Sistemas de ayuda a la decisión Tema 4. Modelos GráficosTablas y Árboles de Decisión y Diagramas de Influencia
Indice
1) Tablas de decisión: definición y construcción. 2) Tablas de decisión: evaluación y análisis. 3) Árboles de decisión: definición y construcción. 4) Árboles de decisión: evaluación y análisis. 5) Diagramas de influencia: definición y construcción.6) Diagramas de Influencia: evaluación y análisis7) Software.
Sistemas de ayuda a la decisión Modelos Gráficos.
Probabilistic Graphical ModelsPrinciples and TechniquesDaphne Koller and Nir FriedmanThe MIT Press, 2010Cambridge, MassachusettsLondon, England
Pattern Recognition and Machine LearningChristopher M. BishopCopyright c 2002–2006, 8 Graphical Models
An introduction to graphical modelsKevin P. Murphy, 10 May 2001
Bayesian Networks and Decision GraphsFinn V. Jensen and Thomas D. NielsenPublished by Springer Verlag 2007
Expert Systems and Probabilistic Network ModelsE. Castillo, J.M. Gutiérrez, and A.S. HadiSpringer-Verlag, 1997
Sistemas de ayuda a la decisión Modelos Gráficos. Tablas de Decisión
•La forma más elemental de representación
•Ilustra de forma sencilla los conceptos básicos
•Elementos :
decisión + estado → consecuenciaa + θ → c(a, θ) ∈ C
•Orígenes en el trabajo de von Neumann y Morgenstern (1944)sobre juegos en forma normal
Sistemas de ayuda a la decisión Modelos Gráficos. Tablas de Decisión
•Caso discreto (A y Θ discretos):
•Asignar creencias:
•Asignar preferencias:
•Calcular la utilidad esperada de cada alternativa ai
•La decisión de máxima utilidad esperada a∗, se proponecomo alternativa óptima
Sistemas de ayuda a la decisión Modelos Gráficos. Tablas de Decisión
•Caso continuo (A y Θ continuos):
•Análogo, proponiéndose:
← utilidad esperada
a∗ tal que ← alternativa óptima
Típicamente un problema de programación no lineal
•Ejemplo: desarrollo de software
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Tablas muy limitadas en la práctica: sólo 1 momento de elección
•Típicamente, problemas reales son dinámicos, con decisionesencadenadas y alternancia de la ocurrencia de distintos fenómenos aleatorios
•Orígenes en Raiffa y Schlaifer (1961), a partir de von Neumann yMorgenstern (1944) sobre juegos en forma extensiva
•Elementos :
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Esqueleto (estructura): de izquierda a derecha (transcurrir deltiempo), desde la raíz hasta nodos terminales –Info cualitativa–
•Relaciones entre los elementos y los juicios del decisor a travésde probabilidades y utilidades –Info cuantitativa–
•Probabilidades condicionadas aque sucesos a su izquierda ya hanocurrido y decisiones previas sehan tomado
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Árbol: conjunto de estrategias o políticas que indican planes de acción sobre qué elección se hará en cada punto de decisión que puede alcanzarse con tal plan
•Evaluar un árbol para identificar una estrategia óptima
•Método regresivo de la programación dinámica (principio de optimalidad, Bellman y Dreyfus’62): sup. hemos tomado ciertas decisiones y la naturaleza ha adoptado ciertos estados, habremos llegado a un nodo que podrá ser:
•terminal → y le asignaremos la utilidad de la consecuencia;
•de azar → la EU máxima, a partir de ese nodo;
•de decisión → la EU de la decisión de máxima utilidadesperada, a partir de ese nodo
⇒ Análisis del problema en forma extensiva
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Formalización:bi ramas, cada una j de un nodo i tiene un nodo sucesor nij, probabilidad pij(si), donde si son los valores de todas las variables de los nodos predecesores de iMejor valor asociado a cada nodo i dependerá de si:
si ti = terminal
si ti = decisión
si ti = azar
donde (si, i → j) indica que ha ocurrido si y se transita del nodo i al j. Si i es el nodo raíz, entonces si = ∅
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
Ejemplo 5.2, página 180Fundamentos de los sistemas de ayuda a la decisión, Sixto Rios et al. RAMA, 2001
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Estados de maniobrabilidad: P(e1) = 0.3, P(e2) = 0.4
•Piloto puede cometer errores y la prueba es sólo simulada:P(ra|e1) = 0.9, P(ra|e2) = 0.65, P(ra|e3) = 0.15
⇒ necesitamos P(E|R) y P(R), mediante Tma. de Bayes:
•Coste de la prueba=600 euros
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
Incertidumbre asociada con la estrategia óptima o con otra de interés
Toma los valores 0, 0.25, 0.43 y 0.85 con Ps 0.045 (=0.575 × 0.078),0.425, 0.260 (=0.575 × 0.452) y 0.270 (=0.575 ×0.470), respect.
