P. 1
UNIDAD III I.A. Introducción a la Inteligencia Artificial

UNIDAD III I.A. Introducción a la Inteligencia Artificial

|Views: 319|Likes:
Publicado porlapeques

More info:

Published by: lapeques on Jun 15, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPTX, PDF, TXT or read online from Scribd
See more
See less

08/16/2014

pdf

text

original

UNIDAD III.

Introducción a la Inteligencia Artificial
3.1. Conocimiento: definición. Adquisición del conocimiento, forma del conocimiento, uso del conocimiento, límites del conocimiento. Intratabilidad e inexpresabilidad. 3.2. La Lógica Preposicional como lenguaje de representación de conocimiento. 3.3. El Teorema de Cook-Levine. 3.4. El problema de deducción booleana (SAT). 3.5. Noción de reducción. Forma normal conjuntiva. Noción de consecuencia lógica y noción de insatisfactibilidad en la Lógica Preposicional. 3.6. MP como chequeado de inconsistencias. 3.7. Regla de Resolución para FNC en la Lógica Preposicional. 3.8. Teorema de Robinsón.

3.1. Conocimiento: definición. Adquisición del conocimiento, forma del conocimiento, uso del conocimiento, límites del conocimiento. Intratabilidad e inexpresabilidad.

‡ CONOCIMIENTO. Es el entendimiento, inteligencia, razón natural. Aprehensión intelectual de la realidad o de una relación entre los objetos, facultad con que nos relacionamos con el mundo exterior. Conjunto de saberse sobre un tema o sobre una ciencia. ‡ La adquisición del conocimiento está en los medios intelectuales de un hombre ( observación, memoria, capacidad de juicio, etc. ) A medida que crece el conocimiento se da tanto el cambio cualitativo por haber en ello un incremento de reorganización del conjunto y de adquisición de los mismos.

Tipos de conocimiento
En lo que respecta al contenido semántico que puede englobar el saber, se pueden tipificar cinco tipos de conocimiento (Kirakowski, 1988, 2-1). Conocimiento de procedimientos. También se conoce como conocimiento procedural , y se refiere a cómo se hacen las cosas. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial. Conocimiento de objetos y hechos. También se conoce como conocimiento declarativo , y se refiere al conocimiento sensorial. Éste es esencial tanto para interpretar el mundo externo como para ubicar su propio yo en un contexto. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial. Conocimiento de consecuencias. También se conoce como conocimiento de razonamiento , y se refiere al que se infiere a partir del conocimiento de procedimientos y del conocimiento de objetos y de hechos. Asimismo este tipo de conocimiento sienta las bases para generar razonamiento basado en casos y para facilitar el aprendizaje en conocimiento procedural y declarativo. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial.

Conocimiento de definiciones. Es el conocimiento articulado, elaborado, asentado, sintetizado y formulado derivado del conocimiento de procedimientos, de hechos y de consecuencias. Este tipo de conocimiento tiene fundamentos epistemológicos y se representa de forma textual mediante la descripción de sus características y la estructuración de las relaciones que existen entre los conceptos (estructuras conceptuales) que subyacen al texto de la definición. Este conocimiento se utiliza como recurso lingüístico lexicográfico para adquirir conocimiento de forma automatizada, extrayéndolo de las estructuras conceptuales. Así mismo, este conocimiento contribuye al modelado del conocimiento dando pautas para la organización de la macroestructura y de la microestructura del conocimiento de un dominio. Metaconocimiento. Es el conocimiento acerca del conocimiento que tiene como objetivo automatizar la gestión del conocimiento, es decir, guiar la planificación y la aplicación del conocimiento en el entorno de un sistema. Este tipo de conocimiento, por tanto, incluye información acerca del conocimiento de definiciones, de procedimientos, de objetos y de hechos que posee un sistema. Este término determina la existencia de un nivel de conocimiento abstracto que identifica los fundamentos implícitos y explícitos del conocimiento en un sistema. Este tipo de conocimiento es una metodología y técnica utilizada en ingeniería lingüística para desarrollar sistemas basados en conocimiento (ingeniería del conocimiento).

.

es difícil hacerlo explícito en su totalidad. a saber: Conocimiento tácito es el saber que tienen un individuo u entidad compuesta de individuos. el consciente y el inconsciente . Según Reber (1995:15). Está orientado a la experiencia y tiene un motor consciente y otro inconsciente : por eso. Sin embargo.‡ Si clasificamos el conocimiento en cuanto a su transferencia . Este saber engloba todas las habilidades que tienen las personas y se transfiere de manera informal. el término conocimiento tácito aparece por primera vez en dos obras de Polanyi (1958/1974). cabría agruparlo en dos categorías. Este conocimiento responde a preguntas sobre cómo se hacen las cosas: cómo se resuelven problemas. 1-18). ‡ . cuándo resolverlos y de dónde se obtienen los recursos para poder solventarlos. es una idea formulada por Lashley (1956. el concepto implícito en el término de proceso intelectual (cognitivo) y emocional (de conducta) con dos niveles de percepción .

