UNIDAD III.

Introducción a la Inteligencia Artificial
3.1. Conocimiento: definición. Adquisición del conocimiento, forma del conocimiento, uso del conocimiento, límites del conocimiento. Intratabilidad e inexpresabilidad. 3.2. La Lógica Preposicional como lenguaje de representación de conocimiento. 3.3. El Teorema de Cook-Levine. 3.4. El problema de deducción booleana (SAT). 3.5. Noción de reducción. Forma normal conjuntiva. Noción de consecuencia lógica y noción de insatisfactibilidad en la Lógica Preposicional. 3.6. MP como chequeado de inconsistencias. 3.7. Regla de Resolución para FNC en la Lógica Preposicional. 3.8. Teorema de Robinsón.

3.1. Conocimiento: definición. Adquisición del conocimiento, forma del conocimiento, uso del conocimiento, límites del conocimiento. Intratabilidad e inexpresabilidad.

‡ CONOCIMIENTO. Es el entendimiento, inteligencia, razón natural. Aprehensión intelectual de la realidad o de una relación entre los objetos, facultad con que nos relacionamos con el mundo exterior. Conjunto de saberse sobre un tema o sobre una ciencia. ‡ La adquisición del conocimiento está en los medios intelectuales de un hombre ( observación, memoria, capacidad de juicio, etc. ) A medida que crece el conocimiento se da tanto el cambio cualitativo por haber en ello un incremento de reorganización del conjunto y de adquisición de los mismos.

Tipos de conocimiento
En lo que respecta al contenido semántico que puede englobar el saber, se pueden tipificar cinco tipos de conocimiento (Kirakowski, 1988, 2-1). Conocimiento de procedimientos. También se conoce como conocimiento procedural , y se refiere a cómo se hacen las cosas. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial. Conocimiento de objetos y hechos. También se conoce como conocimiento declarativo , y se refiere al conocimiento sensorial. Éste es esencial tanto para interpretar el mundo externo como para ubicar su propio yo en un contexto. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial. Conocimiento de consecuencias. También se conoce como conocimiento de razonamiento , y se refiere al que se infiere a partir del conocimiento de procedimientos y del conocimiento de objetos y de hechos. Asimismo este tipo de conocimiento sienta las bases para generar razonamiento basado en casos y para facilitar el aprendizaje en conocimiento procedural y declarativo. Este tipo de conocimiento es un paradigma para representar el conocimiento para su aplicación en entornos de inteligencia artificial.

Conocimiento de definiciones. Es el conocimiento articulado, elaborado, asentado, sintetizado y formulado derivado del conocimiento de procedimientos, de hechos y de consecuencias. Este tipo de conocimiento tiene fundamentos epistemológicos y se representa de forma textual mediante la descripción de sus características y la estructuración de las relaciones que existen entre los conceptos (estructuras conceptuales) que subyacen al texto de la definición. Este conocimiento se utiliza como recurso lingüístico lexicográfico para adquirir conocimiento de forma automatizada, extrayéndolo de las estructuras conceptuales. Así mismo, este conocimiento contribuye al modelado del conocimiento dando pautas para la organización de la macroestructura y de la microestructura del conocimiento de un dominio. Metaconocimiento. Es el conocimiento acerca del conocimiento que tiene como objetivo automatizar la gestión del conocimiento, es decir, guiar la planificación y la aplicación del conocimiento en el entorno de un sistema. Este tipo de conocimiento, por tanto, incluye información acerca del conocimiento de definiciones, de procedimientos, de objetos y de hechos que posee un sistema. Este término determina la existencia de un nivel de conocimiento abstracto que identifica los fundamentos implícitos y explícitos del conocimiento en un sistema. Este tipo de conocimiento es una metodología y técnica utilizada en ingeniería lingüística para desarrollar sistemas basados en conocimiento (ingeniería del conocimiento).

.

‡ Si clasificamos el conocimiento en cuanto a su transferencia . es difícil hacerlo explícito en su totalidad. Según Reber (1995:15). Sin embargo. Está orientado a la experiencia y tiene un motor consciente y otro inconsciente : por eso. a saber: Conocimiento tácito es el saber que tienen un individuo u entidad compuesta de individuos. es una idea formulada por Lashley (1956. el término conocimiento tácito aparece por primera vez en dos obras de Polanyi (1958/1974). Este conocimiento responde a preguntas sobre cómo se hacen las cosas: cómo se resuelven problemas. el consciente y el inconsciente . el concepto implícito en el término de proceso intelectual (cognitivo) y emocional (de conducta) con dos niveles de percepción . Este saber engloba todas las habilidades que tienen las personas y se transfiere de manera informal. 1-18). ‡ . cuándo resolverlos y de dónde se obtienen los recursos para poder solventarlos. cabría agruparlo en dos categorías.

