Tema 4

Chapter 1
Razonamiento
Objetivo
El alumno podr construir sistemas de razonamiento lgico y de razonamiento probabilstico.
Razonamiento
El racionalismo (del latn, ratio, razn http://bit.ly/14aWhmX) es una corriente filosfica que se
desarroll en Europa continental durante los siglos XVII y XVIII, formulada por Ren Descartes
(http://bit.ly/dtcAz1), que se complementa con el criticismo de Immanuel Kant (http://bit.ly/92LnEx),
y que es el sistema de pensamiento que acenta el papel de la razn en la adquisicin del
conocimiento.
Razonar (http://bit.ly/10XSt8) es el proceso de obtener conclusiones, juicios o inferencias a partir de hechos o premisas. El razonamiento generalmente est asociado con
el pensamiento (http://bit.ly/X9wqrH), la cognicin (conocimiento: http://bit.ly/my49hk) y el
intelecto (http://bit.ly/15hqvCP).
Una razn es una explicacin o una justificacin de algn evento, fenmeno o comportamiento.
La lgica (http://bit.ly/4m2HA5) estudia la manera en que los humanos razonan va argumentos.
Razonar se asocia con la habilidad de cambiar conscientemente creencias, actitudes, tradiciones,
etc.
Tipos de razonamiento
Deductivo (http://bit.ly/5NcnJJ)
La deduccin es una forma de razonamiento en la que la conclusin se obtiene necesariamente a
partir de las premisas, es una inferencia de lo general a lo particular. Una deduccin es tambin
la conclusin que se obtiene de un proceso de razonamiento deductivo.
Un ejemplo clsico de este tipo de razonamiento se encuentra en los silogismos (http://bit.ly/IQVgA):
Premisa 1: Todos los humano son mortales
Premisa 2: Aristteles es humano
Conclusin: Aristteles es mortal
CHAPTER 1. RAZONAMIENTO
El razonamiento de este argumento es vlido porque no hay forma en que las premisas sean
verdaderas y la conclusin falsa.
Figure 1.1: Golem II+ y Kasparov vs Depp Blue
Inductivo (http://bit.ly/YWLqWp)
La induccin es una forma de inferencia que produce proposiciones acerca de objetos no observados, basadas en observaciones previas. Se utiliza para formular afirmaciones generales basadas en
observaciones limitadas sobre patrones recurrentes. Es una inferencia de lo particular a lo general.
Este tipo de razonamiento contrasta fuertemente con el deductivo en que an en el mejor caso,
un razonamiento inductivo no puede garantizar la validez de la conclusin; slo se tiene cierto
grado de probabilidad. Es un mtodo de razonamiento ampliativo: la conclusin contiene ms
informacin que la contenida en las premisas.
Un ejemplo clsico de este tipo de razonamiento se debe al empiricista David Hume (http://bit.ly/9LlSiI):
Premisa: El sol ha salido por el este hasta el da de hoy
Conclusin: El sol saldr por el este maana
Figure 1.2: El pavo recibe su alimento todas las maanas
Figure 1.3: En la vspera de navidad
Abductivo (http://bit.ly/8jRjSd)
El razonamiento abductivo es un tipo de razonamiento a la mejor explicacin, en este, la conclusin
no se obtiene con total certeza a partir de las premisas y contiene ms informacin que las mismas.
Se distingue de otros tipos de razonamiento (como el inductivo) en que es un intento de favorecer
una conclusin sobre otras, demostrando que es la ms viable. Por ejemplo, cuando un paciente
muestra ciertos sntomas, pueden existir varias causas posibles, pero una de ellas se elige al ser la
ms probable.
Figure 1.4: Agentes abductivos
Por analoga (http://bit.ly/YWO7al)