‡ El conocimiento explícito. Todo el conocimiento representado es conocimiento explícito y se genera a partir de conocimiento tácito o de conocimiento previo explícito. por tanto. y que engloba el conocimiento tácito. se infiere. La representación del saber puede someterse a un modelado relativo. El conocimiento representado se convierte en producto tangible . se dilucida. Otro término que identifica el mismo concepto englobado en gestión de conocimiento explícito y es gestión de contenidos. se puede partir de términos. lo que supone poder acceder a él conscientemente. es decir. con respecto al conocimiento que se crea. problema o proceso. no es explícito es un proceso difícil de medir debido a su intangibilidad. Esta representación del conocimiento es la interfaz entre el cerebro y el mundo exterior. este conocimiento está orientado conscientemente a la resolución de problemas y se haya siempre representado. Más adelante explicaremos de qué formas y mediante qué recursos se puede representar el conocimiento. se interpreta. también llamado conocimiento convencional . en general. Por tanto. se desprende. es aquel que ya está representado o documentado y se utiliza como medio para transmitir los procedimientos que se han que seguir para resolver de forma óptima cualquier trabajo. se deduce. El conocimiento que no es representado y. ‡ ‡ . estructuras conceptuales comunes o procedimientos que ayuden a codificar el conocimiento para desarrollar y gestionar de forma más eficiente el conocimiento individual y colectivo.

ya que cuando el agente adquiere saber. explícito.Adquisición del conocimiento ‡ Es el acto en el que el agente incorpora nuevos procesos de decisión para resolver problemas o para optimizar procedimientos. En el ámbito de la ingeniería del conocimiento la adquisición es la primera fase necesaria antes de diseñar una herramienta basada en conocimiento (sistema experto). La generación de conocimiento difiere poco de la adquisición de conocimiento. si el agente convierte ese saber en conocimiento explícito. Ahora bien. En esta fase el gestor de la información o el ingeniero de conocimiento debe hacer una prospección de datos sobre los procesos de decisión usados por el experto humano y debe analizar los protocolos relacionados con los procesos que debe realizar el sistema de gestión para poder hacer una síntesis de los conocimientos relevantes para el sistema. entonces el agente también se convierte en generador de conocimiento explícito. sin embargo. . En esta fase se identifica el proceso de estrategias naturales de decisión que posee el experto humano. La dificultad estriba en la obtención del conocimiento tácito de otros expertos. es decir. adquirir conocimiento ya representado. Mucho menos arduo resulta. ese conocimiento tácito se genera en el cerebro.

contenidos. ‡ La transferencia de conocimiento es la parte del acto comunicativo en la que se establece una transmisión de contenidos. este producto sirve de materia prima para la adquisición de conocimiento y también para la generación de nuevo conocimiento. Es un mecanismo para transformar el lenguaje tácito en lenguaje explícito. . así. las interfaces de los sistemas expertos sirven para transferir el conocimiento que se desea obtener del sistema. La representación del conocimiento. En el ámbito de la ingeniería del conocimiento.Representación del conocimiento ‡ La representación de conocimiento es un proceso en el que interviene también el acto de la transferencia de ese mismo conocimiento para su posterior plasmación en algún lenguaje simbólico para representar. Más adelante dedicamos parte de este trabajo a identificar las formas en las que se puede representar el conocimiento. Existe transferencia de contenidos. además de un proceso. a un agente receptor. Así mismo. si existe una representación previa del conocimiento. a través de algún canal auditivo o visual. es un producto dependiente del saber que identifica que sirve para la transferencia de conocimiento.

.

La ciencia utiliza. Esto supone que los mecanismos argumentativos para defender el significado que contiene la obra representada. la pintura. todas las modalidades que se engloban en el concepto de arte son representaciones de conocimiento que se alimentan. La razón de esta dificultad estriba en el papel que desempeña la percepción. del conocimiento generado en todas las disciplinas científicas y que se sirven también de los desarrollos tecnológicos. en general.Formas de representación del conocimiento: la fuerza del lenguaje. es decir. la escultura y. En este sentido. que. de alguna manera. transferir y representar conocimiento es lo que nos hace diferentes con respecto a otros seres. La poesía. a su vez. por tanto. el conocimiento sensorial o emocional. Sin embargo. Estar dotados de esta capacidad cognitiva de crear. la ciencia y la tecnología se manifiesta y se representa el conocimiento. Los desarrollos tecnológicos son aparatos o máquinas resultantes de pensamientos organizados con un objetivo concreto. el lenguaje como mediador del conocimiento estructurándolo y representándolo. estén sesgados igualmente por la percepción del agente que interpreta la pieza representada. se podría decir. cualquier máquina es una aplicación de conocimiento especializado y. El arte es también otra de las manifestaciones para la representación de conocimiento. ‡ ‡ ‡ A través del arte. ‡ . una representación aplicada del conocimiento. la transferencia de sus contenidos es mucho más difícil de consensuar. en parte. y la tecnología desarrolla artefactos que son productos derivados de conceptualizaciones cognitivo-lingüísticas. con respecto al peso que adquiere el conocimiento cognitivo o intelectual. sobre todo.

