Teoria da Evidência de Dempster-Shafer
- Proposto por
- Arthur P. Dempster & Glenn Shafer
- Ano
- 1976
- Tipo
- Uncertainty calculus for combining evidence
- Família
- Evidence theory
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A teoria de Dempster-Shafer é um arcabouço matemático para raciocínio sob incerteza que generaliza a probabilidade bayesiana ao representar explicitamente a ignorância.
Em vez de forçar uma única probabilidade em cada hipótese, ela atribui massa de crença a conjuntos de hipóteses e deriva um intervalo de crença-plausibilidade, fornecendo a regra de Dempster para fusão de evidências de múltiplas fontes independentes. Desenvolvida a partir do trabalho de Arthur Dempster de 1967 e da monografia de Glenn Shafer de 1976, ela fundamenta o raciocínio evidencial e a fusão de sensores/decisões.
A intuição por trás do método
A probabilidade bayesiana insiste que você divida sua crença totalmente entre as hipóteses, mesmo quando você simplesmente não sabe — você deve atribuir um número a cada uma. Dempster-Shafer permite que você diga 'Tenho evidência para A ou B, mas ainda não consigo dividi-la', atribuindo massa ao conjunto {A, B} em vez de a A e B individualmente. A partir dessas massas, ela computa dois limites para qualquer hipótese: crença (a massa que se compromete necessariamente com ela) e plausibilidade (a massa que não a descarta). A lacuna entre elas mede sua ignorância. Quando uma segunda fonte de evidência chega, a regra de Dempster combina as duas intersectando seus conjuntos focais e renormalizando o conflito.
História
Arthur Dempster introduziu probabilidades superior e inferior induzidas por mapeamentos multivalorados em 1967, e Glenn Shafer reformulou e estendeu isso em uma teoria de evidência autocontida em seu livro de 1976 A Mathematical Theory of Evidence, dando funções de crença, plausibilidade e a regra de combinação. O arcabouço se espalhou pela inteligência artificial e fusão de informação como 'raciocínio evidencial', e refinamentos posteriores — o modelo de crença transferível (Smets), regras de combinação alternativas para conflito, e a abordagem de raciocínio evidencial em MCDM — abordaram suas dificuldades conhecidas, preservando seu tratamento explícito da ignorância.
Quando usar
Use a teoria de Dempster-Shafer quando precisar combinar evidências incertas, parciais ou conflitantes de múltiplas fontes e quiser representar explicitamente a ignorância em vez de assumir um prior completo — típico em fusão de sensores, classificação multi-fonte, sistemas de diagnóstico e reconhecimento de alvos, avaliação de risco e confiabilidade, e sobreposição de evidências em SIG. É valiosa quando a atribuição de priors bayesianos precisos é artificial e quando distinguir 'nenhuma evidência' de 'evidência de não' importa. Ressalvas: a regra de Dempster pode produzir resultados contraintuitivos sob fontes altamente conflitantes (paradoxo de Zadeh), o cálculo cresce com o conjunto das partes das hipóteses, e a suposição de independência entre as fontes é frequentemente apenas aproximada. Alternativas/extensões incluem redes bayesianas, o modelo de crença transferível e outras regras de combinação tolerantes a conflitos.
Limitações e considerações
- A regra de Dempster pode dar resultados contraintuitivos sob alto conflito (paradoxo de Zadeh).
- O cálculo escala com o conjunto das partes da moldura, custoso para muitas hipóteses.
- Assume que as fontes são independentes, o que frequentemente é apenas aproximadamente verdadeiro.
- A elicitação de funções de massa significativas pode ser difícil na prática.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Representa explicitamente a ignorância via massa em conjuntos, não probabilidades únicas forçadas.
- Fornece limites de crença e plausibilidade que quantificam o que é desconhecido.
- Oferece uma regra principiada para fundir evidências de múltiplas fontes independentes.
