Agentes Resumen

Instituto Politcnico Nacional ESIME ZACATENCO
La tcnica al servicio de la patria Ingeniera en Comunicaciones y Electrnica.
Instituto Politcnico Nacional
Escuela Superior de Ingeniera Electrnica
Agentes inteligentes
Resumen de proyectos
MUOZ ALARCON VICTOR RAUL
Grupo 9CM11
Profa. Yazmin Villagrn Villegas
5 de diciembre del 2016

ndice
Agente de planificacin ............................................................................................................3

Incertidumbre............................................................................................................................. 5
Sistema de Produccin ........................................................................................................... 14
Lgica de primer orden...........................................................................................................16
Ingeniera del conocimiento .................................................................................................. 17
Sistemas de programacin lgico ....................................................................................... 20
Toma de decisiones ............................................................................................................... 22
Construccin de un sistema experto ................................................................................... 27
Ingeniera del conocimiento en lo no determinstico........................................................ 32

Agente de planificacin
Desde principios de los aos 70, la comunidad de IA especializada en planificacin
se ha preocupado del problema de diseo de agentes artificiales capaces de
actuar en un entorno.
Dentro de la comunidad de la IA, se ha asumido desde hace tiempo que algn tipo
de sistema planificador debe formar parte de los componentes centrales de
cualquier agente artificial. La planificacin se puede ver como una forma de
programacin automtica: el diseo de un curso de accin que satisfar un cierto
objetivo.
Planificacin es el proceso de bsqueda y articulacin de una secuencia de

acciones que permitan alcanzar un objetivo. La planificacin en la Inteligencia
Artificial, es el procedimiento automtico para encontrar un plan para un problema
concreto. Un plan es una secuencia (lista) de acciones, que llevan de un estado
inicial a un estado final. Los agentes de planificacin son algoritmos de resolucin
de problemas que operan con representaciones proposicionales explcitas (de
primer orden) de estado y acciones. Estas representaciones hacen posible la
obtencin de heursticas efectivas y el desarrollo de poderosos y flexibles
algoritmos para la resolucin de problemas.
Plan es una secuencia (lista) de acciones, que llevan de un estado inicial a un

estado final. Entonces, la planificacin se puede ver como un problema de
bsqueda en un espacio de estados.
Las bsquedas en el espacio de estados pueden operar hacia delante (progresin)

o hacia atrs (regresin). Heursticas efectivas pueden obtenerse aceptando la
hiptesis de sub-objetivos independientes y mediante varias aproximaciones del
problema de planificacin.
Bsqueda progresiva (hacia adelante)
Ineficiente en aplicaciones prcticas. Gran nmero de acciones irrelevantes (no

hacen avanzar el plan) a evaluar en cada estado. Alto factor de ramificacin.
Dificultad para definir heursticas generales tiles.
Bsqueda regresiva (hacia atrs)
Comienza en un objetivo y para cada uno de los estados se generan los posibles
predecesores. Finaliza cuando se alcanza un objetivo que sea cierto en el estado
inicial

Existen dos tipos de planes:
Plan parcialmente ordenado (Partial-order plan).
Plan totalmente ordenado (Total-order plan).
La planificacin clsica considera entornos que son:
Completamente observables: el planificador percibe perfectamente el

estado del entorno y el efecto de sus acciones en el entorno.
Deterministas: se pueden predecir y predefinir los efectos de todas las
acciones.
Discretos: el entorno se puede describir de forma discreta.
El lenguaje STRIPS describe acciones en trminos de sus precondiciones y

efectos y describe el estado inicial y objetivo como secuencias de conjunciones
entre literales positivos. El lenguaje ADL relaja algunas de estas restricciones,
permitiendo la disyuncin, la negacin y los cuantificadores. Es un planificador
automtico utilizado en aplicaciones de robtica. Utiliza un formalismo basado en
la lgica para representar estados y operadores:
Estado inicial
Objetivo
Condiciones (precondiciones y postcondiciones)
Operadores (acciones)
Hay ejemplos que se repiten de forma reiterada en la literatura de Planificacin:
Torres de Hanoi
8-puzzle, 15-puzzle
Mundo de los bloques (Blocks
World)

Incertidumbre
La incertidumbre es la situacin en que el futuro contiene un nmero indeterminado de
resultados posibles, ninguno de los cuales se sabe. En condiciones de incertidumbre, casi
cualquier cosa puede ocurrir. Desde luego se puede estimar cual ser el resultado; pero se
estar a oscuras respecto a las probabilidades que se produzcan.
El diagnstico es una tarea que casi siempre involucra incertidumbre. El conocimiento del
agente puede como mucho proporcionar solo un grado de creencia en las oraciones
relevantes. Nuestra principal herramienta para tratar con grados de creencia ser la teora
de probabilidad, que asigna a cada oracin un grado numrico de creencia entre 0 y 1. La
probabilidad proporciona una manera de resumir la incertidumbre que se deriva de nuestra
pereza e ignorancia. Asignar probabilidad 0 a una oracin determinada corresponde a una
creencia inequvoca de que la oracin es falsa, mientras que asignar una probabilidad de 1
corresponde a una creencia rotunda de que la oracin es cierta. La probabilidad entre 0 y
1 corresponde a grados intermedios de creencias en la veracidad de la oracin. La oracin
en s misma es de hecho o verdadera o falsa.
La presencia de incertidumbre cambia radicalmente el modo en que un agente toma

decisiones. Un agente lgico tiene tpicamente un objetivo y ejecuta cualquier plan que le
garantice alcanzarlo. Una accin puede seleccionarse o rechazarse sobre la base de si
alcanza el objetivo, sin tener en cuenta lo que otras acciones podran alcanzar. Pero este
no es el caso cuando la incertidumbre interviene en la situacin.
Para tomar tales elecciones, un agente debe primero tener preferencias entre las diferentes
consecuencias posibles de los diversos planes. Una consecuencia particular es un estado
completamente especificado. Usaremos la teora de la utilidad para representar y razonar
con preferencias. La teora de la utilidad establece que cada estado tiene un grado de
utilidad, o beneficio, para un agente y que el agente preferir los estados con mayor utilidad.
Una funcin de utilidad puede incluso explicar el comportamiento altruista, simplemente
incluyendo el bienestar de otros como uno de los factores que contribuyen a la utilidad
propia del agente.
La probabilidad es un instrumento para medir los chances de que un evento ocurra.

