Unidad III Intel. Artificial (Yareth)

Instituto Tecnolgico Superior
De Jess Carranza
ASIGNATURA:
Inteligencia artificial
CARRERA:
Ing. Sistemas Computacionales
Investigacin unidad iII

Presenta:
YARETH VELASCO MOLINA
Grupo: 802-A
DOCENTE:
Ing. Erick Ocampo Martnez.

Jess Carranza, Veracruz. Mayo 2014

INTELIGENCIA ARTIFICIAL

YARETH VELASCO MOLINA Pgina 2
INTRODUCCIN

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.

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.


UNIDAD III. REPRESENTACIN DEL
CONOCIMIENTO Y RAZONAMIENTO

3.1. SISTEMAS BASADOS EN CONOCIMIENTO.
Durante los aos 60, la mayor parte de los trabajos de investigacin sobre
inteligencia artificial se centraban en los algoritmos de bsqueda heurstica y en la
concepcin de sistemas para la resolucin de problemas con un inters, en
principio, puramente terico y acadmico (demostracin de teoremas, juegos,
problemas lgicos, etc.), pero con la idea implcita de que los resultados pudieran
ser aplicables a problemas reales.

Algunas lneas con posibilidades de aplicacin prctica inmediata, como la
traduccin automtica entre lenguajes naturales, se abandonaron pronto al
percibirse la dificultad del problema. A mitad de los 70 comienzan a tomar cuerpo
dos ideas clave que, aunque muy relacionadas, no son idnticas. Se trata del
paradigma del sistema experto y del paradigma del conocimiento.

Un sistema experto o sistema basado en conocimiento se puede definir como un
sistema que resuelve problemas utilizando una representacin simblica del
conocimiento humano. Sistemas basados en conocimientos o sistemas expertos
es un software que imita el comportamiento de un experto humano en la solucin
de un problema. Pueden almacenar conocimientos de expertos para un campo
determinado y solucionar un problema mediante deduccin lgica de
conclusiones.

Son sistemas expertos aquellos programas que se realizan haciendo explicito el
conocimiento en ellos, que tienen informacin especfica de un dominio concreto y
que realizan una tarea relativa a este dominio. Programas que manipulan
conocimiento codificado para resolver problemas en un dominio especializado en
un dominio que generalmente requiere de experiencia humana.

3.1.1. CONCEPTO DE CONOCIMIENTO.
Denir conocimiento no es una tarea sencilla, por ejemplo, Platn la dene como
creencia verdadera justicada. Por otro lado, Bertrand Russell dice: La cuestin
de cmo debera denirse al conocimiento posiblemente es ms importante y
difcil... esto puede parecer sorprendente: a primera vista podra pensarse que
conocimiento puede denirse como creencia que es acorde con los hechos. El
problema es que nadie sabe qu es creencia, nadie sabe qu es un hecho y nadie
sabe qu tipo de concordancia entre ellos hara verdadera a la creencia:
comencemos con creencia.

Desde el punto de vista computacional tambin hay varias formas de denir
conocimiento. Una base de conocimientos se describe como un mapeo entre
objetos y relaciones en el dominio del problema; y los objetos y relaciones
computacionales de un programa. Los resultados de inferencias en la base de
conocimientos se asume que corresponden a resultados de acciones y
observaciones en el mundo real.

Los objetos, relaciones e inferencias computacionales se ponen a disponibilidad
de los programadores por un lenguaje de representacin de conocimiento. Se
puede considerar que conocimiento sobre un tema es un conjunto de hechos o
verdades. Para que la computadora pueda utilizar ese conocimiento debe existir
alguna forma de representar el conocimiento de manera tal que pueda
almacenarse en la computadora.

En el nivel ms bajo, se tienen solamente 0s y 1s, pero las cadenas de 0s y 1s se
organizan e interpretan en un alto nivel de abstraccin, como enteros o caracteres
por ejemplo.

