Está en la página 1de 14

Instituto Tecnológico de

Lázaro Cárdenas
Ingeniería En Sistemas Computacionales

8vo Semestre

Inteligencia Artificial
Unidad II Representación del
conocimiento y razonamiento.

Docente: José Antonio López Tello

Elaboró: Eduardo Iván Oviedo López

Ciudad Lázaro Cárdenas a 06 de Abril de 2011.


2 ISC | Elaboró: Eduardo Iván Oviedo López

CONTENIDOS

Introducción............................................................................................................................3
Resolución ..............................................................................................................................4
Conocimiento No Monótono Y otras Lógicas ......................................................................6
Razonamiento probabilístico ................................................................................................8
Teorema de Bayes ................................................................................................................10
Conclusión ............................................................................................................................12
Glosario .................................................................................................................................13
Referencias ...........................................................................................................................14

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


3 ISC | Elaboró: Eduardo Iván Oviedo López

INTRODUCCIÓN

El siguiente trabajo de investigación muestra temas de gran importancia


que integran parte de la unidad II de la materia de Inteligencia Artificial
I dicha unidad lleva por nombre: Representación del conocimiento y
razonamiento.

La representación se hace a través de preposiciones que toman ciertos


valores y estas son evaluadas de acuerdo a las reglas y al tipo de
razonamiento mediante el cual se hace la evaluación. Todo esto se hace
con el fin de hacer demostraciones de teoremas de las distintas ciencias
en las cuales interviene la lógica como son la filosofía, las matemáticas y
las ramas que la componen.

Durante este trabajo de investigación se hace una reseña de los que son
algunos teoremas, tipos de conocimientos lógicos y razonamientos que
actúan para la demostración al momento de evaluar distintas
expresiones y hacer una demostración de si son verdaderas o falsas
dependiendo de los valores que estos tomen, también cabe destacar que
estos conocimiento y razonamientos no solo nos arrojan valores
verdadero o falsos sino que también sirven como referencia y
parámetros para la toma de decisiones, todo esto ya entrando en
materia de sistemas expertos y de la misma inteligencia artificial.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


4 ISC | Elaboró: Eduardo Iván Oviedo López

RESOLUCIÓN

Introducido por Alan Robinson en 1965. Es un método fácil y simple de


implementar para decidir si una proposición es válida que Se extiende a
lógica de primer orden y otras lógicas no funcionales. Es bastante popular
en el ámbito de demostración automática de teoremas y Tiene una única
regla de inferencia: la regla de resolución. Requiere que las proposiciones
estén en forma normal conjuntiva. La idea de este método es mostrar la
validez de una proposición estableciendo que la negación de la proposición
es insatisfactible por ello se dice que es un método de refutación.

El método de resolución

El método de resolución trata de construir una secuencia de conjuntos de


cláusulas, obtenidas usando pasos de resolución hasta llegar a una
refutación.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


5 ISC | Elaboró: Eduardo Iván Oviedo López

En ese caso se sabe que el conjunto inicial de cláusulas es insatisfactible


dado que cada paso de resolución preserva insatisfactibilidad el ultimo
conjunto de cláusulas es insatisfactible dado que contiene la Claus ula vacía

Definición

El proceso de agregar el resolvente de dos cláusulas que pertenecen a un


conjunto S a S (ie. de aplicar la regla de resolución a S) se llama un paso
de resolución.

NB: Pasos de resolución preservan insatisfactibilidad


Sea S un conjunto de cláusulas. Si C es la cláusula resolvente de
C1, C2 2 S, entonces S es insatisfactible si S [ {C} es insatisfactible. O, lo
que es lo mismo, S es lógicamente equivalente a S [ {C}.

Definición

Un conjunto de cláusulas S se llama una refutación si S contiene a la


cláusula vacía.