Cuando se usa probabilidad se expresa la incertidumbre, el lado determinista tiene una
probabilidad de 1 (o cero), mientras que el otro extremo tiene una probabilidad plana
(todas igualmente probables).En los modelos determinsticos, una buena decisin es
juzgada de acuerdo a los resultados. Sin embargo, en los modelos probabilsticos, el
gerente no est preocupado solamente por los resultados, sino que tambin con
la cantidad de riesgo que cada decisin acarrea.
La evaluacin de la probabilidad no es ms que la cuantificacin de la incertidumbre. En

otras palabras, la cuantificacin de la incertidumbre permite comunicar la incertidumbre
entre las personas, como la incertidumbre entre eventos, estados del mundo, creencias,

etc. La probabilidad es la herramienta para comunicar la incertidumbre y para manejar la

incertidumbre (domar el cambio).
Existen tipos diferentes de modelos de decisin que ayudan a analizar distintos

escenarios, dependiendo de la cantidad y el grado de conocimiento que tengamos. Los
tres tipos ms ampliamente utilizados son:
Decisin tomada con pura incertidumbre

Decisin tomada con riesgo
Decisin tomada comprando informacin
En las decisiones tomadas con pura incertidumbre, el decisor no tiene ningn

conocimiento, ni siquiera de la probabilidad de ocurrencia de cualquier estado de la
naturaleza. En estas situaciones, el comportamiento del decisor se basa puramente en su
actitud hacia la incgnita. Algunos de estos comportamientos son los optimistas, los
pesimistas y los de arrepentimiento. Siempre que un decisor tiene cierto conocimiento
sobre los estados puede asignar una probabilidad subjetiva a la ocurrencia de cada
estado. Y cuando lo hace, el problema se clasifica como toma de decisiones bajo riesgo.
Toma de decisiones con pura incertidumbre
Cuando las decisiones se toman con pura incertidumbre, el decisor no tiene conocimiento
de los resultados de ninguno de los estados de la naturaleza y/o es costoso obtener la
informacin necesaria. En tal caso, la decisin depende meramente del tipo de
personalidad que tenga el decisor.
Probabilidad:
Mtodos Probabilsticos Lo que nos permite un mtodo probabilstico es conocer con un

cierto nivel de certeza como se podra comportar un sistema a futuro. A los mtodos que
utilizan variables aleatorias que varan con el tiempo se les conoce como mtodos
estocsticos. Un ejemplo de ellos es el proceso Markoviano, el cual consiste en asociar
probabilidades a cada uno de los posibles resultados dentro de cada lnea de accin para
un determinado tiempo. De esta forma se podr as determinar la probabilidad final de
encontrarse en un estado determinado en el tiempo especificado. El proceso de Markov
analiza y determina la situacin o comportamiento del sistema a futuro empleando las
probabilidades de pasar de un estado a otro para tiempos determinados, por eso se le
considera un mtodo estocstico porque considera nuevas probabilidades para cada
tiempo y/o para cada estado. Generalmente se utiliza una variable discreta de asociacin
de probabilidades a los diferentes estados para simplificar los clculos.
Notacin bsica con probabilidades
Los grados de creencia se aplican siempre a las proposiciones (afirmaciones de que tal o
cual es el caso). La teora de la probabilidad tpicamente usa un lenguaje que es
ligeramente ms expresivo que la lgica proposicional. El elemento bsico del lenguaje es

la variable aleatoria, que puede pensarse como algo que se refiere a una parte del mundo
cuyo estatus es desconocido inicialmente. Las variables aleatorias representan un papel
similar al de las variables PSR en problemas de satisfaccin de restricciones y al de los
smbolos proposicionales en lgica proposicional. Siempre escribimos en mayscula los
nombres los nombres de las variables aleatorias.
Cada variable aleatoria tiene un dominio de posibles valores que puede tomar. El tipo ms
sencillo de proposicin afirma que una variable aleatoria tiene un valor particular tomado
de su dominio.
Las variables aleatorias estn tpicamente divididas en tres clases, dependiendo del tipo
de dominio:
Variables Aleatorias booleanas: Solo pueden tomar dos valores [cierto, falso].
Variables Aleatorias discretas: Este incluye variables como un caso especial,
toman valores de un dominio contable. Los valores del dominio deben ser
mutuamente exclusivos y exhaustivos.
Variables Aleatorias continuas: Toman sus valores de los nmeros reales. El
dominio puede ser o toda la recta real o algn subconjunto como el intervalo [0,1].
Bsicamente, las proposiciones pueden combinarse para construir proposiciones

complejas usando todos los conectivos lgicos estndares. Es til para entender los
fundamentos de la teora de la probabilidad. Un suceso atmico es una especificacin
completa del estado del mundo sobre el que el agente esta inseguro. Puede pensarse en
el como la asignacin de valores particulares de todas las variables que componen el
mundo.
Probabilidad priori
Probabilidad de la que se parte antes de efectuar un experimento que pueda arrojar

nueva informacin sobre dicha probabilidad, para obtener luego la probabilidad revisada o
a posteriori. La distincin entre probabilidad a priori y probabilidad a posteriori es relativa.
La probabilidad a priori o incondicional asociada a una proposicin es el grado de

creencia que se le otorga en ausencia de cualquier otra informacin; y se escribe como
(), este solo se utiliza cuando no hay informacin. Tan pronto como se conozca nueva
informacin, debemos razonar con la probabilidad condicional que da esa nueva
informacin. En ocasiones, queremos hablar de las probabilidades de todos los valores
posibles de una variable aleatoria. En ese caso, usaremos una expresin como
(), que denota un vector de valores que corresponden a las probabilidades de
cada estado individual del tiempo.
Probabilidad condicional

Una vez, que el agente obtiene alguna evidencia referente a las variables aleatorias
desconocidas que constituyen el dominio, las probabilidades priori ya no son aplicables.
En vez de eso, usamos probabilidades a posteriori o condicionales.
En algunos casos, es ms fcil razonar en trminos de probabilidades a priori de

conjunciones, pero mayoritariamente usaremos probabilidades condicionales como
nuestro instrumento para inferencia probabilista.
Recordando que esto denota a un conjunto de ecuaciones relacionando las

correspondientes entradas individuales en las tablas, y no una multiplicacin matricial de
las tablas. Es tentador, pero errneo, ver las probabilidades condicionales como si fueran
implicaciones lgicas a las que se les aade incertidumbre.
Axiomas y leyes:
Los axiomas de la probabilidad:
A continuacin, se describen axiomas bsicos que sirven para definir la escala

probabilista y sus puntos extremos.
Primer Axioma:
La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno
0 () 1
Segundo Axioma:
La probabilidad de que ocurra el espacio muestra debe de ser 1.
() = 1
Las proposiciones necesariamente ciertas (es decir, validas) tienen probabilidad 1, y las
proposiciones necesariamente falsas tienen probabilidad 0.
Tercer Axioma:
Si y son eventos mutuamente excluyentes, entonces
( ) = () + ()
Este Axioma se puede calcular la probabilidad de un suceso compuesto de varias

alternativas mutuamente excluyentes sumando las probabilidades de sus componentes.
Si se tienen eventos mutuamente excluyentes o exclusivos 1 , 2 , 3 , . entonces:
(1 2 . . = (1 ) + (2 ) + . . +( ))

A continuacin, necesitamos un axioma que relacione las probabilidades de las

proposiciones que estn ligadas en trminos lgicos. El modo ms sencillo para hacer
esto es definir la probabilidad de una disyuncin est dada por:
( ) = () + () ( )
Esta regla es ms fcil de recordar si consideramos que los casos donde es valido,
junto con los casos donde es valido, inequvocamente cubren todos los casos donde y
son validos; pero la suma de los dos conjuntos de casos cuentan su interseccin de
veces, as que necesitamos restar ( ).
Utilizacin de los axiomas de probabilidad
Podemos obtener diversos resultados tiles a partir de los axiomas bsicos
A partir del segundo axioma: Cualquier distribucin de probabilidad sobre una sola
variable debe sumar 1. Es tambin cierto que cualquier distribucin de probabilidad
conjunta sobre cualquier conjunto de variables debe sumar 1: esto puede verse
simplemente construyendo una sola mega variable cuyo dominio es el producto
cartesiano de los dominios de las variables originales.