3.1.2. LENGUAJES UTILIZADOS EN LA REPRESENTACIN DE
CONOCIMIENTO.
En el caso de los sistemas basados en conocimiento, el lenguaje en el que se
expresa la ontologa debe reunir caractersticas que a veces (dependiendo del
dominio) no es fcil compatibilizar:

Sintaxis formalizada, para poder disear sobre bases slidas un
procesador.
Semntica bien definida y que permita la implementacin procedimental en
el procesador de algoritmos de razonamiento eficientes.
Desde el punto de vista pragmtico, expresividad suficiente para
representar de la manera menos forzada posible el conocimiento. Esto
significa que, para una determinada conceptuacin, el lenguaje con el que
se construyen los modelos en el nivel simblico debe permitir una
interpretacin declarativa que represente todos los aspectos de esa
conceptuacin. En la prctica puede ocurrir que no encontremos el lenguaje
ideal, y tengamos que forzar la conceptuacin para que se ajuste al
lenguaje elegido.

Hay lenguajes formales, o tericos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementacin, o prcticos, que, siguiendo el modelo
de algn lenguaje formal, estn adaptados para mecanizar la construccin de
ontologas. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy voltiles. Por ejemplo:


Prolog es un lenguaje de implementacin de la lgica de primer orden, que
en sus versiones ms recientes incluye tambin construcciones para la
programacin con restricciones.
OWL (Web Ontology Language) es un lenguaje de ontolologas para la web
basado en una lgica de descripciones (en realidad, son tres sublenguajes).
Procede de la fusin de otros dos elaborados independientemente
alrededor del ao 2000: DAML (DARPA Agent Markup Language, de la
Agencia de proyectos del Ministerio de Defensa U.S.A) y OIL (Ontology
Inference Layer, de un consorcio formado en el marco de los programas de
la U.E.). En 2001 se form un comit conjunto que hizo una propuesta al
Consorcio Web (W3C), y ste public el estndar (Proposed
Recommendation en la terminologa del W3C) en 2003, modificado el 10 de
febrero de 2004. Existen numerosas propuestas de mejoras y
modificaciones.

Hasta la segunda mitad de los aos 80 se estaban utilizando diversos lenguajes
que podan clasificarse en dos tipos:

Lenguajes basados en la lgica de predicados de primer orden, con sintaxis
y semntica formalizadas, con una base rigurosa para el razonamiento,
pero con grandes dificultades para implementar algoritmos de razonamiento
eficientes, con una rigidez sintctica que impide ciertas conceptuaciones
naturales y con pocas posibilidades de modularizacin.
Lenguajes basados en modelos de psicologa que, al estar derivados del
estudio de la mente humana, permiten conceptuaciones ms naturales y
algoritmos de razonamiento ms eficientes, pero que tienen una sintaxis
menos formalizada y carecen de una definicin semntica precisa (a pesar
de que uno de ellos se llama redes semnticas).


Como es natural, diversos investigadores trataron de elaborar propuestas para
aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,
Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando
quedaron relativamente establecidas las llamadas lgicas de descripciones, que
en el momento actual son los lenguajes por antonomasia para la representacin
del conocimiento.

A las lgicas de descripciones dedicaremos el Captulo. Pero hay al menos cuatro
razones por las que nos parece conveniente detenernos previamente en los
lenguajes ms antiguos:

La lgica clsica de primer orden sigue siendo la base fundamental de las
dems formulaciones de la lgica;
En el diseo de muchos sistemas basados en conocimiento, especialmente
los que no son muy complejos, se siguen utilizando algunos de esos
lenguajes;
Las ideas originales ayudan a entender y justifican ciertas decisiones de
diseo, y
La naturaleza interdisciplinaria de estos primeros trabajos hace muy
interesante su estudio.

3.2. MAPAS CONCEPTUALES.
En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se
denomin redes semnticas y que se usa ampliamente para la representar el
conocimiento formal. En lingstica, Graesser y Clark han desarrollado un anlisis
de formas de argumentacin en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinmica de mapas conceptuales se ha usado tambin para representar
los procesos de cambio conceptual de las revoluciones cientficas y en filosofa de
la ciencia, Toulmin desarroll una teora de argumentacin cientfica basada en
mapas conceptuales.