Terminación de la regla de resolución

La aplicación reiterada de la regla de resolución siempre termina


(suponiendo que el resolvente que se agrega es nuevo)

En efecto, notar que

1 El resolvente (ie. la cláusula nueva que se agrega) se forma con los


literales distintos que aparecen en el conjunto de cláusulas de partida S

2 Hay una cantidad finita de literales en el conjunto de cláusulas de partida


S

En el peor de los casos, la regla de resolución podrá generar una nueva


cláusula por cada combinación diferente de literales distintos de S.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


6 ISC | Elaboró: Eduardo Iván Oviedo López

Ejemplo

CONOCIMIENTO NO MONÓTONO Y OTRAS LÓGICAS

CONOCIMIENTO

 Por conocimiento entenderemos en lo sucesivo “creencia


verdadera justificada”
 su “representación “consiste en codificarla dentro de una
estructura de datos conveniente
 En general, representar conocimiento es expresar en un
formalismo un cierto estado de cosas del mundo estableciendo
qué cosas pasan y cuáles no

La representación del Conocimiento conecta las Ciencias Cognitivas con:

1. las herramientas de programación.


2. las técnicas de ingeniería de la Inteligencia Artificial (IA).

Definición de razonamiento no monótono

Según McCarthy

Tanto los humanos como los autómatas deben extraer conclusiones que
son verdad en los mejores modelos de los hechos que se han tenido en
cuenta. Hay diversos conceptos de lo que es mejor en sistemas
diferentes. Muchos implican la minimización de algo. A medida que se
agregan nuevos hechos, algunas de las anteriores conclusiones no

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


7 ISC | Elaboró: Eduardo Iván Oviedo López

sobreviven. Por este motivo, el razonamiento que permitió arribar a


esas conclusiones que han decaído, se denomina no-monótono.

Un razonamiento se llama monótono cuando a lo largo del proceso el


conjunto de «cosas sabidas» es siempre creciente. Pero en la realidad
suele ocurrir que, a medida que avanza el proceso de inferencias,
nuevas evidencias o acciones del mismo sistema anulan premisas o
conclusiones anteriores, y para formalizar esto se necesita una lógica no
monótona. Un proceso frecuente es el razonamiento por defecto:
suponer que algo es verdadero (o falso) mientras no haya evidencia de
lo contrario. El sistema que razona debe tener en cuenta que la
aparición de esa evidencia puede tener un efecto retroactivo sobre las
conclusiones obtenidas anteriormente, para lo que debe incluir un
sistema de mantenimiento de la verdad.

Las lógicas del razonamiento no monótono

 Un tipo de razonamiento inductivo.


 Se basan en los usos del sentido común.
 La intención es representar conocimiento acerca del mundo real y
manipularlo de forma que los programas informáticos puedan
simular tales mecanismos con cierta eficacia.

Dicho de manera general, el hecho de que el razonamiento clásico


persiga la validez tiene como consecuencia, entre otras, lo siguiente:

Si {A1,..., An} |-B, entonces { A1, ..., An, C} |-B

Esta propiedad se denomina monotonía.

La noción de consecuencia lógica que descansa sobre este patrón es la


siguiente:

{A1, ..., An} |= B si y sólo si todo modelo de {A1, ..., An} es un modelo
de B.

Contrariamente a este punto de vista, los humanos solemos concluir a


tenor de la información de que disponemos y estamos dispuestos a
variar nuestras conclusiones con la llegada de nueva información

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


8 ISC | Elaboró: Eduardo Iván Oviedo López

(abandono del principio de monotonía). El razonamiento revisable es


fundamentalmente no-monótono.

RAZONAMIENTO PROBABILÍSTICO

Teorema de la probabilidad total: a partir de las probabilidades del suceso A


(probabilidad de que llueva o de que haga buen tiempo) deducimos la
probabilidad del suceso B (que ocurra un accidente).

