Captulo 3

Representacin del Conocimiento y Razonamiento

3.1. Sistemas basados en conocimiento.

Los Sistemas basados en Conocimiento representan un paso delante de los sistemas
de informacin convencionales al pretender representar funciones cognitivas del ser
humano como el aprendizaje y el razonamiento. Esta clase de aplicaciones descansan en las
contribuciones de la Inteligencia Artificial en lo general y en la Ingeniera del Conocimiento
en lo particular. Su orientacin es la automatizacin del anlisis de problemas, la bsqueda
de soluciones, la toma de decisiones y el empleo de conocimiento especializado en un campo
especfico de aplicacin.
Entre los productos ms significativos de los Sistemas basados en Conocimiento se
encuentran los Sistemas Expertos, los cuales estn encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento para
tareas de diagnstico, enseanza y control.
La composicin de los Sistemas basados en Conocimiento consta de: Un mecanismo
de aprendizaje, una base de conocimientos, un motor de razonamiento, y medios de
comunicacin hombre-mquina. Por tal motivo, en este ejemplar se dedica un captulo para
tratar cada uno de esos temas, en los que se expone los procedimientos que se realizan para
la confeccin de los componentes y se describe las estructuras de representacin de
conocimiento apropiadas para su organizacin.
Los sistemas de informacin mecanizados son concebidos e implementados como
instrumentos que procesan informacin con el propsito de: a) apoyar la toma de decisiones,
b) contener conocimiento tcnico, c) reducir a un grado mnimo el error humano, d)
automatizar las operaciones repetitivas, e) transmitir informacin dentro de la organizacin,
f) reducir el tiempo de realizacin de las operaciones, g) bajar costo, h) facilitar la tarea del
usuario, i) ofrecer informacin completa eficiente, veraz y oportuna. J) manipular grandes
volmenes de informacin, y k) satisfacer las necesidades del usuario.
 Los sistemas basados en conocimiento se consideran una extensin -un paso
tecnolgico- de los sistemas de informacin cuyos alcances y complejidad son mayores.
Entre sus propsitos destacan: aprender, evolucionar, adaptar, razonar, tomar decisiones,
contener conocimiento emprico, mundano y del lenguaje, analizar problemas, generar
alternativas de solucin, emular al experto humano, y generar conocimiento a partir del que
ya se posee.

Propiedades de los Sistemas Basados en Conocimiento

Entre las caractersticas ms relevantes de los sistemas basados en conocimiento
estn: procedimientos no algortmicos, manejo de incertidumbre, 0 o ms soluciones,
conocimiento tcnico y cientfico, busca generar la solucin ptima, manipulacin de
conocimiento no monotnico, procesos interactivos, aprendizaje de los fracasos, empelo de
mtodos para la representacin del conocimiento, capacidad para explicar su propio
razonamiento, cuestionamiento y emisin de conclusiones, uso de bsquedas heursticas,
representacin de conocimiento especializado del campo de aplicacin, pueden utilizar
razonamiento con base en probabilidades, creencias, pertenencias y suposiciones,
procesamiento simblico, utilizan sistema de mantenimiento de la verdad para afirmaciones
y negaciones cambiantes, y datos cualitativos ms que cuantitativos.

Tipos de Aplicaciones de los Sistemas Basados en Conocimiento

El mbito de aplicacin de los sistemas basados en conocimiento incluye: lenguaje natural,
realidad virtual, redes neuronales, juegos, sistemas expertos, robtica, sistemas de
planeacin, reconocimiento de imgenes, traductores, solucin de problemas, sistemas
evolutivos, aprendizaje, y sistemas de tutoriales.

3.2. Mapas conceptuales.

Los mapas conceptuales son una herramienta cognitiva para la representacin del
conocimiento, sencilla y prctica que permiten transmitir con claridad mensajes
conceptuales complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor
abundamiento, adoptar la forma grafos.
 GRAFOS

son

Conjunto N Conjunto R de
Conectadas por
de nodos relaciones

Representados como Representadas como

Lneas
Puntos Formas Cajas
Geomtricas

Pueden ser

Recta Curva

Los mapas conceptuales son artefactos para organizar y representar el conocimiento.