Tambin los mapas conceptuales han sido utilizados en la educacin, el diseo de
las organizaciones para la toma de decisiones, la adquisicin de conocimiento
especializado, los sistemas sociales, la toma de decisiones polticas, etc.

Un mapa conceptual es una tcnica sencilla que permite representar el
conocimiento de forma grfica como redes conceptuales compuestas por nodos
que representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.

Dentro de la psicologa cognoscitiva se han desarrollado procedimientos aplicados
que se consideran que afectan la manera en que un estudiante aborda el proceso
de apropiacin o asimilacin del conocimiento. Entre estos se encuentran los
llamados Mapas Conceptuales.

Inicialmente, los mapas conceptuales fueron diseados por Novak y Gowin
[Novak, Gowin, 1984] para apoyar el aprendizaje significativo, de acuerdo con la
teora pedaggica de Ausubel [Ausubel, Novak, Hanesian, 1983] quien expres
que El aprendizaje tiene lugar por la asimilacin de nuevos conceptos y
proposiciones en un marco de referencias existente en el aprendiz, y para lo cual
es necesario que se cumplan tres condiciones [WEB, 1]:

1. El conocimiento objeto de aprendizaje tiene que ser conceptualmente claro
y explcito, presentado en un lenguaje de acuerdo con el nivel previo de
conocimiento del aprendiz.
2. El aprendiz tiene que poseer conocimientos previos relevantes.
3. El aprendiz tiene que elegir aprender significativamente, tiene que estar
motivado a aprender.


El proceso de construccin de un mapa conceptual se puede resumir de la
siguiente forma:

Eleccin de los conceptos ms relevantes del dominio.
Identificacin de las relaciones que pueden tener los conceptos entre s.
Esto es lo que se llaman las relaciones o palabras enlace.
Construccin de proposiciones conformadas por dos conceptos y una
palabra enlace o relacin.
Diseo y construccin del mapa de acuerdo con todo lo anterior, es decir,
realizacin de la representacin grfica del conocimiento.

3.3. REDES SEMNTICAS.
Muchas disciplinas han desarrollado tcnicas de realizacin de diagramas que
constituyen lenguajes formales visuales que representan el conocimiento
operacional en forma esquemtica. El filsofo y lgico Charles S. Pierce desarroll
sus grafos existenciales como una tcnica formal de razonamiento para la
inferencia lgica y en aos recientes se ha estado cultivando el inters en el
estado formal de las pruebas visuales en matemticas. En Inteligencia Artificial,
Sowa ha desarrollado los grafos de Peirce como estructuras formales
conceptuales para la representacin de la inferencia lgica de las declaraciones
del lenguaje natural.

La presentacin visual de las estructuras de conocimiento ha sido un rasgo
caracterstico de las redes semnticas desde sus inicios. En la adquisicin de
conocimiento, en particular, la presentacin de conocimiento formal ha sido algo
importante para su validacin. Hay muchas tcnicas para tal adquisicin pero
todas ellas, en ltima instancia, terminan en una base de conocimiento que opera
con la semntica formal. Sin embargo, la expresin de esta base de conocimiento
en el lenguaje formal usado por el sistema no es por lo general muy comprensible
a los no programadores.

Es preciso, por tanto, un lenguaje visual que ofrezca tanto formas comprensibles
como posibilidades formales atractivas no slo para la comprensin, sino tambin
para la correccin, y para las partes del proceso de adquisicin del conocimiento
en s mismo.

