Teoría de la Evidencia Dempster-Shafer
- Propuesto por
- Arthur P. Dempster & Glenn Shafer
- Año
- 1976
- Tipo
- Uncertainty calculus for combining evidence
- Familia
- Evidence theory
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La teoría Dempster-Shafer es un marco matemático para el razonamiento bajo incertidumbre que generaliza la probabilidad bayesiana al representar explícitamente la ignorancia.
En lugar de forzar una probabilidad única en cada hipótesis, asigna masa de creencia a conjuntos de hipótesis y deriva un intervalo de creencia-plausibilidad, y proporciona la regla de Dempster para fusionar evidencia de múltiples fuentes independientes. Desarrollada a partir del trabajo de Arthur Dempster en 1967 y la monografía de Glenn Shafer de 1976, sustenta el razonamiento evidencial y la fusión de sensores/decisiones.
La intuición detrás del método
La probabilidad bayesiana insiste en que se divida la creencia completamente entre las hipótesis, incluso cuando simplemente no se sabe; se debe asignar un número a cada una. Dempster-Shafer permite decir 'tengo evidencia para A-o-B pero aún no puedo dividirla', asignando masa al conjunto {A, B} en lugar de a A y B individualmente. A partir de estas masas, calcula dos límites para cualquier hipótesis: creencia (el apoyo que necesariamente se compromete con ella) y plausibilidad (el apoyo que no la descarta). La brecha entre ellos mide la ignorancia. Cuando llega una segunda fuente de evidencia, la regla de Dempster combina ambas intersecando sus conjuntos focales y renormalizando el conflicto.
Historia
Arthur Dempster introdujo las probabilidades superiores e inferiores inducidas por mapeos multivaluados en 1967, y Glenn Shafer reformuló y extendió esto en una teoría de la evidencia autocontenida en su libro de 1976 A Mathematical Theory of Evidence, dando funciones de creencia, plausibilidad y la regla de combinación. El marco se difundió a través de la inteligencia artificial y la fusión de información como 'razonamiento evidencial', y refinamientos posteriores —el modelo de creencia transferible (Smets), reglas de combinación alternativas para el conflicto y el enfoque de razonamiento evidencial en MCDM— abordaron sus dificultades conocidas preservando su tratamiento explícito de la ignorancia.
Cuándo usarlo
Utilice la teoría Dempster-Shafer cuando deba combinar evidencia incierta, parcial o conflictiva de múltiples fuentes y desee representar la ignorancia explícitamente en lugar de asumir un prior completo —típico en la fusión de sensores, clasificación multisource, sistemas de diagnóstico y reconocimiento de objetivos, evaluación de riesgos y fiabilidad, y superposición de evidencia GIS. Es valiosa cuando asignar priors bayesianos precisos es artificial y cuando distinguir 'ninguna evidencia' de 'evidencia de no' es importante. Advertencias: la regla de Dempster puede producir resultados contraintuitivos bajo fuentes altamente conflictivas (paradoja de Zadeh), el cálculo crece con el conjunto potencia de las hipótesis, y la suposición de independencia entre fuentes a menudo es solo aproximada. Las alternativas/extensiones incluyen redes bayesianas, el modelo de creencia transferible y otras reglas de combinación tolerantes al conflicto.
Limitaciones y consideraciones
- La regla de Dempster puede dar resultados contraintuitivos bajo alto conflicto (paradoja de Zadeh).
- El cálculo escala con el conjunto potencia del marco, costoso para muchas hipótesis.
- Asume que las fuentes son independientes, lo cual a menudo es solo aproximadamente cierto.
- La elicitación de funciones de masa significativas puede ser difícil en la práctica.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Representa la ignorancia explícitamente mediante masa en conjuntos, no probabilidades únicas forzadas.
- Proporciona límites de creencia y plausibilidad que cuantifican cuánto se desconoce.
- Ofrece una regla fundamentada para fusionar evidencia de múltiples fuentes independientes.
- Generaliza la probabilidad bayesiana, recuperándola cuando toda la masa está en singletons.
Aplicaciones
- Fusión de datos multisensor y multifuente para clasificación y reconocimiento de objetivos.