con respecto al conocimiento que se crea. ‡ ‡ . se desprende. Esta representación del conocimiento es la interfaz entre el cerebro y el mundo exterior. no es explícito es un proceso difícil de medir debido a su intangibilidad. Más adelante explicaremos de qué formas y mediante qué recursos se puede representar el conocimiento. es aquel que ya está representado o documentado y se utiliza como medio para transmitir los procedimientos que se han que seguir para resolver de forma óptima cualquier trabajo. El conocimiento representado se convierte en producto tangible . La representación del saber puede someterse a un modelado relativo. también llamado conocimiento convencional . estructuras conceptuales comunes o procedimientos que ayuden a codificar el conocimiento para desarrollar y gestionar de forma más eficiente el conocimiento individual y colectivo. se interpreta. se puede partir de términos. este conocimiento está orientado conscientemente a la resolución de problemas y se haya siempre representado. El conocimiento que no es representado y. se infiere. lo que supone poder acceder a él conscientemente. Por tanto. por tanto. y que engloba el conocimiento tácito. Otro término que identifica el mismo concepto englobado en gestión de conocimiento explícito y es gestión de contenidos.‡ El conocimiento explícito. se deduce. se dilucida. Todo el conocimiento representado es conocimiento explícito y se genera a partir de conocimiento tácito o de conocimiento previo explícito. problema o proceso. en general. es decir.

La generación de conocimiento difiere poco de la adquisición de conocimiento. En el ámbito de la ingeniería del conocimiento la adquisición es la primera fase necesaria antes de diseñar una herramienta basada en conocimiento (sistema experto). ya que cuando el agente adquiere saber. entonces el agente también se convierte en generador de conocimiento explícito. adquirir conocimiento ya representado. ese conocimiento tácito se genera en el cerebro. En esta fase el gestor de la información o el ingeniero de conocimiento debe hacer una prospección de datos sobre los procesos de decisión usados por el experto humano y debe analizar los protocolos relacionados con los procesos que debe realizar el sistema de gestión para poder hacer una síntesis de los conocimientos relevantes para el sistema. . Ahora bien. si el agente convierte ese saber en conocimiento explícito. sin embargo.Adquisición del conocimiento ‡ Es el acto en el que el agente incorpora nuevos procesos de decisión para resolver problemas o para optimizar procedimientos. En esta fase se identifica el proceso de estrategias naturales de decisión que posee el experto humano. Mucho menos arduo resulta. La dificultad estriba en la obtención del conocimiento tácito de otros expertos. es decir. explícito.

las interfaces de los sistemas expertos sirven para transferir el conocimiento que se desea obtener del sistema. Así mismo. es un producto dependiente del saber que identifica que sirve para la transferencia de conocimiento. La representación del conocimiento. así. a un agente receptor. si existe una representación previa del conocimiento. En el ámbito de la ingeniería del conocimiento.Representación del conocimiento ‡ La representación de conocimiento es un proceso en el que interviene también el acto de la transferencia de ese mismo conocimiento para su posterior plasmación en algún lenguaje simbólico para representar. a través de algún canal auditivo o visual. además de un proceso. ‡ La transferencia de conocimiento es la parte del acto comunicativo en la que se establece una transmisión de contenidos. . este producto sirve de materia prima para la adquisición de conocimiento y también para la generación de nuevo conocimiento. contenidos. Más adelante dedicamos parte de este trabajo a identificar las formas en las que se puede representar el conocimiento. Es un mecanismo para transformar el lenguaje tácito en lenguaje explícito. Existe transferencia de contenidos.

.

La poesía. en general. a su vez. Esto supone que los mecanismos argumentativos para defender el significado que contiene la obra representada. en parte. transferir y representar conocimiento es lo que nos hace diferentes con respecto a otros seres. la escultura y. Los desarrollos tecnológicos son aparatos o máquinas resultantes de pensamientos organizados con un objetivo concreto. La ciencia utiliza. El arte es también otra de las manifestaciones para la representación de conocimiento. Sin embargo. que. ‡ . estén sesgados igualmente por la percepción del agente que interpreta la pieza representada. el lenguaje como mediador del conocimiento estructurándolo y representándolo. el conocimiento sensorial o emocional. con respecto al peso que adquiere el conocimiento cognitivo o intelectual. sobre todo. se podría decir. cualquier máquina es una aplicación de conocimiento especializado y. de alguna manera. ‡ ‡ ‡ A través del arte. del conocimiento generado en todas las disciplinas científicas y que se sirven también de los desarrollos tecnológicos. Estar dotados de esta capacidad cognitiva de crear. En este sentido. una representación aplicada del conocimiento. por tanto. todas las modalidades que se engloban en el concepto de arte son representaciones de conocimiento que se alimentan. La razón de esta dificultad estriba en el papel que desempeña la percepción. es decir. y la tecnología desarrolla artefactos que son productos derivados de conceptualizaciones cognitivo-lingüísticas.Formas de representación del conocimiento: la fuerza del lenguaje. la pintura. la ciencia y la tecnología se manifiesta y se representa el conocimiento. la transferencia de sus contenidos es mucho más difícil de consensuar.