El temprano desarrollo de redes semnticas acab en fuertes crticas sobre la
semntica de diagramas particulares ya que sta no estaba bien definida. Los
nodos, arcos y sus etiquetas podan usarse muy libremente y con una gran
ambigedad, y los diagramas estaban sujetos a interpretaciones diferentes. En los
aos 70 existan propuestas para formalizar una red semntica bien definida y
esto hizo factible que la semntica formal fuera desarrollada para sistemas de
representacin de conocimiento terminolgicos. En 1991, Profits estableci una
semntica formal para mapas conceptuales para sistemas terminolgicos lgicos
que dio lugar a un ejemplo principal de su uso en la solucin de un sistema de
asignacin de espacio.

Las redes semnticas son sistemas de organizacin del conocimiento que
estructuran los conceptos, no como una jerarqua sino como una red. Los
conceptos son como nodos, con varias relaciones que se ramifican hacia fuera de
ellas. Las relaciones pueden incluir relaciones tipo todo-parte, causa-efecto,
padre-nio, "es un" o "es parte".

Las redes semnticas son grafos orientados que proporcionan una representacin
declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para
representar objetos o propiedades. Los arcos representan las relaciones entre
nodos. El mecanismo de inferencia bsico en las redes semnticas es la herencia
de propiedades.

Las redes semnticas proporcionan un modelo de presentar las relaciones entre
los conceptos y los acontecimientos y constituyen una descripcin de nuestra
forma de razonar.

Las partes de una red semntica son:

Nodos: es un concepto y se encierra e un crculo o elipse.
Relaciones: es una propiedad del concepto y pueden ponerse de dos
formas:
Implcitas: es una flecha que no especifica su contenido
Explcitas: es una flecha en donde se especifica su contenido

3.4. LGICA DE PREDICADOS.
En lgica de predicados, los valores de verdad se atribuyen a predicados que
denotan relaciones entre entidades del universo modelado. Por ejemplo, en vez de
tener una variable q para representar "Scrates es un hombre", se escribe el
predicado hombre (Scrates) que relaciona a la entidad "Scrates" con el hecho
de "ser hombre". Un predicado tambin puede aplicarse a variables que denotan
entidades annimas o genricas. Por ejemplo, para escribir la premisa "Todos los
hombre son mortales", que no se refiere a ningn "hombre" en particular, se utiliza
el predicado hombre(X) en que X es una variable que denota a cualquier entidad
del universo modelado que cumple con el hecho de "ser hombre".

El silogismo completo queda expresado de la siguiente manera:
X (Hombre (X) Mortal (X))
Hombre (Scrates)
----------------------------------
Mortal (Scrates)

Para aplicar este silogismo basta asignar la variable X, que puede tomar un valor
arbitrario, con la constante Scrates. Se obtiene la frmula:
Hombre (Scrates) Mortal (Scrates)

Despus, para obtener la conclusin, se opera exactamente como en la lgica
proposicional.

Predicado: Es la palabra que dice lo que se expresa del sujeto de una
oracin.
Deduccin: Se aplica el mtodo de Resolucin propuesto por Robinson,
apoyado en la unificacin de frmulas.
Unificacin: Confronta dos frmulas atmicas para determinar si existe una
semejanza entre sus componentes, produciendo una lista que contiene la
asociacin de valores a las variables de las dos frmulas, en caso de haber
tenido xito en la comparacin, de lo contrario se dice que no son
unificables.

Los criterios que emplea son:

Deben ser los mismos predicados.
Igual nmero de trminos.
Una constante slo se unifica con otra igual o una variable.
Una variable libre se unifica con otra que est libre o que ya est
instanciada, cualquier constante o funcin.
Una funcin se unifica con una variable libre o que est instanciada por una
funcin con la que se pueda unificar o con otra funcin con igual, nombre,
nmero de trminos, y que stos a su vez sean unificables.