Según McCarthy

Definición

El razonamiento probabilístico es un caso dentro del razonamiento no


monótono. Cuando la probabilidad que la verdad de una oración haya
cambiado con respecto a su valor inicial (por ejemplo 1), otras oraciones
que anteriormente tenían alta probabilidad pueden decaer hasta tener
probabilidad pequeña o nula. Cuando se configuran los modelos
probabilísticos, esto es, cuando se define el espacio para una muestra
de "eventos" susceptibles de recibir diferentes valores de probabilidad,
se está apelando a un razonamiento no-monótono más general, pero la
convención es que esto no lo hace la computadora sino una persona que
razona informalmente.

Resulta aparente que en una situación informática abierta de sentido


común, no existe espacio general alguno para una muestra de eventos.
Apenas se le ponen límites a dicho espacio general de eventos
considerados y se le aplica alguna distribución, se está procediendo a
generar teorías probabilísticas. Las técnicas de razonamiento no-
monótono consisten en técnicas desarrolladas para limitar los
fenómenos tenidos en cuenta. Si queremos limitar los fenómenos
considerados, debemos recurrir a técnicas no-monótonas. (Estoy
confesando que no sé cuáles serían esas técnicas). Al formar
distribuciones, habría que introducir una regla por defecto por la cual
dos eventos e1 y e2 se deben considerar independientes entre sí salvo
que haya alguna razón para el otro caso. No es posible que e1 y e2 sean
eventos cualesquiera: tienen que ser dos eventos básicos por lo menos
en algún sentido.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


9 ISC | Elaboró: Eduardo Iván Oviedo López

Definición de probabilidad

Se llama probabilidad a cualquier función P, que asigna a cada suceso Ai de un


espacio muestral E un valor numérico P(Ai), que verifica los axiomas
siguientes:

– 0 ≤ P(Ai) ≤1

– P(E) = 1

– Para cualquier número finito k de sucesos mutuamente excluyentes A1,


A2,..., Ak se cumple: P(∪i=1...KAk) = Σi=1..kP(Ai)

Sistemas de razonamiento Probabilístico

Aquí se explica un mecanismo de inferencia, para construir un sistema de


razonamiento para situaciones en donde está presente la incertidumbre. La
principal ventaja del razonamiento probabilístico con el razonamiento lógico
reside en el que el agente puede tomar decisiones racionales aun sin disponer
de suficiente información para probar que una acción dada funcionará.

Para representar la dependencia que existe entre determinadas variables se


utiliza una estructura de datos conocida como red de creencia, y también para
especificar de manera concisa la distribución de probabilidad conjunta. La red
de creencia es una gráfica en la que se cumple lo siguiente:

Los nodos de la red están formados por un conjunto de variables aleatorias.

Cada par de nodos se conecta entre sí mediante un conjunto de enlaces o


flechas. El significado implícito de una flecha que vaya del nodo X al nodo Y es
el de que X ejerce una influencia directa sobre Y.

Por cada nodo hay una tabla de probabilidad condicional que sirve para
cuantificar los efectos de los padres sobre el nodo. Los padres de un nodo son
aquellos nodos cuyas flechas apuntan hacia éste.

Luego hay que especificar la tabla de probabilidad condicional, o TPC, de cada


uno de los nodos, donde cada hilera de la tabla indica la probabilidad
condicional correspondiente al valor de nodo de un caso condicionante. Un
caso condicionante es una posible combinación de los valores de los nodos
padres.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


10 ISC | Elaboró: Eduardo Iván Oviedo López

Ejemplo de una tabla:

Robo Temblor P(Alarma|Robo, Temblor)

Verdadero Falso

Verdadero Verdadero 0.950 0.050

Verdadero Falso 0.950 0.050

Falso Verdadero 0.290 0.710

Falso Falso 0.001 0.999

TEOREMA DE BAYES
[8]El Teorema de BAYES se apoya en el proceso inverso al que hemos visto
en el Teorema de la Probabilidad Total.

Si conocemos la probabilidad de B en cada uno de los componentes de una


partición de sucesos, entonces si ocurre B, podemos calcular la probabilidad
(a posteriori) de ocurrencia de cada Ai.