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Herramientas matemáticamente equivalentes
•Tabla ⇒ Árbol √
•Árbol ⇒ Tabla: hay que enumerar las posibles estrategias ycalcular la distribución conjunta (preproceso con cálculos no locales)
•Ejemplo helicóptero :Probabilidades: P(R,E) = P(R|E)P(E) = P(E|R)P(R)Estrategias: A1 = hacer la prueba; A2 = no hacerlaSi se hace:
a1(ra) = c ; a1(rn) = c
a2(ra) = c ; a2(rn) = ¬c
a3(ra) = ¬c ; a3(rn) = c
a4(ra) = ¬c ; a4(rn) = ¬c
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
⇒ Análisis del problema en forma normal
•Contiene las EU de todas las estrategias, no sólo de la óptima
•Árbol:
•Tabla:
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Expresivos, intuitivos:caminos completos
•Crecimiento exponencial⇒ requisitos computacionalestambién
(el algoritmo enumera al atravesartodos los caminos)
•No separa la información cualitativa ycuantitativa
•Árboles esquemáticos(generalización)
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Simétrico: todosescenarios con mismasvariables y en la mismaSecuencia
•Helicóptero: 2 asimetrías:resultados de la pruebasólo si se realiza ésta; estadodel helicóptero sólose revelará si se compra
•Puede tratar problemasasimétricos
Menor carga computacional y fácil interpretacion
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Representación deficiente de relaciones probabilísticas (ad hoc)
•Preproceso de probabilidades para la representación(el problema de los 2 árboles)
•Cálculos con la distribución conjunta
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Coalescencia (replicación de subárboles) se detecta ad hoc
•Restricciones información explícitas, pero requiere orden total(no siempre especificado)
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Coalescencia depende de cómo se complete el orden
Sistemas de ayuda a la decisión Modelos Gráficos. Árboles de Decisión
•Puede tratar utilidad separable, con cálculos locales
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Concebidos inicialmente como método de representación máscompacta [Miller et al. (1976), Howard y Matheson (1983, reeditado en 2005)]
•En ’80: algoritmos de evaluación de DI funcionando sobre elpropio diagrama [Olmsted (1983), Shachter (1986)]
•Elementos : DI es un grafo dirigido G = (N,A)
Arcos condicionales: dependencias probabilisticas y funcionales,Arcos informativos: precedencia temporal, informacion disponible por etapas
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Con sólo nodos de azar:•Subyacente distribución conjunta de todas las v.a. ⇒ arcosrepresentan un orden de asignación de las Probabilidades Condicionadas(pueden invertirse)
a) Independencia total b) Independencia parcial
c) Dependencia completa d) Independencia condicional(de A y C, dado B)
•Ciclos no permitidos
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Con todo tipo de nodos:
•En d), el decisor está mejor informado que en c) en el momentode la decisión → EU ≥ a la del caso c)
•En e), la v.a. no tiene efecto sobre v → puede considerarseirrelevante respecto a la decisión
•Ciclos decisión/decisión o decisión/azar tampoco permitidos
•No pueden invertirse arcos desde/hacia decisiones
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Uso de :
•DI orientado: con un nodo de valor
•DI regular:1. es acíclico2. el nodo de valor (si existe) no tiene sucesores3. ∃ un camino dirigido que contiene todos los nodos de decisiónPropiedad 3 equivale a requerir un orden total de las decisiones⇒ requiere la memorización del DI:
