Scientia et Technica Ao XVI, No 49, 28 Abril de 2017. Universidad Tecnolgica de Pereira.

ISSN 0122-1701 1

Sistemas Expertos
Expert Systems

Juan Camilo Pelez Martnez

Risaralda, Universidad tecnolgica, Pereira, Colombia
Correo-e:camilo89@utp.edu.co

Resumenun sistema experto probabilstico, entendindose por
un sistema experto un programa computacinal capas de emular
la toma de decisiones de un humano experto, un sistema experto
probabilstico es una aplicacin informtica que trabaja sobre
una base de conocimiento la cual posee unas reglas inferidas para
solucionar problemas ms complejos
Palabras clave Sistema Experto, emular, toma de decisiones,
inferir, grafos dirigidos, bayesianos, inferencia, garfos aciclicos
Para la situacin anterior existen sistemas expertos donde sus
reglas de inferencia y segn una base de conocimiento basada
en reglas ingresadas o ciertas caractersticas que ayudan a
describir problemas entornos basados en las decisiones de un
humano experto, de esta forma el ordenador puede actuar
como el amigo o la persona que contactamos para la solucin
del problema y asi tener la conversacin con el ordenador el
cual basado en un conocimiento nos gua a una solucin para
que la impresora imprima el documento

Abstract The following paper deals with a probabilistic expert
system, an expert system being understood as a computer
program for layers to emulate the decision-making of an expert
human, a probabilistic expert system is a computer application
that works on a knowledge base which has some rules Inferred to
solve more complex problems
Key Word Expert System, emulate, decision-making, infer.
I. INTRODUCCIN
Este documento es de uso acadmico, enfocado al rea de la
computacin blanda acerca del tema de sistemas expertos
probabilsticos donde veremos su funcionamiento y el
desglose de unos tpicos principales que derivan de este tema,
para generar un conocimiento en la comunidad de personas
que tengan acceso a este.
II. CONTENIDO
I Sistemas Expertos Bayesianos
El teorema de bayes es de enorme relevancia puesto que
vincula la probabilidad de A dado B con la probabilidad de B
dado A. Es decir, por ejemplo, que sabiendo la probabilidad de
tener un dolor de cabeza dado que se tiene gripe, se podra
saber (si se tiene algn dato ms), la probabilidad de tener
gripe si se tiene un dolor de cabeza. Muestra este sencillo
ejemplo la alta relevancia del teorema en cuestin para la
ciencia en todas sus ramas, partiendo de este concepto para la
creacin de los sistemas expertos bayesianos que conforma el
sistema probabilstico.

Los temas sobre los cuales nos vamos a centrar que derivan de
sistemas expertos probabilsticos son modelo Bayesianas,
reglas o meta-reglas que componen el funcionamiento de estos
sistemas, inferencia y razonamiento directo e ntegro. Es
importante aclarar que un sistema experto es un sistema
computacional que emula la toma de decisiones basndose en
unas reglas de un ser humano experto.