En un tipo de razonamiento de lo particular a lo particular. Por ejemplo:
Premisa 1: Scrates es humano y muri
Premisa 2: Platn es humano
Conclusin: Platn morir
Razonamiento automatizado (http://bit.ly/15hIKYD)
El campo del razonamiento automatizado estudia como el razonamiento puede modelarse o no.
Sus subreas ms desarrolladas son las pruebas automticas de teoremas (http://bit.ly/15hJkWn),
pruebas interactivas de teoremas (menos automatizadas: http://bit.ly/15hJpt6), verificacin automtica de pruebas: garantizar un razonamiento correcto bajo ciertas suposiciones (http://bit.ly/15hJu06)
as como verificacin de modelos: verificar si el modelo de un sistema cumple cierta especificacin
(http://bit.ly/fGjrpu).
1.1
Razonamiento progresivo
En este tipo de razonamiento progresivo, se empieza a partir de un conjunto de premisas y se

evoluciona hacia una conclusin.
1.1.1
Clculo proposicional
El clculo proposicional permite realizar razonamiento progresivo aplicando ciertas reglas bien
establecidas.
1.1.1.1
Sintaxis
La sintaxis es muy simple. Tenemos el conjunto de proposiciones atmicas

P A = {p, q, r, p0 , . . .}
y las conectivas lgicas usuales:
, , , ,
O en notacin de Backus-Naur:
::= P A|1 | (1 2 ) | (1 2 ) | (1 2 ) | (1 2 )
donde P A ::= p|q|r|pn |qn |rn , y n N.
1.1.1.2
Semntica
La semntica del clculo de proposiciones se expresa en trminos de valores de verdad.

Los valores de verdad ms utilizados son los valores booleanos B = {V, F }.
Una evaluacin es una funcin e : P A B.
Esta funcin se puede extender a proposiciones compuestas cuando se combina con funciones
booleanas asociadas a cada una de las conectivas.
Funciones booleanas
1. Funciones de 0 argumentos: V 0 , F 0
2. Funciones de 1 argumento
3. Funciones booleanas binarias

6 es el o exclusivo
es la negacin conjunta
es la negacin alternativa
4. Todas las conectivas pueden definirse en trminos de:
y alguna de:
,

Lo anterior parece aplicar solamente a las conectivas binarias o unarias.
Sin embargo, se aplica a las funciones boolenas de cualquier nmero de argumentos.
Por ejemplo, la conectiva ternaria siguiente se puede definir en trminos de dos binarias:
if p then q else r def (p q) (p r)
Y esto se puede generalizar a cualquier valor de n.
1.1.1.3
Proposiciones compuestas
Para determinar el valor de verdad de una frmula proposicional compuesta, se procede evaluando
recursivamente sobre la estructura de dicha frmula:
::= P A|1 | (1 2 ) | (1 2 ) | (1 2 ) | (1 2 )
Algorithm 1.1 Evaluacin de frmulas proposicionales
Para que la evaluacin de la frmula , denotada como e (), tenga valor de verdad V :
Si P A, la evaluacin e () = V
Si = 1 , la evaluacin e (1 ) = F
Si = (1 2 ), la evaluacin e (1 ) = V o e (2 ) = V
Si = (1 2 ), la evaluacin e (1 ) = V y e (2 ) = V
Si = (1 2 ), la evaluacin e (1 2 ) = V
Si = (1 2 ), la evaluacin e ((1 2 ) (2 1 )) = V
En otro caso, e () = F
El valor de verdad en la mayora de las proposiciones compuestas depende de los valores de

verdad de sus proposiciones atmicas. Por ejemplo:
(p q)
Si e (p) = V y e (q) = V entonces e (p q) = V
Si e (p) = F o e (q) = F entonces e (p q) = F
En cambio, algunas proposiciones siempre son verdaderas sin importar la asignacin de valores a
sus proposiciones atmicas. Ejemplo:
(p p)
Estas proposiciones se conocen como tautologas. Se acostumbra distinguirlas anteponiendo el
smbolo |=.
Y otras siempre producen valor falso. Ejemplo:
(p p)
stas se conocen como contradicciones.
Desde el punto de vista de la complejidad computacional, verificar si una proposicin es una
tautologa es equivalente al clebre problema de SAT, el cual es NP-completo. La forma de
resolverlo es construir la tabla de verdad de la proposicin.
Sin embargo, hay otras estrategias de evaluacin que en la mayora de los casos son ms
eficientes.
Programa:
Desarrollar un programa que evale expresiones de lgica proposicional usando el algoritmo
recursivo presentado en clase.
Nota: No es vlido utilizar alguna librera o programa hecho por terceros.
Consecuencia lgica
El smbolo |= tambin denota una relacin entre conjuntos de proposiciones y frmulas individuales: 1 , . . . , n |= se lee como: es consecuencia lgica de 1 , . . . , n . Las proposiciones
1 , . . . , n se conocen como las premisas; y , como la conclusin. La expresin completa se
conoce como argumento.
Un argumento 1 , . . . , n |= es vlido si y solo si (sii) para toda evaluacin e : P A {V, F }
se tiene que, si e (1 ) = V, . . . , e (n ) = V entonces e () = V . En caso contrario, se dice que el
argumento es invlido.
Sistemas de demostracin
Los sistemas de demostracin son herramientas para verificar la validez de argumentos lgicos por
medios estrictamente sintcticos.
Un sistema de demostracin est formado por un conjunto (finito) de reglas de inferencia e
instrucciones sobre cmo aplicar estas reglas.
El concepto de demostracin es el ncleo de un sistema: una demostracin es un conjunto de
frmulas que permiten ir de las premisas a la conclusin por medio de transformaciones sintcticas. Para que un sistema de demostracin sea til debe cumplir un conjunto de propiedades
metatericas: correccin, completitud, etc.
Reglas de inferencia
Sean 1 , . . . , n y frmulas del clculo proposicional, una regla de inferencia tiene la siguiente
forma:
R
1 , . . . , n
donde: 1 , . . . , n son las premisas, es la conclusin y R es el nombre de la regla. Si n = 0,