( = ) = 1
=1
Es decir, recuerde que cualquier proposicin es equivalente a la disyuncin de todos los

sucesos atmicos en los que se verifica. Recuerde tambin que los sucesos atmicos
son mutuamente exclusivos, as que la probabilidad de cualquier conjuncin de sucesos
atmicos es cero, por el axioma 2. As, del axioma 3, podemos deducir la siguiente
relacin sencilla: La probabilidad de una proposicin es igual a la suma de las
probabilidades de los sucesos atmicos en los que esta se verifica:
() = ( ) ()
Leyes o Teoremas de la probabilidad:
Teorema 1:
Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser cero.
() = 0

Teorema 2:
La probabilidad del complemento de , debe ser
( ) = 1 ()
Teorema 3:
Si un evento , entonces la () ()
Teorema 4:
La (|) = () ( )
Teorema 5:
Para dos eventos A y B ( ) = () + () ( )

Inferencia usando las distribuciones conjuntas totales
En esta seccin describiremos un mtodo simple para inferencia probabilista, es decir, el

clculo de probabilidades posteriores para proposiciones-pregunta a partir de la evidencia
observada. Usaremos la distribucin conjunta completa como la <<base de
conocimiento>> desde la que se deducirn las respuestas de todas las preguntas.
Durante el desarrollo tambin introduciremos diferentes tcnicas tiles para la
manipulacin de ecuaciones que involucren probabilidades.
Una operacin particular muy comn es obtener la distribucin definida sobre algn
subconjunto de variables o una sola variable. Por ejemplo, sumando las entradas de la
primera fila se obtiene la probabilidad marginal. Este proceso es conocido como
marginalizacin, o sumatoria de eliminacin, porque las variables diferentes a Caries son
sumadas para eliminarlas. Podemos escribir la siguiente regla de marginalizacin general
para cualquier conjunto de variables Y e Z:
() = (, )

Es decir, una distribucin sobre Y puede obtenerse a partir de cualquier distribucin

conjunta que la contenga sumando en todas las dems variables. Una variante de esta
regla involucra probabilidades condicionales en vez de probabilidades conjuntas usando
la regla del producto:
() = (|)()

Esta regla se conoce como condicionamiento. La marginalizacin y el condicionamiento

entraran en accin como reglas tiles para todo tipo de deducciones que incluyan
expresiones probabilistas.
En la mayora de los casos, estaremos interesados en el clculo de probabilidades

condicionales de algunas variables, dada la evidencia sobre otras. Las probabilidades
condicionales pueden hallarse usando primero
( )
(|) =
()

Para obtener una expresin en trminos de probabilidades incondicionales y entonces

calcular la expresin a partir de la distribucin conjunta completa. Por ejemplo, podemos
calcular la probabilidad de una caries, dada la evidencia de dolor de muelas, como sigue:
( )
(| ) =
( )
0.108 + 0.012
= 0.6
0.108 + 0.012 + 0.016 + 0.064
Para verificarlo, calculamos tambin la probabilidad de que no hay caries, dado un dolor
de muelas:
( )
(| ) =
( )
0.016 + 0.064
= = 0.4
0.108 + 0.012 + 0.016 + 0. .064
Ntese que en estos dos clculos el termino 1( ) permanece

constante, sin importar que valor de Caries calculamos. De hecho, puede verse como una
constante de normalizacin para la distribucin (| ),
asegurando que la suma total dar 1.
= 1
La normalizacin funciona como un atajo til en muchos clculos probabilistas. Del

ejemplo, podemos extraer un procedimiento de inferencia general. Seguiremos por el
caso en el que la pregunta abarca a una sola variable. Necesitaremos alguna notacin
(|) = (, ) = (, , )

Donde la sumatoria es sobre todas las posibilidades ys (es decir, todas las combinaciones
de valores posibles de las variables no observadas Y). Ntese que el agrupamiento de las
variables X,E, e Y constituyen el conjunto completo de variables para el dominio, asi

P(X,e,y) es simplemente un subconjunto de probabilidades de la distribucin conjunta

completa. El algoritmo se muestra en la siguiente formula:
() = (, ))

El ciclo sobre loa valores de X y los valores de Y es para contar todos los posibles
sucesos atmicos con e fijo, se suman todas sus probabilidades de la tabla conjunta, y se
normalizan los resultados.
Dada la distribucin conjunta completa con la que operar, es un algoritmo completo para
la respuesta de preguntas probabilistas con variables discretas. Sin embargo, no se
pueden generalizar bien: para un dominio representando por n variables booleanas,
requiere una tabla de entrada de tamao 2 y necesita un tiempo de orden 2 para
procesar la tabla. En un problema realista, estaramos considerando cientos o miles de
variables, y no solo tres. Enseguida se hace completamente impracticable definir el
enorme nmero de probabilidades que se requieren.
Por estas razones, la distribucin conjunta completa en forma de tabla no es una

herramienta practica para la construccin de sistemas de razonamiento. Ms bien debe
verse como el fundamento terico con el que pueden construirse aproximaciones ms
efectivas.

Sistema de Produccin
Componentes:
Memoria de trabajo de un sistema, consiste en una coleccin de asertivas
deducciones.
Base de reglas es el conjunto de sentencias, son las reglas de inferencia
que determinan las acciones que deben tomarse de acuerdo con las
percepciones
Motor de inferencia es la parte del sistema que determina el mtodo de
razonamiento, utiliza estrategias de bsqueda y resuelve conflictos.
Encadenamiento hacia adelante y hacia atrs.
1) Encadenamiento hacia adelante:

A un grupo de mltiples reglas de inferencia, que contiene un problema con
solucin se le denomina cadena. Una cadena que realiza una bsqueda o un
camino desde el problema a la solucin se le llama cadena hacia adelante. El
algoritmo debe comenzar a partir de los hechos conocidos de la base de
conocimientos, si todas las premisas de una implicacin se conocen, entones la
conclusin se aade al conjunto de hechos conocidos.
2)Encadenamiento hacia atrs:

Son un conjunto de teoras o hiptesis hasta llegar a las premisas que soportan tal
hiptesis. Se busca determinar si el objetivo tiene una regla correcta, para eso se
trata de comprobar que cada hiptesis sea correcta lo cual conduce a determinar
otras reglas. De este modo se retrocede a lo largo de las reglas hasta encontrar
hechos que todas las premisas previas sean correctas o que determine que no
son efectivas.
Etapas de un sistema de produccin por encadenamiento.