Y. marcada por el entendimiento del lenguaje como fenómeno lineal. visuales y auditivos en cualquier manifestación de arte.El contenido producido y representado mediante el arte utilizando arte. visto desde esta perspectiva. para concentrarnos en la representación del conocimiento científico. . y se materializan en forma de conocimiento representado a través del lenguaje (Kandel. Se ha demostrado que las tareas vinculadas a la gestión del conocimiento están íntimamente relacionadas con los procesos cognitivo-lingüísticos que tienen lugar en el cerebro. a pesar del afán interdisciplinar de este artículo. 1995. El lenguaje es el reflejo del modelo de procesamiento del pensamiento humano. Sin embargo. y. ciencia y tecnología. Así. El lenguaje es básico en el desarrollo y transferencia de contenidos. nos centraremos en destacar el papel del lenguaje por su relevancia particular. Dentro de los recursos que se pueden utilizar para la representación de conocimiento. 1996). pueden encontrase recursos lingüísticos. dejaremos a un lado las representaciones del conocimiento en el ámbito del arte y la tecnología. La materia prima utilizada para estos fines es muy diversa y no es patrimonio específico de un ámbito. y Jorba y Sanmarti. el lenguaje empieza a entenderse y a explicarse más allá de las limitaciones impuestas por la lingüística tradicional. ciencia y tecnología también es otra forma de representación del conocimiento.

.

sino ante límites o. más bien. que poco o nada tiene que ver con un posible límite absoluto. Lo que ya no tiene nada de claro es saber cuál es ese límite hasta dónde puede llegar el conocimiento humano. El hombre ha progresado y sigue progresando en las conquistas del conocimiento: ¿podría seguir haciéndolo indefinidamente o existe un límite a ese progreso? Y. En todos estos casos no estamos ante límites teóricos. El tema se tiene que plantear de una manera más radical: ¿es posible saber hasta dónde llega el conocimiento humano? ¿Existe un límite absoluto del conocer humano? Que hay un límite del conocimiento humano. que. Una situación parecida es la duda. limitaciones situacionales o incluso circunstanciales. cada cultura o etapa cultural. está instalada en un determinado nivel de conocimiento. no somos capaces de fundamentar racionalmente ni siquiera una opinión razonable. siempre serán muchas más las cosas que desconocemos que las que conocemos. ¿dónde está el límite? ‡ ‡ ‡ . desde el cual. sobre todo en aquellos casos en que. si lo hay.Limites del conocimiento ‡ Todos somos conscientes de las múltiples limitaciones a las que está sometido nuestro conocimiento. Son experiencias que nos alertan sobre las deficiencias de nuestra capacidad o sobre el mal uso que de ella hacemos. como plataforma. si bien pueden de hecho ser irrebasables para los individuos o para comunidades o sociedades concretas. no constituyen en modo alguno un límite teórico al conocimiento humano como tal. puede aspirar al progreso de conocimiento que esa plataforma posibilita. Lo demás le está vedado. Por muy inteligentes e instruidos que nos consideremos. Cada sociedad. Teóricamente esas situaciones o circunstancias son superables. Con las limitaciones del conocimiento tropezamos también ante el hecho frecuente de los errores en que descubrimos haber incurrido. por más esfuerzos que hagamos. parece algo indudable y claro. Pero se trata simplemente de una limitación situacional.

que supone una desconfianza ante la razón y que acusa a la gnoseología o teoría del conocimiento tradicional de intelectualista. existe un irracionalismo metafísico: la realidad no es racional. ‡ ‡ . lo misterioso. como la vida. El irracionalismo. en sentido amplio. Irracionales son asimismo las pasiones. Lo irracional. Esta defensa consiste en la valoración de otras fuentes de conocimiento distintas de la razón y la experiencia. ‡ También en un sentido amplio se consideran irracionales o no racionales ciertos ámbitos de la vida humana en que no rigen las leyes del pensamiento o de la lógica de la razón. lo milagroso. por esta misma razón. lo sobrenatural. y en su grado máximo en la valoración del absurdo. En ambos casos. se refiere a un ataque directo al racionalismo dogmático. los instintos o los sentimientos. o b) porque contradice la lógica de la razón y es absurdo. es visto como un defender lo irracional como una característica del ser humano o de cosas relativas al hombre. y también a lo que supera los límites de la razón. el arte. o a lo que no puede expresar adecuadamente en conceptos. Dentro del irracionalismo se pueden distinguir múltiples matices: ± ± ± En primer lugar. la religión o la fe: las afirmaciones y creencias que en ellos se generan no proceden de las tradicionales fuentes de conocimiento a través del entendimiento.Intratabilidad e inexpresabilidad ‡ En términos generales el irracionalismo se refiere a todo aquello que es inaccesible a la razón humana. se considera también irracional lo mágico. Y esto puede ser por dos motivos: ± ± a) porque la razón tiene unos límites que no puede traspasar por incapacidad propia. en general. los fenómenos del inconsciente o los sueños. lo irracional es lo contrario a lo racional. que no siguen las leyes del discurso racional. además. y también está el irracionalismo epistemológico. abstracta y ajena a la vida. es lo que no es conforme a la razón.