el conjunto de premisas es vaco y este tipo de reglas se conoce como axioma.
Por ejemplo, la regla de inferencia modus ponens:
MP
p q, p
q
Una demostracin es una sucesin finita de pasos en los que se enlistan ya sea una premisa o
la aplicacin de una regla de inferencia.
1.1.1.4
Deduccin natural
La deduccin natural es un sistema con un conjunto grande de reglas de inferencia. Tiene reglas
para introducir (sealadas con I ) o eliminar (E ) las conectivas lgicas. Adems, hay tres reglas
adicionales: contradiccin (C ), sustitucin (S ) y falso (F ).
Algunas reglas contemplan la introduccin de hiptesis adicionales. Por esta razn, las inferencias que se hagan utilizando estas hiptesis aparecen dentro de cajas. Las cajas se pueden
cerrar extrayendo una conclusin de acuerdo con las condiciones de cada regla.
Figure 1.5: Reglas de inferencia de la deduccin natural
Cuando se realizan demostraciones con cierto sistema, se suele utilizar el smbolo `SD , en el
que SD hace referencia al sistema de demostracin utilizado. Para deduccin natural utilizaremos
`DN
Ejemplo 1
p q, q r `DN p r
Ejemplo 2
p q, p `DN q
Ejercicios, tarea:
1. Calcula las tablas de verdad de las siguientes proposiciones:
p q p
(p q) (p q)
(p q) q p
2. Verifica que los siguientes argumentos sean correctos:
|= (p q) ((p r) (q r))
|= (p q) ((p r) (q r))
|= p (q r) ((p q) (p r))
3. Demuestra los siguientes argumentos por medio de deduccin natural:
p, p q `DN p q
p q r, q p, q `DN r
p q, q r `DN p q r
p q, q `DN p
q `DN p q
p (q r) `DN p q
`DN (p p)
`DN p p
1.2
Razonamiento regresivo
El mecanismo de inferencia, o intrprete de reglas para el razonamiento regresivo, difiere significativamente del mecanismo de razonamiento progresivo. Si bien es cierto ambos procesos involucran
el examen y aplicacin de reglas, el razonamiento regresivo empieza con la conclusin deseada y
decide si los hechos que existen pueden dar lugar a la obtencin de un valor para esta conclusin.
El razonamiento regresivo sigue un proceso muy similar a la bsqueda primero en profundidad.
El sistema empieza con un conjunto de hechos conocidos, que puede ser vaco. Se proporciona
una lista ordenada de objetivos (conclusiones), para las cuales el sistema trata de derivar valores.
El proceso utiliza esta lista de objetivos para coordinar su bsqueda a travs de las reglas de la
base de conocimientos.
Esta bsqueda consiste de los siguientes pasos:
1. Conformar una lista de los objetivos prioritarios definidos en el sistema
2. Considerar el primer objetivo de la lista: determinar todas las reglas capaces de satisfacer
este objetivo, es decir aquellas que mencionen al objetivo en su conclusin
3. Para cada una de estas reglas examinar en turno sus antecedendentes:
10
(a) Si todos los antecedentes de la regla son satisfechos (esto es, cada parmetro de la
premisa tiene su valor especificado dentro de la base de datos), entonces ejecutar esta
regla para derivar sus conclusiones. Debido a que se ha asignado un valor al objetivo
actual, removerlo de la lista y retornar al paso (2)
(b) Si alguna premisa de la regla no puede ser satisfecha, buscar reglas que permitan derivar
el valor especificado para el parmetro utilizado en esta premisa
(c) Si en el paso (b) no se puede encontrar una regla para derivar el valor especificado para
el parmetro actual, entonces preguntar al usuario por dicho valor y aadirlo a la base
de datos
Si este valor satisface la premisa actual entonces continuar con la siguiente premisa
de la regla. Si la premisa no es satisfecha, considerar la siguiente regla
Si todas las reglas que pueden satisfacer el objetivo actual se han probado y ninguna
ha podido derivar un valor, entonces este objetivo quedar indeterminado. Removerlo de la pila y retornar al paso (2)
(d) Si la lista est vaca parar y anunciar que se ha terminado el proceso.
Una excelente aplicacin para el razonamiento regresivo es el diagnstico, donde el usuario dialoga directamente con el sistema basado en conocimiento y proporciona los datos a travs del
teclado. Problemas de clasificacin tambin son adecuados para ser resuelto mediante este tipo
de razonamiento.
Ejemplo 1
Los ejemplos y ejercicios de deduccin natural en los que no existen premisas, son muestras de
este tipo de razonamiento.
Ejemplo 2
Se puede utilizar un rbol de bsqueda para realizar razonamiento regresivo. Considerando el
siguiente puzzle:
Figure 1.6: Puzzle a resolver
Se desea obtener la solucin con los nmeros ordenados de forma ascendente, el razonamiento
hacia atrs se muestra en la siguiente figura:
11
Figure 1.7: rbol de bsqueda para resolver el puzzle
Es importante notar que para llevar a cabo esta bsqueda, es necesario tener el rbol completo,
hay ocasiones en las que esto no es posible, dado que puede ser un rbol demasiado grande para
poder almacenarlo en algn dispositivo.
Nota: En el sitio http://bit.ly/ZfwgRw se puede jugar el 8-puzzle.
Ejercicios, tarea:
Construir el rbol de bsqueda y resolver el puzzle a partir de los estados siguientes:
4
7
8
1
7
1
5
2
3
6
3
4
8
5
2
6
1.3
12
Razonamiento con incertidumbre
En los temas anteriores se han descrito tcnicas de representacin del conocimiento y razonamiento
para un modelo del mundo:
Completo
Consistente
Inalterable
Sin embargo, en muchos dominios de inters no es posible crear tales modelos debido a la presencia de incertidumbre (http://bit.ly/W1YjSR): Falta de conocimiento seguro y claro de algo
(http://bit.ly/c8Rq3i).
Richard Feynman sobre la incertidumbre del conocimiento: http://youtu.be/xjGjcNg9GQw.
1.3.1
Fuentes de incertidumbre
La incertidumbre puede provenir de distintos lugares.

