O presente trabalho discute a necessidade da representação e manipulação de incertezas na resolução de problemas por sistemas baseados em conhecimento, e como isto pode ser realizado utilizando redes de crenças. Este tipo de representação do conhecimento combina a teoria das probabilidades e teoria da decisão, para representar incertezas, com a teoria dos grafos, esta última apropriada para representar as relações de dependência entre as variáveis do modelo. Os diagramas de inferência - redes de crenças que permitem representar incertezas, decisões e preferências do usuário - são discutidos e adotados neste trabalho para desenvolver um sistema normativo de apoio à decisão. A problemática da explicação em sistemas bayesianos, relativamente nova quando comparada com a dos sistemas baseados em regras, é abordada. Neste contexto dois mecanismos de explicação para diagramas de influência são propostos: análise de sensibilidade e as redes probabilísticas qualitativas. Estes mecanismos são usados para gerar conclusões genéricas bem como para entender qualitativamente as relações entre as ações e eventos que fazem parte do modelo. Uma ferramenta gráfica de apoio à decisão baseada em diagramas de influências foi implementada na linguagem Smalltalk. Este aplicativo não só permite representar e avaliar o problema do usuário como também incorpora as facilidades de explicação acima descritas. A possibilidade de observar graficamente o que acontece com o modelo quando os valores das variáveis são modificados - análise de sensibilidade - permite compreender melhor o problema descobrindo quais as variáveis que influenciam as decisões e auxilia a refinar os valores das variáveis envolvidas. Por outro lado às redes probabilísticas qualitativas permitem realizar abstrações e simplificações apropriadas do modelo, i.e., obter as relações qualitativas do modelo a partir de seu nível quantitativo. As conclusões genéricas obtidas servem tanto para limitar o espaço da estratégia ótima quanto para entender qualitativamente as relações entre as ações e eventos que fazem parte do modelo.

This work discusses the knowledge representation and uncertainty handling of knowledge based systems that use belief networks for this purpose. These sorts of networks combine the theory of probability and decision theory to represent uncertainty- with graph theory to represent the dependence relations between the model parameters. Systems that use belief networks as knowledge representation are named Bayesian or normative systems. This work investigates and adopts influence diagrams -belief networks that represent uncertainty, decisions and preferences- to develop a normative decision support system. Comprehensible explanations for probabilistic reasoning systems are a prerequisite for wider acceptance of Bayesian methods. Two schemes for explaining influence diagrams are proposed: sensitivity analysis and qualitative probabilistic networks, aiming to find general conclusions and to qualitatively understand the relations between the actions and events of the model. A graphical decision support system that represents the user problem as influence diagrams has been implemented in Smalltalk. This system allows to represent and evaluate decision problems and incorporates the explanation facilities mentioned above. The possibility to observe graphically the model as the variables change -sensitivity analysis- permits a better understanding of the problem by finding the significant variables. This process also helps to adjust the variables values. Furthermore, the qualitative probabilistic networks allow to realize model abstractions and simplifications, i.e., to obtain the qualitative relations from the quantitative level. These general conclusions limit the optimal strategy space and allow to qualitatively understanding the relations between actions and events in the model.