Por ello se dice que el lenguaje usado para afirmar o negar proposiciones o para mostrar razonamientos cumple una función informativa. . El discurso informativo es utilizado para describir el mundo y para razonar acerca de él. pues el lenguaje sirve para suministrar a los demás informaciones. LENGUAJE COMO MEDIO DE COMUNICACIÓN DE INFORMACIÓN.2. La Lógica Preposicional como lenguaje de representación de conocimiento.3. describiendo. así. definiendo. declarando. el lenguaje es usado informativamente.Un uso muy importante del lenguaje es aquel referido a la comunicación de información. lo cual se realiza mediante la formulación y la afirmación o la negación de proposiciones. los hechos. etc. aclarando.

‡ El verso no pretende transmitir información alguna.‡ LENGUAJE COMO MEDIO EXPRESIVO. emociones. pues si alguien pretendiera aplicar tales criterios al discurso expresado en un poema o en un verso. ‡ Pero no sólo el lenguaje poético es expresivo. deseos y para despertar en los demás estados anímicos análogos a los que vivimos. sino expresar ciertas emociones que el poeta experimenta muy agudamente y anhela despertar en el lector sentimientos similares. juzgará erróneamente y perderá mucho de su valor. El lenguaje cumple una función expresiva particularmente en la poesía. pues se emplea para dar rienda suelta a nuestros sentimientos. . o para comunicarlos. El lenguaje expresivo es utilizado para dar expansión a sentimientos y emociones. también expresamos pena cuando exclamamos: ¡Qué desgracia! o ¡Dios mío! o cuando expresamos nuestra alegría al decir: ¡Bravo! o ¡Felicitaciones! ‡ El discurso expresivo no puede ser ni verdadero ni falso.

como cuando un orador trata de instar a su auditorio. como cuando una persona se maldice a sí misma en momentos de soledad. cuando un enamorado corteja a su amada en lenguaje poético.‡ El lenguaje expresivo componentes: puede ser descompuesto en dos ± Cuando el lenguaje expresa o revela su propia actitud pero no está destinado a despertar una actitud similar en algún otro. o cuando una multitud vitorea a su equipo deportivo preferido. . sino a que comparta su entusiasmo. cuando un poeta escribe poemas que no muestra a nadie o cuando un hombre ora en soledad. sino que pretende también despertar las mismas actitudes en sus oyentes. ± Cuando el lenguaje usado no sólo pone de manifiesto las actitudes de los que hablan. no a la acción.

se pide una respuesta que debe ser emitida. ya que cualquier orden puede traducirse en un pedido agregando las palabras "por favor" o mediante cambios adecuados en el tono de voz o en la expresión facial.LENGUAJE COMO MEDIO PRESCRIPTIVO. Quien tiene autoridad emite órdenes sin pretender comunicar información alguna ni manifestar o despertar alguna emoción particular. si debe ser o no obedecida. ruegos. Finalmente el lenguaje cumple una función prescriptiva o directiva cuando es utilizado con el propósito de originar o impedir una acción manifiesta. pues puede no ser ninguna de ambas. no afecta ni determina su valor de verdad. decretos. y "no razonables" o "inadecuadas". mandatos. Y que la orden sea o no obedecida. Se ejerce mediante leyes. Lo que se busca es motivar o causar una acción. es el caso de las órdenes y los pedidos. Se puede no estar de acuerdo acerca de si una orden fue o no obedecida. pues no tiene ningún valor de verdad. Las órdenes tienen ciertas propiedades que muestran alguna analogía con la verdad o falsedad del discurso informativo: son las cualidades de ser "razonables" o "adecuadas". Esto conlleva que la diferencia entre una orden y un pedido sea bastante sutil. ‡ Cuando se plantea una pregunta. Una orden no puede ser verdadera o falsa en ningún sentido literal. pero nunca podemos diferir acerca de si una orden es verdadera o falsa. etc. ‡ ‡ .

Para transmitir un mensaje determinado no basta con poner las palabras en un orden adecuado. . que se refiere a las relaciones que mantienen las palabras con su significado. que funciona como un código que permite formar mensajes.Lenguaje natural y Lenguaje Artificial En el leguaje humano hay palabras. En el lenguaje humano hay tres dimensiones o puntos de vista: ‡ La dimensión sintáctica. ‡ La dimensión semántica. ‡ La dimensión pragmática. La dimensión pragmática está constituida por la intención de las hablantes y el contexto en el ocurre el acto de la comunicación. Una frase debe estar correctamente formada para poder entenderla y en orden. que se refiere cuando la palabra es pronunciada por uno y dirigida a otro. nos dice el modo de colocación de las palabras para hacer una frase que pueda transmitir un mensaje. que se refiere a las relaciones que mantienen las palabras entre sí. sino que es preciso también escoger las palabras adecuadas conforme al significado compartido. que pertenecen a un idioma determinado.

