INSTITUTO TECNOLGICO SUPERIOR DE TEPOSCOLULA

CARRERA: ISC ASIGNATURA: INTELIGENCIA ARTIFICIAL

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.

ALUMNO: EDUARDO RENE LPEZ VICENTE

SAN PEDRO Y SAN PABLO TEPOSCOLULA OAXACA A 19 DE MARZO DEL 2013.

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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

ISC | Eduardo Ren Lpez Vicente

Pgina 2

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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.

ISC | Eduardo Ren Lpez Vicente

Pgina 3

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

2.6 El Mtodo de Resolucin de Robinson

Introducido por Alan Robinson en 1965. Es un mtodo fcil y simple de implementar para decidir si una proposicin es vlida que se extiende a lgica de primer orden y otras lgicas no funcionales. Es bastante popular en el mbito de demostracin automtica de teoremas y tiene una nica regla de inferencia: la regla de resolucin. Requiere que las proposiciones estn en forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin estableciendo que la negacin de la proposicin es insatisfactible por ello se dice que es un mtodo de refutacin. Definicin: Dado una literal o o Dadas dos clusulas si para algn literal una clusula ,y se dice resolvente de { } { } . el opuesto de l se define como:

Ejemplo: Las clusulas { clusulas { } { } { } tienen 2 resolventes: { } y { }. Las

} tienen a la clusula vaca como resolvente.

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

ISC | Eduardo Ren Lpez Vicente

Pgina 4

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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

ISC | Eduardo Ren Lpez Vicente

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

5. {{

}{

}{

}{

}{ }{ }{

} { }}

2.7 Conocimiento no-montono y otras Lgicas

Conocimiento: Por conocimiento entenderemos en lo sucesivo creencia verdadera justificada. Su representacin 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 qu cosas pasan y cules no. La representacin del Conocimiento conecta las Ciencias Cognitivas con: 1. Las herramientas de programacin. 2. Las tcnicas de ingeniera de la Inteligencia Artificial (IA). Definicin de razonamiento no montono Segn McCarthy Tanto los humanos como los autmatas 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 minimizacin de algo. A medida que se agregan nuevos hechos, algunas de las anteriores conclusiones no sobreviven. Por este motivo, el razonamiento que permiti arribar a esas conclusiones que han decado, se denomina no-montono. Un razonamiento se llama montono 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 lgica no montona. Un proceso frecuente es el razonamiento por defecto: suponer que algo es verdadero (o falso) mientras no
ISC | Eduardo Ren Lpez Vicente Pgina 6

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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.

2.8 Razonamiento Probabilstico

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). Segn McCarthy

ISC | Eduardo Ren Lpez Vicente

Pgina 7

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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

que verifica los axiomas

de sucesos mutuamente excluyentes

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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

ISC | Eduardo Ren Lpez Vicente

Pgina 9

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

2.9 Teorema de Bayes

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 en cada uno de los componentes de una podemos calcular la probabilidad (a

particin de sucesos, entonces si ocurre posteriori) de ocurrencia de cada .

Se puede calcular usando el teorema de la probabilidad total:

Regla de Bayes Se obtiene a partir de las 2 expresiones de la regla del producto o o

Igualamos los trminos derechos: o

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

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

Se elige a un individuo al azar y resulta fumador. Cul es la probabilidad de que sea un hombre?

ISC | Eduardo Ren Lpez Vicente

Pgina 11

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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.

ISC | Eduardo Ren Lpez Vicente

Pgina 12

Instituto Tecnolgico Superior de Teposcolula | Inteligencia Artificial

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

ISC | Eduardo Ren Lpez Vicente

Pgina 13