Documentos de Académico
Documentos de Profesional
Documentos de Cultura
son
Conjunto N Conjunto R de
Conectadas por
de nodos relaciones
Lneas
Puntos Formas Cajas
Geomtricas
Pueden ser
Recta Curva
En el campo de la IA son conocidas las redes neuronales como RNA (red neuronal
artificial), las cuales son un paradigma de aprendizaje y procesamiento automtico inspirado
en la forma en cmo funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexin de neuronas en una red que colabora para producir un estmulo de salidas.
Aunque su estructura vara segn el tipo de red, lo ms usual es que haya tres capas
de neuronas, una de entrada que recoge los estmulos, otra oculta, que procesa la
informacin, y otra de salida, que ejecuta la respuesta. La figura siguiente muestra esta
disposicin.
Redes Semnticas
Los responsables de los primeros esquemas de representacin formalizados fueron
Quillian (1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas tienen
una fundamentacin psicolgica muy slida. Las redes semnticas han sido muy utilizadas
en IA para representar el conocimiento y por tanto ha existido una gran diversificacin de
tcnicas. Los elementos bsicos que encontramos en todos los esquemas de redes son:
1. Estructuras de datos en nodos, que representan conceptos, unidas por arcos que
representan las relaciones entre los conceptos.
2. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de
datos.
Bsicamente podemos distinguir tres categoras de redes semnticas:
1. Redes IS-A, en las que los enlaces entre nodos estn etiquetados.
2. Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y de
relaciones.
3. Redes de marcos o Marcos referenciales.
En general, cuando se habla de redes semnticas se suele hacer referencia a uno
de estos esquemas, normalmente a las redes IS-A o a los esquemas basados en marcos, que
comparten ciertas caractersticas fundamentales. De entre estas caractersticas compartidas
destacamos la herencia. En una red semntica, los conceptos (o estructuras, clases, marcos,
dependiendo del esquema concreto) estn organizados en una red en la que existe un nodo
superior (Top: T) al que se le asigna uno o varios nodos hijos, que a su vez tienen otros
conceptos hijos y as sucesivamente hasta que se alcanza el final (bottom: 1), cuyos nodos ya
no son conceptos sino instancias.
Sin duda el tipo de red semntica por excelencia es el de redes IS-A; de hecho, muchas
veces se menciona este tipo como sinnimo de red semntica.
Una red IS-A es una jerarqua taxonmica cuya espina dorsal est constituida por un
sistema de enlaces de herencia entre los objetos o conceptos de representacin, conocidos
como nodos. Estos enlaces o arcos pueden estar etiquetados como IS-A, SUBSET y A KIND
OF.
Los restantes tipos de redes semnticas son en realidad especializaciones de redes
IS-A. stas son el resultado de la observacin de una gran parte del conocimiento humano
que se busca en la observacin de un subconjunto de elementos como parte de otro
elemento ms general. Los ejemplos siguientes estn basados en una red IS-A
1. Todo perro es un canino.
2. Todo canino es un mamfero.
3. Todo mamfero es un animal.
De esto se obtienen las siguientes proposiciones y el siguiente diagrama IS-A.
1. x (perro(x)) canino (x).
2. Vx (canino (x)) mamfero (x).
3. Vx (mamfero (x)) animal (x)
P (P Q) r
q
___
r
La principal debilidad de la lgica proposicional es su limitada habilidad para expresar
conocimiento. Existen varias sentencias complejas que pierden mucho de su significado
cuando se las representa en lgica proposicional. Por esto se desarroll una forma lgica ms
general, capaz de representar todos los detalles expresados en las sentencias, esta es la
lgica de predicados, tambin llamada lgica cuantificacional.
La lgica de predicados est basada en la idea de que las sentencias realmente
expresan relaciones entre objetos, as como tambin cualidades y atributos de tales objetos.
Los objetos pueden ser personas, objetos fsicos, o conceptos. Tales cualidades, relaciones o
atributos, se denominan predicados. Los objetos se conocen como argumentos o trminos
del predicado.
La lgica de predicados comienza distinguiendo dos clases de trminos: los que
representan individuos (sujetos) y los que representan propiedades (predicados).
El predicado determina al argumento y es considerado por la lgica de predicados
como una nota o caracterstica del sujeto.
De acuerdo a la cantidad del sujeto, pueden clasificarse en:
a) Singulares: el sujeto es un individuo. Ejemplo: Marco Antonio,
b) Universales: los sujetos son una totalidad de individuos: Ejemplo: Todos los
pediatras son mdicos.
c) Particulares: el sujeto es una parcialidad de individuos. Ejemplo: Algunos
musulmanes son talibanes.
Al construir los predicados se asume que su veracidad est basada en su relacin con
el mundo real. Naturalmente, siendo prcticos, trataremos que los predicados que definimos
estn de acuerdo con el mundo que conocemos, pero no es absolutamente necesario que
as lo hagamos. En lgica de predicados el establecer como verdadero un predicado es
suficiente para que as sea considerado. Demos el siguiente ejemplo, que indica que Ecuador
est en Europa:
parte_de(ecuador, europa)
Obviamente, esto no es verdadero en el mundo real, pero la lgica de predicados no
tiene razn de saber geografa y si el predicado es dado como verdadero, entonces es
considerado como lgicamente verdadero. Tales predicados, establecidos y asumidos como
lgicamente verdaderos se denominan axiomas, y no requieren de justificacin para
establecer su verdad.
La lgica de predicados, se ocupa nicamente de mtodos de argumentacin slidos.
Tales argumentaciones se denominan Reglas de Inferencia. Si se da un conjunto de axiomas
que son aceptados como verdaderos, las reglas de inferencia garantizan que slo sern
derivadas consecuencias verdaderas.