Pero estudia más la forma. En realidad no parece un lenguaje.‡ Esto se refiere a que la lógica es un lenguaje artificial. ‡ El lenguaje formal es un tipo de lenguaje artificial. es más como un cálculo o un sistema donde se establecen relaciones. . No es un lenguaje exacto pero es el sistema que nos permite conocer mas cosas. La lógica sustituye las palabras por símbolos. con lo que se obtiene un lenguaje formal o simbólico. ‡ El lenguaje artificial surge para solucionar los problemas que existen en el lenguaje natural. porque pueden surgir paradojas. símbolos no lógicos (letras) y símbolos auxiliares (paréntesis). En el momento de expresar conocimientos tiene deficiencias. En este lenguaje hay símbolos lógicos (juntores y cuantores). pero formal. la relación pragmática supone la semántica y la sintáctica. ‡ Estas tres dimensiones están vinculadas entre sí. al que le interesa la forma aparte de los contenidos. la semántica supone la sintáctica. ‡ El lenguaje natural es la forma de comunicación del ser humano mediante el cual consigue mucha expresividad y capacidad de comunicarse con más riqueza.

La clase NP es importante porque contiene muchos problemas de búsqueda y optimización para los que se desea saber si existe cierta solución o si existe una mejor solución que las conocidas. El Teorema de Cook-Levine. Definición: La clase de complejidad P es el conjunto de los problemas de decisión que pueden ser resueltos en una máquina (de Turing) determinista en tiempo polinomico. donde se desea saber si una cierta fórmula de lógica proposicional puede ser cierta para algún conjunto de valores booleanos para las variables.3. . donde se quiere saber si existe una ruta óptima que pasa por todos los nodos en un cierto grafo y el problema de satisfacibilidad booleana (SAT).3. NP es el acrónimo en inglés de Polinómico No determinista (Non-Deterministic Polynomial-time). lo que corresponde intuitivamente a problemas que pueden ser resueltos aún en el peor de sus casos . Entre estos están el problema del camino Hamiltoniano o problema del viajante. Definición: La clase de complejidad NP es el conjunto de los problemas de decisión que pueden ser resueltos en tiempo polinómico por una máquina de Turing no-determinista . Clases de complejidad Los problemas se clasifican en conjuntos de complejidad comparable llamados clases de complejidad.

se han hecho muchos esfuerzos para encontrar algoritmos que resuelvan algún problema de NP en tiempo polinómico. . Una transformación polinomial es un algoritmo determinista que transforma instrucciones de un problema en instrucciones del otro. Definición: La clase de complejidad NP-completo es el subconjunto de los problemas de decisión en NP tal que todo problema en NP se puede transformar polinomialmente en cada uno de los problemas de NP-completo . Aún así. cualquier solución suya puede ser verificada efectivamente. sin embargo. muy probablemente. La razón es que de tenerse una solución polinómica para un problema de NPcompleto.Todos los problemas de esta clase tienen la propiedad de que. Se puede decir que los problemas de NP-completo son los problemas más difíciles de NP y. Dada su importancia. todos los problemas de NP tendrían también una solución en tiempo polinómico. no formen parte de la clase de complejidad P. para algunos problemas de NP no es posible encontrar siquiera un algoritmo mejor que simplemente realizar una búsqueda exhaustiva (éstos son los problemas del conjunto NP-completo).

pero Cook demostró (teorema de Cook) que el problema de satisfacibilidad booleana (SAT) es NP-completo. muchos de estos problemas aparecen en el libro de Garey and Johnson's de 1979 Computers and Intractability: A Guide to NP-completeness. de tenerse un algoritmo en P para uno delos problemas NP-completos. Al principio parecía sorprendente que existieran problemas NP-completos. casi siempre por reducción a partir de otros problemas para los que ya se había demostrado su pertenencia a NP-completo. Desde entonces se ha demostrado que otros miles de problemas pertenecen a esta clase.‡ Como consecuencia de esta definición. . ‡ Esta definición dada fue propuesta por Stephen Cook en 1971. se tendría una solución en P para todos los problemas de NP.

Heurísticas: Un algoritmo que trabaja razonablemente bien en muchos casos. Incluso ya se ha mencionado el premio de un millón de dólares para quien lo resuelva. pero dentro de un cierto rango de error. todos los algoritmos conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al tamaño de la entrada. para una distribución de los datos de entrada dada. pero no existe medida de la calidad de la respuesta. para resolver un problema NP-completo de tamaño arbitrario se utiliza uno de los siguientes enfoques: Aproximación: Un algoritmo que rápidamente encuentra una solución no necesariamente óptima.Actualmente. por la cual. En algunos casos. Casos particulares: Cuando se reconocen casos particulares del problema para los cuales existen soluciones rápidas. pero no todos los problemas NP-completos tienen buenos algoritmos de aproximación. . En general son rápidos. Probabilístico: Una algoritmo probabilístico obtiene en promedio una buena solución al problema planteado. encontrar una buena aproximación es suficiente para resolver el problema. Se desconoce si hay mejores algoritmos. El saber si las clases P y NP son iguales es el más importante problema abierto en Computación teórica.