1) Etapa de comparacin: Durante esa etapa se comparan todos los antecedentes
de cada regla contra los hechos almacenados en la memoria de trabajo. El
resultado de esta etapa es un conjunto de reglas que pueden y deben aplicarse en
cada momento, a esta etapa se le denomina tambin conjunto de conflicto.
2) Etapa de solucin de conflictos: Durante esta etapa se realiza una seleccin de
cada una de las reglas del conjunto conflicto. Esto es cuando existe ms de una.
En esta etapa el resultado ser cada una de las reglas seleccionada para su
aplicacin.
No duplicacin: No ejecutar la misma regla, ni los mismos argumentos dos

veces.
Regencia: Preferir reglas que se refieren a elementos de la memoria de
trabajo creados recientemente.
Especificad: Preferir reglas especificas

Prioridad de operacin: Preferir acciones con prioridad mayor, especificada

por alguna categora
3) Etapa de ejecucin de la regla: Durante esta etapa la regla seleccionada se

ejecuta o se dispara, esto es que se ejecutan las acciones especificadas en su
parte derecha. La regla ejecutada no volver a ser aplicable hasta que no
desaparezca alguno de los hechos que hicieron posible su aplicacin y vuelvan a
acertarse.

Lgica de primer orden

Los lenguajes de representacin del conocimiento deberan ser declarativos,
composicionales, expresivos, independientes del contexto, y no ambiguos. La lgica
de primer orden usa fundamentos de la lgica proposicional y construye una lgica
ms expresiva.
Ambas parten del lenguaje natural que utiliza nombres y sentencias nominales que
se refieren a objetos y verbos, y sentencias verbales que se refieren a la relacin
que existe entre los objetos. Para la lgica de primer orden su constitucin la
podemos ver de la siguiente manera:
Objetos: gente, casas, nmeros, teoras, colores, etc.
Relaciones: o propiedades: Ser color rojo, ser rojo, estas son relaciones unitarias.
Y estn las relaciones n- arias como tener color, ser ms grande que, etc.
Funciones: El padre de, el mejor amigo de, uno mayor que
Las lgicas difieren en sus compromisos ontolgicos y compromisos

epistemolgicos. Mientras que la lgica proposicional se compromete slo con la
existencia de hechos, la lgica de primer orden se compromete con la existencia de
objetos y sus relaciones, y por ello gana poder expresivo.
Un mundo posible, o modelo, se define para la lgica de primer orden como un

conjunto de objetos, las relaciones entre ellos y las funciones que se les puede
aplicar. Los smbolos de constante identifican los objetos, los smbolos de
predicado identifican las relaciones, y los smbolos de funcin identifican las
funciones. Una interpretacin especifica una aplicacin de los smbolos al modelo.
Los trminos complejos aplican smbolos de funcin a los trminos para identificar
un objeto. Dados un modelo y una interpretacin, se determina el valor de verdad
de la sentencia. Una sentencia atmica consiste en un predicado aplicado a uno o
ms trminos; el predicado es verdadero cuando la relacin identificada por el
predicado sucede entre los objetos identificados por los trminos. Las sentencias
compuestas utilizan las conectivas como lo hace la lgica proposicional, y las
sentencias cuantificadas permiten expresar reglas generales.
Desarrollar una base de conocimiento en lgica de primer orden requiere un proceso

cuidadoso para analizar el dominio, escoger el vocabulario y codificar los axiomas
que se necesitan para soportar las inferencias deseadas.

Ingeniera del conocimiento
El conocimiento se refiere al aprendizaje que cada persona tiene por s misma, en

el cual intervienen procesos como solo son el adquisitivo y el de almacenamiento
del conocimiento el cual tiene el objetivo de incrementar la capacidad del individuo
para realizar acciones afectivas.
Tipos de conocimiento
Conocimiento declarativo: Expresa desde un hecho o atributo posedo por un objeto,
persona o concepto abstracto y una o varias relaciones entre estos.
Conocimiento procedural: consiste en un conjunto de reglas basadas en

conocimiento que los expertos usan en la solucin de los problemas.
Meta conocimiento: Es el conocimiento sobre el propio conocimiento y la

experiencia.
Ingeniero del conocimiento (ICO)
Es un especialista informtico, el cual tiene los conocimientos profundos sobre el

desarrollo y ejecucin de sistemas basados en el conocimiento como en un sistema
experto.
Definicin de ingeniera del conocimiento
Definicin estricta: La ingeniera del conocimiento tiene que ver con la adquisicin,
representacin, validacin, inferenciacin, explicacin y mantenimiento del
conocimiento.
Definicin amplia: La ingeniera del conocimiento describe el proceso de desarrollo

y mantenimiento de sistemas de inteligencia artificial.
La ingeniera del conocimiento est constituida por tres procesos bsicos:
1. Adquisicin del conocimiento: fase en la cual mediante expertos humanos en

el dominio del conocimiento
2. Representacin del conocimiento: el ingeniero del conocimiento se encarga
de codificar y hacer explicitas las reglas u otros procedimientos, para que los
expertos humanos sean capaces de resolver problemas reales.
3. Base del conocimiento: ltima fase en la cual la informacin se entrega tal y
como llega, ya que el orden no influye en los resultados obtenidos.. Su
estructura es la siguiente: para unas ciertas causas, unos efectos o para

determinadas condiciones ciertas consecuencias. Esto se define a menudo

como programacin orientada a reglas
Procesos fundamentales de la ingeniera del conocimiento
Adquisicin del conocimiento (AC)
Fuente del conocimiento esttica: el conocimiento no se puede variar por lo cual se

debe seleccionar las fuentes ms apropiadas que estn relacionadas con el
problema para adquirir los conocimientos bsicos del dominio, todo aquel
conocimiento tangible a nosotros, por ejemplo, un libro, una revista, un artculo, una
pelcula, etc.
Fuente de conocimiento dinmica: variable, cambiante e inexacta, basado en

experiencia entre otros. El hombre realiza parte de este tiempo de fuente, en
particular, el experto.
Etapas de la adquisicin del conocimiento:
1. Identificacin: En esta etapa el problema y sus caractersticas principales son

reconocidas. El problema se desglosa en subproblemas, los participantes
son identificados y se describen los recursos. El ingeniero del conocimiento
aprende de la situacin y lo plasma todo cumpliendo con el propsito de la
aplicacin de IA.
2. Entendimiento: Determina los conceptos y las relaciones usadas.
3. Formalizacin.: el conocimiento es adquirido por la representacin en la base
de conocimiento. La forma en la cual el conocimiento es organizado y
representado pueda determinar la metodologa de adquisicin.
4. Implementacin: en esta etapa se involucra la programacin del
conocimiento en la computadora. Un prototipo de SE es desarrollado en esta
etapa.
5. Pruebas: El ingeniero prueba el sistema por medio de ejemplos. Los
resultados son mostrados al experto humano y las reglas son revisadas de
ser necesario.
Representacin del conocimiento (Knowledge Representation KR)
Es un proceso que consiste en llevar el conocimiento extrado de las fuentes y

represntalo en una forma intangible, es decir, que sea entendible para quienes lo
utilicen.

