bbn e meccanicistici andrea castelletti politecnico di milano mcsa 07/08 l07
TRANSCRIPT
BBN e meccanicistici
Andrea CastellettiPolitecnico di Milano
MCSA 07/08MCSA 07/08L07L07
2
Mappa didattica
COMPONENTE Serbatoio
TIPOLOGIE di MODELLI
Reti Bayesiane
3
Il modello del lago
1ts 1t
r tu
1th
ts
tw
1t
1ta
4
Si discretizzano le variabili
1tr 1t
s tu
1th
ts
tw
1t
1ta
ElevatoScarso
AltoBasso
TantoPoco
ElevatoScarso
ElevatoScarso
ElevatoScarso
ElevatoScarso
DiscretizzazioneVariabile
ts
1ts
tw
1t
1ta
tu
1tr
th
5
Si associa una tabella di probabilità condizionata (TPC) ad ogni variabile interna o di stato
1ts 1t
r tu
1th
ts
S E
S E S E
S 1 0 0 0
E 0 1 1 11t
a
tw
1t
tw
1t
Variabile Discretizzazione
Scarso Elevato
Scarso Elevato
Scarso Elevato
Scarso Elevato
Poco Tanto
Scarso Elevato
Basso Alto
ts
1ts
tw
1t
1ta
tu
1tr
1 1| ,( )
t t ta w
th
6
Bayesian belief networks (BBN)
S E
S E S E
S 1 0 0 0
E 0 1 1 1
S E
S E S E
S E S E S E S E
S .9
1 0 .9
.1
.8
0 .2
E .1
0 1 .1
.9
.2
1 .8
S E
P T P T
S .9 .9 .2 .1
E .1 .1 .8 .9
S E
B 1 0
A 0 1
1ta
tw
1t
tw
1tr
ts
tu
1ts
ts
1ta
1tr
1ts
1th
ts
tu
1t
La somma degli elementi su una colonna di una TPC è pari a 1:
• si assume che la variabile possa assumere valore solo nell’insieme di discretizzazione
• e che almeno un valore si realizzi sempre
La somma degli elementi su una colonna di una TPC è pari a 1:
• si assume che la variabile possa assumere valore solo nell’insieme di discretizzazione
• e che almeno un valore si realizzi sempre
7
Bayesian belief networks (BBN)
S E
S E S E
S 1 0 0 0
E 0 1 1 1
S E
S E S E
S E S E S E S E
S .9
1 0 .9
.1
.8
0 .2
E .1
0 1 .1
.9
.2
1 .8
S E
P T P T
S .9 .9 .2 .1
E .1 .1 .8 .9
S E
B 1 0
A 0 1
1ta
tw
1t
tw
1tr
ts
tu
1ts
ts
1ta
1tr
1ts
1th
ts
tu
1t
1 1|( )
t th s
trasformazione d’uscita
8
Bayesian belief networks (BBN)
S E
S E S E
S 1 0 0 0
E 0 1 1 1
S E
S E S E
S E S E S E S E
S .9
1 0 .9
.1
.8
0 .2
E .1
0 1 .1
.9
.2
1 .8
S E
P T P T
S .9 .9 .2 .1
E .1 .1 .8 .9
S E
B 1 0
A 0 1
1ta
tw
1t
tw
1tr
ts
tu
1ts
ts
1ta
1tr
ts
1th
ts
tu
1t
S E
S E S E
P P T P T P T P T P T P T P T
S 1 0 .9
.1
.8
0 .2
E 0 1 .1
.9
.2
1 .8
1ts
ts
1ta
tu
1 1
1 1 1 1
1 1 1 1
( | , , )
= ( | , , )* ( | , )
+ ( | , , )* ( | , )
t t t t
t t t t t t t
t t t t t t t
P S S S S a S u P
P S S S S a S R S P R S S S u P
P S S S S a S R E P R E S S u P
1 1
1 1 1 1
1 1 1 1
( | , , )
= ( | , , )* ( | , )
+ ( | , , )* ( | , )
t t t t
t t t t t t t
t t t t t t t
P S S S S a S u P
P S S S S a S R S P R S S S u P
P S S S S a S R E P R E S S u P
0.9 0.9 1.0 0.1 0.91 0.9 .9
9
Bayesian belief networks (BBN)
S E
S E S E
S 1 0 0 0
E 0 1 1 1
S E
S E S E
S E S E S E S E
S .9
1 0 .9
.1
.8
0 .2
E .1
0 1 .1
.9
.2
1 .8
S E
P T P T
S .9 .9 .2 .1
E .1 .1 .8 .9
S E
B 1 0
A 0 1
1ta
tw
1t
tw
1tr
ts
tu
1ts
ts
1ta
1tr
ts
1th
ts
tu
1t
S E
S E S E
P P T P T P T P T P T P T P T
S .9
1 0 .9
.1
.8
0 .2
E 0 1 .1
.9
.2
1 .8
1ts
ts
1ta
tu
1 1
1 1 1 1
1 1 1 1
( | , , )
= ( | , , )* ( | , )
+ ( | , , )* ( | , )
t t t t
t t t t t t t
t t t t t t t
P S S S S a S u P
P S S S S a S R S P R S S S u P
P S S S S a S R E P R E S S u P
1 1
1 1 1 1
1 1 1 1
( | , , )
= ( | , , )* ( | , )
+ ( | , , )* ( | , )
t t t t
t t t t t t t
t t t t t t t
P S S S S a S u P
P S S S S a S R S P R S S S u P
P S S S S a S R E P R E S S u P
0.9 0.1 0.0 0.1 0.09 0.1 .1
10
Bayesian belief networks (BBN)
S E
S E S E
S 1 0 0 0
E 0 1 1 1
S E
S E S E
S E S E S E S E
S .9
1 0 .9
.1
.8
0 .2
E .1
0 1 .1
.9
.2
1 .8
S E
P T P T
S .9 .9 .2 .1
E .1 .1 .8 .9
S E
B 1 0
A 0 1
1ta
tw
1t
tw
1tr
ts
tu
1ts
ts
1ta
1tr
ts
1th
ts
tu
1t
S E
S E S E
S E S E S E S E
P T P T P T P T P T P T P T P T
S .9
.9
.1
.1
.1
.1
.1
.1
.7
.7
.2
.2
.2
.2
.2
.2
E .1
.1
.9
.9
.9
.9
.9
.9
.3
.3
.8
.8
.8
.8
.8
.8
1ts
ts
tw
1t
tu
1 1| , , ,( )
t t t t ts s u w
funzione
di transizione
di stato
11
Pro e contro le BBN