P contendría las zonas NP y NP-completo. todos los problemas de NP) tendrían soluciones en tiempo polinómico. La importancia de la pregunta P = NP radica en que de encontrarse un algoritmo en P para un problema NP-completo. todos los problemas NP-completos (y por tanto.Si P = NP. . Actualmente los investigadores piensan que las clases cumplen con el diagrama mostrado por lo que P y NP-completo tendrían intersección vacía.

Algunos problemas NP-Completos La forma más sencilla de demostrar que un nuevo problema es NPcompleto es primero demostrar que está en NP y luego transformarlo polinomialmente en un problema que ya esté en NP-completo. resulta útil conocer algunos de los problemas para los que existe prueba de pertenencia a la clase NP-completo. Por ello. De algunos de ellos ya se ha hablado y otros los veremos con más detalle a continuación: ±Problema de satisfacibilidad booleana (SAT) ±Buscaminas ±Tetris ±Problema del ciclo hamiltoniano ±Problema del vendedor viajero ±Problema de isomofirmo de subgrafos ±Problema de la suma de subconjuntos ±Problema de la clique .

redes entre otros. problemas de planeación. DEFINICIÓN DEL PROBLEMA SAT: El problema de SAT consiste en lo siguiente: dada una fórmula del cálculo proposicional (considerada verdadera). aún cuando se restrinja el número de variables por cláusula a tres (3SAT).3. de calendarización.4. si hay una asignación a sus variables que satisfaga la fórmula apegándose a las reglas de interpretación. En realidad. es decir. en Inteligencia Artificial. determinar una interpretación de los símbolos de proposiciones que haga que la formula sea verdadera para esa interpretación. Este es un problema concerniente a la lógica matemática. . El enfoque de SAT trata con formulas lógicas que han sido abstraídas de problemas reales. el problema del SAT es fundamental para muchos problemas de aplicación práctica. teoría computacional e inteligencia artificial. Fue el primer problema computacional que se mostró que es NP-Completo . SATISFABILIDAD PREPOSICIONAL (SAT): El problema de Satisfactibilidad es el problema central en lógica matemática. SAT consiste en encontrar alguna asignación de valores de verdad de variables booleanas que logren satisfacer una colección de cláusulas expresadas en forma normal conjuntiva (FNC). por ejemplo. El problema de deducción booleana (SAT).

. . La solución se interpreta como una asignación de valores de verdad a los elementos de X. El problema SAT para una fórmula proposicional en forma normal conjuntiva (FNC) puede expresarse como sigue. Dicho de manera mas sencilla dentro del problema de satisfactibilidad se establece que una fórmula del calculo proposicional es satisfactible si y solo si se encuentra una interpretación de sus variables (proposiciones) que la hagan verdadera. . que haga que todas y cada una de las cláusulas de C tomen valor verdadero. En relación a lo anterior.xn } de variables booleanas. las cuales contienen L literales o proposiciones que pueden ser calificadas con un valor de verdad.El problema SAT para una fórmula proposicional en forma normal que han sido abstraídas de problemas reales.Cm} de cláusulas definidas sobre un conjunto X = {x1. Una colección C = {C1. la solución de SAT consiste en satisfacer con un valor de verdad la conjunción de estas n cláusulas (Formulas Bien Formadas).

Noción de consecuencia lógica y noción de insatisfactibilidad en la Lógica Preposicional.(p v ¬r v s)(¬q v r ¬s) . Se deduce que esto ocurre si (p. Problema de satisfacibilidad booleana En teoría de la complejidad computacional.5. existe una selección de datos de entrada que produce una salida V. una puerta Y( ) tiene como datos de entrada p. r. El problema SAT se pregunta si. para la expresión (¬p v q) ^(p v ¬q) no hay ninguna asignación de verdad de sus variables que la haga verdadera.3. no olvidemos que un circuito puede contener una cantidad enorme de puertas lógicas y. q.r. Si esto puede parecer fácil. Un ejemplo de SAT sería el saber si existen valores lógicos para p. O ó NO. Los datos o variables que se introducen en estos circuitos son V(verdadero) o F (falso). Sin embargo. Por ejemplo. el Problema de satisfacibilidad booleana (SAT) fue el primer problema identificado como perteneciente a la clase de complejidad NP-completo. para un circuito booleano dado. Verdadero. s) = (Verdadero. por tanto. q y devuelve p q. también una cantidad enorme de datos de entrada. Cada puerta acepta un determinado número de datos de entrada y devuelve el valor lógico de esta combinación. Forma normal conjuntiva. Una puerta NO( ) transforma una entrada V en una salida F y una entrada F en una salida V. Los circuitos booleanos constan de puertas lógicas llamadas Y. Falso.s tales que la expresión es cierta. cuyo valor es V si tanto p como q eran V o F en cualquier otro caso.q. Falso). Noción de reducción.