1.3.1.1
Respecto a los hechos
Ignorancia
Puede que en un determinado campo el conocimiento sea incompleto.
Por ejemplo en el campo de las Ciencias Mdicas.
Aunque se pudiera completar el conocimiento, puede ser necesario tomar decisiones con
informacin incompleta:
Un paciente llega con gravedad a urgencias y es necesario proponer un tratamiento
sin que sea posible realizar todos los tests necesarios para saber con total exactitud su
enfermedad.
En otros campos la ignorancia es irreductible:
En modelos fsicos
Cul ser el resultado del lanzamiento de una moneda?
En la vida real
Es la otra persona sincera?
Vaguedad e imprecisin
Algunos conceptos son vagos o imprecisos (subjetivos).
Las personas son altas, guapas, felices etc.
1.3.1.2
13
Respecto a las reglas
Muchas reglas son generalmente guas que utilizan los expertos en determinadas situaciones.
En el mundo real utilizamos habitualmente reglas que son:
Inexactas o incompletas
Si es un ave entonces vuela, y los pinginos?
Si te duele la cabeza tienes gripe, y si te diste un golpe?
Imprecisas
Si el agua est caliente aade sal al gusto
Inconsistentes
Al que madruga dios le ayuda
No por mucho madrugar amanece ms temprano
El objetivo de un agente que aplica razonamiento con incertidumbre es ser capaz de razonar sin
tener todo el conocimiento relevante en un campo determinado utilizando lo mejor posible el
conocimiento que tiene disponible.
Implementar un agente que cumpla estos objetivos utilizando lgica de predicados o de primer
orden es muy dicfcil. Por tanto, deben de introducirse modelos para manejar informacin vaga,
incierta, incompleta y contradictoria. Lo anterior es crucial para un sistema funcione en el mundo
real.
1.3.1.3
Actuar con incertidumbre
Recordando que el propsito de un sistema inteligente es actuar autnomamente de forma ptima