Supongamos la siguiente situacin con el fin de entender el

tema a tratar, hemos instalado un paquete de software que
permite la edicin de documentos, sin embargo cuando
deseamos enviar un documento a la impresora, surge el
problema de que el documento no se imprime, la solucin Sin embargo, hay una controversia sobre el tipo de
sera quizs contactar alguien que maneje el tema y nos har probabilidades que emplea. En esencia, los seguidores de la
ciertas preguntas con el fin de saber que secuencia de pasos estadstica tradicional slo admiten probabilidades basadas en
debamos seguir pasos de configuracin o instalar de nuevo el experimentos repetibles y que tengan una confirmacin
software segn otros pasos.
 2 Scientia et Technica Ao XVI, No 49, Diciembre de 2011. Universidad Tecnolgica de
Pereira.
emprica mientras que los llamados estadsticos bayesianos
permiten probabilidades subjetivas.
Redes bayesianas o Modelo Bayesiano se fundamentan en la
teora de la probabilidad y combinan la potencia del teorema
de Bayes con la expresividad semntica de los grafos
dirigidos; las mismas permiten representar un modelo causal
por medio de una representacin grfica de las dependencias
entre las variables que forman parte del dominio de
aplicacin. Una red bayesiana es un grafo acclico dirigido,
donde las uniones entre los nodos tienen definidas una
direccin, y en la cual los nodos representan variables
aleatorias y las flechas representan influencias causales; el que
un nodo sea padre de otro implica que es causa directa del
mismo. Se puede interpretar a una red bayesiana de dos
formas:
1. Distribucin de probabilidad. Representa la
distribucin de la probabilidad conjunta de las
variables representadas en la red.
2. Base de reglas. Cada arco representa un conjunto de
reglas que asocian a las variables involucradas.
Las redes bayesianas son altamente aplicadas en el campo de
la medicina enfocndonos al servicio a prestar de urgencias
mdicas por ejemplo Con el fin de usar los recursos de forma
ms eficiente, cada vez en ms hospitales se hace
imprescindible la implantacin de un sistema de triaje, o
sistema para la catalogacin de la urgencia con la que un
paciente en la sala de emergencias debe ser atendido. Existen
recomendaciones o sistemas estndares.
II Sistemas Expertos basados en reglas
Muchos de los sistemas expertos de la actualidad estn
basados en sistemas cuya base de conocimiento consiste en la
reglas, estos sistemas trabajan mediante la aplicacin de
dichas reglas, comparacin de resultados y la aplicacin de las
nuevas reglas basndose en las variables que puedan influir en
modificar ciertas situaciones para las cuales dicho sistema es
capaz de responder. Tambin son capaces de trabajar mediante
la utilizacin de inferencia lgica dirigida, comenzando con
una evidencia inicial y dirigindose hacia una solucin posible
o con hiptesis sobre las posibles soluciones.
Sistema experto
Entendiendo que una regla para un sistema experto es una
afirmacin lgica (premisas) que relaciona informacin
conocida con otra que puede ser deducida segn ciertos
comportamientos o simplemente consecuente (conclusiones
deducidas)
Ejemplo de regla:
If sentence Then sentence Else sentence (condicionales)
Dendral.- Fue ideado a finales de los aos 1970 para generar
una representacin estructural de las molculas orgnicas a
partir de los datos de un espectrgrafo de masas. Tal solucin
tiene los siguientes pasos:
Obtener las limitaciones de los datos.
Generar estructuras candidatas.
Predecir espectros de masa con los candidatos.
Comparar los resultados con los datos.
III) Inferencia
El motor de inferencia consiste en generar nuevo
conocimiento a partir de un conocimiento que se tenga,
haciendo uso de la base de hechos y la base de conocimiento
para nuevas conclusiones o hechos. Tenemos diferentes tipos
de inferencia que interactan con un sistema experto
probabilstico como son la inferencia bayesiana es un tipo de
inferencia estadstica en la que las evidencias u observaciones
se emplean para actualizar o inferir la probabilidad de que una
hiptesis pueda ser cierta.
El sistema sigue los siguientes pasos:
1. Evaluar las condiciones de todas las reglas
respecto a la base de datos
2. Si no se puede aplicar ninguna regla, se termina