¿cuál de las enfermedades posibles es la que tiene el paciente?. una pregunta típica en diagnóstico médico es: dado que el paciente presenta un conjunto de síntomas. la incertidumbre es lo común. puesto que un mismo conjunto de síntomas puede estar asociado a diferentes enfermedades. ausencia de información. por ejemplo. Algunos S. Por ejemplo. por ejemplo. dice: . al mismo tiempo. hoy en día. De hecho. MODELOS PROBABILISTICOS. datos ausentes. Por ejemplo. En la mayor parte de las aplicaciones. El conocimiento no es determinista. Por ello.6.). las relaciones entre las enfermedades y los síntomas no son deterministas. errores.. no es extraño encontrar dos pacientes con los mismos síntomas pero diferentes enfermedades.E. hay un cierto grado de incertidumbre en la información asociada a cada paciente (subjetividad. muy bien estructurada.La Teoría de la Probabilidad es una teoría muy antigua y. La probabilidad es. como PROSPECTOR tienen el conocimiento estructurado en función de esta teoría. la más intuitiva y la más aceptada de las medidas de incertidumbre. un paciente puede no estar seguro de haber tenido fiebre la noche pasada. Lindley (1987).3. etc. Esta situación implica un cierto grado de incertidumbre puesto que: Los hechos o datos pueden no ser conocidos con exactitud. Teoría de la probabilidad. MP como chequeado de inconsistencias. imprecisión.

las descripciones alternativas de la incertidumbre son innecesarias. Una vez definido este conjunto. Para obtener medidas con significado físico claro y práctico. ‡ Para medir la incertidumbre se parte de un marco de discernimiento dado S.Medida de Probabilidad ‡ La única descripción satisfactoria de la incertidumbre es la probabilidad. el objetivo consiste en asignar a todo subconjunto de S un número real que mida el grado de incertidumbre sobre su realización. Esto quiere decir que toda información incierta debe estar en forma de una probabilidad. que varias incertidumbres deben ser combinadas usando las reglas de la probabilidad. se imponen ciertas condiciones o propiedades intuitivas adicionales que definen una clase de medidas que se conocen como medidas de probabilidad. en el que se incluyen todos los posibles resultados de un cierto experimento como conjunto exhaustivo y mutuamente exclusivo. En particular. y que el cálculo de probabilidades es adecuado para manejar situaciones que implican incertidumbre. . El conjunto S se conoce como espacio muestral.

. . combinando las enfermedades y los síntomas. Entonces. Ejemplo: Diagnostico médico.4. S2 y S3. si está presente. de forma que cada una toma el valor 1. Supóngase que se dispone de una base de datos con información sobre N pacientes y que un paciente puede tener una y sólo una de m enfermedades. . . . em. o el valor 0. . Por ello. . .INTRODUCIENDO LOS SISTEMAS EXPERTOS BASADOS EN PROBABILIDAD ‡ El núcleo de los sistemas expertos basados en reglas es el conjunto de reglas que describen las relaciones entre los objetos (variables). si está ausente. el círculo negro de la Figura 3. o más de n síntomas S1. . Supóngase también que los síntomas son variables binarias. Por ejemplo.2 y 3. Supóngase que la variable aleatoria enfermedad. . que proviene de superponer las Figuras 3. tal como muestra la Figura 3. S1.2 para m = 5 enfermedades. Supóngase también que un paciente puede tener ninguno. la función de probabilidad conjunta forma parte de lo que se llama conocimiento. cada paciente puede clasificarse en una y sólo una región tal como se muestra en la Figura 3.3. toma como valores las enfermedades e1. En Los sistemas expertos probabilísticos las relaciones entre las variables se describen mediante su función de probabilidad conjunta.3 para n = 3 síntomas. uno. . Cualquier variable aleatoria en el conjunto {E. como indica la Figura 3. . . e1. . ‡ .4 representa un paciente que tiene la enfermedad e4 y los tres síntomas: S1. Sn} define una partición del conjunto universal de pacientes en una clase disjunta y exhaustiva de conjuntos. E. . Sn. em. .

.