utilizando el conocimiento del sistema y un conjunto de percepciones.
Pero para actuar se necesita decidir que hacer. Cul es la forma correcta de tomar decisiones?
La decisin racional:
Cuando se tienen distintas opciones un sistema debe decidirse por aquella accin que
le proporcione el mejor resultado.
Cuando hay incertidumbre para poder decidir racionalmente se requiere:
La importancia de los distintos resultados de una accin
La certidumbre de alcanzar esos resultados cuando se realiza la accin.
Inicialmente la mayora de los investigadores en IA enfatizaban la importancia del razonamiento
simblico y evitaban la utilizacin de nmeros.
Los sistemas expertos no deben usar nmeros puesto que los expertos humanos no lo hacen.
Los expertos no pueden suministrar los nmeros requeridos.
14
Sin embargo los ingenieros que desarrollaban las aplicaciones se dieron cuenta pronto de la necesidad de representar la incertidumbre.
Los mtodos numricos (especialmente los basados en probabilidad) son actualmente una
herramienta aceptada en IA, debido a:
Los xitos prcticos (p.e. Mycin)
La complejidad de teoras alternativas
Dado que ni la lgica proposicional ni la de primer orden son adecuadas para modelar incertidumbre es necesario buscar nuevos modelos, entre ellos destacan:
Modelos Simblicos
Lgicas por defecto
Lgicas basadas en modelos mnimos: suposicin del mundo cerrado
Modelos Numricos
Lgica difusa
Probabilidad
1.3.1.4
Representacin simblica de la incertidumbre
Lgica por defecto (http://bit.ly/14LSJ6y)

Fue propuesta por Raymond Reiter (http://bit.ly/14LSNDh) para solucionar el problema del
conocimiento incompleto (1980). Para ello se introducen una serie de reglas por defecto.
Intuitivamente: Las reglas por defecto expresan caractersticas comunes a un conjunto de
elementos que se asumen ciertas salvo que se indique lo contrario.
Por ejemplo:
Las aves vuelan
Excepto por los pinginos y las avestruces y ... (se enlistan las aves que no cumplen
el caso por defecto)
Suposicin del mundo cerrado (http://bit.ly/9ZHxAt)

Sirve para manejar conocimiento incompleto. Este enfoque es utilizado en los sistemas de bases
de datos as como en Prolog.
Intuitivamente: Lo que no se puede probar a partir de la base de conocimiento es falso.
El principal inconveniente de la representacin simblica de la incertidumbre es que se obtienen
teoras complejas y a veces inconsistentes.
1.3.1.5
15
Representacin numrica de la incertidumbre
Lgica difusa (fuzzy http://bit.ly/2rEMHe)

Es un tipo de lgica multivaluada (http://bit.ly/14LXpJq) propuesta por Lotfi A. Zadeh (http://bit.ly/13QGsSz).
Asigna a cada proposicin A un grado de verdad V entre 0 y 1 donde:
V (A) = 0 indica que la proposicin es completamente falsa
V (A) = 1 indica que la proposicin es totalmente verdadera
Valores intermedios de V (A) reflejan diferentes grados de verdad de la proposicin
Es una generalizacin de la lgica clsica en la que todas las proposiciones toman valores de verdad
de B = {0, 1}.
Ejemplo:
Dada la proposicin La temperatura del enfermo es alta
En la lgica clsica:
alta (temp) temp > 39
Por tanto si la temperatura es 38.99 diramos que la temperatura no es alta
Nosotros no solemos razonar as
En la lgica difusa:
Se da un grado de verdad V a alta en funcin de temperatura
temp < 38
0
temp 38 38 temp 39
Por ejemplo: V (alta (temp))
1
temp > 39
V(alta(temp))
0
35 36 37 38 39
temp
Figure 1.8: Ejemplo lgica difusa