sin xito; en caso contrario se elige cualquiera de
las reglas aplicables y se ejecuta su parte accin
3. Si se llega al objetivo, se ha resuelto el
problema; en caso contrario, se vuelve al paso 1
El Motor de Inferencia realiza dos tareas principales:
 Scientia et Technica Ao XVI, No 49, Diciembre de 2011. Universidad Tecnolgica de Pereira.
1. Examina los hechos y las reglas, y si es posible,
aade nuevos hechos
2. Decide el orden en que se hacen las inferencias.
La inferencia bayesiana utiliza aspectos del mtodo cientfico,
que implica recolectar evidencia que se considera consistente
o inconsistente con una hiptesis dada. A medida que la
evidencia se acumula, el grado de creencia en una hiptesis se
va modificando
Una de las estrategias de inferencia ms utilizadas para
obtener conclusiones compuestas es el llamado
encadenamiento de reglas. Esta estrategia puede utilizarse
cuando las premisas de ciertas reglas coinciden con las
conclusiones de otras. Cuando se encadenan las reglas, los
hechos pueden utilizarse para dar lugar a nuevos hechos. Esto
Se repite sucesivamente hasta que no pueden obtenerse ms
conclusiones. El tiempo que consume este proceso depende,
de los hechos conocidos, y de las reglas que se activan.
Este algoritmo puede ser implementado de muchas formas.
Una de ellas comienza con las reglas cuyas premisas tienen
valores conocidos. Estas reglas deben concluir y sus
Conclusiones dan lugar a nuevos hechos. Estos nuevos hechos
se aaden al conjunto de hechos conocidos, y el proceso
continuo hasta que no pueden obtenerse nuevos hechos.
Si es cierto se aade a la base de conocimiento
Si es falso se entiende que tambin la premisa es false.
Sean ideado dos mtodos principales de la mquina de
inferencias usa al examinar las reglas: pro-razonamiento y
razonamiento inverso.
Pro-razonamiento o razonamiento directo
En el pro-razonamiento, tambin llamado encadenamiento
hacia delante, consiste que las reglas se examinan una tras otra
en cierto orden. El orden podra ser la secuencia en que las
reglas se introdujeron en el conjunto de reglas, o podr ser
alguna otra secuencia especificada por el usuario, ciertas
____________________________
1. Las notas de pie de pgina debern estar en la pgina donde se citan. Letra Times New Roman de 8 puntos
3
reglas enfocadas en algn rea especfica para la cual se halla
diseado el sistema experto. Este deber considerar todas las
reglas de la base de conocimiento
Razonamiento Inverso
En el razonamiento inverso, tambin llamado encadenamiento
hacia atrs, la mquina de inferencia selecciona una regla y la
considera como un problema a resolver. Pero luego se da
cuenta, que para resolverla debe primero resolver las
anteriores las cuales se constituyen en subproblemas. El
razonamiento inverso es ms rpido debido que no tiene que
considerar todas las reglas y no efecta varias bsquedas en la
base de conocimiento. Este es apropiado cuando hay mltiples
variables de meta y hay muchas reglas que considerar para
resolver estos problemas
III. CONCLUSIONES
La investigacin realizada sobre el tema de sistemas expertos
ms exactamente de forma probabilsticos se realiz
con el fin de aportar la definicin de unos conceptos
y abarcar el tema desde diferentes puntos de vista
para una ilustracin de su funcionamiento donde
podemos generalizar como que un sistema experto
probabilstico emula las decisiones de un humano
experto, basndose en una base de conocimiento que
contiene reglas y hechos, reglas que son premisas y
que derivan otras premisas y otros hechos. A travs
de un motor de inferencia el cual tiene para su
funcionamiento distintos mtodos de toma de
decisiones, deductivo y haciendo uso del
prorazonamietno y razonamiento inverso.
REFERENCIAS BIBLIOGRAFICAS
http://personales.unican.es/gutierjm/cursos/experto
s/Reglas.pdf
https://es.wikipedia.org/wiki/Sistema_basado_en_r
eglas
https://es.wikipedia.org/wiki/Inferencia_bayesiana
http://e-
ghost.deusto.es/docs/2005/conferencias/Bayes05.
pdf
https://es.wikipedia.org/wiki/Sistema_experto
https://es.wikipedia.org/wiki/Red_bayesiana
https://es.wikipedia.org/wiki/Inferencia_bayesiana
4 Scientia et Technica Ao XVI, No 49, Diciembre de 2011. Universidad Tecnolgica de
Pereira.