pro - molto utili per sistemi per cui non si disponga di teorie quantitative ad es. i sistemi sociali
S E
S E S E
S 1 0 0 0
E 0 1 1 11t
a
tw
1t
contro – poco adatte se le relazioni che legano le variabili sono
deterministiche, ad es. è la somma di e 1ta t
w1t
contro – poco adatte se il numero di valori che le variabili discretizzate
assumono è elevato, ad es. nel caso del Verbano
la TPC che definisce la transizione
di stato ha 1 350 000 000 elementi25 valoritw
125 valori
t
150 valoritu
120 valorits
12
Mappa didattica
COMPONENTE Serbatoio
TIPOLOGIE di MODELLI
Reti Bayesiane Meccanicistici
13
Modello meccanicistico: le relazioni tra le variabili sono dedotte da teorie
1ts 1t
r
1th
ts
tw
1t
1ta
1 1 1
1 1
t t t t
t t t
s s a ra w
dalla Fisica: eq. di conservazione della massa
dall’Idraulica:scala di deflusso in regime libero
r
s
( )N
r
tu
dalla batimetria
ad es. con l’ipotesi cilindricità
( )t th h s
/t t
Sh s
ts
( )N 1tr
tu
s
funzione di rilascio
14
Modelli meccanicistici
1 1 1t t t t ts s w r transizione di stato
( )t th h s trasformazione d’uscita
Questo tipo di modello è detto meccanicistico (o concettuale) poiché si basa sulla concettualizzazione dei processi, cioè dei meccanismi, che operano sul sistema.
1
>
>
( ) se ( ) se ( )
altrimentialtrimenti
t t
t t tt
t
N s s sr N s u N s
u
ts
( )N 1tr
tu
s
15
ts
( )N 1tr
tu
s
Modelli meccanicistici: i parametri
1 1 1t t t t ts s w r transizione di stato
( )t th h s trasformazione d’uscita
1
>
>
( ) se ( ) se ( )
altrimentialtrimenti
t t
t t tt
t
N s s sr N s u N s
u
A volte nel modello compaiono dei parametri, il cui valore deve essere stimato a partire da dati raccolti sul campo.
( ) t t
N s s
Parametri: sono variabili che specificano le caratteristiche particolari del sistema. Spesso i parametri non sono altro che variabili di stato che sono all’equilibrio o variano così lentamente da potersi considerare costanti.
Parametri: sono variabili che specificano le caratteristiche particolari del sistema. Spesso i parametri non sono altro che variabili di stato che sono all’equilibrio o variano così lentamente da potersi considerare costanti.
16
ts
( )N 1tr
tu
s
Modelli meccanicistici: i parametri
1 1 1t t t t ts s w r transizione di stato
( )t th h s trasformazione d’uscita
1
>
>
( ) se ( ) se ( )
altrimentialtrimenti
t t
t t tt
t
N s s sr N s u N s
u
A volte nel modello compaiono dei parametri, il cui valore deve essere stimato a partire da dati raccolti sul campo.
( ) t t
N s s
Questi modelli forniscono una rappresentazione equivalente a
quella di una BBN?Questi modelli forniscono una rappresentazione equivalente a
quella di una BBN?
NO!! perché abbiamo definito un modello che è deterministico una volta noto il valore di t+1.
NO!! perché abbiamo definito un modello che è deterministico una volta noto il valore di t+1.
17
Modelli meccanicistici stocastici
Il modello meccanicistico definito si basa sull’ipotesi che le misure di invaso e di afflusso di cui disponiamo siano perfette, ma se invece fossero affette da errori?
( )t th h s 1t errore di misura del livello: rumore di uscita
1 1 1t t t t ts s w r 1t
errore per erogazione in moto vario: rumore di processo
Ora il modello meccanicistico fornisce una
rappresentazione stocastica come una BBN.
ts
( )N 1tr
tu
s
18
Osservazioni
Una BBN ingloba in modo implicito gli effetti dei rumori di uscita e di processo.
In un modello meccanicistico i rumori devono essere espressi in modo esplicito.
La struttura di un modello non è mai soddisfacente in senso assoluto, come non lo era quella di una rete causale.
Un modello deterministico è concettualmente meno soddisfacente di un modello stocastico, ma ciò non significa che sia necessariamente meno preciso o meno affidabile.La precisione e l’affidabilità non dipendono, infatti, solo dalla struttura del modello, ma anche da come esso è tarato.
19
Leggere
MODSS Cap. 4