Por ejemplo, se desea unificar:
P(a, X, f (b, Y, g (c, Z)), d, W)
P(a, h (e), f (b, X, g (V, e)), d, U)

Dnde: constantes a, b, c, d, e,
Variables: U, V, W, X, Y, Z,
Funciones: f, g, h
Las dos frmulas son unificables, generando una lista denominada lista de
asociacin con las siguientes sustituciones:
((h (e) / X), (h(e)/Y), (c/V), (e/Z), (U/W) )

3.4.1. SINTAXIS.
Los parntesis, adems de servir como smbolos auxiliares para evitar
ambigedades sin necesidad de recordar el convenio de precedencia, se utilizan
para formalizar la idea de que un smbolo de predicado se aplica a smbolos que
representan a un objetos: p (x, A) representa la relacin p entre la variable x y la
constante A. Esta construccin, smbolo de predicado aplicado sobre uno o varios
smbolos representativos de objetos, que sustituye a las antiguas variables
proposicionales, se llama frmula atmica, o, simplemente, tomo.

Un objeto puede estar representado por una constante, una variable o una funcin
aplicada sobre otros objetos, o sobre otras funciones. En general, se llama trmino
a la representacin de un objeto. La forma de una funcin es la misma que la de
un tomo: un smbolo de funcin seguido por trminos entre parntesis.
En lgica de proposiciones utilizbamos los smbolos , , , como metasmbolos
para representar sentencias. Aadiremos ahora , y para representar tomos,
trminos y funciones, respectivamente.

Para definir las reglas de la gramtica vamos a utilizar tambin p para representar,
en general, a un smbolo de predicado, f para un smbolo de funcin, C para un
smbolo de constante yx para un smbolo de variable. Las reglas, en notacin
BNF, son:
::=C | x | (es decir, un trmino es una constante, una variable o una funcin)
::= p ( {, }) (es decir, un tomo se construye con un smbolo de predicado y
uno o ms trminos entre parntesis)
::=f ({,}) (es decir, una funcin se construye con un smbolo de funcin y uno o
ms trminos entre parntesis; sintcticamente es igual que un tomo).


3.4.2. SEMNTICA.
Una fbf, como 'cadena de caracteres', no tiene significado real (semntica).
Una estructura establece la 'semntica real' de los elementos de la lgica:
Dominio de aplicacin.
Semntica de las constantes, predicados, funciones:
Qu significado tienen?:
(Juan es 'ese' individuo)
Qu se cumple en el mundo real?

Un conjunto de fbf (sin significado) puede representar la "realidad" mediante
una estructura asociada.
Para la asignacin de un valor de verdad a una fbf, debe 'interpretarse' en
una estructura dada, que representa el significado (semntica) de los
elementos de la fbf.

3.4.3. VALIDEZ.
Los dos cuantificadores se relacionan del mismo modo que los operadores
proposicionales que generalizan:
Un predicado con variables libres no es verdadero ni falso, hasta que se
asignen valores para dichas variables. Algunos de ellos sern siempre
verdaderos independientemente de los valores que se escojan: estos son
predicador vlidos.

Un predicado que es verdadero o falso dependiendo de los valores
elegidos se dice que es satisfacible.
Un predicado que es siempre falso se dice que es no satisfacible.

En lgica, la validez es una propiedad que tienen los argumentos cuando las
premisas implican la conclusin. Si la conclusin es una consecuencia lgica de
las premisas, se dice que el argumento es deductivamente vlido. Algunos
consideran estas dos nociones idnticas y usan ambos trminos indistintamente.
Otros, sin embargo, consideran que puede haber argumentos vlidos que no sean
deductivamente vlidos, como las inducciones. En cualquier caso, de las
inducciones a veces se dice que son buenas o malas, en vez de vlidas o
invlidas.

3.4.4. INFERENCIA.
El mecanismo de inferencia es el encargado de decidir cmo se procede en lo
informado a la BC. El componente base de conocimiento a veces cuenta con
ciertos conocimientos iniciales.
Cuando se solicita intervencin al programa de agente sucede:
1. El programa INFORMA a la base de conocimiento lo que percibe
2. Le pregunta a la base de conocimientos cual es la accin que debe
emprender.
3. Para responder a la consulta se utiliza el razonamiento lgico para
determinar de entre varias acciones la mejor.