- Sistemas de diagnóstico y apoyo a la decisión que combinan evidencia incierta de expertos/pruebas.
- Evaluación de riesgos, fiabilidad y seguridad con información incompleta.
- Superposición de evidencia GIS y mapeo de idoneidad a partir de capas heterogéneas.
- Enfoques de razonamiento evidencial en el análisis de decisiones multicriterio (MCDM).
Cómo funciona
Cómo funciona
La evidencia se codifica como una asignación de probabilidad básica (función de masa) m sobre subconjuntos del marco de discernimiento Θ (el conjunto de hipótesis mutuamente excluyentes). La masa puede colocarse en cualquier subconjunto —incluido el marco completo Θ, que representa la ignorancia total— y las masas suman uno, siendo cero para el conjunto vacío.
Fórmula
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1A partir de las masas, se derivan dos medidas para cualquier hipótesis A: la creencia Bel(A) suma la masa de todos los subconjuntos completamente dentro de A (la evidencia que se compromete totalmente con A), mientras que la plausibilidad Pl(A) suma la masa de cada subconjunto que interseca A (la evidencia que es al menos compatible con A). Juntas forman el intervalo [Bel(A), Pl(A)], cuya amplitud cuantifica la incertidumbre restante.
Fórmula
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)La regla de combinación de Dempster fusiona dos funciones de masa independientes: para cada par de conjuntos focales, multiplica sus masas y asigna el producto a su intersección, luego normaliza por 1 − K, donde K es la masa total que recayó en el conjunto vacío (el conflicto entre fuentes). El resultado es una nueva función de masa que resume la evidencia combinada.
Fórmula
m_{12}(A) = \dfrac{1}{1-K}\sum_{B \cap C = A} m_1(B)\,m_2(C),\quad K = \sum_{B \cap C = \emptyset} m_1(B)\,m_2(C)Las decisiones utilizan el intervalo de creencia-plausibilidad; por ejemplo, eligiendo la hipótesis con la creencia más alta, la plausibilidad más alta o la transformación pignística (similar a la probabilidad) más alta de las masas. El intervalo explícito permite que un sistema posponga o solicite más evidencia cuando la creencia y la plausibilidad divergen ampliamente.
Fórmula
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } AErrores comunes
- Aplicar la regla de Dempster a fuentes altamente conflictivas sin verificar la masa de conflicto K.
- Confundir creencia con probabilidad: la creencia es un límite inferior, no una estimación puntual.
- Ignorar el crecimiento combinatorio cuando el marco de discernimiento es grande.
- Combinar fuentes dependientes como si fueran independientes, duplicando la evidencia compartida.
Preguntas frecuentes
¿En qué se diferencia Dempster-Shafer de la probabilidad bayesiana?
La probabilidad bayesiana asigna un número único a cada hipótesis y requiere un prior completo. Dempster-Shafer asigna masa a conjuntos de hipótesis, lo que le permite representar la ignorancia directamente, y resume cada hipótesis mediante un intervalo de creencia-plausibilidad. Generaliza el enfoque bayesiano, que se recupera cuando toda la masa recae en hipótesis individuales.
¿Qué son la creencia y la plausibilidad?
La creencia Bel(A) es la evidencia total que se compromete completamente con A (un límite inferior de su probabilidad); la plausibilidad Pl(A) es la evidencia total meramente compatible con A (un límite superior). El intervalo [Bel(A), Pl(A)] acota el verdadero apoyo para A, y su amplitud refleja cuánto permanece desconocido.
¿Cuál es el problema del conflicto en la regla de Dempster?
Cuando dos fuentes discrepan fuertemente, la mayor parte de la masa combinada recae en el conjunto vacío (el conflicto K). Normalizarlo puede producir resultados contraintuitivos —la clásica paradoja de Zadeh. Un alto conflicto indica que la regla de Dempster puede ser inapropiada, lo que motiva reglas de combinación alternativas o una revisión de la fiabilidad de la fuente.
Métodos relacionados
Fuentes
Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.
Abrir referencia DOICopiado.Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
ISBN: 978-0-691-08175-5Copiado.