•Si D1 precede a D2 en un DI regular, ⇒ D1∪I(D1) ⊂ I(D2)
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
En cada nodo i del DI, un conjunto Ωi, una variable Xi, y unaaplicación
•i de azar: Xi es v.a. con espacio muestral Ωi; se defineπi(xi|xC(i)) = P(Xi = xi|XC(i) = xC(i)) (CPT)
•i de valor: U : ΩC(i) → i (utilidad; luego EU)
•i de decisión: Xi es la decisión y Ωi es el conjunto de alternativas.⇒ su aplicación asociada: d∗
i : ΩI(i) → Ωi (las alternativasóptimas, dado el estado de información del decisor en elmomento de tomar la decisión) será salida del algoritmo
•Las aplicaciones πi y U son entrada del algoritmo de evaluacióny luego se irán redefiniendo al avanzar éste
Luego, DI es DAG G = (N,A) y también esta info cuantitativa
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Evaluación mediante el algoritmo de inversión de arcos
•Esencialmente misma idea que en árboles, pero se aprovecha laestructura gráfica para obtener ventajas computacionales
•Transformaciones: gráficas y numéricas
•El algoritmo combina ideas de programación dinámica y fórmulade Bayes
•Eliminación de sumideros: Se puede borrar un nodo sumiderode un DI orientado y regular[Independientemente de su valor, ningún otro nodo se ve afectado]
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Eliminación de nodo de azar : Si X ∈ C(v) y es su único sucesoren un DI regular y orientado, puede eliminarse por esperanzacondicionada, heredando v los predecesores de X
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Eliminación de nodo de decisión: Si en un DI regular y orientadono hay sumideros, D ∈ C(v) tal que C(v)\D ⊂ I(D), puede eliminarse maximizando la utilidad esperada (condicionada), registrándose la mejor decisión.v no hereda los predecesores de D, pudiendo aparecer nuevos sumideros
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Inversión de arcos entre nodos de azar: Dado el arco (X, Y ), si ∄ otro camino dirigido entre X e Y en un DI regular, puede sustituirse por el arco (Y,X)mediante la aplicación del Tma. Bayes, con herencia mutua de predecesores
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Combinamos las transformaciones [Olmsted (1983), Shachter (1986)]
•Existencia de nodo de azar eliminable: Si no hay sumiderosy se han añadido los arcos de memoria, y si v tienepredecesores pero no puede eliminarse ningún nodo dedecisión ⇒ existe un nodo de azar ∈ C(v) pero no espredecesor informativo de ningún nodo de decisión, y puedeeliminarse, tal vez tras inversión de arcos
•Eliminará todos los nodos hasta que sólo permanezca el de valor
•En ese momento se tendrán las decisiones óptimas (en cadanodo de decisión) y la máxima utilidad esperada (en v)
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
1. Verificar que el DI es regular, orientado, yañadir arcos de memoria
2. Eliminar sumideros
3. Mientras C(v) ≠ ∅,Si ∃i ∈ C ∩ C(v): S(i) = v, eliminar nodo de azar i
si no, si ∃i ∈ D ∩ C(v): C(v)\i ⊂ I(i),eliminar nodo de decisión ieliminar sumideros creados
si no, encontrar i ∈ C ∩ C(v): D ∩ S(i) = ∅mientras C ∩ S(i) ≠ ∅
encontrar j ∈ C ∩S(i): ¬∃ otro camino de i a jinvertir (i, j)
eliminar nodo de azar i
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influenciaEjemplo:Helicóptero
•Invertir (E,R):