1. Reglas de lgica simblica: La forma ms bsica de la representacin formal

del conocimiento es la booleana o proposicional, en la cual cada proposicin
o hecho es representado por un smbolo y se evala su verdad o su falsedad.
2. Redes semnticas: Tambin llamada red asociativa, se basa en la
representacin grfica de las relaciones entre los elementos de un dominio,
los componentes bsicos son los nodos y los enlaces. Los nodos son usados
para representar elementos del dominio, un atributo un estado una entidad,
o un evento grficamente se muestran como rectngulos rotulados con los
nombres de los elementos representados.
3. Arboles de decisiones: Se conceptualiza como la representacin de los
espacios de bsqueda de soluciones a un problema, donde el tamao de
cada espacio de bsqueda est dado por el nmero de nodos en el rbol.
4. Frames: se trata de estructuras de datos para la representacin de objetos.
Un frame es la divisin de objetos, o tambin de situaciones, en sus
componentes. Estos componentes son introducidos en los slots
correspondientes del frame.
5. Diagramas lgicos: representacin del conocimiento se puede clasificar en
dos clases de esquemas:
Declarativos: La representacin del conocimiento hace nfasis en la
acumulacin de hechos estticos junto con una informacin limitada
que describe cmo se va a emplear el conocimiento.
Esquemas procedimentales: enfatiza la representacin del
conocimiento en forma de reglas dinmicas que describen
procedimientos para usar el conocimiento.

Sistemas de programacin lgico
Estudia el uso de la lgica para el planteamiento de problemas y el control sobre

las reglas de inferencia para as alcanzar una solucin automtica. Programacin
que permite al software razonar hacer razonamientos de tipo inductivo o
deductivo, tiene como caracterstica principal la aplicacin de las reglas de la
lgica para inferir conclusiones a partir de datos. Esta forma de tratamiento de la
informacin permite pensar la existencia de programas inteligentes que puedan
responder, no por tener en la base de datos todos los conocimientos, sino por
poder inferirlos a travs de la deduccin. Un programa lgico no tiene un algoritmo
que indique los pasos que detallen la manera de llegar a un resultado, sino que
est formado por expresiones que describen la solucin (o ms precisamente, la
declaran). De esta manera, la clave para hacer un programa lgico es poder
explicitar una declaracin que describa correctamente la solucin del problema, el
sistema internamente es el que proporciona la secuencia de control.
No existe el concepto de asignacin de variables, sino el de unificacin, no hay un

estado de las variables que se vaya modificando por sucesivas asignaciones,
generalmente asociadas a posiciones de memoria, sino que las variables asumen
valores al unificarse o ligarse con valores particulares temporalmente y se van
sustituyendo durante la ejecucin del programa.
Un programa lgico contiene una base de conocimiento sobre la que se hacen

consultas. La base de conocimiento est formada por hechos, que representan la
informacin del sistema expresada como relaciones entre datos, y por reglas
lgicas que permiten deducir consecuencias a partir de combinaciones entre los
hechos y, en general, otras reglas. Se construye especificando la informacin del
problema real en una base de conocimiento en un lenguaje formal y el problema
se resuelve mediante un mecanismo de inferencia que acta sobre ella. As pues,
una clave de la programacin lgica es poder expresar apropiadamente todos los
hechos y reglas necesarios que definen el dominio de un problema.
Regla: implicacin o inferencia lgica que deduce nuevo conocimiento, la regla

permite definir nuevas relaciones a partir de otras ya existentes
Ej:
Mortal (x): - humano(x)
x es mortal si x es humano
Hecho: declaracin, clusula o proposicin cierta o falsa, el hecho establece una

relacin entre objetos y es la forma ms sencilla de sentencia.

Una lgica tambin debe definir la semntica del lenguaje. Si lo relacionamos con
el lenguaje hablado, la semntica trata el significado de las sentencias. En
lgica, esta definicin es bastante ms precisa. La semntica del lenguaje define
el valor de verdad de cada sentencia respecto a cada mundo posible.
La programacin lgica comprende dos paradigmas de programacin:

La programacin declarativa
La programacin funcional.
Robert Kowalski establece la siguiente funcin sobre los lenguajes lgicos:

Algoritmos = lgica + control
Lgica (programador): Hechos y reglas para representar conocimiento. Control

(interprete): Deduccin lgica para dar respuestas (soluciones). La programacin
lgica construye base de conocimientos mediante reglas y hechos.
CAMPOS DE APLICACIN
1. Sistemas Expertos, donde un Sistema de informacin mita las recomendaciones
de un experto sobre algn dominio de conocimiento.
2. Demostracin automtica de teoremas, donde un programa genera nuevos
teoremas sobre una teora existente.
3. Reconocimiento de lenguaje natural, donde un programa es capaz de
comprender (con limitaciones) la informacin contenida en una expresin
lingstica humana.
4. Inteligencia artificial
5. Sistemas de informacin
LENGUAJES DE PROGRAMACION LOGICA

Un lenguaje es el CLP pero el lenguaje de programacin lgica por excelencia es
el PROLOG.
En la programacin lgica, se trabaja de una forma descriptiva, estableciendo

relaciones entre entidades, indicando no cmo, sino qu hacer.

Toma de decisiones
Un agente capaz de tomar una decisin puede adoptar decisiones en situaciones
en las que un agente lgico no tiene forma de decidir debido a la presencia de
incertidumbre y objetivos contradictorios. En efecto, un agente basado en objetivos
maneja una dicotoma entre estados buenos (objetivo) y malos (no objetivo),
mientras que un agente basado en la teora de la decisin maneja una medida
cuantitativa de la calidad de los estados.
Teora de utilidad
Intuitivamente, el principio de Mxima Utilidad Esperada (MEU) aparenta ser una

forma razonable para tomar decisiones, pero obviamente no es la nica va
razonable de hacerlo.
Un agente racional puede tener una estructura de preferencias demasiado

compleja como para ser representada por un nico nmero real asociado a cada
estado.
Ordenacin: dados dos estados cualesquiera, un agente racional debe ser capaz
de, o bien preferir uno de ellos, o bien establecer ambos igualmente preferibles. Es
decir, el agente no puede evitar tomar una decisin.
Transitividad: dados tres estados cualesquiera, si un agente prefiere A frente a B y

a B sobre C, entonces el agente debe preferir A sobre C.
Continuidad: si existe algn estado B entre A y C en la relacin de preferencia,

entonces existe un valor de probabilidad p para el que al agente racional le es
indiferente entre considerar como seguro el estado B y la lotera que establece el
estado A con probabilidad p y al estado C con probabilidad 1 - p.
Sustitucin: si un agente es indiferente entre dos loteras, A y B, entonces el

agente es indiferente entre dos loteras ms complejas en las que aparecen A y B,
pero en una de ellas se sustituye B por A. Esto es as, sin importar las
probabilidades involucradas, ni el resto de resultados posibles en las loteras.