- Generaliza a probabilidade bayesiana, recuperando-a quando toda a massa está em singletons.
Aplicações
- Fusão de dados multissensor e multissource para classificação e reconhecimento de alvos.
- Sistemas de diagnóstico e suporte à decisão combinando evidências incertas de especialistas/testes.
- Avaliação de risco, confiabilidade e segurança com informação incompleta.
- Sobreposição de evidências em SIG e mapeamento de adequação a partir de camadas heterogêneas.
- Abordagens de raciocínio evidencial em análise de decisão multicritério.
Como funciona
Como funciona
A evidência é codificada como uma atribuição básica de probabilidade (função de massa) m sobre subconjuntos da moldura de discernimento Θ (o conjunto de hipóteses mutuamente exclusivas). A massa pode ser colocada em qualquer subconjunto — incluindo a moldura inteira Θ, que representa ignorância completa — e as massas somam um, com o conjunto vazio recebendo zero.
Fórmula
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1A partir das massas, duas medidas são derivadas para qualquer hipótese A: a crença Bel(A) soma a massa de todos os subconjuntos inteiramente contidos em A (a evidência que se compromete totalmente com A), enquanto a plausibilidade Pl(A) soma a massa de todo subconjunto que intersecta A (a evidência que é pelo menos compatível com A). Juntas, elas formam o intervalo [Bel(A), Pl(A)], cuja largura quantifica a incerteza restante.
Fórmula
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)A regra de combinação de Dempster combina duas funções de massa independentes: para cada par de conjuntos focais, ela multiplica suas massas e atribui o produto à sua interseção, então normaliza por 1 − K, onde K é a massa total que caiu no conjunto vazio (o conflito entre as fontes). O resultado é uma nova função de massa que resume a evidência 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)As decisões utilizam o intervalo de crença-plausibilidade — por exemplo, escolhendo a hipótese com a maior crença, a maior plausibilidade ou a maior transformação pignística (semelhante à probabilidade) das massas. O intervalo explícito permite que um sistema adie ou solicite mais evidências quando a crença e a plausibilidade divergem amplamente.
Fórmula
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } AErros comuns
- Aplicar a regra de Dempster a fontes altamente conflitantes sem verificar a massa de conflito K.
- Confundir crença com probabilidade — crença é um limite inferior, não uma estimativa pontual.
- Ignorar o estouro combinatório quando a moldura de discernimento é grande.
- Combinar fontes dependentes como se fossem independentes, contando em duplicidade a evidência compartilhada.
Perguntas frequentes
Como a Teoria de Dempster-Shafer difere da probabilidade bayesiana?
A probabilidade bayesiana atribui um único número a cada hipótese e requer um prior completo. Dempster-Shafer atribui massa a conjuntos de hipóteses, permitindo representar a ignorância diretamente, e resume cada hipótese por um intervalo de crença-plausibilidade. Ela generaliza a abordagem bayesiana, que é recuperada quando toda a massa está em singletons.
O que são crença e plausibilidade?
Crença Bel(A) é a evidência total que se compromete totalmente com A (um limite inferior para sua probabilidade); plausibilidade Pl(A) é a evidência total meramente compatível com A (um limite superior). O intervalo [Bel(A), Pl(A)] delimita o suporte verdadeiro para A, e sua largura reflete o quanto permanece desconhecido.
Qual é o problema do conflito na regra de Dempster?
Quando duas fontes discordam fortemente, a maior parte da massa combinada cai no conjunto vazio (o conflito K). Renormalizá-lo pode gerar resultados contraintuitivos — o paradoxo clássico de Zadeh. Alto conflito sinaliza que a regra de Dempster pode ser inadequada, motivando regras de combinação alternativas ou uma revisão da confiabilidade da fonte.
Métodos relacionados
Fontes
Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.
Abrir referência DOICopiado.Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
ISBN: 978-0-691-08175-5Copiado.