marcada por el entendimiento del lenguaje como fenómeno lineal. ciencia y tecnología. Sin embargo. Se ha demostrado que las tareas vinculadas a la gestión del conocimiento están íntimamente relacionadas con los procesos cognitivo-lingüísticos que tienen lugar en el cerebro.El contenido producido y representado mediante el arte utilizando arte. nos centraremos en destacar el papel del lenguaje por su relevancia particular. 1996). pueden encontrase recursos lingüísticos. a pesar del afán interdisciplinar de este artículo. dejaremos a un lado las representaciones del conocimiento en el ámbito del arte y la tecnología. y Jorba y Sanmarti. visto desde esta perspectiva. y. Y. Así. . para concentrarnos en la representación del conocimiento científico. La materia prima utilizada para estos fines es muy diversa y no es patrimonio específico de un ámbito. ciencia y tecnología también es otra forma de representación del conocimiento. 1995. el lenguaje empieza a entenderse y a explicarse más allá de las limitaciones impuestas por la lingüística tradicional. visuales y auditivos en cualquier manifestación de arte. El lenguaje es básico en el desarrollo y transferencia de contenidos. El lenguaje es el reflejo del modelo de procesamiento del pensamiento humano. Dentro de los recursos que se pueden utilizar para la representación de conocimiento. y se materializan en forma de conocimiento representado a través del lenguaje (Kandel.

.

Con las limitaciones del conocimiento tropezamos también ante el hecho frecuente de los errores en que descubrimos haber incurrido. que poco o nada tiene que ver con un posible límite absoluto. está instalada en un determinado nivel de conocimiento. Teóricamente esas situaciones o circunstancias son superables. sino ante límites o. Son experiencias que nos alertan sobre las deficiencias de nuestra capacidad o sobre el mal uso que de ella hacemos. ¿dónde está el límite? ‡ ‡ ‡ . cada cultura o etapa cultural. Por muy inteligentes e instruidos que nos consideremos. sobre todo en aquellos casos en que. En todos estos casos no estamos ante límites teóricos. Lo demás le está vedado. más bien. El tema se tiene que plantear de una manera más radical: ¿es posible saber hasta dónde llega el conocimiento humano? ¿Existe un límite absoluto del conocer humano? Que hay un límite del conocimiento humano. no constituyen en modo alguno un límite teórico al conocimiento humano como tal. no somos capaces de fundamentar racionalmente ni siquiera una opinión razonable. Cada sociedad. El hombre ha progresado y sigue progresando en las conquistas del conocimiento: ¿podría seguir haciéndolo indefinidamente o existe un límite a ese progreso? Y. siempre serán muchas más las cosas que desconocemos que las que conocemos. puede aspirar al progreso de conocimiento que esa plataforma posibilita.Limites del conocimiento ‡ Todos somos conscientes de las múltiples limitaciones a las que está sometido nuestro conocimiento. por más esfuerzos que hagamos. si bien pueden de hecho ser irrebasables para los individuos o para comunidades o sociedades concretas. como plataforma. limitaciones situacionales o incluso circunstanciales. Una situación parecida es la duda. parece algo indudable y claro. Lo que ya no tiene nada de claro es saber cuál es ese límite hasta dónde puede llegar el conocimiento humano. si lo hay. desde el cual. que. Pero se trata simplemente de una limitación situacional.

Dentro del irracionalismo se pueden distinguir múltiples matices: ± ± ± En primer lugar. en sentido amplio. y también está el irracionalismo epistemológico. El irracionalismo. es lo que no es conforme a la razón. el arte. que no siguen las leyes del discurso racional. Y esto puede ser por dos motivos: ± ± a) porque la razón tiene unos límites que no puede traspasar por incapacidad propia. o b) porque contradice la lógica de la razón y es absurdo. es visto como un defender lo irracional como una característica del ser humano o de cosas relativas al hombre.Intratabilidad e inexpresabilidad ‡ En términos generales el irracionalismo se refiere a todo aquello que es inaccesible a la razón humana. lo irracional es lo contrario a lo racional. abstracta y ajena a la vida. y en su grado máximo en la valoración del absurdo. por esta misma razón. Lo irracional. ‡ También en un sentido amplio se consideran irracionales o no racionales ciertos ámbitos de la vida humana en que no rigen las leyes del pensamiento o de la lógica de la razón. lo milagroso. que supone una desconfianza ante la razón y que acusa a la gnoseología o teoría del conocimiento tradicional de intelectualista. los instintos o los sentimientos. se considera también irracional lo mágico. lo sobrenatural. Irracionales son asimismo las pasiones. como la vida. lo misterioso. se refiere a un ataque directo al racionalismo dogmático. y también a lo que supera los límites de la razón. existe un irracionalismo metafísico: la realidad no es racional. En ambos casos. ‡ ‡ . la religión o la fe: las afirmaciones y creencias que en ellos se generan no proceden de las tradicionales fuentes de conocimiento a través del entendimiento. en general. los fenómenos del inconsciente o los sueños. o a lo que no puede expresar adecuadamente en conceptos. además. Esta defensa consiste en la valoración de otras fuentes de conocimiento distintas de la razón y la experiencia.

