Documente Academic
Documente Profesional
Documente Cultură
TRABAJO: 2.6 MTODO DE RESOLUCIN DE ROBINSON. 2.7 CONOCIMIENTO NO-MONTONO Y OTRAS LGICAS. 2.8 RAZONAMIENTO PROBABILSTICO. 2.9 TEOREMA DE BAYES.
Contenido
Introduccin ................................................................................................................................. 3 2.6 El Mtodo de Resolucin de Robinson ............................................................................ 4 2.7 Conocimiento no-montono y otras Lgicas ................................................................... 6 2.8 Razonamiento Probabilstico ............................................................................................. 7 2.9 Teorema de Bayes ............................................................................................................ 10 Conclusin ................................................................................................................................. 12 Bibliografa ................................................................................................................................. 13
Pgina 2
Introduccin
El siguiente trabajo de investigacin muestra temas de gran importancia que integran parte de la unidad II de la materia de Inteligencia Artificial dicha unidad lleva por nombre: Representacin del conocimiento y razonamiento. La representacin se hace a travs 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 evaluacin. Todo esto se hace con el fin de hacer demostraciones de teoremas de las distintas ciencias en las cuales interviene la lgica como son la filosofa, las matemticas y las ramas que la componen. Durante este trabajo de investigacin se hace una resea de los que son algunos teoremas, tipos de conocimientos lgicos y razonamientos que actan para la demostracin al momento de evaluar distintas expresiones y hacer una demostracin de si son verdaderas o falsas dependiendo de los valores que estos tomen, tambin cabe destacar que estos conocimiento y razonamientos no solo nos arrojan valores verdadero o falsos sino que tambin sirven como referencia y parmetros para la toma de decisiones, todo esto ya entrando en materia de sistemas expertos y de la misma inteligencia artificial.
Pgina 3
El mtodo de resolucin El mtodo de resolucin trata de construir una secuencia de conjuntos de clusulas, obtenidas usando pasos de resolucin hasta llegar a una refutacin. En ese caso se sabe que el conjunto inicial de clusulas es insatisfactible dado que cada paso de resolucin preserva insatisfactibilidad el ultimo conjunto de clusulas es insatisfactible dado que contiene la clusula vaca Definicin
Pgina 4
El proceso de agregar el resolvente de dos clusulas que pertenecen a un conjunto resolucin. : Pasos de resolucin preservan insatisfactibilidad. Sea un conjunto de clusulas. Si , entonces lo mismo, Definicin Un conjunto de clusulas vaca. Terminacin de la regla de resolucin La aplicacin reiterada de la regla de resolucin siempre termina (suponiendo que el resolvente que se agrega es nuevo) En efecto, notar que: 1. El resolvente (la clusula nueva que se agrega) se forma con los literales distintos que aparecen en el conjunto de clusulas de partida . 2. Hay una cantidad finita de literales en el conjunto de clusulas de partida . En el peor de los casos, la regla de resolucin podr generar una nueva clusula por cada combinacin diferente de literales distintos de . Ejemplo: Objetivo: {{ }{ 1. {{ 2. {{ 3. {{ 4. {{ mostrar }{ }{ }{ }{ }{ }{ }{ }{ }{ }{ }{ }{ }{ }{ que el conjunto de clusulas se llama una refutacin si contiene a la clusula es la clusula resolvente de { } es insatisfactible. O, lo que es { } a (de aplicar la regla de resolucin a S) se llama un paso de
es insatisfactible si
es lgicamente equivalente a
}} es insatisfactible. }}. } { }} } { } { }} }{ }{ }{ }}
Pgina 5
5. {{
}{
}{
}{
}{ }{ }{
} { }}
haya evidencia de lo contrario. El sistema que razona debe tener en cuenta que la aparicin 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 lgicas del razonamiento no montono: Un tipo de razonamiento inductivo. Se basan en los usos del sentido comn. La intencin es representar conocimiento acerca del mundo real y manipularlo de forma que los programas informticos puedan simular tales mecanismos con cierta eficacia. Dicho de manera general, el hecho de que el razonamiento clsico persiga la validez tiene como consecuencia, entre otras, lo siguiente: Si { } , entonces { }
Esta propiedad se denomina monotona. La nocin de consecuencia lgica que descansa sobre este patrn es la siguiente: { } Si y slo si todo modelo de { } es un modelo de
Contrariamente a este punto de vista, los humanos solemos concluir a tenor de la informacin de que disponemos y estamos dispuestos a variar nuestras conclusiones con la llegada de nueva informacin (abandono del principio de monotona). El razonamiento revisable es fundamentalmente no-montono.