El agente basado en el conocimiento se caracteriza por los siguientes tres niveles:
1. Nivel de conocimiento (o epistemolgico): es el ms abstracto. Se puede
describir un agente basndose en lo que ste sabe.
2. Nivel lgico: es donde el conocimiento se codifica mediante oraciones.
3. Nivel de implantacin: es el que opera la arquitectura del agente y es donde
se encuentran las representaciones fsicas de las oraciones
correspondientes al nivel lgico.

Se puede construir un agente basado en el conocimiento Informndole a ste todo
lo que necesita saber. Hay dos enfoques acerca de cmo realizar la construccin
de un sistema:
Declarativo: donde el lenguaje de representacin facilita expresar el
conocimiento mediante oraciones
Mediante mecanismos de aprendizajes: donde un conjunto de percepciones
producen un conocimiento general acerca del ambiente.

3.5. RAZONAMIENTO CON INCERTIDUMBRE.
En situaciones reales, no siempre es posible contar con toda la informacin.
Inclusive la informacin disponible puede ser incorrecta, incompleta o cambiar muy
rpidamente. Todo esto da lugar a diferentes formas de inconsistencias e
incertidumbre.

Diversos mtodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones. Uno de los ms generalizados consiste en asignar
coeficiente de certeza o de confianza a los hechos que intervienen en las en las
condiciones y en la conclusin de una regla. Los principales modelos
desarrollados son:
Modelo estadstico probabilstico.
Modelo aproximado.
Modelo de lgica difusa.

3.5.1. APRENDIZAJE.
El aprendizaje determina los hechos del mundo a los que hacen alusin las
oraciones. Mediante la semntica, cada oracin expresa algo relacionado con el
mundo.

Si tanto la sintaxis como la semntica estn definidas de manera precisa,
podemos decir que el lenguaje es una lgica.


Lo que se desea en este tipo de lenguajes es generar nuevas oraciones que
necesariamente sean verdaderas, suponiendo que las previas tambin lo sean.
Esto se llama consecuencia o implicacin.

Un procedimiento de inferencia que genere slo oraciones implicadas se le
denomina procedimiento fidedigno o protector de la verdad. El testimonio de la
manera de operar de un procedimiento de inferencia confiable se denomina
demostracin. Se considera que un procedimiento es completo si es capaz de
encontrar la demostracin respectiva de toda oracin implicada. Una inferencia es
segura si dada una base de conocimientos BC, mediante los pasos de inferencia
se debern obtener solamente nuevas oraciones que representen hechos
derivados de los hechos representados por la BC.

3.5.2. RAZONAMIENTO PROBABILSTICO.
La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que est basada en la teora clsica de la probabilidad de las
hiptesis son ms o menos probables dependiendo de las posibilidades y de los
hechos o evidencias que las sostiene la probabilidades se calculan en base a la
frmula general de la probabilidad condicionada de Bayes o algunas
transformaciones de la misma para cada uno de ellos.

3.5.3. LGICAS MULTIVALUADAS.
Una de las cosas que hemos comentado hoy en clase ha sido la lgica
multivaluada, en especial la lgica ternaria. Como es un tema que me interesa
mucho, comento lo que s. Espero que os interese.

En 1917 se public los primeros trabajos sobre lgica ternaria. La base de esta
lgica es que tenemos tres estados de verdad: verdadero, falso y desconocido.
Estos valores se pueden representar de muchas maneras; por ejemplo, 0 para
falso, 1 para desconocido, y 2 para verdadero. Se pueden definir muchos
operadores lgicos, pero los ms comunes son:

X NOT X
0 2
1 1
2 0

MIN 0 1 2
0 0 0 0
1 0 1 1
2 0 1 2

MAX 0 1 2
0 0 1 2
1 1 1 2
2 2 2 2

Como se puede ver, MIN y MAX son generalizaciones de la AND y OR de la lgica
binaria. Como curiosidad, tambin cumplen las leyes de Morgan; de hecho, se
pueden extender a cualquier nmero de valores de verdad y las seguirn
cumpliendo. Sin embargo, estos operadores no son suficientes: hay funciones
lgicas ternarias que no se pueden representar slo con estos tres operadores
bsicos. La lgica ternaria es interesante, pero lo es mucho ms la aritmtica
ternaria balanceada. Es un sistema de numeracin posicional que utiliza los
dgitos {-1, 0, +1}. Las bases balanceadas tienen la ventaja de que pueden
expresar nmeros positivos y negativos sin necesidad de usar un signo.