Al igual que en la lgica clsica el valor de verdad de una proposicin compuesta se calcula
a travs del valor de verdad de las proposiciones individuales. Existen varias formas de calcular
estos valores de verdad. Los ms usuales son:
V (p q) = min (V (p) , V (q))
16
V (p q) = max (V (p) , V (q))

V (p) = 1 V (p)
V (p q) = max (V (p) , V (q))
Es importante notar que en la lgica difusa en general se cumple:
V (p p) 6= 0
V (p p) 6= 1
Razonamiento con lgica difusa
De forma similar a la lgica proposicional y de primer orden, es posible aplicar reglas de inferencia
en lgica difusa para obtener conclusiones. Generalmente el proceso de razonamiento difuso consta
de 4 pasos
1. Difusin: Obtener los grados de verdad de los antecedentes
Se obtienen los grados de verdad de los antecedentes utilizando los hechos observados.
2. Inferencia: Obtener los grados de verdad de los consecuentes
Una vez calculados los grados de verdad de la premisa de cada regla se recalculan los
grados de verdad de los consecuentes mediante:
Mn: los grados de verdad del consecuente se cortan a la altura del grado de verdad
de la premisa, o
Prod : se multiplican los grados de verdad de consecuente y premisa
3. Composicin de consecuentes
Todos los grados de verdad difusos correspondientes a reglas con el mismo consecuente
se combinan para dar lugar a los grados de verdad de la conclusin de las reglas mediante:
Max : se toma el mximo de los grados de verdad correspondientes a las distintas
consecuencias, o
Sum: se toma la suma de los grados de verdad correspondientes a las distintas
consecuencias
4. Concisin (Opcional): Se utiliza cuando se necesita convertir una conclusin difusa en
concreta
Generalmente se utilizan los mtodos:
Centroide: Se calcula el centro de gravedad de los grados de verdad de la conclusin
difusa, o
Mximo: Se elige el mximo valor de los grados de verdad
17
Ejemplo:
Se toma la temperatura a un paciente y se quiere saber la dosis apropiada de un medicamento.
Hechos: temp = 38
Reglas:
normal (temp) baja (dosis)
templada (temp) media (dosis)
alta (temp) alta (dosis)
Figure 1.9: Conjuntos difusos del ejemplo

Difusin
Hechos: temp = 38
Grados de verdad:
normal (temp) : 0.33
templado (temp) : 1
alta (temp) : 0.33
Figure 1.10: Difusin
18
Inferencia
Reglas:
normal (temp) baja (dosis) : v = 0.33
templada (temp) media (dosis) : v = 1
alta (temp) alta (dosis) : v = 0.33
Figure 1.11: Inferencia