pues el lenguaje sirve para suministrar a los demás informaciones. los hechos. . declarando.Un uso muy importante del lenguaje es aquel referido a la comunicación de información. El discurso informativo es utilizado para describir el mundo y para razonar acerca de él. así. definiendo. describiendo. Por ello se dice que el lenguaje usado para afirmar o negar proposiciones o para mostrar razonamientos cumple una función informativa. La Lógica Preposicional como lenguaje de representación de conocimiento. etc.3. el lenguaje es usado informativamente. aclarando. lo cual se realiza mediante la formulación y la afirmación o la negación de proposiciones.2. LENGUAJE COMO MEDIO DE COMUNICACIÓN DE INFORMACIÓN.

pues si alguien pretendiera aplicar tales criterios al discurso expresado en un poema o en un verso. deseos y para despertar en los demás estados anímicos análogos a los que vivimos. juzgará erróneamente y perderá mucho de su valor.‡ LENGUAJE COMO MEDIO EXPRESIVO. o para comunicarlos. pues se emplea para dar rienda suelta a nuestros sentimientos. . emociones. El lenguaje cumple una función expresiva particularmente en la poesía. El lenguaje expresivo es utilizado para dar expansión a sentimientos y emociones. también expresamos pena cuando exclamamos: ¡Qué desgracia! o ¡Dios mío! o cuando expresamos nuestra alegría al decir: ¡Bravo! o ¡Felicitaciones! ‡ El discurso expresivo no puede ser ni verdadero ni falso. ‡ Pero no sólo el lenguaje poético es expresivo. sino expresar ciertas emociones que el poeta experimenta muy agudamente y anhela despertar en el lector sentimientos similares. ‡ El verso no pretende transmitir información alguna.

cuando un enamorado corteja a su amada en lenguaje poético. sino a que comparta su entusiasmo. como cuando una persona se maldice a sí misma en momentos de soledad. como cuando un orador trata de instar a su auditorio. ± Cuando el lenguaje usado no sólo pone de manifiesto las actitudes de los que hablan. no a la acción. cuando un poeta escribe poemas que no muestra a nadie o cuando un hombre ora en soledad. .‡ El lenguaje expresivo componentes: puede ser descompuesto en dos ± Cuando el lenguaje expresa o revela su propia actitud pero no está destinado a despertar una actitud similar en algún otro. o cuando una multitud vitorea a su equipo deportivo preferido. sino que pretende también despertar las mismas actitudes en sus oyentes.

LENGUAJE COMO MEDIO PRESCRIPTIVO. y "no razonables" o "inadecuadas". Quien tiene autoridad emite órdenes sin pretender comunicar información alguna ni manifestar o despertar alguna emoción particular. ‡ Cuando se plantea una pregunta. pues no tiene ningún valor de verdad. no afecta ni determina su valor de verdad. Se puede no estar de acuerdo acerca de si una orden fue o no obedecida. es el caso de las órdenes y los pedidos. Finalmente el lenguaje cumple una función prescriptiva o directiva cuando es utilizado con el propósito de originar o impedir una acción manifiesta. Esto conlleva que la diferencia entre una orden y un pedido sea bastante sutil. Las órdenes tienen ciertas propiedades que muestran alguna analogía con la verdad o falsedad del discurso informativo: son las cualidades de ser "razonables" o "adecuadas". Se ejerce mediante leyes. ‡ ‡ . se pide una respuesta que debe ser emitida. Una orden no puede ser verdadera o falsa en ningún sentido literal. ruegos. pero nunca podemos diferir acerca de si una orden es verdadera o falsa. Y que la orden sea o no obedecida. ya que cualquier orden puede traducirse en un pedido agregando las palabras "por favor" o mediante cambios adecuados en el tono de voz o en la expresión facial. mandatos. etc. si debe ser o no obedecida. decretos. pues puede no ser ninguna de ambas. Lo que se busca es motivar o causar una acción.

que se refiere a las relaciones que mantienen las palabras entre sí. que funciona como un código que permite formar mensajes. . ‡ La dimensión semántica. La dimensión pragmática está constituida por la intención de las hablantes y el contexto en el ocurre el acto de la comunicación. nos dice el modo de colocación de las palabras para hacer una frase que pueda transmitir un mensaje. sino que es preciso también escoger las palabras adecuadas conforme al significado compartido. que se refiere a las relaciones que mantienen las palabras con su significado. que se refiere cuando la palabra es pronunciada por uno y dirigida a otro. En el lenguaje humano hay tres dimensiones o puntos de vista: ‡ La dimensión sintáctica.Lenguaje natural y Lenguaje Artificial En el leguaje humano hay palabras. Para transmitir un mensaje determinado no basta con poner las palabras en un orden adecuado. ‡ La dimensión pragmática. Una frase debe estar correctamente formada para poder entenderla y en orden. que pertenecen a un idioma determinado.

