)–<br />
Esperar que el azar se autocorrija –buscar N os o cifras no aparecidos en la<br />
lotería por creer que P más alta (falacia <strong>de</strong>l jugador)–<br />
Insensibilidad al tamaño muestral: LPN conclusiones <strong>de</strong> muestras pequeñas<br />
Ignorar la regresión a la media: sucesos por encima/<strong>de</strong>bajo <strong>de</strong> la media<br />
tien<strong>de</strong>n a ser seguidos por sucesos próximos a la media –ventas, pilotos,<br />
test inteligencia, pero “extremos no son seguidos por extremos”–<br />
Falacia <strong>de</strong> la conjunción: P(A ∩ B) > P(A) si <strong>de</strong>scripción más típica <strong>de</strong> B<br />
que <strong>de</strong> A<br />
SAD-Concha Bielza-– p. 24
Heurísticas y sesgos (iv)<br />
Heurística <strong>de</strong> la disponibilidad : recordar sucesos similares (más<br />
fácil recordar los más frecuentes). Juzgar la P <strong>de</strong> la ocurrencia<br />
según la facilidad con que viene a mi mente<br />
⇒ Pero Ps altas si son recientes o fácilmente imaginados (con<br />
impresión o impacto, mediatizados...), o raros<br />
Sesgos por:<br />
Facilidad para recordarlo no asociado con la P –en GB, ’96, ancianos<br />
víctimas <strong>de</strong> crimen violento; en USA, muerte por mor<strong>de</strong>dura <strong>de</strong> animal–<br />
Facilidad para imaginarlo no asociado con la P –arquitecto y riesgos <strong>de</strong><br />
retrasos en el proyecto; en USA, muerte por gripe (70000) más que por<br />
acci<strong>de</strong>nte avión–<br />
Correlación ilusoria: fácil imaginar ejemplos <strong>de</strong> co-ocurrencia <strong>de</strong> A y B ⇒<br />
sobreestimas P(A ∩ B)<br />
SAD-Concha Bielza-– p. 25
Heurísticas y sesgos (v)<br />
Heurística <strong>de</strong> anclaje y ajuste : estimaciones comienzan<br />
proponiendo un valor inicial que luego se va ajustando; suele ser<br />
insuficiente para dar P aceptable –ancla: nivel ventas mes pasado–<br />
Sesgos por:<br />
No tener en cuenta <strong>de</strong> modo a<strong>de</strong>cuado las condiciones futuras<br />
por encima o <strong>de</strong>bajo <strong>de</strong> tal; afecta también a cantida<strong>de</strong>s–<br />
–¿P está<br />
Sobreestimar P(A ∩ B) al anclarse en la P <strong>de</strong> uno <strong>de</strong> los sucesos<br />
individuales –sistema con 7 componentes, cada uno P(funciona)=.9 y es<br />
P(sistema funcione) sólo .48; importante en planificación–<br />
Subestimar P(A ∪ B) por lo mismo –sistema con 7 compon, falla si uno<br />
falla, P(falla)=.10 y es P(sistema falle)=.52; importante en riesgos–<br />
Exceso <strong>de</strong> confianza al asignar P continuas: intervalo final <strong>de</strong>masiado<br />
estrecho ⇒ subestimas P <strong>de</strong> valores extremos –suele ocurrir al empezar<br />
con la Me, y en no expertos–<br />
SAD-Concha Bielza-– p. 26
Heurísticas y sesgos (vi)<br />
Otros sesgos:<br />
Ver asociaciones no existentes entre eventos, al examinar<br />
tablas <strong>de</strong> contingencia (a mayor primer valor, más ilusión;<br />
resto se ignoran)<br />
Sínt pres<br />
Sínt aus<br />
Enf pres 12 6<br />
Enf aus 6 3<br />
P(Enf pres|sínt pres)=12/18=2/3<br />
P(Enf pres|sínt aus)=6/9=2/3<br />
⇒ Síntoma no tiene efecto en la P(Enf)<br />
SAD-Concha Bielza-– p. 27
Heurísticas y sesgos (vii)<br />
Controversia con todo esto: experimentos en laboratorios<br />
psicológicos y no con problemas <strong>de</strong> <strong>de</strong>cisión reales, en don<strong>de</strong><br />
habría mayor motivación, más conocimiento sobre el problema y<br />
más familiaridad con la estimación <strong>de</strong> Ps (expertos en vez <strong>de</strong><br />
universitarios)<br />
A<strong>de</strong>más, sesgo <strong>de</strong> citación en la literatura: <strong>de</strong> 3500 artículos<br />
sobre juicios y razonamiento entre 1972 y 1981 sólo 84 eran<br />
estudios empíricos; <strong>de</strong> ellos, 47 dieron malos resultados y 37<br />
buenos. Pero los primeros se citaron 6 veces más.<br />
SAD-Concha Bielza-– p. 28
Fases en la educción<br />
[Spetzler y Stäel von Holstein’75] Conducidas por un analista <strong>de</strong><br />
<strong>de</strong>cisiones. Protocolo SRI (Stanford Research Institute):<br />
1. Motivación e investigar si <strong>de</strong>cisor quiere introducir sesgos<br />
<strong>de</strong>liberadamente para beneficiarse (si existen incentivos o está en<br />
juego el prestigio) –sesgos <strong>de</strong> gestión y <strong>de</strong> experto–<br />
2. Estructuración: <strong>de</strong>finir y estructurar variables a asignar y escalas.<br />