Tienen su origen en las teoras sobre la psicologa del aprendizaje de David Ausubel
enunciadas en los aos 60s. Su objetivo es representar relaciones entre conceptos en forma
de proposiciones. Los conceptos estn incluidos en cajas o crculos. Mientras que las
relaciones entre ellos se muestran mediante lneas que unen sus cajas respectivas. Las lneas,
a su vez, tienen palabras asociadas que describen cual es la naturaleza de la relacin que liga
los conceptos.
Se define a un concepto como una regularidad percibida en sucesos u objetos,
designado por una etiqueta. La etiqueta de un concepto es usualmente una palabra. Una
proposicin es una frase acerca de cierto objeto o suceso en el universo que ocurre de forma
natural o artificial. Las proposiciones contienen 2 o ms conceptos conectados con otras
palabras que forman una frase coherente. Se le suele llamar unidades semnticas.
 Los mapas conceptuales se estructuran en forma jerrquica en la que los conceptos
ms generales estn en la raz del rbol y a medida que van descendiendo se encuentran
ms especficos. Probablemente la mejor manera de entender un mapa conceptual es
explicndolo mediante un mapa conceptual.

Los mapas conceptuales se desarrollaron para comprender los cambios en el

tiempo del conocimiento que los nios tenan de la ciencia. La idea es que el aprendizaje
tiene lugar gracias a la asimilacin de nuevos conceptos y proposiciones en marcos de
referencia ya existentes en la mente del aprendiz.
Los mapas conceptuales por contraposicin con el aprendizaje puramente
memorstico, se considera que el aprendizaje coherente, requiere tres condiciones:
1. El contenido ha de estar conceptualmente clero y ser presentado con un lenguaje
claro y ejemplos que el aprendiz pueda relacionar con su base de conocimiento existente.
2. El aprendiz debe tener un conocimiento precio.
3. Motivacin. El aprendiz debe elegir aprender por gusto.
 Este tipo de instrumentos, bien diseados y teniendo en cuenta el contexto y la
motivacin de su audiencia, constituyen tanto una herramienta de enseanza como de
aprendizaje que facilita la comprensin y asimilacin de los conceptos y sus relaciones.
Aunque su origen est ligado a la enseanza, su aplicacin en la visualizacin de informacin
los configura como una herramienta til para transmitir de forma clara mensajes complejos.
Adems, contribuye notablemente a clarificar las ideas del que construye el mensaje
Los mapas conceptuales son tiles porque permiten utilizar ambos hemisferios de tu
cerebro, ya que segn las nuevas ciencias de la cognicin el proceso de organizacin espacial,
as como la inteligencia intuitivo-emotiva, es propio del hemisferio derecho; y la lectura-
escritura, el anlisis lxico-conceptual, el raciocinio abstracto y las matemticas, son propias
del hemisferio izquierdo. De este modo los procesos de pensamiento abstracto y los
psicomotrices se complementan. Por ello, es importante la utilizacin de mapas
conceptuales. Si se utilizan a lo largo de la vida profesional, sern de gran ayuda para el
aprendizaje rpido y organizado.

Clases de Mapas Conceptuales

Existen 4 categoras de mapas conceptuales. Estos se distinguen por la forma de
mostrar la informacin:
1. Mapa conceptual tipo araa
2. Mapa conceptual tipo herencia
3. Mapa conceptual tipo flowchart
4. Mapa conceptual tipo sistema

Mapa Conceptual Tipo Araa

El mapa conceptual tipo araa es organizado colocando el tema central en la parte
medular del mapa y trazando lneas de relacin a los otros conceptos.
Mapa Conceptual tipo Jerrquico (Herencia)
El mapa conceptual tipo jerrquico presenta la informacin en orden descendente.
La informacin ms general es colocada en la parte ms alta y la ms especfica en la parte
ms baja.

3.3 Redes Neuronales y Semnticas.

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.