Tanto los conectivos lgicos, como los operadores para la lgica proposicional, son
igualmente vlidos en lgica de predicados. De hecho, la lgica proposicional es un
subconjunto de la lgica de predicados.
Cada uno de los argumentos en los ejemplos de predicados dados anteriormente,
representan a un objeto especfico. Tales argumentos se denominan constantes. Sin
embargo, en la lgica de predicados se pueden tener argumentos que en determinado
momento pueden ser desconocidos. Estos son los argumentos tipo variable.
En el ejemplo: color (yerba, X), la variable X, puede tomar el valor de verde, haciendo
que el predicado sea verdadero; o puede tomar el valor de azul, dando lugar a que el
predicado sea falso.
Las variables, tambin pueden ser cuantificadas. Los cuantificadores que tpicamente
se utilizan en lgica de predicados son:
1. El cuantificador universal; indica que la frmula bien formada, dentro de su
alcance, es verdadera para todos los valores posibles de la variable que es cuantificada. Por
ejemplo:
X....
Establece que "para todo X, es verdad que . . . "
2. El cuantificador existencial; , indica que la frmula bien formada, dentro de su
alcance, es verdadera para algn valor o valores dentro del dominio. Por ejemplo:
X....
Establece que "existe un X, tal que . . . "
A continuacin se dan algunos ejemplos de predicados cuantificados:
X, [nio (X) => le_gusta (X, helados)].
Y, [mamfero (Y) => nace (Y, vivo)].
Z, [cartero(Z) ^ mordi (boby, Z)].
3.5. Razonamiento con incertidumbre.
Histricamente los conceptos relacionados con la incertidumbre experimental han
sido pobremente sistematizados. A finales del siglo XX los organismos competentes en la
armonizacin de las ciencias bsicas y aplicadas, como por ejemplo el BIMP, IUPAP o,
recientemente, la ISO, creyeron conveniente establecer un proceso normalizado para
determinar y propagar la incertidumbre de los datos experimentales. La idea es establecer
un consenso internacional para la expresin armonizada de incertidumbres de medida. Las
definiciones resultan un tanto contradictorias con respecto al lenguaje que se vena usando
hasta entonces, desde el mismo concepto de incertidumbre que debe sustituir a lo que se
conoca normalmente como error de una medida. Los conceptos ms importantes en
relacin con la incertidumbre experimental son:
Valor verdadero: Es el valor de una magnitud fsica particular objeto de medida y
asignable a un cuerpo, sustancia o fenmeno. Por el valor de la masa de la Tierra. Es un valor
desconocido por definicin ya que lo nico que puede determinarse es lo que se conoce
como valor medido que se define a continuacin.
Valor medido: Es la expresin numrica del valor de una magnitud fsica particular
obtenido como resultado de una medida experimental.
Error (de la medida): Es la diferencia entre el valor medido y el valor verdadero. El
error de una medida no puede determinarse por cuanto est relacionado con el valor
verdadero (desconocido).
Incertidumbre (absoluta) (u): Es un valor estimado de tal forma que la banda
determinada por x + u y x - u -donde x es el valor medido- contiene con razonable certeza
el valor verdadero de la medida. Tambin se le puede llamar error estimado o
incertidumbre. Es un abuso de lenguaje intercambiar incertidumbre por error. Las ltimas
recomendaciones de la IUPAP, ISO, BIPM, CIPM y CGPM diferencian claramente estos
conceptos y tratan de evitar su confusin.
Incertidumbre relativa (u): rEs el cociente entre la incertidumbre absoluta y el valor
Si entonces
Razonamiento probabilstico
El razonamiento probabilstico segn John McCarthy: el razonamiento probabilstico
es un caso dentro del razonamiento no montono. Cuando la probabilidad que la verdad de
una oracin haya cambiado con respecto a su valor inicial, otras oraciones que
anteriormente tenan alta probabilidad pueden decaer hasta tener probabilidad pequea o
nula. Cuando se configuran los modelos probabilsticos, esto es, cuando se define el espacio
para una muestra de "eventos" susceptibles de recibir diferentes valores de probabilidad, se
est apelando a un razonamiento no-montono ms general, pero la convencin es que esto
no lo hace la computadora sino una persona que razona informalmente.
Teorema de Bayes
El Teorema de BAYES se apoya en el proceso inverso al que describe el Teorema de
la Probabilidad Total: a partir de las probabilidades de un suceso A (probabilidad de que
llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un
accidente). Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un
accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen
tiempo?).
La frmula del Teorema de Bayes es:
Tratar de explicar estar frmula con palabras es un difcil, as que vamos a intentar explicarla con un
ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este teorema tambin exige que el
suceso A forme un sistema completo.
Primer ejemplo.
El parte meteorolgico ha anunciado tres posibilidades para el fin de semana:
Una ltima cuestin: Suponga que asiste a uno de los numerosos programas de
televisin en los que despus de haber hecho el payaso/a (o mostrado sus habilidades) para
diversin de la audiencia, le ofrecen que escoja una de 3 puertas que esconden un gran
regalo (un coche, un apartamento, etc... ) una de ellas y las otras 2 no contienen nada. Tras
elegir usted una, el presentador o presentadora del programa abre una de las que rechaz,
mostrando que no contena nada (esto siempre lo podr hacer, elija usted la que elija) y le
da la oportunidad de plantarse con la que escogi inicialmente o cambiar a la otra que queda
an sin abrir. qu debera hacer?. Tenga en cuenta que despus de conocer el contenido
de una de las puertas que no eligi inicialmente "sabe algo ms que al principio". Una pista:
no es indiferente quedarse con opcin ya elegida o cambiar, uno de los 2 comportamientos
es ms ventajoso que el otro.