símbolos no lógicos (letras) y símbolos auxiliares (paréntesis). ‡ El lenguaje artificial surge para solucionar los problemas que existen en el lenguaje natural. al que le interesa la forma aparte de los contenidos. En este lenguaje hay símbolos lógicos (juntores y cuantores). La lógica sustituye las palabras por símbolos. . No es un lenguaje exacto pero es el sistema que nos permite conocer mas cosas. es más como un cálculo o un sistema donde se establecen relaciones. En el momento de expresar conocimientos tiene deficiencias. En realidad no parece un lenguaje. la relación pragmática supone la semántica y la sintáctica. la semántica supone la sintáctica. porque pueden surgir paradojas. ‡ El lenguaje formal es un tipo de lenguaje artificial. ‡ El lenguaje natural es la forma de comunicación del ser humano mediante el cual consigue mucha expresividad y capacidad de comunicarse con más riqueza. Pero estudia más la forma. con lo que se obtiene un lenguaje formal o simbólico. ‡ Estas tres dimensiones están vinculadas entre sí. pero formal.‡ Esto se refiere a que la lógica es un lenguaje artificial.

Definición: La clase de complejidad P es el conjunto de los problemas de decisión que pueden ser resueltos en una máquina (de Turing) determinista en tiempo polinomico.3. La clase NP es importante porque contiene muchos problemas de búsqueda y optimización para los que se desea saber si existe cierta solución o si existe una mejor solución que las conocidas. Definición: La clase de complejidad NP es el conjunto de los problemas de decisión que pueden ser resueltos en tiempo polinómico por una máquina de Turing no-determinista .3. donde se quiere saber si existe una ruta óptima que pasa por todos los nodos en un cierto grafo y el problema de satisfacibilidad booleana (SAT). Entre estos están el problema del camino Hamiltoniano o problema del viajante. NP es el acrónimo en inglés de Polinómico No determinista (Non-Deterministic Polynomial-time). lo que corresponde intuitivamente a problemas que pueden ser resueltos aún en el peor de sus casos . Clases de complejidad Los problemas se clasifican en conjuntos de complejidad comparable llamados clases de complejidad. El Teorema de Cook-Levine. . donde se desea saber si una cierta fórmula de lógica proposicional puede ser cierta para algún conjunto de valores booleanos para las variables.

se han hecho muchos esfuerzos para encontrar algoritmos que resuelvan algún problema de NP en tiempo polinómico. . Definición: La clase de complejidad NP-completo es el subconjunto de los problemas de decisión en NP tal que todo problema en NP se puede transformar polinomialmente en cada uno de los problemas de NP-completo . Una transformación polinomial es un algoritmo determinista que transforma instrucciones de un problema en instrucciones del otro. no formen parte de la clase de complejidad P. La razón es que de tenerse una solución polinómica para un problema de NPcompleto. para algunos problemas de NP no es posible encontrar siquiera un algoritmo mejor que simplemente realizar una búsqueda exhaustiva (éstos son los problemas del conjunto NP-completo). Aún así. sin embargo.Todos los problemas de esta clase tienen la propiedad de que. Se puede decir que los problemas de NP-completo son los problemas más difíciles de NP y. cualquier solución suya puede ser verificada efectivamente. Dada su importancia. muy probablemente. todos los problemas de NP tendrían también una solución en tiempo polinómico.

Al principio parecía sorprendente que existieran problemas NP-completos. de tenerse un algoritmo en P para uno delos problemas NP-completos. Desde entonces se ha demostrado que otros miles de problemas pertenecen a esta clase. muchos de estos problemas aparecen en el libro de Garey and Johnson's de 1979 Computers and Intractability: A Guide to NP-completeness. . pero Cook demostró (teorema de Cook) que el problema de satisfacibilidad booleana (SAT) es NP-completo.‡ Como consecuencia de esta definición. casi siempre por reducción a partir de otros problemas para los que ya se había demostrado su pertenencia a NP-completo. ‡ Esta definición dada fue propuesta por Stephen Cook en 1971. se tendría una solución en P para todos los problemas de NP.

encontrar una buena aproximación es suficiente para resolver el problema. El saber si las clases P y NP son iguales es el más importante problema abierto en Computación teórica. pero no todos los problemas NP-completos tienen buenos algoritmos de aproximación. Probabilístico: Una algoritmo probabilístico obtiene en promedio una buena solución al problema planteado. Heurísticas: Un algoritmo que trabaja razonablemente bien en muchos casos. Incluso ya se ha mencionado el premio de un millón de dólares para quien lo resuelva. para resolver un problema NP-completo de tamaño arbitrario se utiliza uno de los siguientes enfoques: Aproximación: Un algoritmo que rápidamente encuentra una solución no necesariamente óptima. pero dentro de un cierto rango de error. pero no existe medida de la calidad de la respuesta. . para una distribución de los datos de entrada dada. En general son rápidos.Actualmente. Casos particulares: Cuando se reconocen casos particulares del problema para los cuales existen soluciones rápidas. todos los algoritmos conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al tamaño de la entrada. En algunos casos. Se desconoce si hay mejores algoritmos. por la cual.