3.5.4. LGICA DIFUSA.
La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como
posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2
metros es claramente una persona alta, si previamente se ha tomado el valor de
persona baja y se ha establecido en 1 metro. Ambos valores estn
contextualizados a personas y referidos a una medida mtrica lineal.

Funcionamiento:
La lgica difusa se adapta mejor al mundo real en el que vivimos, e incluso puede
comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor",
"no es muy alto", "el ritmo del corazn est un poco acelerado", etc.

La clave de esta adaptacin al lenguaje, se basa en comprender los
cuantificadores de nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y
"un poco").

En la teora de conjuntos difusos se definen tambin las operaciones de unin,
interseccin, diferencia, negacin o complemento, y otras operaciones sobre
conjuntos (ver tambin subconjunto difuso), en los que se basa esta lgica.


Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus
elementos, que indican en qu medida el elemento forma parte de ese conjunto
difuso. Las formas de las funciones de pertenencia ms tpicas son trapezoidales,
lineales y curvas.

Se basa en reglas heursticas de la forma SI (antecedente) entonces
(consecuente), donde el antecedente y el consecuente son tambin conjuntos
difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de
regla heurstica para esta lgica (ntese la importancia de las palabras
"muchsimo", "drsticamente", "un poco" y "levemente" para la lgica difusa):

SI hace muchsimo calor entonces aument drsticamente la temperatura.
SI voy a llegar un poco tarde entonces aumento levemente la velocidad.

Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y
eficaces. Los resultados de dichos mtodos son un rea final, fruto de un conjunto
de reas solapadas entre s (cada rea es resultado de una regla de inferencia).
Para escoger una salida concreta a partir de tanta premisa difusa, el mtodo ms
usado es el del centroide, en el que la salida final ser el centro de gravedad del
rea total resultante.

3.6. DEMOSTRACIN Y MTODOS.
MTODO DIRECTO
Si la demostracin es vlida, se dice que son ciertos y que:
P es condicin suficiente para que se verifique C
C es condicin necesaria para que se verifique P

A1: Si a y b son nmeros reales, entonces a+b es un nmero real
(cerradura en la suma).
A2: Si a y b son nmeros reales, entonces a+b=b+a (conmutatividad de la
suma).

A3: Si a, b y c son nmeros reales, entonces a+ (b+c) = (a+b) +c
(asociatividad en la suma).
A4: Sea a un nmero real. Existe un nmero real (denotado por 0) tal que
a+0=a (neutro aditivo).
A5: Para todo nmero real a existe un nmero (denotado -a) tal que a+ (-
a)=0 (inverso aditivo).
M1: Si a y b son nmeros reales, entonces a*b es un nmero real
(cerradura en el producto).
M2: Si a y b son nmeros reales, entonces a*b=b*a (conmutatividad del
producto).
M3: Si a, b y c son nmeros reales, entonces a*(b*c)=(a*b)*c (asociatividad
del producto).
M4: Sea a un nmero real. Existe un nmero real (denotado por 1) tal que
a*1=a (neutro multiplicativo).
M5: Para todo nmero real a distinto de 0 existe un nmero (denotado por
1/a) tal que a*(1/a)=1 (inverso multiplicativo).
D: Si a, b y c son nmeros reales, entonces a (b+c) = ab + ac
(distributividad).