Monotonicidad: supngase que existen dos loteras que tienen dos resultados
posibles e iguales, A y B. Si un agente prefiere a A frente a B, entonces el agente
debe preferir la lotera que presenta una mayor probabilidad para A (y viceversa).
Descomposicin: las loteras compuestas pueden reducirse a una forma ms

simple empleando las propiedades de la teora de la probabilidad. A este axioma
se le conoce como la regla de no diversin en el juego ya que establece que
dos loteras consecutivas se pueden reducir en una nica lotera equivalente.
Los axiomas de la teora de la utilidad no dicen nada acerca de la utilidad,

simplemente se refieren a las relaciones de preferencia.
La preferencia se asume que es una propiedad bsica de los agentes racionales.

La existencia de una funcin de utilidad se deriva de los axiomas de utilidad:
Principio de utilidad
Si las preferencias de un agente obedecen a los axiomas de utilidad entonces

existe una funcin real U asociada a cada estado de forma que se tiene que U(A)
>U(B) si, y slo si, se prefiere A frente a B, y U(A) = U(B) si, y slo si, el agente se
muestra indiferente ante A o B.
Principio de mxima utilidad esperada
La utilidad de una lotera es la suma de la probabilidad de cada resultado

multiplicada por la utilidad de cada resultado.
Funcin de utilidad
La utilidad es una funcin que establece una correspondencia entre los estados y
el conjunto de los nmeros reales. De manera menos estricta esto quiere decir
que un agente puede tener tantas preferencias como quiera.
Las preferencias de los agentes reales son, por lo general, sistemticas.

Recprocamente, existen formas sistemticas de definir funciones de utilidad que,

una vez implementadas en un agente artificial, pueden generar los tipos de

comportamiento que se desean.
La teora de la utilidad tiene sus races en la economa, la cual proporciona un

candidato para la medida de la utilidad. El dinero.
Si se centra la atencin a las acciones que exclusivamente afectan a la cantidad

de dinero que tiene un agente, se pone de manifiesto que, por lo general, lo que el
agente prefiere es tener ms dinero, manteniendo igual el resto de recursos que
posea. Se dice pues, que el agente presenta una preferencia montona (siempre
creciente) por el dinero. Sin embargo, esta condicin no es suficiente para
garantizar que el dinero se comporta como una funcin de utilidad ya que no se
dice nada acerca de las preferencias sobre loteras que se refieren al dinero.
Los axiomas de la teora de la utilidad no especifican una nica funcin de utilidad

para un agente, conocidas sus preferencias. Por ejemplo, puede transformarse
una funcin de utilidad U(S) en otra como:
donde k1 es una constante y k2 es cualquier constante positiva. Claramente, esta

transformacin lineal mantiene el comportamiento del agente inalterado.
Un procedimiento para valorar utilidades es establecer una escala que determine

el mejor premio posible en el punto que se cumpla U(S) = SUP(u), es decir, el
valor mayor de u, y la peor catstrofe posible en U(S) = INF(u). Los valores de
utilidad normalizados emplean la escala en la cual INF(u) = 0 y SUP(u) = 1. Los
valores de utilidad de resultados intermedios se establecen solicitando al agente
que indique una preferencia entre un posible estado resultante S y una lotera
estndar [p, INF(u); (1 _ p), SUP(u)]. La probabilidad p se ajusta hasta que el
agente se muestre indiferente frente a S y a la lotera estndar. Suponiendo que
los valores de utilidad estn normalizados, la utilidad de S viene dada por el valor
de p.
Utilidad multiatributo
En el mbito de la administracin pblica, los factores a tener en cuenta en la

toma de decisiones se refieren tanto a factores econmicos como de salud y
seguridad de los ciudadanos.
Se emplear la notacin X = X1, ..., Xn para denotar a un conjunto de atributos, y

el vector x =<x1, ..., xn> para denotar una asignacin completa de valores a

atributos. Por lo general, se entiende que cada atributo tiene un valor discreto o un
valor escalar continuo. Para simplificar, se supondr que cada atributo se define
de tal forma, que un valor mayor para un atributo se corresponde con una mayor
utilidad, siempre y cuando se consideren igual el resto de atributos. Por ejemplo, si
se considera la AusenciaDeRuido como un atributo en el problema del
emplazamiento del aeropuerto, entonces, conforme aumenta su valor, mejor ser
la solucin. En algunos casos, puede ser necesario dividir el rango de valores de
un atributo de forma que la utilidad crezca montonamente dentro de cada rango.
Estructura de preferencia y de utilidad multiatributo
Supngase que se tienen n atributos, cada uno de los cuales tiene d valores
posibles diferentes. Para especificar por completo la funcin de utilidad U(x1, ...,
xn) se necesitan de n valores en el peor caso. Ahora, el peor caso se corresponde
con la situacin en la cual, las preferencias del agente no tienen una completa
regularidad. La teora de la utilidad multiatributo se fundamenta sobre la hiptesis
de que las preferencias de los agentes tpicos tienen mucha ms estructura que el
caso planteado. La aproximacin bsica es identificar regularidades en el
comportamiento preferencial que se esperara observar y utilizar lo que se
denominan teoremas de representacin para demostrar que un agente con una
estructura de preferencia determinada tiene una funcin de utilidad de la forma
Redes de decisin
Es un mecanismo cuyo propsito es la toma de decisiones de forma racional.
Las redes de decisin combinan las redes Bayesianas con dos tipos de nodos
adicionales para expresar acciones y utilidades.
Representacin de un problema mediante una red de decisin.
En su forma ms general, una red de decisin representa informacin sobre el

estado actual del agente, sus posibles acciones, el estado que resultar de la
accin del agente y la utilidad del estado resultante. Por lo tanto, este formalismo
proporciona una forma de implementar agentes basados en utilidad.
Tipos de nodos que se utilizan en una red de este tipo:
Nodos aleatorios (elipses) representan variables aleatorias y se interpretan igual

que los nodos de una red Bayesiana. El agente puede tener incertidumbre acerca
del coste de construccin, la densidad de trfico areo y la posibilidad de plantear

recursos legales. Cada nodo aleatorio tiene asociada una distribucin de

probabilidad condicionada para cada combinacin de valores de sus padres. En
las redes de decisin, pueden ser padre de un nodo aleatorio tanto otro nodo
aleatorio como un nodo de decisin. Ntese que cada nodo aleatorio del estado
actual puede formar parte de una red de Bayes mayor.
Nodos de decisin (rectngulos) representan puntos donde el sujeto decisor tiene

que elegir una de las acciones posibles.
Nodos de utilidad (rombos) representan las funciones de utilidad del agente. El

nodo de utilidad tiene como padres a todas aquellas variables descriptivas que
influyen directamente sobre el valor de utilidad. Asociado con cada nodo de
utilidad, se tiene una descripcin de la utilidad del agente como una funcin de los
atributos padre. La descripcin puede ser tanto una representacin tabular de la
funcin como una funcin parametrizada de tipo aditivo o multiplicativo.
Tambin en muchos casos se utiliza una forma simplificada. La notacin no se

modifica, pero los nodos aleatorios intermedios, aquellos que describen el estado
resultante, se omiten.