. Actualmente los investigadores piensan que las clases cumplen con el diagrama mostrado por lo que P y NP-completo tendrían intersección vacía. todos los problemas NP-completos (y por tanto. La importancia de la pregunta P = NP radica en que de encontrarse un algoritmo en P para un problema NP-completo.Si P = NP. P contendría las zonas NP y NP-completo. todos los problemas de NP) tendrían soluciones en tiempo polinómico.

De algunos de ellos ya se ha hablado y otros los veremos con más detalle a continuación: ±Problema de satisfacibilidad booleana (SAT) ±Buscaminas ±Tetris ±Problema del ciclo hamiltoniano ±Problema del vendedor viajero ±Problema de isomofirmo de subgrafos ±Problema de la suma de subconjuntos ±Problema de la clique .Algunos problemas NP-Completos La forma más sencilla de demostrar que un nuevo problema es NPcompleto es primero demostrar que está en NP y luego transformarlo polinomialmente en un problema que ya esté en NP-completo. Por ello. resulta útil conocer algunos de los problemas para los que existe prueba de pertenencia a la clase NP-completo.

redes entre otros.3. aún cuando se restrinja el número de variables por cláusula a tres (3SAT). el problema del SAT es fundamental para muchos problemas de aplicación práctica.4. SATISFABILIDAD PREPOSICIONAL (SAT): El problema de Satisfactibilidad es el problema central en lógica matemática. si hay una asignación a sus variables que satisfaga la fórmula apegándose a las reglas de interpretación. por ejemplo. En realidad. SAT consiste en encontrar alguna asignación de valores de verdad de variables booleanas que logren satisfacer una colección de cláusulas expresadas en forma normal conjuntiva (FNC). Este es un problema concerniente a la lógica matemática. DEFINICIÓN DEL PROBLEMA SAT: El problema de SAT consiste en lo siguiente: dada una fórmula del cálculo proposicional (considerada verdadera). problemas de planeación. El problema de deducción booleana (SAT). en Inteligencia Artificial. de calendarización. es decir. determinar una interpretación de los símbolos de proposiciones que haga que la formula sea verdadera para esa interpretación. . Fue el primer problema computacional que se mostró que es NP-Completo . teoría computacional e inteligencia artificial. El enfoque de SAT trata con formulas lógicas que han sido abstraídas de problemas reales.

las cuales contienen L literales o proposiciones que pueden ser calificadas con un valor de verdad. La solución se interpreta como una asignación de valores de verdad a los elementos de X. .xn } de variables booleanas. Dicho de manera mas sencilla dentro del problema de satisfactibilidad se establece que una fórmula del calculo proposicional es satisfactible si y solo si se encuentra una interpretación de sus variables (proposiciones) que la hagan verdadera.El problema SAT para una fórmula proposicional en forma normal que han sido abstraídas de problemas reales.Cm} de cláusulas definidas sobre un conjunto X = {x1. En relación a lo anterior. que haga que todas y cada una de las cláusulas de C tomen valor verdadero. . . El problema SAT para una fórmula proposicional en forma normal conjuntiva (FNC) puede expresarse como sigue. la solución de SAT consiste en satisfacer con un valor de verdad la conjunción de estas n cláusulas (Formulas Bien Formadas). Una colección C = {C1.

r. cuyo valor es V si tanto p como q eran V o F en cualquier otro caso. q y devuelve p q. por tanto.(p v ¬r v s)(¬q v r ¬s) . r.s tales que la expresión es cierta. El problema SAT se pregunta si. existe una selección de datos de entrada que produce una salida V. Una puerta NO( ) transforma una entrada V en una salida F y una entrada F en una salida V. Por ejemplo. Cada puerta acepta un determinado número de datos de entrada y devuelve el valor lógico de esta combinación. el Problema de satisfacibilidad booleana (SAT) fue el primer problema identificado como perteneciente a la clase de complejidad NP-completo. Los datos o variables que se introducen en estos circuitos son V(verdadero) o F (falso). para la expresión (¬p v q) ^(p v ¬q) no hay ninguna asignación de verdad de sus variables que la haga verdadera. Noción de consecuencia lógica y noción de insatisfactibilidad en la Lógica Preposicional. para un circuito booleano dado. Se deduce que esto ocurre si (p. s) = (Verdadero. Falso).5. Los circuitos booleanos constan de puertas lógicas llamadas Y. Noción de reducción. no olvidemos que un circuito puede contener una cantidad enorme de puertas lógicas y. también una cantidad enorme de datos de entrada. Falso. O ó NO. Problema de satisfacibilidad booleana En teoría de la complejidad computacional. Forma normal conjuntiva. Si esto puede parecer fácil. Verdadero. Sin embargo.3.q. q. Un ejemplo de SAT sería el saber si existen valores lógicos para p. una puerta Y( ) tiene como datos de entrada p.