P(B) se puede calcular usando

el teorema de la probabilidad total:

P(B)=P(B∩A1) + P(B∩A2) + P(B∩A3 ) + (B∩A4)

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


11 ISC | Elaboró: Eduardo Iván Oviedo López

Regla de Bayes

• Se obtiene a partir de las 2 expresiones de la regla del producto


–P(A,B) = P(A | B) ⋅ P(B)
–P(A,B) = P(B | A) ⋅ P(A),

• Igualamos los términos derechos


–P(A | B) ⋅ P(B) = P(B | A) ⋅ P(A),

• Y despejamos P(A|B) ó P(B|A)

Ejemplo
En un aula el 70% de los alumnos son mujeres. De ellas el 10% son
fumadoras. De los hombres, son fumadores el 20%.

• ¿Qué proporción de fumadores hay en total?


P(F) = P(F,M) + P (F,H) = P(F | M) P(M) +P(F | H) P(H) = 0,1 x 0,7 + 0,2 x
0,3 = 0,13

¿Se elige a un individuo al azar y resulta fumador. ¿Cuál es la probabilidad


de que sea un hombre?

P(H | F) = P(F, H) / P(F) = P(F | H) P(H) / P(F) = 0x2 x 0,3 / 0,13 = 0,46

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


12 ISC | Elaboró: Eduardo Iván Oviedo López

CONCLUSIÓN

Estos temas son fundamentales ya que son parte importante para la


construcción de un sistema experto porque son los que nos darán la
pauta para poder crear una base de conocimientos bien definida, para el
momento en que el sistema experto tenga la necesidad de tomar una
decisión de acuerdo a los valores y parámetros que tome o que le sean
proporcionados.

Estos temas nos muestran también la importancia de evaluar, analizar y


razonar todas las posibilidades que existen y tener bien claro lo que
sucederá o que resultados se deben de obtener de acuerdo a los valores
que se tengan antes de evaluar ciertas expresiones.

Dentro de lo que es el razonamiento no-monótono también nos muestra


que en ocasiones a pesar de que tras suceder un hecho, no siempre
puede pasar lo mismo, es decir que no siempre se van a obtener las
mismas conclusiones así que debemos tomar en cuenta que de manera
que avanza el tiempo algunos hechos tendrán conclusiones distintas.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


13 ISC | Elaboró: Eduardo Iván Oviedo López

GLOSARIO

Refutación:

Acción de contradecir, impugnar con argumentos o razones [lo que otros


dicen]. Crítica a la credibilidad de una narración, con el objeto de
desautorizarlo o invalidarlo. Con la refutación pretendemos demostrar
que lo dicho por otra persona no es válido, conveniente o útil.

Monótono:

Que no varía y por esta razón produce aburrimiento o cansancio.

Inferencia:

Se define como sacar una consecuencia o deducir algo de otra cosa.

Bifurcación:

Es la acción de separar algo en varias partes.

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial


14 ISC | Elaboró: Eduardo Iván Oviedo López

REFERENCIAS

[1] Eduardo Bonelli, Departamento de Computación FCEyN UBA10 de


octubre, 2006

http://www-2.dc.uba.ar/materias/plp/20062C/download/clase8.pdf

[2] ING. HECTOR QUEJ COSGAYA, inteligencia artificial, itescam.


http://www.itescam.edu.mx/principal/webalumnos/sylabus/asignatura.p
hp?clave_asig=SCB-0416&carrera=ISC0405001&id_d=60

[3]http://www.oocities.org/erikkalaura/Parte5/Razonamientoprobabilisti
co.html

[4]http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/colmenares_
g_le/capitulo2.pdf

[5]http://www.gratisweb.com/hergio/tema%201_2.pdf

[6]http://members.fortunecity.com/rednovohcop/H/mcrazpro.html

[7]http://www.angelfire.com/ia3/aisite/razonam_prob.htm

[8]http://www.giaa.inf.uc3m.es/docencia/II/Rincertidumbre/Razonamie
ntoProbabilistico.pdf

Instituto Tecnologico de Lázaro Cárdenas | Inteligencia Artificial