Las redes neuronales artificiales son el resultado de investigaciones acadmicas

que utilizan frmulas matemticas para modelar operaciones del sistema nervioso, es
decir, es un modelo de procesamiento de informacin que es inspirado por el modo de
un sistema nervioso biolgico, tal como el cerebro procesa informacin.
El elemento clave de este paradigma es la estructura original del sistema de
procesamiento de informacin. Este se compone de un gran nmero de elementos
interconectados procesando y trabajando en armona para resolver problemas
especficos. Las redes neuronales artificiales, como la gente, aprenden con ejemplos.
Una Red Neuronal Artificial es configurada para una aplicacin especfica, tal como el
reconocimiento de patrones o clasificacin de datos, a travs de un proceso de
aprendizaje. Aprender en sistemas biolgicos implica ajustes para las conexiones
sinpticas que existen entre las neuronas. Esto lo hace una Red Neuronal Artificial
(RNA).
Tambin, las Redes Neuronales Artificiales se han aplicado a un gran nmero de
problemas reales de complejidad considerable. Su ventaja ms importante est en
resolver problemas que son demasiado complejos para tecnologas convencionales,
problemas que no tienen un algoritmo de solucin o que si algoritmo de solucin es
muy difcil de encontrar. En general, a causa de su abstraccin del cerebro biolgico, las
Redes Neuronales Artificiales son aptas para resolver problemas que la gente puede
resolver, pero las computadoras no pueden. Estos problemas incluyen reconocimiento
de patrones y pronsticos.

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)

La estructura jerrquica facilita que la adscripcin de propiedades a una determinada

categrica, herede propiedades a las categoras inferiores.
3.4. Lgica de predicados.
Los mtodos empleados en la lgica de proposiciones resultan insuficientes para
examinar otros tipos de inferencias. As, por ejemplo, no es posible decidir con dichos
mtodos la validez de esta sencilla inferencia:

Todos los nayaritas son mexicanos (p)

Todos los santiaguenses son nayaritas (q)
_____________________________
Todos los santiaguenses son mexicanos (r)

Expresando simblicamente las premisas y la conclusin de la inferencia, tendramos:

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.

Sintaxis de la lgica de predicados

Los smbolos que introduce la lgica de predicados son:
1. Variables individuales: que representan individuos indeterminados. Se emplean las
ltimas letras minsculas del alfabeto: x, y, z.
2. Constantes individuales: que representan individuos determinados. Se utilizan las
primeras letras minsculas del alfabeto: a,b,c,d
 3. Variables predicativas: que representan predicados indeterminados. Se usan estas
letras maysculas: F,G,H
4. Cuantificadores: que hacen referencia a la totalidad o a una parte de los miembros
de un conjunto. Pudiendo ser la generalizacin universal( ) o particular().
Al igual que las proposiciones, los predicados tienen un valor de veracidad, pero a
diferencia de las proposiciones, su valor de veracidad, depende de sus trminos. Es decir, un
predicado puede ser verdadero para un conjunto de trminos, pero falso para otro. Por
ejemplo, el siguiente predicado es verdadero:
color (yerba, verde)
El mismo predicado, pero con diferentes argumentos, puede no ser verdadero:
color (yerba, azul) o color (cielo, verde)
Los predicados tambin pueden ser utilizados para asignar una cualidad abstracta a
sus trminos, o para representar acciones o relaciones de accin entre dos objetos. Por
ejemplo:

mortal(juan_carlos) clima(martes, ave(gaviota) ama(roberto, lee(alex, mordio(boby,

lluvioso) vanessa) novela) cartero)

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

medido. De su definicin se deduce que es un nmero adimensional.

 Exactitud: es lo cercano que est el valor medido al valor verdadero. Hay que tener
en cuenta que, por definicin, el valor verdadero de la medida no est definido, por lo tanto
el concepto exactitud es usualmente cualitativo. No obstante, la exactitud de un aparato se
puede determinar en relacin a un patrn de valor estndar, conocido y admitido por todos
los laboratorios.
Repetitividad (de las medidas) -precisin-: Es la fidelidad de los valores experimentales
de una misma magnitud fsica medidos bajo idnticas condiciones experimentales. Aqu el
concepto idntico incluye el mismo observador, instrumento de medida, lugar y
procedimiento as como la cercana en el tiempo. El concepto de precisin se define muchas
veces como repetitividad. Es decir, un aparato preciso es un aparato repetitivo (diferentes
medidas de una misma magnitud bajo las mismas condiciones conducen al mismo resultado).
Tanto repetitividad como precisin son conceptos cualitativos.
Reproducibilidad (de las medidas): Es la fidelidad de los valores experimentales de una
misma magnitud fsica medidos bajo diferentes condiciones experimentales.
Sensibilidad: Es el menor cambio en la medida que puede detectar un aparato de
medida.