Conociendo los axiomas, realicemos un ejemplo sencillo de demostracin directa:
Proposicin 1: Sea a un nmero real. Entonces a*0=0.
Demostracin:
a*0 es un nmero real, por M1
entonces a*0=a*0+0, por A4
entonces a*0=a*0 + (a+(-a)), por A5
entonces a*0=(a*0+a)+(-a), por A3
entonces a*0=(a*0+a*1)+(-a), por M4
entonces a*0=(a*(0+1))+(-a), por D
entonces a*0=(a*1)+(-a), por A4
entonces a*0=a+(-a), por M4
por lo tanto a*0=0, por A5, l.q.q.d.

MTODO CONTRARECIPROCO
Esta ley lgica puede utilizarse como regla de derivacin en la lnea de premisas
de cualquier clculo lgico. Formalmente, puede definirse como la frmula lgica.
En efecto, si analizamos su tabla de valores de verdad:
A B (A B) (B A)
V V V V V
V F F V F
F V V V V
F F V V V

MTODO POR CONTRADICCIN O REDUCCIN AL ABSURDO
La tcnica sera la siguiente:
Se supone cierto A.
Se demuestra que esta hiptesis conduce a contradiccin.
Se concluye A.

Ejemplo: Demostrar P Q y P Q, entonces P.
Derivacin formal Regla Comentario:
1. P Q Premisa
2. P Q Premisa
3. ( P) = P Hiptesis Se supone falsa la conclusin P
4. Q 1,3 y MP
5. Q 2,3 y MP
6. Q Q 4,5 y C Tenemos la contradiccin buscada.

Puesto que P conduce a contradiccin se concluye P.


MTODOS DE CASOS O SILOGISMOS DISYUNTIVOS
La ltima de estas estructuras lgicas primarias que utilizamos en nuestra vida -y
que continuaremos utilizando por el resto de ella- es la llamada Silogismo
Disyuntivo. Como argumentaremos ms adelante, esta estructura lgica es muy
particular pues su componente esencial tiene una naturaleza diferente a la que ya
hemos analizado hasta este momento.

Un ejemplo simple:
Un da alguien nos dice algo como:
Este enunciado tambin puede ser expresado como:
p o q

En donde:
p = ser el mejor
q = ser un fracasado

(En el caso especfico de las proposiciones disyuntivas, el orden de los elementos
no altera el resultado; es decir, ser el mejor bien podra ser q y ser un fracasado
podra ser p y el significado de la proposicin seguir siendo el mismo).

As:
Ser el mejor o ser un fracasado


CONCLUSIN

El crecimiento acelerado de la actividad humana en los mbitos comerciales,
educativos, sociales, culturales y financieros, requiere la participacin de los
recursos tecnolgicos que faciliten la concentracin y diseminacin del
conocimiento, como lo constituyen los sistemas de informacin, las bases de datos
y las redes de computadoras.

El empleo de tales aplicaciones aunado a infraestructuras de comunicacin de
medios masivos y de transmisin de datos como internet, provocan una explosin
de conocimientos puestos al alcance del usuario en forma inmediata y sin importar
el lugar en que se encuentren, barreras de idioma, nivel cultural ni posicin social.
Ante esta situacin, el usuario es rebasado en su capacidad de buscar,
seleccionar y asimilar la informacin y conocimiento realmente til a partir del
universo a su alcance; hacindose necesario la ayuda de herramientas que
puedan interpretar sus requerimientos, hacer la investigacin necesaria y filtrar el
acervo disponible, presentando nicamente aquello que es relevante.


BIBLIOGRAFA

http://sigg8.blogspot.mx/2009/01/cf.html
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://dicyg.fi-c.unam.mx:8080/lalo/ia-teo/presentaciones/Tema3.pdf
http://www.uv.mx/aguerra/documents/2013-ia2.pdf
http://www.redalyc.org/pdf/925/92502706.pdf

Unidad III Intel. Artificial (Yareth)

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Unidad III Intel. Artificial (Yareth)

Hochgeladen von

Copyright:

Verfügbare Formate

Instituto Tecnolgico Superior

Das könnte Ihnen auch gefallen