Descomponerlas Test <strong>de</strong>l clarivi<strong>de</strong>nte=Asegurarse <strong>de</strong> que la<br />
vaguedad en la <strong>de</strong>f no contribuye a la incert <strong>de</strong>l <strong>de</strong>cisor<br />
3. Condicionamiento: Explorar cómo asigna Ps, ¿sesgos<br />
4. Codificación, con rueda fortuna...<br />
5. Verificación, contrastando si están reflejadas sus creencias (p.ej.<br />
formas diferentes <strong>de</strong> preguntar)<br />
–ver [Shephard y Kirkwood’94]–<br />
SAD-Concha Bielza-– p. 29
Consistencia y coherencia<br />
Recomendación clara <strong>de</strong> utilizar varios métodos diferentes <strong>de</strong><br />
educción<br />
Consistencia <strong>de</strong> los juicios: el analista comprueba que las<br />
asignaciones obtenidas mediante distintos métodos conducen a<br />
las mismas o muy parecidas estimaciones; (preguntar lo mismo <strong>de</strong><br />
diferentes formas) ⇒ Si no, re-consi<strong>de</strong>rar<br />
Coherencia entre Ps asignadas, e.d. obe<strong>de</strong>zcan leyes <strong>de</strong> la P<br />
Ej: Asignadas P(A), P(B|A), P(A, B) se <strong>de</strong>be cumplir<br />
P(A)P(B|A) = P(A, B)<br />
Ej: Asignadas P(A) y P(A c ), <strong>de</strong>be ser P(A) + P(A c ) = 1<br />
SAD-Concha Bielza-– p. 30
Calibración<br />
Tras estudiar consistencia y coherencia, medir si la frecuencia <strong>de</strong><br />
los resultados reales (una vez observados) está próxima a la P<br />
–predicciones meteorológicas: si predicc probabilísticas, frec≃P ⇒ Son mejores<br />
que las técnicas estadísticas objetivas–<br />
Metro que mi<strong>de</strong> 99cm en vez <strong>de</strong> 100: sus medidas son<br />
consistentes y coherentes, pero no es válida –hace falta<br />
calibración<br />
Válido ⇒ consistente y coherente (condic necesaria)<br />
No siempre pue<strong>de</strong> medirse<br />
Curva <strong>de</strong> calibración: ten<strong>de</strong>ncia a sobreestimar Ps altas y<br />
subestimar Ps bajas; curva difiere para una misma persona<br />
<strong>de</strong>pendiendo <strong>de</strong>l contexto<br />
SAD-Concha Bielza-– p. 31
Problemas gran<strong>de</strong>s<br />
Asignación, almacenamiento y gestión <strong>de</strong> CPT gran<strong>de</strong>s<br />
Asignación:<br />
Mo<strong>de</strong>los tipo Puerta-OR y Puerta-OR graduada (relaciones<br />
causales);<br />
Aprendizaje <strong>de</strong> re<strong>de</strong>s Bayesianas<br />
Cópulas: [Clemen y Reilly’99]<br />
Vi<strong>de</strong>s: [Bedford y Cooke’93]<br />
Gestión: comprimir/expandir las CPT con muchos padres<br />
[Wang y Druzdzel’2000]; tb árboles <strong>de</strong> probabilidad, KBM2L...<br />
etc.<br />
SAD-Concha Bielza-– p. 32
Discretización<br />
Para calcular la esperanza con la d. continua, po<strong>de</strong>mos ajustar una<br />
distribución conocida, usar simulación o integración numérica, o<br />
discretizar<br />
Método <strong>de</strong> Pearson-Tukey extendido: tomar la Me, x .05 y x .95 y<br />
asignarles .63, .185, .185 respect. –sin asignaciones adicionales–<br />
Método <strong>de</strong> Swanson-Megill extendido: tomar la Me, x .10 y x .90 y<br />
asignarles .40, .30, .30 respect.<br />
SAD-Concha Bielza-– p. 33
Discretización (ii)<br />
Método <strong>de</strong> las medianas por niveles (bracket medians): partir el<br />
dominio en intervalos [a, b] <strong>de</strong> igual probabilidad y en cada uno<br />
calcular la Me: m ∗ con P(a ≤ X ≤ m ∗ ) = P(m ∗ ≤ X ≤ b) –intuitivas–<br />
Con 5 intervalos, usaríamos x 0 , x .2 , ..., x 1.0 , y asignaríamos m 1 , ..., m 5 :<br />
Medias por niveles (bracket means): como antes, pero se busca la<br />
media <strong>de</strong> cada intervalo para ser los puntos discretos<br />
Métodos <strong>de</strong> intervalos <strong>de</strong> igual longitud, partiendo el dominio <strong>de</strong><br />
las x’s... Cada nivel se aproxima por Me o Media y p i = P(X ∈<br />
intervalo)<br />
SAD-Concha Bielza-– p. 34
Discretización (iii): Cuadratura Gaussiana: [Miller y Rice’83]<br />
SAD-Concha Bielza-– p. 35
Referencias típicas + webs<br />
Morgan y Henrion (1990), French (1986), von Winterfeldt y<br />
Edwards (1986), Watson y Bue<strong>de</strong> (1987), Clemen (1996),<br />
Goodwin y Wright (1998), Plous (1993), Merkhofer (1987),<br />
Marakas (2003)<br />
En<br />
http://dsl.sis.pitt.edu/community_services/other_software.html<br />
se expone la mayoría <strong>de</strong> los sistemas <strong>de</strong> mo<strong>de</strong>lización<br />
probabilística existentes (y otros sitios, ver la web <strong>de</strong> la<br />
asignatura)<br />
SAD-Concha Bielza-– p. 36