MP como chequeado de inconsistencias. una pregunta típica en diagnóstico médico es: dado que el paciente presenta un conjunto de síntomas. Teoría de la probabilidad. muy bien estructurada. las relaciones entre las enfermedades y los síntomas no son deterministas. Algunos S.La Teoría de la Probabilidad es una teoría muy antigua y.. datos ausentes. Lindley (1987). errores. MODELOS PROBABILISTICOS. por ejemplo. un paciente puede no estar seguro de haber tenido fiebre la noche pasada. etc. hay un cierto grado de incertidumbre en la información asociada a cada paciente (subjetividad. como PROSPECTOR tienen el conocimiento estructurado en función de esta teoría. por ejemplo. ¿cuál de las enfermedades posibles es la que tiene el paciente?. Por ejemplo. Esta situación implica un cierto grado de incertidumbre puesto que: Los hechos o datos pueden no ser conocidos con exactitud. Por ejemplo. ausencia de información. Por ello.3. la más intuitiva y la más aceptada de las medidas de incertidumbre. En la mayor parte de las aplicaciones. hoy en día. El conocimiento no es determinista. imprecisión.E. la incertidumbre es lo común. La probabilidad es.6. puesto que un mismo conjunto de síntomas puede estar asociado a diferentes enfermedades.). De hecho. al mismo tiempo. dice: . no es extraño encontrar dos pacientes con los mismos síntomas pero diferentes enfermedades.

. Para obtener medidas con significado físico claro y práctico.Medida de Probabilidad ‡ La única descripción satisfactoria de la incertidumbre es la probabilidad. se imponen ciertas condiciones o propiedades intuitivas adicionales que definen una clase de medidas que se conocen como medidas de probabilidad. el objetivo consiste en asignar a todo subconjunto de S un número real que mida el grado de incertidumbre sobre su realización. El conjunto S se conoce como espacio muestral. Una vez definido este conjunto. en el que se incluyen todos los posibles resultados de un cierto experimento como conjunto exhaustivo y mutuamente exclusivo. Esto quiere decir que toda información incierta debe estar en forma de una probabilidad. y que el cálculo de probabilidades es adecuado para manejar situaciones que implican incertidumbre. ‡ Para medir la incertidumbre se parte de un marco de discernimiento dado S. que varias incertidumbres deben ser combinadas usando las reglas de la probabilidad. En particular. las descripciones alternativas de la incertidumbre son innecesarias.

. Supóngase también que los síntomas son variables binarias. . que proviene de superponer las Figuras 3. . . S2 y S3. si está presente. Sn} define una partición del conjunto universal de pacientes en una clase disjunta y exhaustiva de conjuntos. . el círculo negro de la Figura 3.INTRODUCIENDO LOS SISTEMAS EXPERTOS BASADOS EN PROBABILIDAD ‡ El núcleo de los sistemas expertos basados en reglas es el conjunto de reglas que describen las relaciones entre los objetos (variables). Por ello. . En Los sistemas expertos probabilísticos las relaciones entre las variables se describen mediante su función de probabilidad conjunta. e1.2 para m = 5 enfermedades. toma como valores las enfermedades e1.3 para n = 3 síntomas. . .2 y 3. Supóngase que la variable aleatoria enfermedad. . em. E. .4 representa un paciente que tiene la enfermedad e4 y los tres síntomas: S1. em. si está ausente. Entonces. . Supóngase también que un paciente puede tener ninguno. cada paciente puede clasificarse en una y sólo una región tal como se muestra en la Figura 3. .4. Por ejemplo. como indica la Figura 3. Cualquier variable aleatoria en el conjunto {E. o más de n síntomas S1. Sn. de forma que cada una toma el valor 1. uno.3. S1. la función de probabilidad conjunta forma parte de lo que se llama conocimiento. . . Supóngase que se dispone de una base de datos con información sobre N pacientes y que un paciente puede tener una y sólo una de m enfermedades. ‡ . o el valor 0. . Ejemplo: Diagnostico médico. . combinando las enfermedades y los síntomas. tal como muestra la Figura 3.

.