{X1. En tales casos. em. para construir la base de conocimiento de un sistema experto probabilístico. muchos subconjuntos de variables pueden ser independientes o condicionalmente independientes. a continuación se dan los siguientes ejemplos de tales simplificaciones: 1. en la mayor parte de las situaciones prácticas. sk. Para ello se tiene la función de probabilidad conjunta de la enfermedad y los síntomas p(e. . Xn}. . El Modelo de Síntomas Dependientes (MSD). . . Por ello. . 4. El Modelo de Síntomas Independientes (MSI). se necesita definir la función de probabilidad conjunta de las variables. . la especificación directa de la función de probabilidad conjunta implica un gran número de parámetros por lo que. . ‡ ‡ Para introducir estos modelos se considera el problema del diagnóstico médico. .LA BASE DE CONOCIMIENTO ‡ La base de conocimiento de un sistema experto basado en reglas consta del conjunto de objetos variables y del conjunto de reglas. . Sin embargo. 3. El Modelo de Síntomas Relevantes Independientes (MSRI). y una variable aleatoria E. . xn). asignar un valor numérico (parámetro) a cada una de las posibles combinaciones de valores de las variables. Esta fue una de las primeras críticas al uso de la probabilidad en los sistemas expertos. . El Modelo de Síntomas Relevantes Dependientes (MSRD). y una función de probabilidad conjunta definida sobre ellas. no hay ordenador en el mundo capaz de almacenarlo incluso para un valor de n tan pequeño como 50. . . . . sn). . . . s1. En este problema se desea diagnosticar la presencia de una enfermedad dado un conjunto de síntomas s1. . . en el que se tienen n síntomas S1. Pero. El modelo más general posible se basa en especificar directamente la función de probabilidad conjunta. que podría tomar uno de m valores posibles e1. . es decir. se pueden obtener simplificaciones del modelo más general teniendo en cuenta la estructura de independencia de las variables. 2. . . Sn. La base de conocimiento de un sistema experto probabilístico consiste en un conjunto de variables. p(x1. Esto suele dar lugar a una reducción importante del número de parámetros. . .

dados los síntomas. ‡ El Modelo de Síntomas Independientes. Debido a la imposibilidad de trabajar con el modelo anterior en muchos casos prácticos. .‡ El Modelo de Síntomas Dependientes. En este modelo se supone que los síntomas son dependientes pero que las enfermedades son independientes entre sí. El modelo resultante se denomina modelo de síntomas independientes (MSI). los síntomas son condicionalmente independientes entre sí. donde los síntomas no están ligados. para indicar la independencia. Puesto que los síntomas se suponen condicionalmente independientes dada la enfermedad. resulta necesario proceder a la simplificación del modelo. para una enfermedad dada. donde todo síntoma se conecta con los demás síntomas y con todo valor posible de E (indicando dependencia). Una simplificación posible consiste en suponer que.

. puede ser poco razonable suponer que los síntomas relevantes son independientes. Sr (relativamente pocos frente al total de síntomas) y los restantes síntomas se suponen independientes para ese valor de E.Modelo de Síntomas Relevantes Independientes Se puede conseguir una reducción aún mayor del número de parámetros suponiendo que cada enfermedad tiene un número reducido de síntomas relevantes. El modelo de síntomas relevantes dependientes (MSRD) evita este inconveniente. . Se puede pensar en el MSRD como una solución de compromiso entre el MSD y el MSRI. ya que los síntomas asociados a ciertas enfermedades suelen producirse en grupos o síndromes. El Modelo de Síntomas Relevantes Dependientes. En consecuencia. es poco realista. . . Por ello. . para cada valor ei de la enfermedad E se seleccionan algunos síntomas relevantes S1. Aunque el MSRI reduce el número de parámetros considerablemente.

‡ Una fórmula en F. esta constituida por una conjunción de disyunciones de literales.C. desde el punto de vista matemático se lo puede concebir como un producto de sumas.N. Regla de Resolución para FNC en la Lógica Preposicional. donde un literal es una letra proposicional o negación de letra proposicional y se lo representa de la siguiente manera: Donde lij es una letra proposicional o negación de letra proposicional.7. .C. ‡ Toda fórmula del lenguaje proposicional se puede representar en F.N. Es decir.3.

cuyos casos de sustitución son siempre verdaderos. se cambia la representación de la formula. a continuación se proporciona la formulación de las más importantes: .C. como veremos en el próximo capítulo. pero las interpretaciones que la hacen verdadera o que la satisfacen. no son tautológicas. formas proposicionales. ‡ Principios lógicos y leyes lógicas En la lógica proposicional. (p q) (¬q r t) (¬r s) (p) Una formula es satisfascible si y solo si su equivalencia en F. En la lógica de predicados. todas las leyes lógicas son tautológicas. Pero desde el punto de vista de la lógica proposicional es un producto de sumas lógicas.N. es decir. Es decir. también satisfacen a su equivalente en Forma Normal Conjuntiva. El proceso de transformación de una formula a FNC se lo realiza aplicando algunas equivalencias lógicas y las leyes del algebra booleana.Ej: (3+2)*(5+3)*(3)*(2+3+6) en matemáticas: producto de sumas. también lo es. Las leyes lógicas son infinitas.

.

.

.

Es mas adecuado para la mecanización que los sistemas de inferencia tradicionales. constituye un sistema de inferencia completo. Teorema de Robinsón. . junto con el procedimiento de unificación. ‡ El principio de resolución es una regla de inferencia que se aplica a formulas en forma causal y que.8.3.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->