Construccin de un sistema experto
Diseo es el proceso de especificar una descripcin de un artefacto que satisface

varias caractersticas desde un nmero de fuentes de conocimiento.
El diseo se concibe de distintas formas:
El diseo en ingeniera es el uso de principios cientficos, informacin tcnica e

imaginacin en la definicin de una estructura mecnica, mquina o sistema que
ejecute funciones especficas con el mximo de economa y eficiencia.
El diseo industrial busca rectificar las omisiones de la ingeniera, es un intento

consciente de traer forma y orden visual a la ingeniera de hardware donde la
tecnologa no provee estas caractersticas.
Los sistemas expertos en diseo ven este proceso como un problema de

bsqueda de una solucin ptima o adecuada. Las soluciones alternas pueden ser
conocidas de antemano o se pueden generar automticamente probndose
distintos diseos para verificar cules de ellos cumplen los requerimientos
solicitados por el usuario, esta tcnica es llamada generacin y prueba, por lo
tanto estos SE son llamados de seleccin. En reas de aplicacin, la prueba se
termina cuando se encuentra la primera solucin; sin embargo, existen problemas
ms complejos en los que el objetivo es encontrar la solucin ptima.
La construccin de un sistema experto no es una tarea sencilla, debido a que

involucra mucha participacin de distintas personas, cada una de las cuales
aportar algo para que el SE a desarrollar sea robusto y fcil de usar y mantener.
Adems se deben hacer varias elecciones en cuanto al desarrollo del Sistema
Experto.
A quin concierne?
Quin va a crear el?
Quin lo emplear (Seccin, funcin y nivel)?
Para qu sirve el sistema?
Dnde va a ser utilizado?
Va a ser repartido en varias copias o se utilizar localmente?

Se utilizar en el interior de la empresa (en el estudio, la oficina, etc.) o en el

exterior (representantes, clientes, etc.)?
Cmo va a utilizarse?
Funcionar de forma autnoma?
Va a ser utilizado por expertos para mejorar su rendimiento?
Va a ser utilizado por personal especialmente preparado para manejarlo?
Cules sern sus relaciones con otros sistemas: bases de datos, tableros,...?
Existen problemas de datos confidenciales?
Funcionar con medios tradicionales?
En qu plazo desea que se realice el sistema?
Se emplear escasa o frecuentemente?
Debido a que la estructuracin e implementacin del conocimiento del experto

requiere una gran cantidad de trabajo, slo valdr la pena realizar el esfuerzo de
crear un Sistema Experto cuando un conocimiento sea vlido durante un largo
espacio de tiempo y vaya a ser utilizado por el mayor nmero de personas.
Cunto aportar?
Se puede cifrar su uso en trminos de productividad, de reduccin de costos de

mantenimiento, de mejora de las condiciones de trabajo y de la calidad de sus
productos?Resultar en una mejora en el servicio para el cliente o el usuario?
Ahora bien, realizar un Sistema Experto pero para qu?
Para empezar como su nombre lo indica, un Sistema Experto est encaminado a

los conocimientos de un experto. Un experto como se ha explicado anteriormente
es aqul que domina perfectamente un dominio por elemental que sea ste.
La identificacin de un problema en la empresa puede hacerse buscando a los

expertos cuya desaparicin causara a la empresa una prdida.
Sin llegar al extremo de la prdida del experto. Se pueden mencionar algunos

rasgos que pueden implicar una especie de prdida del experto por parte de la
empresa:

La experiencia existe pero la difusin se distribuye mal ya que el experto

difcilmente esta accesible.
Varios expertos son necesarios y no se puede confrontar a todos ellos al mismo

tiempo.
Los mtodos de resolucin de problemas o la aplicacin de reglas difieren segn

los sectores y las personas, que las interpretan a su manera.
Finalmente, se puede proceder a una encuesta exhaustiva en todos los niveles de

la empresa (agrupando por sector, jerarqua, etc.).
Una vez hecho esto, se debe definir el tipo de problema que se tiene. Existen
muchos tipos como:
Problemas resolubles pero con tiempos largos de espera. Un sistema experto

puede mejorar notablemente estos procesos. Cuando la informacin es muy
somera o intuitiva (como en el caso de operaciones de divisas de los bancos) un
SE no es una buena opcin. Y, adems, existe el tipo de problemas que requieren
del manejo de grandes cantidades de conocimiento claro y cualitativo (este es el
tipo de problemas ms aprovechado en la eleccin de un SE).
Una vez que se detect el problema, simplemente debe justificarse ante los
intereses de la empresa. Debemos cuestionarnos si los conocimientos que se
manejarn constituyen un patrimonio para la empresa tal que amerite el desarrollo
del sistema de informacin y si realmente perjudica a la empresa el que alguno de
los problemas que se intentan resolver mediante sistemas expertos no se resuelve
rpida o adecuadamente.
Adems de las cuestiones anteriores, se puede ver la viabilidad de la aplicacin de

un SE si el proceso en el cual queremos implantar un SE cumple las siguientes
condiciones:
*Evitar fallos en labores rutinarias complejas.
*Ampliar de forma ms rpida los conocimientos de los especialistas.
*Diagnosticar los fallos con mayor rapidez y conseguir tareas de planificacin ms

completas y consistentes.
Metodologa :
En el desarrollo de Sistemas Expertos se nos plantean dos importantes riesgos:

No existen implementaciones similares que puedan servir de orientacin al

encargado del desarrollo en casi la totalidad de los casos.
En muchos puntos, los requisitos necesarios estn esbozados con muy poca
precisin.
Un mtodo efectivo es la implementacin de un prototipo de Sistema Experto que

permita llevar a cabo las funciones ms importantes de ste, aunque con un
esfuerzo de desarrollo considerablemente inferior al de una implementacin
convencional.
Metodologa Orientada a Objetos
La programacin orientada a objetos (OOP en adelante) es un tipo de

programacin que provee una manera de modularizar programas estableciendo
reas de memoria particionadas para datos y procedimientos, que pueden ser
usadas como plantillas para crear copias de tales mdulos conforme se requieran.
Cada rea de memoria a la que se refiere en el prrafo anterior es conocida como

clase, mientras que las copias creadas a partir de la clase son llamadas objetos.
La OOP tiene varias propiedades, entre los cuales destacan:
Abstraccin. Permite enfocarse en la solucin general del problema, sin

preocuparse de los detalles.
Encapsulacin. Es el concepto de que un objeto debera tener separada su

interfaz de su implementacin. Es decir, un objeto es visto como una caja negra.
Polimorfismo. Significa que un objeto se puede comportar de diversas maneras,

dependiendo del contexto en el que se encuentre.
Herencia. Significa que se pueden crear clases que hereden el comportamiento

de una o ms clases padre; y que adems aadan su propio comportamiento.
El Equipo de Desarrollo
Para desarrollar un SE primero se debe conocer el equipo de gente necesario,

despus los mtodos que utiliza ese equipo de gente y por ultimo cmo prueban y
construyen prototipos de software para terminar en el sistema final.
El experto. La funcin del experto es la de poner sus conocimientos

especializados a disposicin del Sistema Experto.