Pgina 7
Definicin 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 (por ejemplo 1), 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. Resulta aparente que en una situacin informtica abierta de sentido comn, no existe espacio general alguno para una muestra de eventos. Apenas se le ponen lmites a dicho espacio general de eventos considerados y se le aplica alguna distribucin, se est procediendo a generar teoras probabilsticas. Las tcnicas de razonamiento no-montono consisten en tcnicas desarrolladas para limitar los fenmenos tenidos en cuenta. Si queremos limitar los fenmenos considerados, debemos recurrir a tcnicas no-montonas. (Estoy confesando que no s cules seran esas tcnicas). Al formar distribuciones, habra que introducir una regla por defecto por la cual dos eventos se
deben considerar independientes entre s salvo que haya alguna razn para el otro caso. No es posible que sean eventos cualesquiera: tienen que ser
dos eventos bsicos por lo menos en algn sentido. Definicin de probabilidad: Se llama probabilidad a cualquier funcin , que asigna a cada suceso espacio muestral siguientes: Para cualquier nmero finito se cumple: Sistemas de razonamiento Probabilstico
ISC | Eduardo Ren Lpez Vicente Pgina 8
de un
un valor numrico
Aqu se explica un mecanismo de inferencia, para construir un sistema de razonamiento para situaciones en donde est presente la incertidumbre. La principal ventaja del razonamiento probabilstico con el razonamiento lgico reside en el que el agente puede tomar decisiones racionales aun sin disponer de suficiente informacin para probar que una accin dada funcionar. Para representar la dependencia que existe entre determinadas variables se utiliza una estructura de datos conocida como red de creencia, y tambin para especificar de manera concisa la distribucin de probabilidad conjunta. La red de creencia es una grfica en la que se cumple lo siguiente: Los nodos de la red estn formados por un conjunto de variables aleatorias. Cada par de nodos se conecta entre s mediante un conjunto de enlaces o flechas. El significado implcito 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 ste. 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 combinacin de los valores de los nodos padres. Ejemplo de una tabla: Robo Temblor Verdadero Verdadero Verdadero Falso Falso Verdadero Falso Verdadero Falso 0.950 0.950 0.290 0.001 Falso 0.050 0.050 0.710 0.999
Pgina 9
Y despejamos
Ejemplo: En un aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, son fumadores el 20%. Qu proporcin de fumadores hay en total?
ISC | Eduardo Ren Lpez Vicente Pgina 10
Se elige a un individuo al azar y resulta fumador. Cul es la probabilidad de que sea un hombre?
Pgina 11
Conclusin
Estos temas son fundamentales ya que son parte importante para la construccin de un sistema experto porque son los que nos darn 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 decisin de acuerdo a los valores y parmetros que tome o que le sean proporcionados. Estos temas nos muestran tambin la importancia de evaluar, analizar y razonar todas las posibilidades que existen y tener bien claro lo que suceder o que resultados se deben de obtener de acuerdo a los valores que se tengan antes de evaluar ciertas expresiones.
Pgina 12
Bibliografa
COSGAYA, I. H. (s.f.). Inteligencia Artificial, istecam. Recuperado el 15 de Marzo de 2013, de http://www.itescam.edu.mx/principal/webalumnos/sylabus/asignatura.php?clave_asi g=SCB-0416&carrera=ISC0405001&id_d=60 Eduardo Bonelli. (10 de Octubre de 2006). Departamento de Computacion. Recuperado el 15 de Marzo de 2013, de http://www2.dc.uba.ar/materias/plp/20062C/download/clase8.pdf Sistemas de Razonamiento Probabilstico. (s.f.). Recuperado el 15 de Marzo de 2013, de http://www.angelfire.com/ia3/aisite/razonam_prob.htm
Pgina 13