Composicin
Figure 1.12: Composicin
19
Concisin
Figure 1.13: Concisin

Por tanto con 38 grados la dosis sera de 6.76 ml.
Probabilidad
La teora de la probabilidad es un rea de las matemticas que ha sido aplicada a problemas
de razonamiento con incertidumbre. Es una teora bien entendida y con mucha historia: sus
formalizaciones se dieron a partir de mediados del siglo XVII. Asigna valores numricos (llamados
probabilidades) a las proposiciones. Nos dice, dadas las probabilidades de ciertas proposiciones,
y algunas relaciones entre ellas cmo asignar probabilidades a las proposiciones relacionadas.
En la lgica clsica las proposiciones son ciertas o falsas. En la teora de la probabilidad
las proposiciones son tambin ciertas o falsas pero se tiene un grado de creencia en la certeza o
falsedad.
A pesar de su larga historia los valores numricos que representan las probabilidad no tiene
una interpretacin nica. Algunas interpretaciones:
Frecuentista: Es el valor de la frecuencia de que ocurra algn evento cuando el nmero de
pruebas tiende a infinito
Subjetiva: Es un grado de creencia acerca de un evento incierto
An as existe un consenso sobre el modelo matemtico que soporta la teora.
Los valores numricos de la probabilidad: se denota por P (A) a la probabilidad de la proposicin A. Por ejemplo:
A = El paciente tiene sarampin
A = Maana saldr el sol
Los valores de la probabilidad satisfacen un conjunto de axiomas:
0 P (A) 1
20
P (V ) = 1
P (A B) = P (A) + P (B) sii A y B son disjuntos, es decir P (A B) = 0
P (A) = 1 P (A)
P (F ) = 0
P (A B) = P (A) + P (B) P (A B)
En muchas ocasiones tenemos eventos en los que el conjunto de resultados es:
Completo: se conocen todos los posibles resultados
Mutuamente excluyente: no se pueden dar dos resultados distintos simultneamente
Ejemplos:
Si lanzamos una moneda, el resultado puede ser cara o cruz
Si tiramos un dado, se pueden producir seis resultados distintos
Variable aleatoria y distribucin de probabilidad
En lugar de tener una proposicin para cada resultado se introduce el concepto de variable
aleatoria (VA http://bit.ly/cW9uUw). una VA o estocstica es una funcin, que asigna eventos
a nmeros reales.
Para simplificar los anlisis, se suele considerar que todas las proposiciones son variables
aleatorias que toman dos valores verdadero o falso. Por ejemplo, dada la proposicin tiene
sarampin, se construye la variable aleatoria Sarampin que toma los valores verdadero y falso; y
representamos la probabilidad de que un paciente tenga sarampin P (T iene sarampi
on) como
P (Sarampi
on = verdadero) o simplemente como P (Sarampi
on); y la probabilidad de que un
paciente no lo tenga como P (Sarampi
on = f also) o P (Sarampi
on).
Dada una VA es posible conocer la probabilidad para cada valor que pueda tomar. Esta
descripcin se llama distribucin de probabilidad de la VA y consiste en listar los valores de
probabilidad para cada valor de la variable. Por ejemplo, si tenemos una VA llamada Llueve, se
puede obtener una tabla como la siguiente:
VA
valores
Llueve
V
F
P (Llueve)
0.1
0.9
probabilidades
Figure 1.14: Una distribucin de probabilidad

Es muy comn que se desee estudiar varias VA en conjunto. Por ejemplo si tenemos las VA
Sarampi
on y F iebre, podra ser de utilidad poder determinar el valor de P (Sarampi
on F iebre)
que es la probabilidad de que el paciente tenga sarampin y fiebre; tambin puede escribirse
como P (Sarampi
on, F iebre). Para determinar el valor de dicha proposicin conjunta, se necesita
asignar probabilidades a cada posible combinacin de los valores de las variables. El listado de
todos esos valores se conoce como distribucin conjunta de las VA.
21
Ejemplo: la siguiente table muestra la distribucin conjunta de las VA Llueve y EnCalle, es

decir, muestra la probabilidad de que llueva y estar en la calle.
Llueve
Llueve
Llueve
Llueve
EnCalle
EnCalle
EnCalle
EnCalle
P (Llueve, EnCalle)
0.01
0.09
0.2
0.7
Figure 1.15: Una distribucin conjunta

Es similar a una tabla de la verdad lgica excepto que:
Describe las probabilidad para cada combinacin de valores de las variables
Generalmente dichos valores no se pueden calcular a partir de sus componentes
La distribucin conjunta es importante porque contiene todo lo que se necesita saber acerca de
un conjunto de VA. Adems, la distribucin de cada variable individual, llamada distribucin
marginal, se puede calcular a partir de la distribucin conjunta. Por ejemplo, tomando la tabla
anterior, se pueden determinar:
P (Llueve) = P (Llueve EnCalle) + P (Llueve EnCalle) = 0.01 + 0.09 = 0.1
P (Llueve) = 0.9
P (Llueve EnCalle) = 0.01 + 0.09 + 0.2 = 0.3
Probabilidad condicional
La probabilidad condicional (http://bit.ly/12UwzU9) es la probabilidad de que ocurra un evento
A, sabiendo que sucede el evento B. Se puede interpretar como el grado de creencia en A cuando
todo lo que sabe es B. Se escribe como P (A|B), y se lee la probabilidad de A dado B.
Se define como P (A|B) = P P(AB)
(B) , otra interpretacin es: tomando los mundos en los que B
se cumple, la fraccin en los que tambin se cumple A. Grficamente:
Figure 1.16: Interpretacin grfica de la probabilidad condicional