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influenciaEjemplo:Helicóptero •Eliminar E:
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Eliminar C,R, P:Ejemplo:Helicóptero
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Evaluación mediante el algoritmo de eliminación de variables
2 conjuntos de potenciales: P (probabilidades) y U (utilidades)PX = p ∈ P|X ∈ dom(p), UX = u ∈ U|X ∈ dom(u)
1. Escoger un orden de eliminación de variables,respetando el orden dado entre las decisiones
2. Eliminar X:
a) X de azar:
b) X de decisión:
3. Modificar los conjuntos de potenciales:
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Compacidad: cada variable añadida al problema expande su tamaño linealmente
⇒ Algoritmo de reducción de nodosmás que de enumeración delos caminos posibles
•Separa la información cualitativa y cuantitativa
•Representación eficiente de relaciones probabilísticas:
•Relaciones probabilísticas explícitas
•Representación directa de probabilidades(no hay problema de los 2 árboles)
•Sólo probabilidades condicionadas (sí en modelos causales); si no, preproceso
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
Computación local y aprovechamiento de la independencia condicional (i.c.):
•Todas las transformaciones se basan en la i.c., explícita en eldiagrama (base de la coalescencia)⇒ ↓ cálculos, tiempo de ejecución y requisitos de memoria
•Computación local para calcular las condicionadas deseadas enla evaluación (Tma. Bayes usando sólo variables necesarias)
•Orden parcial de restricciones info: representado directamente enlos arcos informativos (árboles requerían orden completo)
•Dependencia del orden de eliminación de nodos:influye en esfuerzo computacional
) heurísticas para encontrar buenas secuencias: Kong, genético nuestro...
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Dificultad para modelizar asimetrías
•Simetrizar: aumento del tamaño del problema (con estadosartificiales), menos intuitivos y más carga computacional
•Helicóptero: añadir arco (P,R), añadir ¬r para R, utilidades iguales cuandoel estado es ¬c: U(hacer, ¬c, ei) = 0.25 y U(no hacer, ¬c, ei) = 0.26, ∀i
•Otros modelos: DI asimétricos [Smith, Holtzman y Matheson’93]; d.decisión secuenciales [Covaliu y Oliver’95]; unconstrained DI [Jensen yVomlelová’02]...
•Utilidad separable: DI varios nodos de valor [Tatman y Shachter’90]
•Variables continuas: DI gaussianos [Shachter y Kenley’89], simulación[Bielza, Müller y Ríos Insua’99]..., discretización,...
Sistemas de ayuda a la decisión Modelos Gráficos. Diagramas de influencia
•Diagramas de Influencia versus Árboles de Decisión
DIAGRAMAS ÁRBOLES
1. palabra clave independencia escenariocondicional
2. compacidad sí no (explosión combinatoria)
3. represent. probabilidades directa con preproceso (condicionadas) (problema dos árboles)
4. relaciones probabilísticas explícitas no (se detectan ad hoc)
5. modelización no síde asimetrías
6. algoritmo reducción nodos enumeración caminos
7. computación local sí nopara condicionadas
8. I.C. sí no
A:Fenómeno o sistema real
L:Descripción, PredicciónExploración, Decisión,…
C:Modelo empiríco
Nuevamodelización
E:Modelo matemático
G:Relaciones matemáticas
I:Relaciones empíricas
K: Validación
D:Conceptualización
F:Proceso
lógico-deductivoH:Desconceptualización
e interpretación
NO SI
Sixto Ríos, 1995, Alianza Universidad, AU822
MODELIZACIÓN
Sistemas de ayuda a la decisión Modelos de Problemas de Decisión
Top Related