El ingeniero del conocimiento. Es el ingeniero que plantea las preguntas al

experto, estructura sus conocimientos y los implementa en la base de
conocimientos.
El usuario. El usuario aporta sus deseos y sus ideas, determinando especialmente

el escenario en el que debe aplicarse el Sistema Experto.

Ingeniera del conocimiento en lo no determinstico

Antecedentes
Los sistemas basados en reglas generalmente no tienen en cuenta la

incertidumbre. (Sistemas deterministicos).
Los objetos y reglas son tratados de forma determinista
En los primeros sistemas expertos que se hicieron eco de este problema, se eligi
la probabilidad como medida
para tratar la incertidumbre.
Definicin
Los sistemas expertos de tipo no deterministico son los que se basan en la

probabilidad como una
medida de incertidumbre.
La mayora de las crticas a los mtodos probabilsticos se basaban en:
El altsimo n parmetros necesarios
La imposibilidad de una asignacin o estimacin precisa de estos
Las hiptesis poco realistas de independencia.
Redes Probabilsticas (Red de creencia)
Definicin: Es un mecanismo para la representacin del conocimiento

probabilstico. Est ms bien
relacionado con sistemas expertos.
Con la aparicin de las redes probabilsticas (principalmente las redes Bayesianas

y Markovianas), la
probabilidad ha resurgido de forma espectacular, siendo hoy en da, la ms

intuitiva y la ms aceptada
de las medidas de incertidumbre.
Las redes de creencia Se describen en detalle sus principales componentes,

analizando: La estructura de la base

de conocimiento, el motor de inferencia, el sistema de control de coherencia. Y se

comparan con los sistemas
expertos basados en reglas.
Material bsico que ser utilizado posteriormente:
Medida de probabilidad.
Distribuciones de probabilidad.
Dependencia e independencia.
Teorema de Bayes.
Tipos de errores.

Agentes Resumen

Cargado por

Información del documento

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

Agentes Resumen

Cargado por

Copyright:

Formatos disponibles

Instituto Politcnico Nacional ESIME ZACATENCO

La tcnica al servicio de la patria Ingeniera en Comunicaciones y Electrnica.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera Electrnica

MUOZ ALARCON VICTOR RAUL

Profa. Yazmin Villagrn Villegas

5 de diciembre del 2016

Agente de planificacin ............................................................................................................3

Planificacin es el proceso de bsqueda y articulacin de una secuencia de

Plan es una secuencia (lista) de acciones, que llevan de un estado inicial a un

Las bsquedas en el espacio de estados pueden operar hacia delante (progresin)

Bsqueda progresiva (hacia adelante)

Ineficiente en aplicaciones prcticas. Gran nmero de acciones irrelevantes (no

Bsqueda regresiva (hacia atrs)

Existen dos tipos de planes:

Plan parcialmente ordenado (Partial-order plan).

Plan totalmente ordenado (Total-order plan).

La planificacin clsica considera entornos que son:

Completamente observables: el planificador percibe perfectamente el

El lenguaje STRIPS describe acciones en trminos de sus precondiciones y

Hay ejemplos que se repiten de forma reiterada en la literatura de Planificacin:

La presencia de incertidumbre cambia radicalmente el modo en que un agente toma

La probabilidad es un instrumento para medir los chances de que un evento ocurra.

La evaluacin de la probabilidad no es ms que la cuantificacin de la incertidumbre. En

etc. La probabilidad es la herramienta para comunicar la incertidumbre y para manejar la

Existen tipos diferentes de modelos de decisin que ayudan a analizar distintos

Decisin tomada con pura incertidumbre

En las decisiones tomadas con pura incertidumbre, el decisor no tiene ningn

Toma de decisiones con pura incertidumbre

Mtodos Probabilsticos Lo que nos permite un mtodo probabilstico es conocer con un

Notacin bsica con probabilidades

Bsicamente, las proposiciones pueden combinarse para construir proposiciones

Probabilidad de la que se parte antes de efectuar un experimento que pueda arrojar

La probabilidad a priori o incondicional asociada a una proposicin es el grado de

En algunos casos, es ms fcil razonar en trminos de probabilidades a priori de

Recordando que esto denota a un conjunto de ecuaciones relacionando las

Los axiomas de la probabilidad:

A continuacin, se describen axiomas bsicos que sirven para definir la escala

La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno

La probabilidad de que ocurra el espacio muestra debe de ser 1.

Si y son eventos mutuamente excluyentes, entonces

Este Axioma se puede calcular la probabilidad de un suceso compuesto de varias

Si se tienen eventos mutuamente excluyentes o exclusivos 1 , 2 , 3 , . entonces:

A continuacin, necesitamos un axioma que relacione las probabilidades de las

Utilizacin de los axiomas de probabilidad

Podemos obtener diversos resultados tiles a partir de los axiomas bsicos

Es decir, recuerde que cualquier proposicin es equivalente a la disyuncin de todos los

Leyes o Teoremas de la probabilidad:

La probabilidad del complemento de , debe ser

Para dos eventos A y B ( ) = () + () ( )

Inferencia usando las distribuciones conjuntas totales

En esta seccin describiremos un mtodo simple para inferencia probabilista, es decir, el

Es decir, una distribucin sobre Y puede obtenerse a partir de cualquier distribucin

Esta regla se conoce como condicionamiento. La marginalizacin y el condicionamiento

En la mayora de los casos, estaremos interesados en el clculo de probabilidades

Para obtener una expresin en trminos de probabilidades incondicionales y entonces

Ntese que en estos dos clculos el termino 1( ) permanece

La normalizacin funciona como un atajo til en muchos clculos probabilistas. Del

P(X,e,y) es simplemente un subconjunto de probabilidades de la distribucin conjunta

Por estas razones, la distribucin conjunta completa en forma de tabla no es una

Encadenamiento hacia adelante y hacia atrs.

1) Encadenamiento hacia adelante:

2)Encadenamiento hacia atrs:

Etapas de un sistema de produccin por encadenamiento.