Esto suele dar lugar a una reducción importante del número de parámetros. Pero. p(x1. Sn. en la mayor parte de las situaciones prácticas. Xn}. Por ello. sk. s1. El modelo más general posible se basa en especificar directamente la función de probabilidad conjunta. Para ello se tiene la función de probabilidad conjunta de la enfermedad y los síntomas p(e. En este problema se desea diagnosticar la presencia de una enfermedad dado un conjunto de síntomas s1. . sn). . . . . . 4. Esta fue una de las primeras críticas al uso de la probabilidad en los sistemas expertos. em. en el que se tienen n síntomas S1. . . . la especificación directa de la función de probabilidad conjunta implica un gran número de parámetros por lo que. no hay ordenador en el mundo capaz de almacenarlo incluso para un valor de n tan pequeño como 50. y una variable aleatoria E. . 2. La base de conocimiento de un sistema experto probabilístico consiste en un conjunto de variables.LA BASE DE CONOCIMIENTO ‡ La base de conocimiento de un sistema experto basado en reglas consta del conjunto de objetos variables y del conjunto de reglas. se necesita definir la función de probabilidad conjunta de las variables. . . 3. . . El Modelo de Síntomas Independientes (MSI). a continuación se dan los siguientes ejemplos de tales simplificaciones: 1. . . ‡ ‡ Para introducir estos modelos se considera el problema del diagnóstico médico. . se pueden obtener simplificaciones del modelo más general teniendo en cuenta la estructura de independencia de las variables. {X1. Sin embargo. muchos subconjuntos de variables pueden ser independientes o condicionalmente independientes. . y una función de probabilidad conjunta definida sobre ellas. El Modelo de Síntomas Relevantes Independientes (MSRI). . . . . El Modelo de Síntomas Dependientes (MSD). . es decir. para construir la base de conocimiento de un sistema experto probabilístico. . . asignar un valor numérico (parámetro) a cada una de las posibles combinaciones de valores de las variables. xn). En tales casos. que podría tomar uno de m valores posibles e1. El Modelo de Síntomas Relevantes Dependientes (MSRD).

dados los síntomas. los síntomas son condicionalmente independientes entre sí. Debido a la imposibilidad de trabajar con el modelo anterior en muchos casos prácticos. donde todo síntoma se conecta con los demás síntomas y con todo valor posible de E (indicando dependencia). donde los síntomas no están ligados. ‡ El Modelo de Síntomas Independientes. para una enfermedad dada.‡ El Modelo de Síntomas Dependientes. . resulta necesario proceder a la simplificación del modelo. En este modelo se supone que los síntomas son dependientes pero que las enfermedades son independientes entre sí. Puesto que los síntomas se suponen condicionalmente independientes dada la enfermedad. Una simplificación posible consiste en suponer que. para indicar la independencia. El modelo resultante se denomina modelo de síntomas independientes (MSI).

ya que los síntomas asociados a ciertas enfermedades suelen producirse en grupos o síndromes. Se puede pensar en el MSRD como una solución de compromiso entre el MSD y el MSRI. para cada valor ei de la enfermedad E se seleccionan algunos síntomas relevantes S1. Aunque el MSRI reduce el número de parámetros considerablemente. es poco realista. . .Modelo de Síntomas Relevantes Independientes Se puede conseguir una reducción aún mayor del número de parámetros suponiendo que cada enfermedad tiene un número reducido de síntomas relevantes. puede ser poco razonable suponer que los síntomas relevantes son independientes. Por ello. Sr (relativamente pocos frente al total de síntomas) y los restantes síntomas se suponen independientes para ese valor de E. . En consecuencia. El modelo de síntomas relevantes dependientes (MSRD) evita este inconveniente. . El Modelo de Síntomas Relevantes Dependientes. .

esta constituida por una conjunción de disyunciones de literales.C. Regla de Resolución para FNC en la Lógica Preposicional. donde un literal es una letra proposicional o negación de letra proposicional y se lo representa de la siguiente manera: Donde lij es una letra proposicional o negación de letra proposicional. Es decir. ‡ Toda fórmula del lenguaje proposicional se puede representar en F.3.C.N.7. desde el punto de vista matemático se lo puede concebir como un producto de sumas. .N. ‡ Una fórmula en F.

Pero desde el punto de vista de la lógica proposicional es un producto de sumas lógicas. (p q) (¬q r t) (¬r s) (p) Una formula es satisfascible si y solo si su equivalencia en F. también satisfacen a su equivalente en Forma Normal Conjuntiva. todas las leyes lógicas son tautológicas. formas proposicionales.Ej: (3+2)*(5+3)*(3)*(2+3+6) en matemáticas: producto de sumas. también lo es.C. no son tautológicas. ‡ Principios lógicos y leyes lógicas En la lógica proposicional. El proceso de transformación de una formula a FNC se lo realiza aplicando algunas equivalencias lógicas y las leyes del algebra booleana. En la lógica de predicados. es decir. como veremos en el próximo capítulo. Las leyes lógicas son infinitas. Es decir. se cambia la representación de la formula. a continuación se proporciona la formulación de las más importantes: .N. pero las interpretaciones que la hacen verdadera o que la satisfacen. cuyos casos de sustitución son siempre verdaderos.

.

.

.

. junto con el procedimiento de unificación. Es mas adecuado para la mecanización que los sistemas de inferencia tradicionales. constituye un sistema de inferencia completo. ‡ El principio de resolución es una regla de inferencia que se aplica a formulas en forma causal y que.8. Teorema de Robinsón.3.

Sign up to vote on this title
UsefulNot useful