La probabilidad condicional es un concepto muy importante, debido a que permite conocer la
probabilidad de que se tomen unos determinados valores por un conjunto de VA cuando se saben
los valores que han tomado otras.
22
Ejercicio, tarea: Determinar: P (Llueve|EnCalle), P (Llueve|EnCalle), P (Llueve|EnCalle)

y P (Llueve|EnCalle)
Razonamiento con probabilidad: la regla de Bayes
Propuesto por Thomas Bayes (http://bit.ly/RfJtDf), el teorema de Bayes (http://bit.ly/uOU1jg)
establece:
P (A|B) =
P (B|A)P (A)
P (B)
Y puede interpretarse como la probabilidad de una hiptesis A dada una evidencia B: P (A|B)
es proporcional a probabilidad de la hiptesis P (A) multiplicada por el grado en que la hiptesis
predice los datos P (B|A). Su importancia radica en que para muchos problemas dado un conjunto
de datos (evidencia) B se debe que seleccionar la hiptesis A ms probable mediante P (A|B).
La forma general del teorema de Bayes se conoce como frmula o regla de Bayes. Sea A una
VA con valores {a1 , a2 , . . . , an }, entonces:
P (ai |B) =
P (B|ai )P (ai )
n
P
P (B|aj )P (aj )
j=1
Es importante notar que
n
P
P (ai |B) = 1.
i=1
Ejercicio, tarea: Se tienen 3 proveedores {A, B, C}, el porcentaje de compra de una pieza es
de la siguiente forma: A = 45%, B = 30% y C = 25%. Adems, se sabe que el porcentaje de
artculos defectuosos por compaa es: A = 0.03%, B = 0.04% y C = 0.05%. Sea D el evento la
pieza es defectuosa y N la pieza no es defectuosa.
1. Representar la informacin del ejemplo como un rbol.
2. Se desea saber:
(a) La probabilidad de que una pieza elegida aleatoriamente sea defectuosa:
(b) El proveedor con la mayor probabilidad de haber producido una pieza defectuosa:

Tema 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4

Cargado por

Copyright:

Formatos disponibles

Chapter 1

Figure 1.1: Golem II+ y Kasparov vs Depp Blue

Figure 1.2: El pavo recibe su alimento todas las maanas

Figure 1.3: En la vspera de navidad

Figure 1.4: Agentes abductivos

Por analoga (http://bit.ly/YWO7al)

En este tipo de razonamiento progresivo, se empieza a partir de un conjunto de premisas y se

La sintaxis es muy simple. Tenemos el conjunto de proposiciones atmicas

La semntica del clculo de proposiciones se expresa en trminos de valores de verdad.

3. Funciones booleanas binarias

El valor de verdad en la mayora de las proposiciones compuestas depende de los valores de

donde: 1 , . . . , n son las premisas, es la conclusin y R es el nombre de la regla. Si n = 0,

Figure 1.5: Reglas de inferencia de la deduccin natural

Figure 1.6: Puzzle a resolver

Figure 1.7: rbol de bsqueda para resolver el puzzle

Razonamiento con incertidumbre

La incertidumbre puede provenir de distintos lugares.

Respecto a los hechos

Respecto a las reglas

Actuar con incertidumbre

Recordando que el propsito de un sistema inteligente es actuar autnomamente de forma ptima

Representacin simblica de la incertidumbre

Lgica por defecto (http://bit.ly/14LSJ6y)

Suposicin del mundo cerrado (http://bit.ly/9ZHxAt)

Representacin numrica de la incertidumbre

Lgica difusa (fuzzy http://bit.ly/2rEMHe)

Figure 1.8: Ejemplo lgica difusa

V (p q) = max (V (p) , V (q))

Figure 1.9: Conjuntos difusos del ejemplo

Figure 1.10: Difusin

Figure 1.11: Inferencia

Figure 1.12: Composicin

Figure 1.13: Concisin

Figure 1.14: Una distribucin de probabilidad

Ejemplo: la siguiente table muestra la distribucin conjunta de las VA Llueve y EnCalle, es

Figure 1.15: Una distribucin conjunta

Figure 1.16: Interpretacin grfica de la probabilidad condicional

Ejercicio, tarea: Determinar: P (Llueve|EnCalle), P (Llueve|EnCalle), P (Llueve|EnCalle)

Es importante notar que

También podría gustarte