3.6 Demostracin y mtodos.

La enseanza de la demostracin de una implicacin se desarrolla de dos maneras:

1. Desde la lgica matemtica. En este enfoque se abordan las conectivas lgicas, las
tablas de verdad, las leyes de la lgica, las inferencias lgicas y posteriormente la
demostracin de proposiciones de la forma . Usualmente los mtodos de
demostracin de implicaciones se estudian por medio de la enseanza de Teora de
Conjuntos o se recurre a la Teora de Nmeros, en proposiciones como:

Si entonces

2. Desde la lgica intuitiva. Se recurre a una interpretacin intuitiva del implica, en

donde se le ensea, que para demostrar teoremas de la forma se asume la hiptesis

 y se utiliza junto con axiomas, definiciones y teoremas demostrados para deducir la
conclusin
En ambas orientaciones, la enseanza de los mtodos de demostracin de
implicaciones es ligada con la enseanza de una teora de la matemtica, esto genera ciertas
dificultades:
1. La teora suele tener muchas definiciones o axiomas, por lo que se ensea la
demostracin dentro de una estructura muy amplia. As, al tener tantos elementos, la
enseanza de la demostracin se puede complicar.
2. Se abordan dos objetos de enseanza simultneamente: la demostracin y la
teora. El estudiante no puede concentrarse nicamente en desarrollar la habilidad de
demostrar, debe aprender axiomas, definiciones y teoremas.
3. La demostracin dependiente de una teora. El estudiante tiene que desligar los
mtodos de demostracin de la teora y transponerlos a otra.

Conocimiento no-montono y otras lgicas

Axioma: Proposicin tan clara y evidente que se admite sin necesidad de

demostracin. La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de
sentencias S1 del que se puede inferir C, al aadir otro conjunto de sentencias S2, se tiene
que seguir infiriendo C a partir de S1 Unin S2. Esto es un inconveniente en gran cantidad de
problemas que se presentan en inteligencia artificial y que tienen carcter no montono.
Ejemplo: Razonamiento de sentido comn, el cual establece conclusiones a partir de
informacin parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva
informacin o evidencia del dominio. Ej. Se nos dice que alguien tiene un pjaro, pensamos
que vuela, si luego nos dicen que es un pingino, ya no pensamos que vuela.
Para resolver problemas para los que se carece de una teora slida y contrastada, se
crean reglas o leyes que permiten realizar un tipo de razonamiento denominado
razonamiento por defecto.
Una de las posibles soluciones al razonamiento por defecto es la aplicacin de las
denominadas lgicas no montonas.
 Las lgicas clsicas parten del carcter excluyente de los nuevos axiomas aadidos a
los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad
de detectar posibles inconsistencias con nuevos axiomas.

El mtodo de Resolucin de Robinson

El mtodo de resolucin es un intento de mecanizar el proceso de deduccin natural
de esa forma eficiente. Las demostraciones se consiguen utilizando el mtodo refutativo
(reduccin al absurdo), es decir lo que intentamos es encontrar contradicciones.
Para probar una sentencia nos basta con demostrar que su negacin nos lleva a una
contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin de una
sentencia entra en contradiccin con los hechos de nuestra base de conocimiento es porque
lo contrario, es decir, la sentencia original era verdadera y se puede deducir lgicamente de
las sentencias que componen dicha base de conocimientos

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:

a) Que llueva: probabilidad del 50%.

b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.

Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un

accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como no estabamos en la ciudad

no sabemos qu tiempo hizo (llovo, nev o hubo niebla). El teorema de Bayes nos permite
calcular estas probabilidades. Las probabilidades que manejamos antes de conocer que ha
ocurrido un accidente se denominan "probabilidades a priori".
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del
suceso A cambian: son probabilidades condicionadas P (B/A), que se denominan "probabilidades a posteriori".

Vamos a aplicar la frmula:

a) Probabilidad de que estuviera lloviendo:

 La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a
posteriori) es del 71,4%.

b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%

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.