Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
CHAPTER 1. RAZONAMIENTO
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.
CHAPTER 1. RAZONAMIENTO
1.1
Razonamiento progresivo
1.1.1
Clculo proposicional
El clculo proposicional permite realizar razonamiento progresivo aplicando ciertas reglas bien
establecidas.
1.1.1.1
Sintaxis
CHAPTER 1. RAZONAMIENTO
1.1.1.2
Semntica
2. Funciones de 1 argumento
CHAPTER 1. RAZONAMIENTO
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
CHAPTER 1. RAZONAMIENTO
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
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.
CHAPTER 1. RAZONAMIENTO
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.
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
CHAPTER 1. RAZONAMIENTO
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:
CHAPTER 1. RAZONAMIENTO
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:
Se desea obtener la solucin con los nmeros ordenados de forma ascendente, el razonamiento
hacia atrs se muestra en la siguiente figura:
CHAPTER 1. RAZONAMIENTO
11
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
CHAPTER 1. RAZONAMIENTO
1.3
12
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
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.
CHAPTER 1. RAZONAMIENTO
1.3.1.2
13
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
CHAPTER 1. RAZONAMIENTO
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
CHAPTER 1. RAZONAMIENTO
1.3.1.5
15
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
CHAPTER 1. RAZONAMIENTO
16
CHAPTER 1. RAZONAMIENTO
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)
CHAPTER 1. RAZONAMIENTO
18
Inferencia
Reglas:
normal (temp) baja (dosis) : v = 0.33
templada (temp) media (dosis) : v = 1
alta (temp) alta (dosis) : v = 0.33
CHAPTER 1. RAZONAMIENTO
19
Concisin
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
CHAPTER 1. RAZONAMIENTO
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
CHAPTER 1. RAZONAMIENTO
21
Llueve
Llueve
Llueve
Llueve
EnCalle
EnCalle
EnCalle
EnCalle
P (Llueve, EnCalle)
0.01
0.09
0.2
0.7
CHAPTER 1. RAZONAMIENTO
22
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
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: