Shell Hugin

Captulo III
Subsecretara de Educacin Superior

Direccin General de Educacin Superior Tecnolgica Instituto Tecnolgico de Zacatepec
INSTITUTO TECNOLGICO DE ZACATEPEC
EXAMEN POR AREAS DEL CONOCIMIENTO AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT
OPCIN VI
QUE PARA OBTENER EL TTULO DE INGENIERO EN SISTEMAS COMPUTACIONALES
P R E S E N T A: GERARDO DELGADO REYES
ASESOR: MTI.LAURA VILLAVICENCIO GOMEZ
ZACATEPEC MORELOS
JUNIO DEL 2013
Captulo III
Subsecretara de Educacin Superior

Direccin General de Educacin Superior Tecnolgica Instituto Tecnolgico de Zacatepec
INSTITUTO TECNOLGICO DE ZACATEPEC
EXAMEN POR AREAS DEL CONOCIMIENTO
AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT
QUE PARA OBTENER EL TTULO DE INGENIERO EN SISTEMAS COMPUTACIONALES
P R E S E N T A: GERARDO DELGADO REYES
ZACATEPEC MORELOS
JUNIO DE 2013
OFICIO DE AUTORIZACIN (EN TRAMITE)
DEDICATORIA
A mis padres. Concepcin Delgado Vzquez Leonor Reyes Pachuqueo
A mi Esposa e Hijo. Sonia Lpez Espindola Axel Miguel Delgado Lpez
iii
AGRADECIMIENTOS
A mis Padres! Les agradezco por darme la vida, por criarme como lo hicieron, por ensearme los buenos valores con los que ahora cuento, por dejarme caer y ensearme que hay que levantarse, ya que sin ellos no tendra nada de lo que tengo y que a pesar de tantas dificultades que pasamos juntos siempre demostraron la dureza y firmeza que los padres deben tener para brindarme lo necesario en mi carrera, ustedes han sido un buen ejemplo, porque me ensearon que todo en esta vida es posible si se tiene voluntad y perseverancia. Gracias a ellos hoy soy un Ing. en Sistemas Computacionales Los amo mucho Leonor Reyes Pachuqueo y Concepcin Delgado Vzquez
A mi Esposa! Por brindarme la confianza para llegar a mi meta, por ofrecerme t cario incondicionalmente, por regalarme tantos momentos maravillosos, y sobre todo te agradezco por darme un hijo hermoso.
Gracias fuiste una pieza clave en mi carrera... Sonia Lpez Espnola
Te amo
iv
FRASE
No temis a la grandeza; algunos nacen grandes, algunos logran grandeza, a algunos la grandeza les es impuesta y a otros la grandeza les queda grande.
William Shakespeare
NDICE GENERAL
Pgina. Contraportada.....i Oficio de autorizacin.......ii Dedicatoria.iii Agradecimientos...iv Frase...v ndice general ..vi ndice de figuras ..ix ndice de tablas........xi Resumen 1
CAPTULO I. GENERALIDADES 1.1 Planteamiento del problema....................................................................................................................3 1.2 Objetivo general ......................................................................................................................................4 1.3 Objetivos especficos...............................................................................................................................4 1.4 Justificacin.............................................................................................................................................4 1.5 Alcances y limitaciones............................................................................................................................5
CAPTULO II. INTELIGENCIA ARTIFICIAL 2.1 Introduccion............................................................................................................................................7 2.2 Qu es la Inteligencia?.........................................................................................................................8 2.2 Qu es la Inteligencia Artificial?........................................................................................................11 2.4 Sistemas que( piensan | actan )( racionalmente | como humanos )...................................................12 2.5 Historia de la Inteligencia Artificial........................................................................................................14 2.6 Elementos Bsicos de la Inteligencia Artificial.....................................................................................20 2.7 Caracteristicas de inteligencia..............................................................................................................23 2.8 Ramas de la Inteligencia Artificial.........................................................................................................24 2.9 Futuro de la Inteligencia Artificial.........................................................................................................28
vi
CAPTULO III. SISTEMAS EXPERTOS 3.1 Introduccion..........................................................................................................................................30 3.2 Desarrollo Histrico de los Sistemas Expert.........................................................................................31 3.3 Definicin..............................................................................................................................................34 3.4 Caracteristicas de los Sistemas Expertos............................................................................................34 3.5 Principales Componentes de los Sistemas Expertos...........................................................................35 3.6 Arquitectura de los Sistemas Expertos.................................................................................................36 3.7 Tipos de Sistemas Expertos.................................................................................................................37 3.8 Etapas del Desarrollo de un Sistema Experto......................................................................................38 3.9 Ventajas y Limitaciones de un Sistema Experto...................................................................................39
CAPTULO IV SHELL
4.1 Introduccin..........................................................................................................................................42 4.2 Definicin de Shell................................................................................................................................43 4.3 Pequea historia sobre las Shells........................................................................................................44 4.4 Caractersticas de los Shell..................................................................................................................44 4.6 Tipos de Shell.......................................................................................................................................45
CAPTULO V AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT
5.1 Definicin de Shell Hugin Expert.........................................................................................................49 5.2 Introduccin a Las Redes Bayesianas.................................................................................................49 5.3 Teorema de Bayes...............................................................................................................................50 5.4 Definicin de Redes Bayesianas..........................................................................................................51 5.5 Inferencia en Redes Bayesianas.........................................................................................................52 5.6 Tipo de Redes Bayesianas...................................................................................................................54 5.7 Tipos de Evidencias..............................................................................................................................55 5.8 Tipos de Estructura...............................................................................................................................56 5.9 Aprendizaje De Las Redes Bayesianas...............................................................................................57 5.10 Diagramas de Influencia.....................................................................................................................58 5.11 Caractersticas de las Redes Bayesianas..........................................................................................60 5.12 Ventajas e inconvenientes de las redes bayesianas..........................................................................62 5.13 Obtencin de Valores para la Probabilidad........................................................................................63
vii
CAPTULO VI. IMPLEMENTACION DEL SISTEMA 6.1 Instalacin de Hugin Expert..................................................................................................................68 6.2 Desarrollo del Sistema Utilizando El Ambiente de trabajo Hugin Expert............................................75 6.3 Ejecutar Hugin Expert...........................................................................................................................87 CONCLUSIONES........................................................................................................................................90 REFERENCIAS BIBLIOGRFICAS............................................................................................................91
viii
NDICE DE FIGURAS
Figura Pgina
2.1 Test de Turing.........................................................................13 2.2 Lenguaje Matemtico...................18 2.3 Algoritmos Genticos............20 2.4 Robtica.......24 2.5 Sistemas de Visin............25 2.6 Procesamiento de Lenguaje Natural..............25 2.7 Redes Neuronales.........26 2.8 Agentes Inteligentes..........27 2.9 Sistemas Expertos.............27 3.10 Primer sistema experto, programado en LISP para la identificacin de compuestos orgnicos analizando datos de espectroscopia de masas....31 3.11 Escritorio en OPS5......32 3.12 Language Integrated Production System...................33 3.13 Estructura de los S.E..........36 4.14 Shell Grafios.........42 4.15 Identificando un Shell.........................................................................................................................43 4.16 Steve Bourne, creador de la Bourne Shell..........44 5.17 Redes Bayesianas.......49 5.18 Ejemplo de una red bayesiana. ..............................................................................................51 5.19 Proceso de inferencia en Redes Bayesianas.....................................................................................52 5.20 Principales tipos de Inferencias para Redes Bayesianas...................................................................54 5.21 Estrutura de rbol...............................................................................................................................56 5.22 Estructura de Polirboles...................................................................................................................56 5.23 Estructura Multiconectada..................................................................................................................56 5.24 Tipos de nodo de un Diagrama de Influencia.....................................................................................58 5.25 Diagrama de influencia con alto nmero de errores introducidos......................................................59 5.26 Diagrama de influencia con un bajo nmero de errores introducidos................................................60 5.27 La RB final del problema del estornudo..............................................................................................64 5.28 RB y parmetros para el ejemplo del resfriado..................................................................................66 6.29 Formularios Hugin Expert para descargar Software...........................................................................68 6.30 Descarga de Software........................................................................................................................68 6.31 carpeta contenedora...........................................................................................................................69 6.32 Ejecucin he instalacion del Programa de software Hugin.................................................................69 6.33 inicio automatizado de Hugin Expert..................................................................................................70
ix
6.34 El instalador nos pide dar clic en siguiente.........................................................................................70 6.35 Trminos de HuginExpert...................................................................................................................71 6.36 Peticin de datos de acceso para la activacin he instalacin de Hugin...........................................71 6.37 Ingreso de Correo electrnico y clave de acceso...............................................................................72 6.38 Ruta de Instalacion.............................................................................................................................72 6.39 Clic en Instalar....................................................................................................................................73 6.40 instalando y terminando instalacin de Hugin Expert........................................................................73 6.41 Instalacin Finalizada.........................................................................................................................74 6.42 La ventana de red que contiene barra de herramientas, un panel de edicin de nodos y un panel de red................................................................................................................................................................75 6.43 herramientas.......................................................................................................................................75 6.44 nodo C1..............................................................................................................................................76 6.45 propiedades del nodo.........................................................................................................................76 6.46 Panel de red contiene los nodos........................................................................................................77 6.47 Flechas causales, representacin cualitativa terminada....................................................................78 6.48 Especificacin de los Estados............................................................................................................79 6.49 Introduccin de valores en el nodo tipo de reclamacin.....................................................................79 6.50 Introduccin de valores en el nodo tipo Ubicacin.............................................................................80 6.51 Introduccin de valores en el nodo tipo Sexo.....................................................................................81 6.52 Introduccin de valores en el nodo tipo Antecedentes.......................................................................82 6.53 Introduccin de valores en el nodo Aumento recientemente de suma asegurada en pliza.............83 6.54 Introduccin de valores en el nodo Presin excesiva para liquidacin inmediata..............................84 6.55 Introduccin de valores en el nodo tipo Se pone nervioso cuando se le dijo que sera puesto a investigacin................................................................................................................................................85 6.56 Introduccin de valores en el nodo tipo Fraude..................................................................................86 6.57 El botn de herramienta de modo de ejecucin.................................................................................87 6.58 Ventana de la red dividida en dos......................................................................................................88 6.59 Ejecucin Final y Resultado...............................................................................................................89
NDICE DE TABLAS
Tabla
Pgina.
3.1 Sistemas Expertos y sus aplicaciones...........33 5.2 Funciones de Utilidad.................................56
xi
Ambiente de trabajo del Shell Hugin Expert
RESUMEN
El presente documento presenta informacin acerca de la Inteligencia Artificial y de cmo ha ayudado a facilitar la vida del ser humano debido a los grandes avances de la ciencia y la tecnologa.
Se hablara de cmo la Inteligencia Artificial ha ido evolucionando en todas sus ramas y que debido a la Inteligencia artificial Surgen Los Sistemas Expertos, mismos que llegaron para fortalecer lo que ya en si se vea sera algo muy benfico y exacto, adems de que estos sistemas expertos han fortalecido los avances tecnolgicos.
Tambin se informa de cmo funcionan los Shells en estos Sistemas Expertos y que debido a la exactitud de estos shells se han generado bastantes sistemas expertos que ayudan a los diferentes campos de investigacin y las diferentes reas de la ciencia. Hablando de sistemas expertos y Shell encontramos a Hugin Expert un Shell generador de sistemas expertos que aunado a una buena programacin y la buena recopilacin de datos con expertos humanos ha llegado a ser un buen generador de sistemas expertos para la anticipacin de fraudes en Seguros automovilsticos y de hogar.
CAPTULO I GENERALIDADES
Captulo I
Generalidades
1.1 Planteamiento del Problema

Hoy en da transita por la red infinidad de informacin que nos ensea que es la inteligencia artificial (I.A.), Sistemas expertos y sobre todo lo que es un Shell del sistema experto, pero no toda esta informacin es confiable adems de que mucha de la informacin subida a la red es conocida como informacin basura debido a su alto grado de incertidumbre.
Ahora la informacin basada en libros ya es bastante Obsoleta, debido a que pueden ser libros que se imprimieron a principios de la dcada o simplemente son libros con poca informacin que solo nos dejan con mucha ms duda, a dems de que suelen ser libros en otros idiomas que al intentar traducirlos se pierde mucha informacin o simplemente se pierde continuidad en la lectura.
Para entender los conceptos de Sistemas Expertos de Shell o Inteligencia Artificial no basta con solo leer un artculo o un buen libro hay que llevarlo a la prctica para entender un poco ms dichos conceptos.
A pesar de que hoy en da el internet se ha vuelto la manera ms til de consultar informacin, los desarrolladores del Shell Hugin Expert brindan muy poca informacin acerca de dicho Shell por eso resulta mucho ms difcil entenderlo y sobre todo la forma en que este Shell ayuda en sus diferentes campos adems de que nos brindan informacin muy general del funcionamiento del mismo y poca es la informacin que aportan para la generacin de algn ejemplo.
Captulo I
Generalidades
1.2 Objetivo general

Determinar el sistema que utiliza el Shell Hugin Expert para realizar sus funciones como Sistema Experto, mediante una investigacin eficaz y minuciosa para brindar a futuros investigadores una herramienta que les ayude en la carrera.
1.3 Objetivos Especficos

Dar a conocer la evolucin de la Inteligencia Artificial.
Establecer el funcionamiento de las redes bayesianas.
Brindar informacin acerca del funcionamiento de Shell Hugin Expert.
Facilitar la informacin sobre la arquitectura y caractersticas de las Redes Bayesianas.
Generar un Sistema Experto.
Ofrecer una recopilacin de informacin que sirva de apoyo para futuros investigadores.
1.4 Justificacin
Con la presente Tesina se pretende:
Que los alumnos futuros cuenten con material de apoyo para realizar sus investigaciones y a su vez ayude a su experiencia profesional.
Que los maestros y alumnos dispongan de informacin confiable acerca de los sistemas expertos y que sea til para ayudar a realizar labores.
Que la comunidad estudiantil cuente con material fiable para realizar consultas en la biblioteca.
Que la comunidad estudiantil pueda disponer de esta Tesina y que su contenido sea til para reafirmar conocimientos y genere motivacin hacia la investigacin.
Que los alumnos conozcan las ventajas de utilizar sistemas expertos en la toma de decisiones.
Captulo I
Generalidades
1.5 Alcances y limitaciones

Alcances
La tesina en desarrollo tiene como alcance brindar a alumnos, maestros y todo aquel que muestre inters por los sistemas expertos, informacin que aportara beneficio a sus lectores, y a su vez brindar soporte para futuras investigaciones acerca de los Shells como tal, y sus derivados como lo es el Shell Hugin Expert, mismo que muestra la gran vanguardia que hoy en da presentan los Sistemas Expertos. Mostraremos cmo funciona el Shell Hugin Expert, el sistema experto basado en redes bayesianas.
Limitaciones
El sistema Hugin Expert es difcil de programar a diferencia de otros sistemas expertos. Esto debido a que la forma de realizar la programacin para el funcionamiento de Hugin Expert no es muy simple, ya que hay que ingresar datos numricos uno a uno a cada nodo.
La investigacin se realiza en base a informacin que se encuentre disponible. Debido a que da a da los Sistemas Expertos avanzan a pasos agigantados mucha de la informacin est quedando obsoleta y la informacin que surge es poca y a veces muy inexacta Tutoriales con poca informacin. Muchos de los tutoriales que se encuentran en la red carecen de informacin veraz que realmente remueva nuestras dudas y que reforc nuestro conocimiento Tutoriales totalmente en ingles Debido a que todo surgimiento de sistemas expertos ha sido en pases diferentes al nuestro, la gran mayora de los tutoriales o informacin que se encuentra en la red o en libros esta en ingles u otros idiomas y eso genera prdida de tiempo al transcribir y a su vez prdida de informacin.
CAPTULO II INTELIGENCIA ARTIFICIAL
Captulo II
Inteligencia Artificial
2.1 Introduccin
La Inteligencia Artificial (de ahora en adelante l.A) no es otra cosa que el intento de producir mquinas y programas que sean en s mismos inteligentes. Es, en parte, una rama de la tecnologa e ingeniera, pero como disciplina tecnolgica requiere de modelos comprensivos sobre la clase de fenmenos que intenta reproducir. Y es en este mbito, el de los modelos tericos sobre la vida mental, en el que se hallan las dificultades. No existe una teora unitaria sobre los procesos mentales; para decir la verdad, no tenemos una visin homognea y compacta sobre cmo lograr que la mquinas hagan una clase determinada de Comportamientos y procesos mentales que nosotros consideramos naturales. La dificultad no se centra en fabricar mquinas ms rpidas, con ms memoria, o con un diseo determinado; lo difcil es disponer de un modelo cientfico aproximado y fiable sobre cmo secreta el cerebro un conjunto de funciones inteligentes. Decir que no disponemos de una teora cientfica homognea y completa de la mente es cierto, pero no debe interpretarse como si no tuvisemos buenas teoras. En la actualidad, la imagen cientfica del cerebro y de las funciones mentales es uno de los intereses ms importantes de la comunidad de investigadores, neurocientficos y cientficos cognitivos -las dos ramas ms recientes de la investigacin sobre el asunto y gracias a ellas, disponemos de aproximaciones Ms que sugerentes del tema de la inteligencia. En esta ponencia, trataremos de hacer un anlisis de cmo se han desarrollado estos modelos en la inteligencia mecnica o artificial, hasta casi nuestros das. Antes me gustara advertir al lector sobre algunas consideraciones. Es fcil Perderse en este tipo de trabajos, sobre lo que significa la nocin de inteligencia, como si tuviese que encontrar una definicin invariante y universal el investigador que la busca. No existe ningn planteamiento definitivo en la actualidad sobre la inteligencia animal y humana en especial. En este trabajo citaremos algunas de las habilidades que reciben el calificativo de "inteligentes". Al respecto, expondr algunos puntos de partida que considero vitales para una exploracin de las capacidades humanas: a) la inteligencia es una propiedad evolucionada de los animales y que por tanto, es lcito plantearse su origen. b) es una propiedad natural de los sistemas nerviosos de cierta complejidad. c) la inteligencia humana es un caso de lo anterior y que no interviene ningn factor que no sea material, y es posible reproducir la inteligencia humana dado un dispositivo material con complejidad equiparable al cerebro humano.as tres primeras consideraciones son de tipo general e incuestionables para Una persona documentada. La ltima cuestin requiere de una demostracin pormenorizada. (1)
Captulo II
2.2 Que Es La Inteligencia?

La inteligencia es la capacidad de relacionar conocimientos que poseemos para resolver una determinada situacin. Si indagamos un poco en la etimologa de la propia palabra encontramos en su origen latino inteligere, compuesta de intus (entre) y legere (escoger).
Por lo que podemos deducir que ser inteligente es saber elegir la mejor opcin entre las que se nos brinda para resolver un problema.
Por ejemplo, si a una persona se le plantea subir al tejado de una casa, la persona seleccionar los instrumentos que cree necesario para subir, pues con los conocimientos que ya posee (lgicos, matemticos,...) ha ideado una forma para ejecutar una accin que le permitir subir al tejado. Unos dirn que con una escalera, otros con una cuerda, otros necesitarn una serie de instrumentos,... Una persona ms inteligente que otra escoger una opcin mejor que otra.
Cmo se mide la inteligencia? Tristemente la mayora de los test que miden la inteligencia de un ser humano slo tienen en cuenta las capacidades lgica-matemtica y lingsticas. Segn la teora de las inteligencias mltiples segn Howard Gardner podemos distinguir tipos diferentes de inteligencia formal:
* Inteligencia Lgica-Matemtica: Es la habilidad que poseemos para resolver problemas tanto lgicos como matemticos. Comprende las capacidades que necesitamos para manejar operaciones matemticas y razonar correctamente.
Nuestro procesamiento aritmtico, lgico, razonado,... va ligado a ella. * Inteligencia Lingstica-Verbal: Es la fluidez que posee una persona en el uso de la palabra. Destreza en la utilizacin del lenguaje, haciendo hincapi en el significado de las palabras, su orden sintctico, sus sonidos, sta inteligencia nos capacita para escribir poemas, historias,...
* Inteligencia Visual-Espacial: Es la habilidad de crear un modelo mental de formas, colores, texturas,... Est ligada a la imaginacin. Una persona con alta inteligencia visual est capacitada para transformar lo que crea en su mente en imgenes, tal como se expresa en el arte grfico. Esta inteligencia nos capacita para crear diseos, cuadros, diagramas y construir cosas.
* Inteligencia Corporal-Cintica: Es la habilidad para controlar los movimientos de todo el cuerpo para realizar actividades fsicas. Se usa para efectuar actividades como deportes, que requiere coordinacin y ritmo controlado. * Inteligencia Musical: Es la habilidad que nos permite crear sonidos, ritmos y melodas. Nos sirve para crear sonidos nuevos para expresar emociones y sentimientos a travs de la msica.
Captulo II
* Inteligencia Interpersonal: Consiste en relacionarse y comprender a otras personas. Incluye las habilidades para mostrar expresiones faciales, controlar la voz y expresar gestos en determinadas ocasiones. Tambin abarca las capacidades para percibir la afectividad de las personas.
* Inteligencia Intrapersonal: Es nuestra conciencia. Entender lo que hacemos nosotros mismos y valorar nuestras propias acciones.
* Inteligencia Naturalista: Consiste en el entendimiento del entorno natural y la observacin cientfica de la naturaleza como la biologa, geologa o astronoma. Ejemplos donde la separacin de las inteligencias se manifiesta pueden encontrarse en personas con trastornos mentales que sorprendentemente poseen extraordinarias habilidades para realizar clculos o componer msica.
Como deca anteriormente, la mayora de los test que calculan el coeficiente intelectual no hacen un estudio exhaustivo de todas las distintas inteligencias que posee el ser humano.
Los resultados de la medida de las mltiples inteligencias de una persona le pueden servir para su orientacin profesional, pues podra saber cules seran las actividades dnde se desenvolvera mejor, o qu inteligencia debera de desarrollar.
Y digo yo, la inteligencia de una persona se puede desarrollar?
Muchos dicen que no, que una persona nace con una determinada inteligencia, incluso rematando la faena afirmando que es hereditaria (en mi opinin eso es una burrada). Un profesor de biologa una vez nos comentaba en clase una ancdota: En una ocasin Albert Einstein conoci a una exuberante actriz, la cual le propuso casarse y tener hijos, pues con la inteligencia de Einstein y la belleza de la actriz, tendran hijos tan guapos como ella y tan listos como l.
Lamentablemente la actriz no contempl la opcin que Einstein le respondi: Y si nuestros hijos saliesen tan feos como yo y tan idiotas como t?. Fue algo ameno en una clase de herencia mendeliana.
En cambio, otros piensan que la inteligencia se desarrolla durante el nacimiento y muerte de la vida de un ser vivo.
An as est demostrado que muchos nios aprenden ms rpido que otros, aunque pienso que la adquisicin de conocimientos y tcnicas no es cuestin de inteligencia (aunque est relacionado).
Captulo II
Tambin cabe mencionar la diferencia entre una persona inteligente y una persona sabia. Es lo mismo ser sabio que inteligente? Pues no. La sabidura es la posesin de conocimiento, el saber cosas.
En la inteligencia se utiliza las cosas que sabemos, an as podemos saber muchas cosas y no ser capaces de resolver un determinado problema. Es el caso de mucha gente, pueden saber mucho y ser unos autnticos imbciles.
Otro trmino que se confunde con la inteligencia al igual que ocurre con la sabidura es la cultura. Una persona culta es una persona inteligente?
Antes de nada tenemos que comprender que significa cultura en el sentido de la reflexin que estamos tratando. Segn la RAE (Real Academia Espaola) un individuo culto es una persona que posee un conjunto de conocimientos.
Por lo tanto una persona culta, no implica que sea ms inteligente que otra inculta (sin estudios, sin conocimientos culturales). Por otro lado tampoco hay que confundir inteligencia con memoria.
Existen muchas personas con grandes capacidades mnemotcnicas y que pueden recordar muchos conceptos, aunque sin la necesidad de comprenderlos.
An as est comprobado que definir la inteligencia es muy complicado, pues existen muchas teoras y muchos puntos de vistas en los que creer, algunos muy dispares.
Sin embargo, si no quieres calentarte el coco demasiado cuando te pregunten qu es la inteligencia? responde sutilmente: una palabra. (2)
10
Captulo II
2.3 Que Es La Inteligencia Artificial?

Se denomina inteligencia artificial (IA) a la rama de las ciencias de la Computacin dedicada al desarrollo de agentes racionales no vivos.
Para explicar la definicin anterior, entindase a un agente como cualquier cosa capaz de percibir su entorno (recibir entradas), procesar tales percepciones y actuar en su entorno (proporcionar salidas), y entindase a la racionalidad como la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado.
De acuerdo al concepto previo, racionalidad es ms general y por ello ms adecuado que inteligencia para definir la naturaleza del objetivo de esta disciplina.
Por lo tanto, y de manera ms especfica la inteligencia artificial es la disciplina que se encarga de construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o resultados que maximizan una medida de rendimiento determinada, basndose en la secuencia de entradas percibidas y en el conocimiento almacenado en tal arquitectura.
Existen distintos tipos de conocimiento y medios de representacin del conocimiento, el cual puede ser cargado en el agente por su diseador o puede ser aprendido por el mismo agente utilizando tcnicas de aprendizaje.
Tambin se distinguen varios tipos de procesos vlidos para obtener resultados racionales, que determinan el tipo de agente inteligente. De ms simples a ms complejos, los cinco principales tipos de procesos son:
* Ejecucin de una respuesta predeterminada por cada entrada (anlogas a actos reflejos en seres vivos). * Bsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles. * Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN). * Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de animales y humanos). * Razonamiento mediante una lgica formal (anlogo al pensamiento abstracto humano).
Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas, respectivamente por sensores fsicos y sensores mecnicos en mquinas, pulsos elctricos u pticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software.
Varios ejemplos se encuentran en el rea de control de sistemas, planificacin automtica, la habilidad de responder a diagnsticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento
11
Captulo II
del habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como economa, medicina, ingeniera y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y otros videojuegos. (2)
2.4 Sistemas Que (Piensan | Actan) (Racionalmente | Como Humanos)

Sistemas que piensan como humanos.- El esfuerzo por hacer a las computadoras pensar... mquinas con mentes en el sentido amplio y literal (Haugeland, 1985) Sistemas que actan como humanos.-El estudio de cmo hacer computadoras que hagan cosas que, de momento, la gente hace mejor (Rich y Knight, 1991)
Sistemas que actan racionalmente.- Un campo de estudio que busca explicar y emular el comportamiento inteligente en trminos de procesos computacionales (Schalkoff, 1990)
Sistemas que piensan racionalmente.-El estudio de las facultades mentales a travs del estudio de
modelos computacionales (Charniak y McDermott, 1985) (6)
Sistemas que piensan como humanos El modelo es el hombre, el objetivo es construir un sistema que pase por humano. Test de Turing: Si un sistema lo pasa es inteligente (?) Capacidades necesarias: Procesamiento del Lenguaje Natural, Representacin del conocimiento, Razonamiento, Aprendizaje. No es el objetivo primordial de la IA pasar el test La interaccin de programas con personas hace que sea necesario que estos acten como humanos
12
Captulo II
Test de Turing
Figura 1 Test de Turing
Sistemas que piensan como humanos
El modelo es el funcionamiento de la mente humana Intentamos establecer una teora sobre el funcionamiento de la mente (experimentacin sicolgica) A partir de la teora podemos establecer modelos computacionales Ciencias Cognitivas
___
13
Captulo II
Sistemas que piensan racionalmente La leyes del pensamiento racional se fundamentan en la lgica La lgica formal est en la base de los programas inteligentes (Logicismo) Se presentan dos obstculos: o Es muy difcil formalizar el conocimiento o Hay un gran salto entre la capacidad terica de la lgica y su realizacin prctica
Sistemas que actan racionalmente
Actuar racionalmente significa conseguir unos objetivos dadas unas creencias El paradigma es el agente Un agente percibe y acta, siempre segn el entorno en el que est situado Las capacidades necesarias coinciden con las del test de Turing: Procesamiento del Lenguaje Natural, Representacin del conocimiento, Razonamiento, Aprendizaje, Percepcin. Su visin es ms general, no centrada en el modelo humano (6)
2.5 Historia De La Inteligencia Artificial

Las races de la inteligencia artificial se hallan en la historia misma de la humanidad, y no slo en su historia, tambin en los mitos y leyendas de muchas culturas. Si bien estas culturas no hablaban como tal de computadoras pensantes, s se ha observado que se mencionan inteligencias artificiales o creadas por humanos. Es decir, que la idea de inteligencias creadas artificialmente siempre ha despertado inters en la raza humana. Por primera vez, quizs estemos cerca de lograr este tipo de inteligencias.
Encontramos un primer ejemplo en la mitologa griega. Hera tiene un hijo llamado Hephaestus, quien ha creado un hombre hecho de bronce llamado Talos. La misin de Talos era proteger Creta. Aqu, al parecer, en trminos modernos, tenemos la historia de un androide protector.
Otro mito es el de Pygmalin, un rey-artista que crea una escultura de marfil en la cual representa su ideal de mujer. La diosa Afrodita le concede vida a la escultura y le da como nombre Galatea.
Se sabe tambin que Ddalo, un famoso inventor de la Antigedad, haba creado gente artificial. Al parecer, la creacin de esta clase de seres constituye una inquietud presente en ingenieros, inventores y escritores. Pero la construccin de una mquina que slo se asemeje al ser humano no resulta suficiente, lo que en realidad se ha buscado es que tenga inteligencia.
Estos mitos no se detienen en la Antigua Grecia. Se cuenta que el papa Silvestre II construy un artefacto que poda predecir el futuro. Este aparato era una cabeza humana mecnica, capaz de
14
Captulo II
pronunciar dos palabras: s y no. La gente le preguntaba, y la cabeza contestaba, prediciendo de esta manera el futuro.
Al parecer, una mquina que deca dos palabras no result suficiente. Tambin sabemos que astrlogos rabes de la Antigedad construyeron un artefacto conocido como Zairja, que supuestamente ya presentaba inteligencia. Adems, se tienen noticias de una mquina similar llamada Ars Magna, pero de origen cristiano, con caractersticas parecidas.
El homnculo fue creado por Paracelsus y era un hombre pequeito. El rabbi Judah ben Loew tambin tena inters en la creacin de seres artificiales y, utilizando barro, cre un pequeo hombre viviente. Este hombre tena por nombre Jospeh Golem, y se le haba encomendado una misin de espionaje en Praga. Por alguna razn, el hombre de barro se volvi violento y agresivo, por lo que hubo que destruirlo.
No podemos olvidar al ser artificial ms conocido de todos: Pinocho. Pinocho era un nio de madera que obtuvo la vida gracias a la magia del Hada Azul. En la literatura, encontramos desarrollada esta idea. Frankenstein resulta quizs el mayor ejemplo moderno de la inquietud por parte de un cientfico de crear un ser artificial. A partir del surgimiento de la ciencia ficcin como gnero literario, aparecen, cada vez con ms frecuencia, seres artificiales, robots inteligentes y computadoras con sper inteligencia artificial. Recordemos a Isaac Asimov con su famoso libro, Yo robot.
En los ltimos aos, el cine ha retomado la idea y ha mostrado una evolucin. En pelculas como IA y El hombre del bicentenario, encontramos pinochos modernos. La tesis de estos filmes no consiste solamente en la creacin de un ser artificial; va ms all de la mquina que luce como un hombre, de la inteligencia artificial: es la mquina que intenta convertirse en un ser humano.
Todo lo anterior se refiere a mitos y a personajes de ficcin, pero nos permite empezar a entender de dnde viene la inteligencia artificial, al menos como una inquietud de la raza humana. Quizs el hombre, en su interior, ansa ser como Prometeo y llevar la inteligencia a algn otro ser.
No debemos olvidar que, histricamente, ha existido una tendencia al rechazo de las mquinas inteligentes. Esta tendencia ha disminuido durante los ltimos cincuenta aos, quiz debido a que se comprende mejor lo que es la inteligencia humana y lo que es una inteligencia artificial.
15
Captulo II
En la Antigedad
Ahora veremos la historia de la inteligencia artificial desde la perspectiva de personas que realmente existieron. Nuevamente regresamos a la Antigua Grecia. Aristteles ha sido uno de los ms grandes filsofos de todos los tiempos. Entre sus trabajos encontramos la Fsica, donde describe el estudio de las cosas que cambian. Es importante para nosotros porque hace la distincin entre la materia y la forma, dndonos las bases para la computacin simblica y la abstraccin de datos. El abstraer la forma de la materia nos permite representarla y trabajar sobre ella sin modificar su materia.
El aporte de Aristteles no se limita a la Fsica, ya que en la Metafsica encontramos ideas muy tiles para nuestros fines. Tambin nos da la Lgica, y la idea de que el estudio del pensamiento por s mismo nos aporta la base de cualquier conocimiento. La lgica de Aristteles nos permite saber si algo es verdadero en relacin con otras cosas que consideramos verdaderas.
Actualmente, podemos pensar que la Lgica de Aristteles es bsica, pero sent las bases para las formas modernas de lgica y de razonamiento.
El Renacimiento brinda nuevas herramientas mentales. En este perodo, se trata de entender a la naturaleza de una manera emprica. Quizs el pensamiento ms importante para la inteligencia artificial que surgi en estos tiempos es que cualquier proceso puede ser analizado matemticamente. De esta manera, permite ser comprendido y, al ser comprendido, se podr reproducir.
Coprnico nos brinda una idea reveladora: lo que percibimos del mundo puede ser diferente de lo que realmente es. Esto crea una divisin entre lo que pensamos de las cosas y lo que son en realidad. Galileo, por medio de la observacin cientfica, confirm esto y abri la puerta a una nueva era, en la que las matemticas comenzaron a usarse como una herramienta para definir al mundo.
Continuando con nuestro viaje, encontramos a Ren Descartes quien, por medio de la introspeccin, busca las bases de la realidad. Descartes decide que la informacin que obtiene por medio de los sentidos puede engaar, por lo que la toma como falsa. De esta manera, empieza sistemticamente a dudar de todo, incluso de su propia existencia. Llega a la conclusin de que su existencia solamente puede ser justificada en trminos de su propio pensamiento. A Descartes se lo recuerda por su famosa frase: Cogito ergo sum, es decir, pienso luego existo.
Todo esto nos ha llevado paulatinamente a una divisin entre la mente y el mundo fsico. El proceso del pensamiento puede ser separado del entorno fsico donde ocurre. Es decir que el mundo de las ideas no coincide necesariamente con el mundo fsico. Los procesos mentales tienen su propia existencia y
16
Captulo II
pueden ser estudiados por s mismos. A partir de entonces, han surgido diferentes formas de reunificar la mente y el cuerpo.
En las matemticas
Un gran matemtico, Gottfried Leibniz, cre el primer sistema formal de lgica. Lo importante de dicho sistema reside en que se puede utilizar para construir mquinas que realicen clculos en forma automtica. Euler, por su parte, sent las bases para la teora de grafos, los cuales se usan actualmente en la inteligencia artificial.
Charles Babbage cre la mquina diferencial, la cual se utilizaba para calcular los valores de determinadas funciones. Esta mquina resulta un punto clave, ya que sienta las bases de procesamiento y clculo realizado por mquinas, aunque desde luego no podemos decir que fuera inteligente. Tambin dise la mquina analtica, una mquina programable de propsito general, que presenta las bases de la arquitectura que posteriormente utilizaran las computadoras como las conocemos.
Otro matemtico muy importante fue George Boole, ya que sent las bases para formalizar las leyes de la lgica por medio de la creacin del lgebra de Boole. Matemticos posteriores tomaron su trabajo y continuaron avanzando en este campo.
Ms adelante, Gottlob Frege crea un lenguaje de especificaciones matemticas para describir la aritmtica. Su trabajo se encuentra en la obra conocida como Fundamentos de Aritmtica. El lenguaje de Frege se conoce ahora como clculo de predicados de primer orden y se utiliza en la inteligencia artificial para inferir nuevas expresiones verdaderas.
Ya en el siglo pasado, Russell & Whitehead trabajaron en un sistema matemtico que pudiera representar a las matemticas por medio de operaciones y axiomas. Su trabajo se aplica en la inteligencia artificial, en particular en los sistemas que permiten comprobar teoremas en forma automtica.
17
Captulo II
Figura 2 Lenguaje Matemtico
En la ciencia Otros grandes cientficos han contribuido a crear esta disciplina, entre ellos Alfred Tarski, Scout, Burstall, Plotkin. Sin embargo, un cientfico en particular se destaca en la historia de la inteligencia artificial, su nombre es Alan Turing. Este britnico se interesaba en la posibilidad de crear una verdadera inteligencia artificial. Escribi un artculo en el cual trataba de contestar la pregunta sobre si las mquinas pueden pensar o no, y donde se consideraban diferentes objeciones a esta posibilidad. Uno de los puntos importantes resida en la dificultad para definir lo que es la inteligencia en s. Aun si podemos definirla, la pregunta ms importante es: cmo reconocer la inteligencia artificial? Para esto, Turing ide una prueba. En la prueba conocida como el test de Turing, l espera poder medir la supuesta inteligencia artificial frente a la inteligencia de un ser humano. Ya que ste es el nico parmetro de inteligencia con el que se cuenta.
18
Captulo II
En este test, se tiene una persona llamada el interrogador que se encuentra aislada en un cuarto que contiene, solamente, una terminal de computadora. Esa terminal est conectada a otra computadora con un software de inteligencia artificial y a otra terminal controlada por una persona. El interrogador puede hacer cualquier pregunta y no sabe si la respuesta que obtiene es de la computadora o de la otra persona. Si debido a las respuestas puede deducir fcilmente quin es la computadora, entonces supondremos que esa computadora no es inteligente. Sin embargo, si no puede diferenciarlos, entonces, asumiremos que la computadora muestra inteligencia. El test de Turing resulta interesante, pero ha tenido muchas crticas a lo largo del tiempo. La principal es que la inteligencia debe ser del estilo humano para que el test funcione como est planeado. Esto nos abre a la opcin de que podemos encontrar o crear inteligencias que no necesariamente se amolden al esquema humano.
Tecnologas Relacionadas Existen diferentes tipos de tecnologas que forman parte de lo que conocemos como inteligencia artificial. Por un lado, existen los sistemas expertos, programas de cmputo que tienen conocimientos especficos sobre un tema. Estos conocimientos son dados por expertos humanos en un rea en particular y colocados dentro del programa junto con reglas y heursticas. Estos programas tienden a enfocarse directamente en el tema sobre el cual se especializan y no tienen la facultad de aprender de su experiencia. La estadstica tambin es usada en la inteligencia artificial, principalmente cuando el sistema se enfrenta a la incertidumbre producida por la falta de informacin. En estos casos, el sistema es capaz de tomar una decisin aun teniendo datos incompletos. El software de inteligencia artificial puede tener mecanismos que le permitan el aprendizaje, como es el caso de las redes neuronales. Cuando se requiera un sistema de control sencillo, se puede usar una mquina de estados finitos. Algunas veces, es necesario trabajar con datos de los cuales no conocemos los valores exactos; en estos casos, utilizamos la lgica difusa. Por su parte, los algoritmos genticos pueden llegar a soluciones para un problema en particular. (2)
19
Captulo II
Figura 3 Algoritmos Genticos
2.6 Elementos Bsicos De La Inteligencia Artificial

Al igual que en la informtica convencional, en la Inteligencia artificial tenemos una serie de elementos peculiares que la caracterizan y la diferencian. Para Nilsson son cuatro los pilares bsicos en los que se apoya la Inteligencia Artificial, los cuales sern analizados a continuacin. Bsqueda heurstica. Podemos definir una heurstica como un truco o estrategia que limita grandiosamente la bsqueda de soluciones ante grandes espacios de problemas. Por lo tanto ante un problema, no ayuda a seleccionar las bifurcaciones, dentro de un rbol, con ms posibilidades, con ello se restringe la bsqueda aunque no siempre se garantiza una solucin adecuada. Todo lo que se debe tener para que una heurstica sea adecuada es que nos proporcione soluciones que sean lo suficientemente buenas.
20
Captulo II
Adems utilizando la heurstica, no ser necesario replantear un problema cada vez que se afronte, ya que si lo hemos planteado anteriormente, sta sugerir la forma en que se ha de proceder para resolverlo. Representacin del conocimiento. La representacin es una cuestin clave a la hora de encontrar soluciones a los problemas planteados, y que adems stas sean adecuadas. Si analizamos ms detenidamente el trmino y adems dentro de la Informtica, y ms concretamente dentro de la Inteligencia Artificial, encontramos varias definiciones, como pueden ser las siguientes: segn Barr y Feigenbaum, la representacin del conocimiento es una combinacin de estructuras de datos y procedimientos de interpretacin que, si son utilizados correctamente por un programa, ste podr exhibir una conducta inteligente. La opinin de Farias y Verdejo ser que la Inteligencia Artificial tiene como objetivo construir modelos computacionales que al ejecutarse resuelvan tareas con resultados similares a los que obtenida una persona. Por ello, el tema central de esta disciplina es el estudio del conocimiento y su manejo. Y por ltimo la opinin de Buchanan y Shortliffe apunta a que la Representacin del Conocimiento en un programa de Inteligencia Artificial significa elegir una serie de convenciones para describir objetos, relaciones, y procesos en el mundo.
Gran parte del esfuerzo realizado en la consecucin de ordenadores inteligentes, segn Rahael, ha sido caracterizado por el intento continuo de conseguir ms y mejores estructuras de representacin del conocimiento, junto con tcnicas adecuadas para su manipulacin, que permitiesen la resolucin inteligente de algunos de los problemas ya planteados. Otra caracterstica a resaltar, es la inclusin en los programas de Inteligencia artificial, aunque por separado, de los conocimientos y la unidad que controla y dirige la bsqueda de soluciones. Dada esta disposicin, en estos programas se hace fcil la modificacin, ampliacin y actualizacin de los mismos. Hemos de tener en cuenta que un programa de Inteligencia Artificial, tiene toda la informacin interconectada e interrelacionada, y estas interconexiones se utilizaran para representar relaciones unidas al conocimiento genrico sobre el problema planteado. Para que un problema sea tratado adecuadamente, sabiendo que no es fcil la representacin del conocimiento en un entorno concreto, hemos de elegir un esquema de representacin acorde con la naturaleza del dominio de conocimiento donde se vaya a trabajar.
21
Captulo II
Sentido comn y lgica El razonamiento que puede tener cualquier persona, ha demostrado ser una de las cosas ms difciles de modelar dentro de un ordenador. El sentido comn, a menudo nos ayuda a prever multitud de hecho y fenmenos corrientes, pero como ya hemos dicho es muy complicado representarlos en un ordenador ya que los razonamientos, son casi siempre inexactos, dado que sus conclusiones y reglas en las que se basan solamente son aproximadamente verdaderas. Lenguajes, entornos y herramientas de Inteligencia Artificial En la Inteligencia Artificial, se han desarrollado diferentes lenguajes especficos para los diferentes campos de aplicacin. Estos lenguajes en su mayora cuentan con una serie de caractersticas comunes que podemos resumir de la siguiente forma: Este tipo de software ofrece una gran modularidad. Poseen gran capacidad de tomar decisiones de programacin hasta el ltimo momento, es decir cuando el programa ya esta ejecutndose.
Ofrecen grandes facilidades en el manejo de listas, y esto es importante, ya que las listas son la estructura ms habitual usada para la representacin del conocimiento en la Inteligencia Artificial. Facilitan la realizacin de ciertos tipos de deduccin automtica permitiendo tambin, la creacin de una base de hechos, que es el lugar donde se recogen los datos iniciales del problema a resolver y tambin los resultados intermedios una vez obtenidos. Permite el uso simultneo de estructuras que incorporan conocimiento declarativo y conocimiento procedimental. Tienen una marcada orientacin grfica. Adems, las herramientas de Inteligencia artificial, permiten hacer un seguimiento de todos los cambios realizados a lo largo de toda la sesin Disponen herramientas capaces de desarrollar programas que son capaces comprender otros programas y tambin de realizar modificaciones sobre ellos.(4) de
22
Captulo II
2.7 Caractersticas de la Inteligencia Artificial

1. Una caracterstica fundamental que distingue a los mtodos de Inteligencia Artificial de los mtodos numricos es el uso de smbolos no matemticos, aunque no es suficiente para distinguirlo completamente. Otros tipos de programas como los compiladores y sistemas de bases de datos, tambin procesan smbolos y no se considera que usen tcnicas de Inteligencia Artificial. 2. El comportamiento de los programas no es descrito explcitamente por el algoritmo. La secuencia de pasos seguidos por el programa es influenciado por el problema particular presente. El programa especifica cmo encontrar la secuencia de pasos necesarios para resolver un problema dado (programa declarativo). En contraste con los programas que no son de Inteligencia Artificial, que siguen un algoritmo definido, que especifica, explcitamente, cmo encontrar las variables de salida para cualquier variable dada de entrada (programa de procedimiento). 3. El razonamiento basado en el conocimiento, implica que estos programas incorporan factores y relaciones del mundo real y del mbito del conocimiento en que ellos operan. Al contrario de los programas para propsito especfico, como los de contabilidad y clculos cientficos; los programas de Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y base de conocimientos dndole la capacidad de explicar discrepancias entre ellas. 4. Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia Artificial los programas no pueden trabajar con este tipo de problemas. (5)
23
Captulo II
2.8 Ramas De La Inteligencia Artificial

La inteligencia artificial se est desarrollando cada vez ms, vemos como se desea que las maquinas adquieran comportamientos humanos ms similares e idnticos, debido a esto se trabaja arduo en la creacin de software que realicen esas funciones...Ha tenido auge en el mbito tecnolgico, industrial, cientfico, en la ramas de medicina, educacin entre otras. Unas de las principales ramas son; Robtica Sistemas de visin Procesamiento de lenguaje Natural Sistemas de aprendizaje Redes Neuronales Algoritmos Genticos Agentes inteligentes Sistemas expertos (basados en conocimiento o SE basados en conocimientos)
Robtica Desarrollo de dispositivos mecnicos o de computacin que tengan la capacidad de realizar funciones y/o tareas que requieran de un alto grado de precisin, tediosas o impliquen riesgo de peligro para los seres humanos. En la actualidad se combinan las capacidades de alta precisin de la mquina con un software controlador sofisticado.
Figura 4 Robtica
24
Captulo II
Sistemas de visin Equipos y software que les permite a las computadoras capturar, almacenar y manipular imgenes visuales y fotografas. Se pueden usar junto con robots para darles "visin" a estas mquinas y que pueda tomar decisiones con base a lo que ve y reconocer la informacin visual de acuerdo con patrones generales.
Figura 5 Sistema de Visin.
Procesamiento de lenguaje Natural Programas que tienen como entrada lenguajes humanos para traducirlos en un conjunto estndar de instrucciones que una computadora ejecuta. Permiten a los seres humanos usar su propio lenguaje natural cuando interactan con programas como sistemas de administracin de bases de datos (DBMS) o sistemas de apoyo para la toma de decisiones.
Figura 6 Procesamiento de Lenguaje Natural
25
Captulo II
Sistemas de aprendizaje Combinacin de software y equipos que le permite a la computadora cambiar su modo de funcionar o reaccionar a situaciones, basado en la retroalimentacin que recibe.
Redes Neuronales Es un sistema de computacin que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. Las redes neuronales pueden procesar muchas piezas de informacin al mismo tiempo y aprender a reconocer patrones. Un sistema de red neuronal aprende por ensayo y error.
Figura 7. Redes Neuronales Algoritmos Genticos Un algoritmo gentico es un mtodo de bsqueda dirigida basada en Probabilidad. Al aumentar el nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1. Funciones matemticas que usan los principios de Darwin para mejorar una aplicacin. Las funciones se disean para simular en software, en cuestin de minutos o segundos.
26
Captulo II
Agentes inteligentes Programas de computadora que automticamente revisan enormes cantidades de datos y seleccionan y entregan la informacin ms adecuada para el usuario, de acuerdo con requisitos contextuales o especficos. La aplicacin ms importante de los agentes inteligentes se encuentra en la WEB. El propsito principal de los agentes inteligentes es realizar sus tareas significativas ms rpido, con ms frecuencia y de manera ms efectiva, que el usuario. Los agentes inteligentes vinculan automticamente su computadora con sitios favoritos, le avisan cuando stos se hayan actualizado y adecuan pginas especficas a sus preferencias.
Figura 8. Agentes Inteligentes
Sistemas expertos (basados en conocimiento o SE basados en conocimientos) Programa de computadora, inteligente, que usa el conocimiento y los procedimientos de inferencia para resolver problemas que son suficientemente difciles como para requerir significativa experiencia humana para su solucin.
Figura 9. Sistemas Expertos.
27
Captulo II
2.9 Futuro De La Inteligencia Artificial

El empleo de la IA est orientado a aquellas profesiones que, ya sea por lo incomodo, peligroso o complicado de su trabajo necesitan apoyo de un experto en la materia. Las ventajas que trae el disponer de un asistente artificial no son ms que las de solucionar los errores y defectos propios del ser humano; es decir, el desarrollo de sistemas expertos que hoy en da se estn utilizando con xito en los campos de la medicina, geologa y aeronutica aunque todava estn poco avanzados en relacin con el ideal del producto IA completo. (8)
28
CAPTULO III SISTEMAS EXPERTOS
Captulo III
Sistema Experto
3.1 Introduccin.
Desde hace algn tiempo los problemas ms recurrentes con los que se enfrenta la industria son la falta de personas capacitadas en campos muy especficos y el elevado costo de sus servicios. Con esto podemos establecer que uno de los bienes mejor valuados es el conocimiento humano, y con esto la capacidad de tomar decisiones y de aportar un punto de opinin. En la actualidad, con la ayuda de personas especializadas podemos crear un sistema que simule la evaluacin de las mismos a travs del estudio de cierta situacin. A esto se le conoce como sistema experto.
Los sistemas expertos forman parte de la ciencia de la computacin y dentro de sta se ubican en la rama de la inteligencia artificial. ste trmino fue usado por primera vez por un doctor de la Universidad de Standford, Edward A. Feigenbaum. El estipul que el poder de resolucin de un problema en un programa de computadora viene del conocimiento de un dominio especfico, no solo de las tcnicas de programacin y el formalismo que contiene. Antes de eso casi todos los investigadores en inteligencia artificial haban tratado de desarrollar mtodos generales de programacin que resolveran grandes problemas conceptuales pero estos programas resolvan pobremente los problemas individuales
El trmino de sistema experto se refiere a un software que imita el comportamiento de un experto humano en la solucin de un problema en un campo particular . Un sistema experto puede almacenar conocimiento proporcionado por expertos sobre un campo determinado y solucionar un problema mediante la deduccin lgica de conclusiones. Los campos de accin del mismo son muy diversos desde la deteccin de tumores o enfermedades en las personas hasta el tipo de fertilizante necesario para tener una buena cosecha.
El objetivo de un sistema experto es igualar el comportamiento de los expertos humanos. Existe mucha gente que consideramos expertos en la actualidad como por ejemplo los abogados, mdicos, economistas, etc. Todos ellos comparten una caracterstica en comn: deben de tomar decisiones acertadas en ambientes rodeados de riesgos e incertidumbre pero poseen la habilidad superior de hacerlo como resultado de su entrenamiento, experiencia y prctica profesional.
El poder de los sistemas expertos es el conocimiento de un dominio especfico codificado por un ingeniero en software experto en inteligencia artificial llamado ingeniero de conocimientos. En esta codificacin, el ingeniero de conocimientos establece las reglas del sistema y los caminos a seguir. Todo esto se genera a travs de dos conceptos importantes en los sistemas expertos que estudiaremos ms adelante, la base de conocimientos y la mquina de inferencia.
30
Captulo III
Sistema Experto
Hemos establecido que los sistemas expertos estn para resolver alguna situacin especfica a travs del conocimiento aportado por el especialista; pero qu caractersticas debe de tener un sistema experto para poder hacerlo? stas se describen a continuacin. (9)
3.2 Desarrollo Histrico de los Sistemas Expertos.

Comnmente se piensa que la Inteligencia Artificial, es un area que se viene desarrollando hace aproximadamente 5 o maximo 10 aos atrs, pero esto no es cierto, este concepto viene desde los aos 50 cuando Alan Turing publico su libro llamado Inteligencia y funcionamiento de las maquinas. A continuacin se dar un breve resumen de la historia de los Sistemas Expertos agrupada por fechas: - 1956: John McCarthy propone el uso del termino Inteligencia Artificial para denominar el estudio del tema, en una conferencia en Vermont (USA). - 1957: Aparece la primera version de The General Problem Solver (GPS: Solucionador General de Problemas), el cual era capaz de solucionar problemas de sentido comun pero no de la vida real. - 1958: John McCarthy desarrolla el lenguaje LISP (LISt Procesing). 1965: Aparece el primer Sistema Experto llamado DENDRAL, se utilizaba para identificar estructuras qumicas moleculares a partir de su anlisis espectrogrfico., su realizacin duro mas de 10 aos (19651975). (10) Dendral [Dendritic Algorithm] Universidad de Stanford, 1965-1975 Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg & Carl Djerassi Figura 10 Primer sistema experto, programado en LISP para la identificacin de compuestos orgnicos analizando datos de espectroscopia de masas. (11)
31
Captulo III
Sistema Experto
MYCIN Stanford Research Institute, 1970s Tesis doctoral de Edward Shortliffe bajo la direccin de Bruce Buchanan. _ Diseado en LISP para identificar las bacterias causantes de infecciones severas (p.ej. meningitis) y recomendar antibiticos, con una dosis ajustada al peso del paciente [NOTA: el nombre de muchos antibiticos termina con el sufijo -mycin]. _ Separacin entre datos y conocimiento (reglas). _ Manejo de incertidumbre mediante factores de certeza (11) 1972: Se desarrolla MYCIN en la Universidad de Stanford, un Sistema Experto para el diagnostico de enfermedades infecciosas. Tambien aparece el lenguaje PROLOG. - 1974: Aparece PROSPECTOR, un Sistema Experto de prospeccin minera desarrollado en la Universidad de Stanford.(10) -1978 R1 / XCON [eXpert CONfigurer] Carnegie Mellon University,
Figura 11 Escrito en OPS5 Escrito en OPS5 para ayudar en la seleccin de componentes para la configuracin de mquinas DECVAX, de Digital Equipment Corporation (adquirida por Compaq en 1998, que se fusion con HP en 2002).
_ Puesto en marcha en 1980, en 1986 haba procesado 80,000 pedidos y se estima que le ahorraba a DEC ms de $40M al ao
(11)
32
Captulo III
Sistema Experto
- 1979: Se desarrolla XCOM, un Sistema Experto que se encargaba de configurar todos los computadores que salian de la DEC (Digital Equipament Corporation). - Entre 1980 y 1985 se produce la revolucion de los Sistemas Expertos, en este intervalo de tiempo se crearon Sistemas como el DELTA, de General Electric Company, para la reparacin de locomotoras diesel y elctricas; se crearon multitud de empresas dedicadas a los Sistemas Expertos como Teknowledge Inc., Lisp Machines Inc., Thinking Machines Corporation, Cognitive Systems Inc.(10) - 1985 CLIPS NASA Johnson Space Center,
Figura 12 C Language Integrated Production System. Sintaxis y nombre inspirado en OPS (Official Production System), 1977, creado por Charles Forgy durante su doctorado con Allen Newell en CMU. (11)
- A partir de los 90 y con el desarrollo de la informtica, se produce un amplio desarrollo en el campo de la IA y por ende de los Sistemas Expertos, pudindose afirmar que estos se han convertido en una herramienta habitual en determinadas empresas en la actualidad. A continuacin se presenta una tabla resumida de los primeros Sistemas Expertos y sus aplicaciones
Tabla 1 Sistemas Expertos y sus aplicaciones
33
Captulo III
Sistema Experto
3.3 Definicin.
En el Congreso Mundial de IA Feigenbaum se defini a los SE como:
Un programa de computador inteligente que usa el conocimiento y procedimientos de inferencia para resolver problemas que son lo suficientemente difciles como para requerir la intervencin de un experto humano para su resolucin.
Sin embargo con los avances conseguidos hasta ahora esta definicin ha cambiado, actualmente un SE define de la siguiente manera:
Un SE es un sistema informtico que simula los procesos de aprendizaje, memorizacin, razonamiento, comunicacin y accin de un experto humano en una determinada rama de la ciencia, suministrando, de esta forma, un consultor que puede sustituirle con unas ciertas garantas de xito.
Podemos agregar otro concepto actual, dado por la Asociacin Argentina de Inteligencia Artificial:
Los Sistemas Expertos permiten el desarrollo de otros sistemas que representan el conocimiento como una serie de reglas. Las distintas relaciones, conexiones y afinidades sobre un tema pueden ser compiladas en un Sistema Experto pudiendo incluir relaciones altamente complejas y con mltiples interacciones. (12)
3.4 Caractersticas de los Sistemas Expertos.

Cuando se modelan sistemas expertos se busca que tengan las siguientes caractersticas que son propias de los expertos humanos:
Habilidad para llegar a una solucin a los problemas en forma rpida y certera.
Esta es la habilidad principal que se espera que un experto posea y pueda llevar a cabo. Al mencionar en forma rpida y certera obliga a que el experto no solo tenga conocimiento del campo en el que va a diagnosticar, sino que adems tenga experiencia tomando decisiones en l.
Habilidad para explicar los resultados a la persona que no cuenta con ese conocimiento .
34
Captulo III
Sistema Experto
Esto significa que el experto debe de poder responder en forma clara y certera las preguntas concernientes a las razones de los resultados, el razonamiento derivado de los mismos y las implicaciones subsecuentes. Generalmente las personas que no cuentan con el conocimiento esperan recibir una respuesta ms prctica y que se acerque a las condiciones que ellos pueden entender.
Habilidad para aprender de las experiencias.
Los expertos deben de aprender tanto de sus propias experiencias como de la experiencia de los dems. Estn obligados a estar al da en cuanto a la base de sus conocimientos as como a modificar el proceso de su razonamiento. Los expertos que no se mantienen al da generalmente se vuelven obsoletos.
Habilidad de reestructurar el conocimiento para que se adapte al ambiente .
Esto se refiere a que el experto pueda subdividir la base de su conocimiento y usar la porcin til de la misma en la resolucin del problema, reduciendo as su tiempo de respuesta. Tambin se refiere a visualizar el problema de distintas perspectivas usando varias porciones del conocimiento y aplicar conocimiento al problema desde distintos niveles.
Conciencia de sus limitaciones.
Los expertos pueden evaluar su capacidad para resolver un problema dado y determinar si el mismo se encuentra dentro de sus posibilidades de resolucin. Esto tambin significa que saben cuando referirse a otros expertos.
(9)
3.5 Principales componentes de los Sistemas Expertos
Separan conocimientos (reglas y hechos) y el procesamiento; se le aade un interface de usuario y un componente explicativo; los siguiente componentes pueden estar estructurados de formas muy variadas.
Base de conocimientos: Contiene el conocimiento de los hechos y las experiencias de los expertos en un dominio determinado Mecanismo de inferencia: Puede simular la estrategia de solucin de un experto Componente explicativo: Explica al usuario la estrategia de solucin encontrada y el por qu de las decisiones tomadas Interface de usuario: Sirve para que este pueda realizar una consulta en un lenguaje lo ms natural posible
35
Captulo III
Sistema Experto
Componente de adquisicin: Ofrece ayuda a la estructuracin e implementacin del conocimiento en la base de conocimientos (14)
3.6 Arquitectura de los Sistemas Expertos
Figura 13 Estructura de los S.E. La estructura de sistemas expertos esta organizada por los siguientes elementos:
Base de conocimiento Base de Hechos Motor de inferencia Subsistema de explicacin Interface de Usuario
Base de conocimientos. Es la parte del sistema experto que contiene el conocimiento sobre el dominio. hay que obtener el conocimiento del experto y codificarlo en la base de conocimientos. Este conocimiento lo constituye la descripcin de:
Objetos a tener en cuenta y sus relaciones Casos particulares o excepciones y diferentes estrategias de resolucin con sus condiciones de aplicacin (meta-conocimiento, es decir, conocimiento sobre el conocimiento)
Base de hechos (Memoria de trabajo). Contiene los hechos sobre un problema que se han descubierto durante una consulta. Durante una consulta con el sistema experto, el usuario introduce la informacin del problema actual en la base de hechos. El sistema empareja esta informacin con el conocimiento disponible en la base de conocimientos para deducir nuevos hechos.
36
Captulo III
Sistema Experto
Motor de inferencia. El sistema experto modela el proceso de razonamiento humano con un mdulo conocido como el motor de inferencia. Dicho motor de inferencia trabaja con la informacin contenida en la base de conocimientos y la base de hechos para deducir nuevos hechos. Las categoras de Mecanismos de Inferencia son: 1. Determinismo: Lo inferido es una verdad universal. Por ej: el Qumico dice con certeza que si un tomo tiene dos electrones, entonces es un tomo de Helio. 2. Probabilstico: Son predicciones o probabilidades que no siempre son ciertas (se elige la probabilidad de mayor valor). Por ej: las respuestas a la prevencin de abandonos de los cursos de bachillerato, dadas por un socilogo son tan slo probabilidades, que pueden o no ser acertadas. Adems de estos tres elementos, se incluyen mdulos de interfase, indispensables para asegurar el dilogo entre el hombre y la mquina Subsistema de explicacin. Una caracterstica de los sistemas expertos es su habilidad para explicar su razonamiento. Usando el mdulo del subsistema de explicacin, un sistema experto puede proporcionar una explicacin al usuario de por qu est haciendo una pregunta y cmo ha llegado a una conclusin. Este mdulo proporciona beneficios tanto al diseador del sistema como al usuario. El diseador puede usarlo para detectar errores y el usuario se beneficia de la transparencia del sistema. Interfaz de usuario. La interaccin entre un sistema experto y un usuario se realiza en lenguaje natural. Tambin es altamente interactiva y sigue el patrn de la conversacin entre seres humanos. Un requerimiento bsico del interfaz es la habilidad de hacer preguntas. Para obtener informacin fiable del usuario hay que poner especial cuidado en el diseo de las cuestiones. Esta interfase comunica al motor de inferencia las consultas del usuario y a este ltimo los resultados de la consulta. Y a la inversa. Permite, igualmente obtener el enunciado del problema inicial y los objetivos a alcanzar as como la consulta a la base de conocimiento. (15)
3.7 Tipos de Sistemas Expertos

Existen tres tipos de sistemas expertos: Basados en reglas: Aplicando reglas heursticas apoyadas generalmente en lgica difusa para su evaluacin y aplicacin. Basados en casos CBR (Case Based Reasoning).: Aplicando el razonamiento basado en casos, donde la solucin a un problema similar planteado con anterioridad se adapta al nuevo problema. Basados en redes: Aplicando redes bayesianas, basadas en estadstica y el teorema de Bayes.
37
Captulo III
Sistema Experto
3.8 Etapas del desarrollo de un Sistema Experto

Para el desarrollo de un sistema experto, se recomienda utilizar un esquema incr emental de prototipos, en el cual el sistema experto resuelve primeramente un problema simple. La evaluacin del sistema permite refinar la Base de Conocimientos y desarrollar una segunda versin, capaz de resolver problemas de mayor complejidad o enfrentarlas en forma ms apropiada.
El desarrollo incremental presenta la siguiente evolucin:
Prototipo inicial Prototipos intermedios Prototipo de trabajo Modelo productivo Sistema comercial.
El desarrollo de un sistema experto comprende las siguientes etapas (si bien en casos especiales algunas pueden no considerarse):
Identificacin Conceptualizacin Formalizacin Implementacin Prueba Integracin Mantenimiento. Identificacin. Los desarrolladores y expertos identifican los problemas y subproblemas, formulan los objetivos globales del sistema y definen las necesidades de hardware y software. En esta etapa se estudia tambin la relacin costo-beneficio esperada.
Conceptualizacin. A partir de su interaccin con el experto, el desarrollador define los objetos y sus interrelaciones, los mecanismos de solucin de problemas y los datos que el experto utiliza en dichas soluciones.
Formalizacin. Los conceptos y relaciones identificados se expresan formalmente utilizando algn mecanismo de representacin dado por las herramientas disponibles y las caractersticas propias del problema.
38
Captulo III
Sistema Experto
Implementacin. El conocimiento formalizado se incorpora al sistema experto, utilizando alguna herramienta de desarrollo, para convertir el conjunto de reglas en un programa computacional. El conocimiento almacenado se organiza de forma de reflejar el mecanismo de razonamiento del experto. El resultado de esta etapa es un programa factible de ser probado.
Prueba. Se evala el desempeo del sistema experto, revisando su capacidad para plantear soluciones a problemas y cumplir los requisitos impuestos por los expertos. La evaluacin la llevan a cabo los expertos quienes sugieren aspectos en que el sistema debe ser mejorado. En esta etapa se inicia el desarrollo incremental. Dependiendo del resultado de las pruebas, ser necesario volver a la Implementacin o inclusive a etapas anteriores.
Integracin. Una vez terminado el desarrollo del sistema experto comercial, ste se integrar a su entorno de trabajo, lo cual incluye la conexin a bases de datos, equipos e instrumentos, y la capacitacin de los usuarios.
Mantenimiento. Esta etapa considera la modificacin de la Base de Conocimientos, lo que dependiendo del sistema puede ser realizado por un usuario experto o el desarrollador. (16)
3.9 Ventajas y Limitaciones de un Sistema Experto

Ventajas de los Sistemas Expertos.
Las ventajas que se presentan a continuacin son en comparacin con los expertos humanos:
Estn siempre disponibles a cualquier hora del da y de la noche, y de forma interrumpida. Mantiene el humor. Pueden duplicarse (lo que permite tener tantos SE cmo se necesiten). Pueden situarse en el mismo lugar donde sean necesarios. Permiten tener decisiones homogneas efectuadas segn las directrices que se les fijen. Son fciles de reprogramar. Pueden perdurar y crecer en el tiempo de forma indefinida. Pueden ser consultados por personas u otros sistemas informticos.(12)
39
Captulo III
Sistema Experto
Desventajas de los Sistemas Expertos
El conocimiento es difcil de extraer de los expertos humanos. La aproximacin de cada experto a la situacin evaluada puede ser diferente. Tienen una nocin muy limitada acerca del contexto de problema, i.e. no pueden percibir todas las cosas que un experto humano puede apreciar de un situacin. Pueden existir decisiones que slo son de competencia para un ser humano y no una mquina. No saben cmo subsanar sus limitaciones, e.g. no son capaces de trabajar en equipo o investigar algo nuevo. Son muy costosos de desarrollar y mantener.(17)
40
CAPTULO IV SHELL
Captulo IV
Shell
4.1 Introduccin.
Lo que ocurre internamente en tu ordenador cuando este ejecuta una accin, tal como, leer un fichero, grabar un documento, acceder al CD-ROM o ejecutar un programa, es un proceso bastante complicado y que requiere una serie de acciones por parte de tu sistema operativo. Por si esto no es suficiente, necesitamos tambin, una manera de poder comunicarnos con nuestro sistema operativo para decirle que es lo que queremos hacer. Es aqu donde un intrprete de comandos (shell) hace su trabajo.
Un shell o intrprete de comandos es el proceso encargado de traducir los comandos que los usuarios introducen, a instrucciones que el sistema operativo entiende. Es el programa que se encuentra entre el sistema operativo y el usuario, el cual nos hace la vida mas fcil.
Todo usuario que quiera profundizar en un sistema Unix/linux tendr ms tarde temprano que familiarizarse con el shell de su sistema, el cual se convertir en una herramienta imprescindible en la administracin diaria del sistema, tanto por su potencia como versatilidad.
En el caso de un shell de Unix, ste sirve de intermediario entre el usuario y el sistema operativo del servidor (Unix es un sistema operativo multiusuario y multitarea, es decir, que puede atender a varias personas, mquinas y tareas al mismo tiempo). El shell de Unix se encarga de aceptar los comandos por parte del usuario, verificando su correcta sintaxis y luego enviando las rdenes a otra parte del sistema para su ejecucin. Ver fig.14.
Figura 14 shell graficos.
As, por medio de un shell una persona puede tener acceso a los recursos de una mquina..(19)
42
Captulo IV
Shell
4.2 Definicin de Shell.

En informtica, el trmino shell se emplea para referirse a aquellos programas que proveen una interfaz de usuario para acceder a los servicios del sistema operativo. Estos pueden ser grficos o de texto simple, dependiendo del tipo de interfaz que empleen. Los shells estn diseados para facilitar la forma en que se invocan o ejecutan los distintos programas disponibles en el computador. (18)
Podramos decir que el shell es un material duro que se halla entre el ncleo del sistema y el mundo exterior. A pesar de que muchas usuarios piensan que un shell es solo un intrprete de comandos interactivo, un shell es realmente un lenguaje de programacin en el cual cada sentencia corre un comando. Ver figura 14 Es un lenguaje fuera de lo comn ya que debe satisfacer dos aspectos importantes:
Interactividad Programacin de la ejecucin de un programa.
Figura 15. Identificando un Shell
43
Captulo IV
Shell
4.3 Pequea historia sobre las Shells

Actualmente existen varios tipos de shell, sin embargo, la Bourne Shell fue la primer Shell usada para propsitos generales.
Al principio, era muy limitada, as que solo se usaba como una herramienta para correr otras herramientas. Existan las variables, ciclos, y sentencias condicionales, pero la mayora del trabajo las realizaban las utilidades externas.
En la actualidad la mayora de los sistemas Unix y sus derivados, incluyen la Bourne Shell. Y la mayora de las Shells actuales, son derivadas de esta.
Figura 16. Steve Bourne, creador de la Bourne Shell (20)
4.4 Caractersticas de los Shells

Permite el dialogo interactivo entre usuario y el sistema a travs de una serie de comandos definidos. Permite ejecutar programas en background, es decir despus de empezar la ejecucin de un programa, la Shell devuelve el control al usuario para que pueda realizar otras tareas. cuando el primer programa termina la Shell avisa al usuario a travs de un mensaje que aparece en pantalla. Permite la redireccin de la entrada y la salida de normales por terminal hacia otros dispositivos o ficheros
44
Captulo IV
Shell
Permite hacer que la salida de los programas pueda servir como entrada de otros programas (pipes) y as de una manera sencilla construir programas ms complicados. Se permite el uso de caracteres comodines para seleccionar uno o ms ficheros. Se permite programar la Shell para hacer comandos como combinacin de la ejecucin secuencial de otros comandos, es decir, hacer macros, que en el entorno UNIX se llaman Shell Scripts.las estructuras sintcticas como se pueden usar en una macro dependen de la Shell que se utilice, en la C Shell es parecida al lenguaje de programacin C. Se permite controlar el funcionamiento(caractersticas) de la Shell, a travs de unas variables definidas en la misma. De esta manera podemos cambiar por ejemplo la forma del prompt o el camino (pathname) para encontrar ficheros ejecutables.
4.5 Tipos de Shell

Los shells de los sistemas operativos generalmente caen en dos categoras segn su interfaz: LNEA DE COMANDOS (CLI) I. II. III. IV. V. VI. Bourne Shell Debian Almquist Shell Bash Korn Shell Emacs Smbolo del sistema de Windows
Bourne Shell Bourne Shell es un programa informtico cuya funcin consiste en interpretar rdenes. Incorpora caractersticas tales como control de procesos, redireccin de entrada/salida, listado y lectura de ficheros, proteccin, comunicaciones y un lenguaje de rdenes para escribir programas por lotes o scripts. Fue el intrprete usado en las primeras versiones de Unix y se convirti en un estndar. Debian Almquist Shell Debian Almquist Shell (dash) es un intrprete de comandos de Unix compatible con el estndar sh de POSIX, mucho ms ligero y rpido que otros como bash pero con menos caractersticas. Dash es un derivado directo de la versin de NetBSD de la Almquist Shell (ash). Fue migrado a GNU/Linux por Herbert Xu a principios de 1997. Fue renombrado a dash en 2002. Dash, al igual que ash, ejecuta los scripts ms rpido que bash y depende de menos bibliotecas. Pretende ser ms confiable en caso de problemas de actualizacin o fallos de disco. Bash Bash (bourne again Shell) es un programa informtico cuya funcin consiste en interpretar rdenes. Est basado en la Shell de Unix y es compatible con POSIX. Fue escrito para el proyecto GNU y es el intrprete de comandos por defecto en la mayora de las distribuciones de Linux. Su nombre es un
45
Captulo IV
Shell
acrnimo de Bourne-Again Shell (otro Shell bourne) haciendo un juego de palabras (born-again significa renacimiento) sobre el Bourne Shell (sh), que fue uno de los primeros intrpretes importantes de Unix.
Korn Shell El Korn Shell (ksh) es un programa informtico cuya funcin consiste en interpretar rdenes por lneas. Fue escrito para el proyecto de contenido libre GNU y su cdigo se encuentra disponible bajo los trminos de la Licencia Pblica General. Se encuentra disponible en la mayora de las distribuciones GNU/Linux y para otros sistemas operativos basados en Unix. Fue desarrollado por David Korn de los Laboratorios AT&T Bell en los comienzos de los 80s. Es totalmente compatible con el Bourne Shell y tambin incluye muchos elementos del intrprete de comandos C, como historia de rdenes. Emacs Emacs es un editor de texto con una gran cantidad de funciones, muy popular entre programadores y usuarios tcnicos. GNU Emacs es parte del proyecto GNU, activamente desarrollado. Es la versin ms popular de Emacs. El manual de GNU Emacs lo describe como "un editor extensible, personalizable, auto-documentado y de tiempo real." Es la versin ms compatible y portada de las implementaciones de Emacs. La ltima versin estable, liberada el 10 de marzo de 2011, es la 23.3. Smbolo del sistema de Windows El smbolo del sistema es el intrprete de comandos en OS/2 y sistemas basados en Windows NT. Es el equivalente de command.com en MS-DOS y sistemas de la familia Windows 9x. A diferencia de su antecesor, este programa es tan slo una aplicacin, no es una parte del sistema operativo y no posee la funcin de cargar la configuracin al arrancar el sistema
GRFICOS (GUI) I. II. III. IV. V. VI. GNOME KDE Xfce LXDE Unity Escritorio de MS Windows
GNOME GNOME es un entorno de escritorio e infraestructura de desarrollo para sistemas operativos Unix y derivados Unix como GNU/Linux,BSD o Solaris; compuesto enteramente de software libre. El proyecto fue iniciado por los mexicanos Miguel de Icaza y Federico Mena y forma parte oficial del proyecto GNU. Naci como una alternativa a KDE bajo el nombre de GNU Network Object Model Environment. Actualmente adems del espaol se encuentra disponible en 166 idiomas.
46
Captulo IV
Shell
KDE KDE es un proyecto de software libre para la creacin de un entorno de escritorio e infraestructura de desarrollo para diversos sistemas operativos como GNU/Linux, Mac OS X, Windows, etc. De acuerdo con su pgina web, KDE es un entorno de escritorio contemporneo para estaciones de trabajo Unix. KDE llena la necesidad de un escritorio amigable para estaciones de trabajo Unix, similar a los escritorios de Mac OS X o Windows. Xfce Xfce (se pronuncia como cuatro letras por separado1 ) es un entorno de escritorio ligero para sistemas tipo Unix como GNU/Linux, BSD, Solaris y derivados. Se configura ntegramente con el ratn o mouse. Su creador, Olivier Fourdan, lo describe as: Diseado para la productividad, las aplicaciones se cargan y se ejecutan rpidamente, mientras conserva recursos de sistema.
Unity Unity es un Shell creado para el entorno de escritorio GNOME, y desarrollado por Canonical para el sistema operativo Ubuntu. Su primer lanzamiento se realiz en la versin 10.10 de Ubuntu Netbook Remix. Fue diseado con el propsito de aprovechar el espacio en pantallas pequeas de los netbooks, especialmente el espacio vertical. (21)
47
CAPTULO V AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT
Captulo V
Ambiente de trabajo del Shell Hugin Expert.
5.1 Definicin de Shell Hugin Expert

Sistema experto para construccin y ejecucin de redes de creencia bayesiana (tambin conocidas como redes bayesianas, redes de creencia o causales redes probabilsticas). HUGIN se basa en la tecnologa de redes bayesianas y diagrama de influencia. Redes bayesianas y diagramas de influencia son ampliamente utilizados para apoyar la toma de decisiones bajo incertidumbre.
5.2 Introduccin a las Redes Bayesianas

Una red bayesiana es un grafo acclico dirigido en el que cada nodo representa una variable y cada arco una dependencia probabilstica; son utilizadas para proveer: una forma compacta de representar el conocimiento y mtodos flexibles de razonamiento. El obtener una red bayesiana a partir de datos es un proceso de aprendizaje que se divide en dos etapas: el aprendizaje estructural y el aprendizaje paramtrico. En este trabajo se muestra como utilizar las redes bayesianas mediante el Shell Hugin Expert. Ver figura 16 redes bayesianas
Figura 17 Redes Bayesianas (22)
49
Captulo V
5.3 Teorema de Bayes

En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en 1763. que expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, 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 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, puesto que tiene vinculacin ntima con la comprensin de la probabilidad de aspectos causales dados los efectos observados.
Sea
un conjunto de sucesos mutuamente excluyentes y exhaustivos, y
tales que la probabilidad de cada uno de ellos es distinta de cero (0). Sea B un suceso cualquiera del que se conocen las probabilidades condicionales dada por la expresin: . Entonces, la probabilidad viene
donde: son las probabilidades a priori. es la probabilidad de en la hiptesis .
son las probabilidades a posteriori. Frmula de Bayes Con base en la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes, tambin conocida como la Regla de Bayes:
.(26)
50
Captulo V
5.4 Definicin de Redes Bayesianas

Las redes bayesianas son una representacin grafica de dependencias para razonamiento probabilstico, en la cual los nodos representan variables aleatorias y los arcos representan relaciones de dependencia directa entre las variables. La Figura 1.1 muestra un ejemplo hipottico de una red bayesiana (RB) que representa cierto conocimiento sobre medicina. En este caso, los nodos representan Enfermedades, sntomas y factores que causan algunas enfermedades. La variable a la que apunta un arco es dependiente de la que est_a en el origen de _este, por ejemplo fiebre depende de tifoidea y gripe en la red de la Figura 1.1. La topologa o estructura de la red nos da informacin sobre las dependencias probabilsticas entre las variables. La red tambin representa las independencias condicionales de una variable (o conjunto de variables) dadas (s) otra(s) variable(s). Por ejemplo, en la red de la Figura 18, reacciones es cond. indep. de C; G; F;D dado tifoidea. (Donde: C es comida, T es tifoidea, G es gripe, R es reacciones, F es Fiebre y D es Dolor). Esto es:
P(RjC; T; G; F;D) = P(RjT) Esto se representa grficamente por el nodo T separando al nodo R del resto de las variables.
Figura 18. Ejemplo de |una red bayesiana. Los nodos representan variables aleatorias y los arcos relaciones de dependencia. Se componen de dos partes: La parte cualitativa, es una estructura grfica (grafo) que describe las posibles variables y dependencias entre ellas. La parte cuantitativa est compuesta por probabilidades condicionadas que representan la incertidumbre del problema, dicho de otro modo, creencias de las relaciones causa efecto entre los nodos. (24)
Las redes bayesianas o probabilsticas 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
51
Captulo V
permiten representar un modelo causal por medio de una representacin grfica de las independencias / dependencias entre las variables que forman parte del dominio de aplicacin [Pearl, 1988]. Una red bayesiana es un grafo acclico dirigido las uniones entre los nodos tienen definidas una direccin en el que 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.(22)
5.5 Inferencia en Redes Bayesianas.

La inferencia consiste en el clculo de los resultados a una consulta (distribucin de probabilidades) con respecto a una red dada y a la presencia de cierta evidencia. Ver figura 20
Figura 19 proceso de inferencia en Redes Bayesianas
Definicin Formal de Inferencia en Redes de Bayesianas.
La incertidumbre es natural en el proceso de razonamiento donde se pueden establecer reglas para inferir de manera deductiva una proposicin determinada que puede ser verdadera o falsa, segn sea el lmite de esta estimacin. Dentro de los mtodos de razonamiento se encuentran los Modelos Bayesianos, que simulan diferentes condiciones de incertidumbre cuando no se conoce si es verdadera o falsa la hiptesis enunciada en un rango de variacin. Todos los modelos bayesianos tienen en comn la asignacin de la probabilidad como medida de creencia de una hiptesis, as es que, la inferencia es un proceso de reajuste de medidas de creencia al conocerse nuevos axiomas.
Cuando se utilizan evidencias y observaciones para establecer que una suposicin sea cierta, es lo que se denomina como Inferencia Bayesiana. La inferencia bayesiana observa la evidencia y calcula un valor
52
Captulo V
estimado segn el grado de creencia planteado en la hiptesis. Esto implica que al tener mayor cantidad de datos disponibles se podr obtener resultados ms satisfactorios. La ventaja fundamental del uso de la inferencia bayesiana radica en la utilidad que se le da para la toma de decisiones, actualmente su uso es frecuente por que se obtienen resultados ms acertados en el contexto de parmetros desconocidos. Debido a que la inferencia bayesiana est fundada en un mtodo basado en datos histricos, puede captar las situaciones en que la dinmica del mercado muestre una firme estrategia de cambios importantes, lo cual proporciona un buen indicador de las condiciones futuras del mercado. Aplicando la inferencia Bayesiana es posible identificar distintos tipos de patrones de transicin como estados de ganancias discretas en un gran conjunto de datos administrativos. Adems, se puede investigar acerca de los efectos y las condiciones del mercado por medio de la estimacin de un modelo probabilstico.
Tambin se puede estudiar y analizar las deficiencias futuras de las actividades operacionales de una empresa, con la aplicacin del mtodo de inferencia bayesiana, el cual no deber basarse slo en datos histricos, sino que se debe incluir el anlisis de los diferentes escenarios para poder predecir un comportamiento futuro y la gravedad del riesgo; esto con el fin de mejorar las polticas de gestin de riesgos.
La Inferencia bayesiana es una tcnica estadstica adecuada para reunir las opiniones de expertos en el anlisis de datos. Actualmente existe una amplia literatura que envuelve toda la teora de la inferencia bayesiana y sus aplicaciones para el marco financiero y de negocios.
El mecanismo de inferencia sobre redes bayesianas permite utilizarlas para construir clasificadores. Para que esto se debe crear una red bayesiana en la que las variables se interrelacionen en el grafo. La clase pertenecer a la variable desconocida, objetivo de la inferencia. Proporcionada una instancia cualquiera para la que se conozcan todos sus atributos, la clasificacin se verificar infiriendo sobre el grafo la probabilidad posterior de cada uno de los valores de la clase, y eligiendo aqul valor que maximice dicha probabilidad
Inferencia Probabilstica En RB, la inferencia probabilstica consiste en: dadas ciertas variables conocidas (evidencia),calcular la probabilidad posterior de las dems variables (desconocidas) Es decir, calcular: P(Xi | E), donde: E es un subconjunto de variables de la RB (posiblemente vaci) Xi es cualquier variable en la RB, no en E
53
Captulo V
Inferencia Bayesiana Se pretende hallar la distribucin de probabilidad de determinadas variables de inters dados los valores de otras variables que se observan.
Principales tipos de Inferencia. Diagnostico Prediccin Intercausal . ver figura 19
Figura 20. Principales tipos de Inferencias para Redes Bayesianas.
5.6
Tipo de Redes Bayesianas
El problema Principal en el momento de construir una red Bayesiana consiste en el tratamiento de variables discretas y continuas de forma simultnea, debido a las restricciones del modelo condicional que conlleva al proceso de discretizacin. Las redes bayesianas se pueden clasificar segn en funcin del tipo de variables utilizadas.
Las redes bayesianas continuas son aquellas que tienen un nmero infinito de posibles valores. En este tipo de redes resulta complicado determinar explcitamente las probabilidades condicionadas para cada valor de las variables, as que las probabilidades condicionadas se representan mediante una funcin de probabilidad.
La mayora de las variables reales son de carcter continuo como por ejemplo la variacin de la temperatura. Una red Bayesiana cuyas variables sean todas continuas y estn todas representadas mediante funciones normales lineales, tiene una distribucin normal multivariada. Este tipo de variables debe ser manejada mediante el proceso de
54
Captulo V
discretizacin debido a la gran cantidad de datos que deben ser modelados por medio de seleccin de rangos y de este modo hacer ms sencillo el proceso de discretizacin.
Los mtodos supervisados y no supervisados corresponden a la divisin del proceso de discretizacin de las variables. En los mtodos no supervisados, la variable correspondiente a la clase no es considerada por los atributos continuos y los valores son discretizados independientemente. El mtodo ms simple es dividir el rango de valores cada atributo, en intervalos, utilizando la informacin sobre los valores de los atributos.
Los mtodos supervisados tienen en cuenta la variable clase, y los puntos de divisin que construye los rangos de cada atributo son elegidos segn el valor de la clase.
Las redes Bayesianas dinmicas consienten en la exposicin de procesos que contienen una variable aleatoria en cada intervalo de tiempo. El proceso que se est estudiando puede entenderse como una serie de procesos en un instante de tiempo.
El estado de las variables se representa en un lapso de tiempo para poder representar los procesos dinmicos conocidos dentro de la red bayesiana. Las probabilidades condicionales de este modelo no cambian con el tiempo. Es decir, se repite las etapas temporales y las relaciones entre dichas etapas.
La inferencia en una red bayesiana dinmica es la misma que para una red bayesiana, y por esto se emplean los mismos mtodos. Esta inferencia resulta mediante la reproduccin de los intervalos de tiempo, hasta que la red sea lo suficiente larga para captar todas las observaciones.(25)
5.7 Tipos de Evidencias

Las redes Bayesianas se utilizan en problemas en los que interviene la incertidumbre, es decir, donde no se tiene un completo conocimiento del estado del sistema, pero que sin embargo, podemos realizar observaciones (obtener evidencias) y entonces, actualizar las probabilidades del resto del sistema. Hay dos tipos de evidencia: Evidencia firme o especfica (instanciacin), se da cuando se asigna un valor concreto a una variable, es decir, tenemos certeza del estado de dicha variable. Por ejemplo, imagnese que la variable A representa el resultado de un partido de baloncesto, con dos posibles estados (ganar, perder); si conocemos que el equipo ha ganado el partido, podremos asignar la probabilidad 1 (certeza absoluta) al estado ganar y 0 al estado perder.
55
Captulo V
Evidencia parcial o virtual de un nodo , permite actualizar las probabilidades a priori de los estados que puede tomar la variable. Por ejemplo, a la variable resultado del partido de baloncesto, si el equipo pierde por 20 puntos a pocos minutos del final, podramos asignar una probabilidad muy alta a perder y muy baja a ganar. (28)
5.8 Tipos de Estructura

Sencillamente conectadas rboles. ver figura 21
Figura 21. Estructura de rbol Polirboles. ver Figura 22
Figura 22 Estructura de Polirboles Multiconectadas. Ver figura 23
Figura 23 Estructura Multiconectada.
(30)
56
Captulo V
5.9 Aprendizaje de las Redes Bayesianas

El aprendizaje en las redes bayesianas se divide en dos grandes grupos:
APRENDIZAJE ESTRUCTURADO: Con el cual se obtiene la estructura de la red, es decir se obtienen las relaciones, dependencias e independencia entre las variables. Dentro de este grupo se encuentran clasificados: El aprendizaje de rboles y el aprendizaje polirboles .
Aprendizaje de rboles: En este mtodo de aprendizaje se trata de aproximar una distribucin de probabilidad, por medio del producto de probabilidades de segundo orden. La resolucin de este tipo de problemas de aprendizaje se plantea como un problema de optimizacin, es decir, obtener una estructura de rbol que se aproxime a una distribucin basada en la diferencia de una distribucin real y aproximada.
El algoritmo para determinar rbol Bayesiano ptimo a partir de datos es el siguiente: 1. Calcular la informacin mutua entre todos los pares de variables ( n(n-1)/2). 2. Ordenar las informaciones mutuas de mayor a menor. 3. Seleccionar la rama de mayor valor como rbol inicial. 4. Agregar la siguiente rama mientras no forme un ciclo, si es as, desechar. 5. Repetir (4) hasta que se cubran todas las variables (n-1ramas)
Aprendizaje de Polirboles: Se basa en el uso de pruebas de tres variables o comnmente llamadas tripletas. Se basa en el algoritmo de rboles y se determina la direccin de los arcos mediante el uso de pruebas de dependencia.
Los pasos del algoritmo son: 1. 2. Mantener el esqueleto usando el algoritmo de rboles. Recorrer la red hasta encontrar una tripleta de nuevo, que sean convergentes (la variable a donde apuntan los arcos se conoce como nodo multipadre). 3. Del nodo multipadre se determinan las direcciones de otros arcos, esto mediante la prueba de dependencia en tripletas. 4. Repetir los pasos anteriores hasta que no hayan ms direcciones que descubrir.
57
Captulo V
APRENDIZAJE PARAMTRICO: Dada una estructura, obtener las probabilidades a priori y condicionales requeridas. El aprendizaje paramtrico consiste en encontrar los parmetros asociados a una estructura dada de una red bayesiana. Dichos parmetros consisten en las probabilidades a priori de los nodos raz y las probabilidades condicionales de las dems variables, dados sus padres. Si se conocen todas las variables, es fcil obtener las probabilidades requeridas. Las probabilidades previas corresponden a las marginales de los nodos raz, y las condicionales se obtienen de las conjuntas de cada nodo con su(s) padre(s). Para que se actualicen las probabilidades con cada caso observado, stas se pueden representar como razones enteras, y actualizarse con cada observacin. (29)
5.10 Diagramas de Influencia

Aunque las redes Bayesianas son usadas para la toma de decisiones, los conceptos de utilidad y decisin no estn modelados explcitamente. La teora de la utilidad unida a las redes Bayesianas proporcionan un marco para la toma de decisiones llamado diagramas de influencia o redes de decisin (Jensen 1996). Los diagramas de influencia, extienden las redes Bayesianas con dos nuevos tipos de nodos llamados utilidad (o valor) y decisin para modelar explcitamente la toma de decisiones. Adems el nodo de forma circular u oval de las redes Bayesianas generales se denomina nodo de azar (ver Figura 24). Los valores de los nodos de decisin contienen las acciones que puede tomar la persona encargada de la toma de decisiones (en nuestro caso el gestor de proyectos). El nodo valor representa la utilidad y cuantifica las preferencias (generalmente en dinero) de las decisiones.(28)
Figura 24 Tipos de Nodo de un Diagrama de Influencia.
Por ejemplo; Imagnese un escenario en la ingeniera del software donde el gestor de proyectos necesita decidir si lleva a cabo inspecciones (reuniones formales don-de se evala el diseo o cdigo) o no. Es de sobra conocido que las inspecciones de cdigo reducen el nmero de defectos, y que corregir un error en un sistema ya en produccin es mucho ms caro que lo que sera durante el testeo; sin embargo, las
58
Captulo V
inspecciones son costosas debido al nmero de horas invertidas por el personal. Por tanto, puede ser beneficioso recabar informacin adicional antes de decidirse por la realizacin de inspecciones. La Tabla 2 muestra la funcin de utilidad combinando el coste de realizar inspecciones junto con el hecho de que si entregamos al cliente un producto con alto nmero de errores, se perdera dinero en el proyecto. A menor nmero de errores, mayor beneficio proporcionar el proyecto.(28) Tabla 2 Funcin de Utilidad
Figura 25 Diagrama de influencia con alto nmero de errores introducidos.
Un posible escenario se muestra en el diagrama de influencia de la Figura 25, con el nodo de decisin Inspeccionar y el nodo valor Coste asociado con el nodo Residual. En este escenario se sabe que se han introducido un alto nmero de errores durante el desarrollo. El proyecto todava puede ser rentable si se realizan inspecciones, en caso contrario, generar perdidas. Por otro lado, si sabemos que el nmero de defectos introducidos durante el desarrollo es bajo, el proyecto generar beneficios se hagan o no inspecciones, pero generar mayor beneficio si no se llevan a cabo las inspecciones.la Figura 26 muestra este escenario (28)
59
Captulo V
Fig. 26. Diagrama de influencia con un bajo nmero de errores introducidos
5.11 Caractersticas de las Redes Bayesianas.

Las redes Bayesianas tienen un nmero de caractersticas que hacen que sean apropiadas para la ingeniera del software:
Representacin grfica. Por su naturaleza, las redes Bayesianas proveen una representacin grfica de las relaciones explcitas de dependencia del dominio. Generalmente las variables en la ingeniera del software como por ejemplo esfuerzo o coste, estn influenciados por muchos factores. Las redes Bayesianas nos permiten modelar sistemas complejos permitindonos entender las relaciones causa-les visualizndolas por medio del grafo. Modelado cualitativo y cuantitativo. Las redes Bayesianas estn formadas por un componente cualitativo, el grafo, y una parte cuantitativa, las tablas de probabilidades, que permiten utilizar criterios objetivos (por ejemplo, utilizando proyectos finalizados) y subjetivos (por ejemplo, utilizando creencias de expertos del dominio. Inferencia bidireccional. Las redes Bayesianas pueden hacer inferencia en ambos sentidos, es decir, las variables de entrada pueden ser usadas para predecir las variables de salida y viceversa. Fijando las variables de salida con los valores deseados, es posible predecir qu valores de las variables de entrada permiten dicha salida. Por ejemplo, usando inferencia hacia adelante, se puede predecir el nmero final de defectos basndose en variables como tamao del proyecto, complejidad, esfuerzo en diseo,
60
Captulo V
esfuerzo en testeo, etc. Por el contrario, podramos fijar un nmero de defectos y predecir qu esfuerzo necesario satisface dicha salida. Anlisis de sensibilidad. Dado un conjunto de evidencias, las redes Bayesianas permiten fcilmente calcular la sensibilidad de ciertas variables, simplemente modificando las evidencias. Incertidumbre. Las redes bayesianas pueden modelar grados de certidumbre, en vez de valores exactos. Por tanto, permiten modelar la incertidumbre de manera efectiva y explcitamente, por lo que pueden realizar buenas predicciones con in-formacin incompleta. De hecho, Kitchenham y Linkman (1997) afirman que las estimaciones en la ingeniera del software son una evaluacin probabilstica de un suceso futuro, y es por tanto la razn de que los gestores de proyecto no obtengan buenos resultados. Valores de confianza. La salida de una red Bayesiana es una probabilidad de distribucin en vez de valores nicos. Este tipo de informacin se puede usar para medir la confianza que podemos depositar en la salida de la red Bayesiana, lo cual es esencial si el modelo va a ser usado en la toma de decisiones. Por ejemplo, en una variable con estados bajo, medio, y alto, la red Bayesiana estima la probabilidad de cada uno de los estados. A pesar de sus ventajas, las redes Bayesianas tienen las siguientes limitaciones o dificultades a la hora de crearlas: Estructura. Puede ser difcil describir una estructura compleja incluso para ex-pertos del dominio, especialmente si el dominio es nuevo, creando desigualdades entre el problema del dominio y el modelo construido. Variables ocultas. Si dos variables estn relacionadas de forma poco evidente, entonces habr una dependencia entre ellas y puede que el modelo no tenga esta relacin en cuenta. Probabilidades inconsistentes. En un sistema con un gran nmero de variables, puede ser difcil asegurar su consistencia. La inferencia Bayesiana es til slo si se puede confiar en los parmetros. Una mala estimacin de los parmetros distorsionara toda la red e invalida los resultados. Cuando se construyen redes Bayesianas utilizando tcnicas de minera de datos, existen numerosas fuentes de error como por ejemplo en la discretizacin de variables, ruido, valores perdidos en la base de datos, etc. (28)
61
Captulo V
5.12 Ventajas e inconvenientes de las Redes Bayesianas.

Hasta el momento se ha visto la base terica de las redes bayesianas sin adentrarse en los beneficios o perjuicios que aportan stas al ser una combinacin de tcnicas estadsticas y modelos grficos. Es por eso, que en este apartado se dedicar a recoger todas las ventajas e inconvenientes de las redes bayesianas.
El hecho de que las redes bayesianas tengan una clara interpretacin, hace que sea posible combinar datos estadstico y datos estimados de forma subjetiva, siendo posible justificarlas sobre bases tericas slidas. A pesar de ello, la desventaja que conlleva es que el mtodo de razonamiento llevado a cabo se basa en una aproximacin normativa, basado en una teora matemtica y, en consecuencia, la comprensin del proceso de inferencia es ms difcil que en los mtodos que tratan de imitar el razonamiento humano. La propiedad de almacenar informacin sobre las dependencias e independencias entre variables permite manejar situaciones con incertidumbre, que unido a la representacin grfica de la red facilita la interpretacin y la obtencin de conclusiones por parte del observador. Como se ha visto en el proceso de construccin, en las redes bayesianas, las relaciones de causalidad, unido con la lgica probabilstica permite combinar el conocimiento extrado de expertos con datos. Sin embargo, esto conlleva que en el proceso de construccin manual de redes bayesianas, la parte ms compleja, sea la asignacin de valores a los parmetros, que en muchas ocasiones, no estarn disponibles y por consiguiente tendrn que ser objeto de estudio. El empleo del razonamiento causal es una de las caractersticas esencial de las redes bayesianas que aportan un conjunto de ventajas importantes frente a otro sistemas. La primera de ellas es que el diagnstico que realizan se basa en un modelo explcito que tiene en cuenta la influencia entre causas y efectos. Adems una red bayesiana no solamente es capaz de explicar cmo se ha realizado la inferencia, sino tambin el modelo en s, independientemente de la evidencia observada.
Otra ventaja del empleo del razonamiento causal es que la red admite varios tipos de inferencias:
Razonamiento abductivo: es aquel que busca cul es la causa o la combinacin de causas que mejor explica (aquella que mayor probabilidad tenga) dado un hallazgo.
Razonamiento predictivo: es aquel que se produce cuando se da una anomala, pudiendo realizar una estimacin de la probabilidad con el objetivo de dar un pronstico o de encontrar el resultado ms probable en un futuro.
Razonamiento intercausal: que se da cuando hay dos causas de un mismo efecto. La ausencia de una de ellas nos har sospechar de la presencia de la otra, y viceversa: si una de ella es explicacin suficiente del hallazgo, entonces ste ya no es motivo para sospechar la presencia de
62
Captulo V
la otra, aunque tampoco la descarta (esta propiedad es conoce con el nombre en ingls de explaining away).
A pesar del conjunto de ventajas que aporta el trabajar con redes bayesianas existen sin embargo, inconvenientes en el empleo de esta metodologa.
La complejidad de los algoritmos es uno de los mayores problemas ya que el clculo de probabilidad en redes que presenten bucles es un problema NP (todava no existe una demostracin completa de la existencia de un algoritmo polinmico en funcin del tamao de la red). Esto significa que el tiempo necesario para estimar la probabilidad en una red bayesiana crece de forma exponencial con el nmero de nodos y enlaces.
La Construccin manual, el proceso de obtencin del conocimiento requiere una gran cantidad de tiempo que hace que muchas veces sea un proceso complicado tanto por la falta de expertos como por la inexistencia de bases de datos con las variables adecuadas que permitan obtener el gran nmero de probabilidades a priori y condicionales. Se ha considerado el problema anterior como inconveniente aunque realmente es una dificultad intrnseca de los problemas que se abordan.
La ventaja de la causalidad de las redes bayesianas, implica como inconveniente que en dominios donde las relaciones causales no estn bien definidas resulte difcil construir un sistema experto. Esto conlleva a una limitacin en el rango de aplicaciones que se pueden construir con esta tcnica. Las redes bayesianas estn indicadas en problemas de diagnstico, y por consiguiente en las tareas relacionadas, como la interpretacin, la prediccin y monitorizacin. Sin embargo, en problemas de diseo, planificacin, instruccin, reparacin y control, las redes bayesianas encuentran serias dificultades, pues en ellos desempean un papel muy importante el razonamiento temporal y la toma de decisiones.(31)
5.13 Obtencin de valores para la probabilidad.

El ltimo paso en el proceso de modelado es especificar parmetros. Como se explic antes, basta con proporcionar las probabilidades a priori de los nodos raz y las probabilidades condicionales del resto de los nodos Existen varias alternativas para obtener los parmetros necesarios de una red:
Especificacin directa de los parmetros, normalmente contando con la ayuda de expertos. Este procedimiento es ciertamente costoso.
63
Captulo V
Aprendizaje a partir de bases de datos, que obviamente depende de la existencia de dicha base de datos. De ser as, se tienen dos opciones; a) aprendizaje de los parmetros, si se dispone de la estructura; b)aprendizaje estructural, en el que es posible aprender tanto la estructura como los parmetros.; y Combinar especificacin y aprendizaje. Por ejemplo, contar con expertos que nos ayuden a especificar la estructura, aprender los parmetros y disponer de expertos de nuevo para supervisar el modelo obtenido. Normalmente, esta ltima alternativa ofrece lo mejor de cada caso.
Usaremos el ejemplo del resfriado ver figura 27. para ilustrar el proceso de especificacin de parmetros. La notacin que usaremos ser la siguiente: el nombre de la variable indicar su presencia, y el nombre precedido de un smbolo ~ indicar su ausencia.
Para los nodos raz, necesitamos proporcionar las probabilidades anteriores, que son las probabilidades a priori o en ausencia de informacin. Por ejemplo, necesitamos proporcionar la probabilidad del nodo Gato. Para ello, podemos pensar en la proporcin de familias que tienen gato. Si disponemos informacin disponible sobre esto (por ejemplo, estadsticas) podemos usarlas, en otro caso, tendremos que hacer uso de una estimacin
Figura 27. La RB final del problema del estornudo
Razonable. Vamos a considerar que un 20% de las familias tienen gato. Entonces la probabilidad anterior de que una familia tenga un gato es 0.2.
64
Captulo V
Para aquellos nodos que tienen padres, necesitamos proporcionar probabilidades condicionadas. Por ejemplo, necesitamos proporcionar la probabilidad de estornudo dado resfriado y rinitis. Para ello, necesitamos pensar en la clase de relacin entre estas tres variables, que en este caso es una relacin tipo OR, es decir, tanto el resfriado como la rinitis pueden causar el estornudo. Si tenemos ambas se incrementan las probabilidades de estornudo. Un ejemplo de probabilidades que funcionaran para este caso es:
P(estornudo/resfriado,rinitis) = 0.99 P(estornudo/resfriado,~rinitis) = 0.85 P(estornudo/~resfriado,rinitis) = 0.9 P(estornudo/~restriado,~rinitis) = 0.01
Como se puede observar, las primeras tres probabilidades estn cercanas a 1, mientras que la ltima est cercana a 0. Este modelo simple permite expresar varias cosas diferentes: la primera es que cuando hay ms de una causa presente es ms probable que el efecto ocurra (0.99 comparado a 0.85 y 0.9); la segunda es que la relacin entre algunas causas es ms fuerte que entre otras (por ejemplo, en este caso las probabilidades indican que la relacin entre rinitis y estornudo es de alguna manera ms fuerte que la relacin entre resfriado y estornudo); la tercera es que, incluso cuando las dos causas estn presentes, algo extrao puede ocurrir y la persona puede no estar estornudando (esta es la razn por la que la probabilidad es 0.99 y no 1). Los nmeros 1 y 0 tambin se podran usar para definir las probabilidades, indicando de este modo que no queremos modelar la incertidumbre presente en las relaciones.
El uso de modelos cannicos puede simplificar la especificacin de parmetros. El lector interesado puede encontrar ms informacin al respecto en (Diez, 2001). Si procedemos de la misma forma con el resto de nodos podemos terminar el proceso de modelado. La figura siguiente muestra la RB completa, con nodos, enlaces y probabilidades. Ntese que en el caso de la rinitis, las probabilidades condicionales han sido definidas para modelar una relacin tipo AND (la rinitis ocurre slo cuando el gato y la alergia estn presentes a la vez, excepciones aparte). En lo que sigue, para indicar las relaciones AND y OR, incluiremos una etiqueta en el modelo grfico para dejar claro el tipo de relacin existente entre los nodos. La red completa para el ejemplo del estornudo, con nodos, enlaces y parmetros se muestra en la Figura 28.
65
Captulo V
Figura 28. RB y parmetros para el ejemplo del resfriado
66
CAPTULO Vl IMPLEMENTACION DEL SISTEMA.
Captulo Vl
Implementacin del Sistema.
6.1.- Instalacin de Hugin Expert.

Paso 1 Llenar Formulario Para Descargar Software De La Pgina Oficial De Hugin Expert.
http://www.hugin.com/productsservices/demo/hugin-lite/16-demo/200-hugin-lite-windows En el cual mediante el llenado de un formulario obligatorio mismo que nos pide proporcionar informacin detallada de la persona que utilizara el software y el propsito ver figura 29
Figura 29. Formularios Hugin Expert para descargar Software Paso 2 Descarga del Softwarte Despus de llenar por completo el formulario el portal de Hugin Expert nos redirige a otra pgina en la cual nos proporciona varios links de descargar el software entre el cual est la descarga automtica. Ver figura 30.
Figura 30 Links de Descarga de Software Hugin Expert.
68
Captulo Vl
Nota: El correo que se proporciona en la pgina debe de ser vlido, ya que a este correo nos envan una clave para poder activarlo como un demo. Paso 3 Abrir Carpeta Contenedora Nos dirigimos hacia la carpeta en donde descargamos alojamos nuestro software recin descargado en este caso se alojo en c:/usuarios/jerr/descargas ver figura 31
Figura 31 carpeta contenedora.
Paso 4 Ejecutar he instalar Hugin Expert. Estando dentro dela capeta contenedora de nuestro software pasaremos a su ejecucin dando clic derecho del mouse y despus ejecuta ve figura 32. Figura 32 Ejecucin he instalacion del Programa de software Hugin
69
Captulo Vl
Paso 5 Despus de dale Clic en ejecuta el software Hugin Expert comienza su instalacin automatizada en el cual como primer paso se desempaqueta el software y busca configuraciones ver figura 33
Figura 33 inicio automatizado de Hugin Expert. Paso 6 Siguiendo el proceso el Sistema Hugin Nos pide demos clic en siguiente para seguir el proceso de instalacin en nuestro equipo. Ver figura 34.
Figura 34. El instalador nos pide dar clic en siguiente.
70
Captulo Vl
Paso 7 Como consiguiente tenemos que aceptarlos trminos de uso del Sistema para que este nos permita seguir con la instalacin. Ver figura 35
Figura 35. Trminos de HuginExpert. Paso 8 Antes de que nuestro software se instale en nuestro equipo este nos pedir proporcionemos nuestro correo electrnico y la clave de acceso a la prueba del software, misma que se configuro con anterioridad al llenar el formulario, en nuestro caso el correo fue travieso_17_59@hotmail.com y la clave 2114 estas son proporcionadas via correo electrnico y tiene valides de 3 dias. Ver figura 36 y 37
Figura 36. Peticin de datos de acceso para la activacin he instalacin de Hugin.
71
Captulo Vl
Figura 37. Ingreso de Correo electrnico y clave de acceso.
Paso 9. Despus de los pasos anteriores nos pide que indiquemos la ruta en donde queremos que se instale la aplicacin, en nuestro caso es c:/program files/Hugin Expert/ Hugin Litle 7.7 .Que es la tuta que nos ofrece por default aunque nosotros podemos indicar cualquiera que sea de nuestro agrado o que se a peque a nuestras necesidades. Ver figura 38.
Figura 38. Ruta de Instalacin.
72
Captulo Vl
Paso 10 Despus de seleccionar la ruta damos clic en next, y a continuacin en instalar para que el programa comience a instalar la aplicacin en nuestros equipos. Ver figura 39 y 40.
Figura 39 clic en Instalar.
Figura 40 instalando y terminando instalacin de Hugin Expert.
73
Captulo Vl
Paso 11 Por ultimo daremos clic en finalizar que nos indica que Hugin Expert a quedado instalado en nuestro sistema satisfactoriamente. Ver figura 41
Figura 41. Instalacin Finalizada.
74
Captulo Vl
6.2 Desarrollo del Sistema utilizando el ambiente de trabajo Hugin Expert.

Paso 1 Construccin de una Red Bayesiana
Al iniciar el Hugin Expert, se abre la ventana de edicin. Esta ventana contiene una barra de mens, una barra de herramientas, y un panel de documento. En el panel de documento, damos clic en nueva red llamada "unnamed1" se abrir automticamente en una ventana de la red (ver figura 42). Se pone en marcha en el modo "editar", que le permite iniciar la construccin de la BN inmediatamente (el otro modo principal es el modo "run", que le permite utilizar el BN).
Figura 42. La ventana de red que contiene barra de herramientas, un panel de edicin de nodos y un panel de red.
Paso 2 Adicin de Nodos Lo primero que vamos a hacer es poner el nodo Tipo de reclamacin. Esto se puede hacer de la siguiente manera: Seleccione la herramienta oportunidad discreta en la barra de herramientas de la ventana de la red "unnamed1" (ver figura 43)
Figura 43.herramientas
75
Captulo Vl
Haga clic en alguna parte del panel de la red (ver figura 43) Una vez que haya hecho clic en el panel de red, aparece un nodo con la etiqueta "C1".(Ver figua 44) Queremos cambiar esta etiqueta de "Tipo de reclamacin":
Figura 44 nodo C1 Seleccione el nodo con el cursor del ratn Clic en "Propiedades del nodo" pulsando la herramienta Propiedades del nodo (ver figura 45) Cambie los campos tanto de la "Etiqueta" "Nombre" y "Tipo de reclamacin" Pulse el botn "OK" El "nombre" es el nombre interno del nodo, mientras que "Label" es la etiqueta del nodo. Si no se especifica la etiqueta (como era el caso antes de cambiar la etiqueta) la etiqueta que se utiliza es el nombre interno. El nombre interno puede consistir slo las letras 'a'-' z 'y' A'-'Z', los dgitos del '0 '- '9' y el carcter '_' subrayado, mientras que la etiqueta puede ser casi cualquier cosa.
Figura 45 propiedades del nodo.
76
Captulo Vl
Los nodos en Ubicacin, Sexo, Antecedentes, Aumento reciente de suma asegurada en pliza, presin excesiva para liquidacin inmediata, , se pone nervioso cuando se le dijo que seria puesto a investigacin y fraude ,se aaden de la misma manera. Puede aadir ms nodos sin tener que pulsar la herramienta oportunidad discreta todo el tiempo manteniendo pulsada la tecla Mays mientras hace clic en el panel de red. Una vez que haya elegido un nodo en el panel de la red, puede acceder a la herramienta Propiedades del nodo manteniendo pulsado el botn derecho del ratn.
Paso 3 Adicin de Flechas Causales Ahora, usted debe tener un BN similar a la que se muestra en el panel de red en la figura 46. Para agregar las flechas causales de tipo de reclamacin a fraude, fraude a Ubicacin, Sexo, Antecedentes, Aumento reciente de suma asegurada en pliza, presin excesiva para liquidacin inmediata, se pone nervioso cuando se le dijo que sera puesto a investigacin, haga lo siguiente:
Pulse la herramienta flecha causal (ver figura 43) Arrastre una flecha de tipo de reclamacin a fraude con el botn izquierdo del ratn mientras mantiene pulsada la tecla SHIFT. La tecla SHIFT se asegura de que usted puede aadir ms flechas sin tener que pulsar la herramienta flecha causal de nuevo
ratn
Arrastre una flecha de Fraude para cada uno de los nodos siguientes con el botn izquierdo del
Lo que tiene por ahora debe ser la representacin cualitativa completa que es similar a la de la figura 46. El siguiente paso ser el de especificar los estados y la tabla de probabilidad condicional (CPT) de cada nodo.
Figura 46 Panel de red contiene los nodos.
77
Captulo Vl
Figura 47. Flechas causales, representacin cualitativa terminada. Paso 4. Los Estados En la introduccin a BNs los estados de los nodos se especifica de la siguiente manera: Tipo de reclamacin tiene dos estados: "casa" y "carro", Ubicacin puede tener varios estados en este caso solamente contendr dos estados: "Morelos" y "D.F.", Sexo tiene dos estados "Masculino " y "Femenino, Antecedentes tiene tres estados 0,1 y mas, Aumento reciente de suma asegurada tiene dos estados verdadero falso, Presin excesiva para liquidacin inmediata tiene dos estados verdadero y falso , Se pone nervioso cuando se le dijo que sera puesto a investigacin tiene dos estados verdadero y falso y fraude tendr dos estados verdadero y falso En primer lugar, vamos a decir cmo especificar los estados de tipo de reclamacin(ver figura 48): Seleccione el nodo tipo de reclamacin como el nodo activo seleccionndola de la lista desplegable debajo de la barra de herramientas o simplemente haciendo doble clic en l Pulse la herramienta de estado complemento en la barra de herramientas Haga clic en el campo que contiene el texto "Estado 0" en el CPT en el panel de edicin de nodo Escriba el texto de "casa" en el campo para dar el estado este nombre Haga clic en el campo que contiene el "estado 1" texto en el CPT Escriba el texto "carro" en el campo
78
Captulo Vl
Figura 48. Especificacin de los Estados.
Despus hacemos lo mismo con todos los nodos.
Paso 5 Introduccin de valores En primer lugar, introducir los valores en el nodo tipo de reclamacin (ver figura 49) Seleccione el nodo tipo de reclamacin como el nodo activo Haga clic derecho del mouse y despus clic en abrir table en el campo = "casa" Introduzca el valor de 0.25 Haga clic en el campo que representa campo = "carro" Introduzca el valor de 0.75
Figura 49. Introduccin de valores En el nodo tipo de reclamacin.
79
Captulo Vl
Introduzca los valores de los dems nodos de la misma manera. Al introducir los valores en el CPT del nodo pierde, tenga cuidado de que se haga bien.
En segundo lugar, introducir los valores en Ubicacin (ver figura 50) Seleccione el nodo Ubicacin como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo Morelos = "false" Introduzca el valor de 0.666667 en el campo Morelos = "true" Introduzca el valor de 0.4 Haga clic en el campo que representa D.F = "false" Introduzca el valor de 0.333333 Haga clic en el campo que representa D.F = "true" Introduzca el valor de 0.6
Figura 50. Introduccin de valores en el nodo tipo Ubicacin.
80
Captulo Vl
En tercer lugar, introducir los valores en Sexo (ver figura 51) Seleccione el nodo Sexo como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo Femenino = "false" Introduzca el valor de 0.75 en el campo Femenino = "true" Introduzca el valor de 0.2 Haga clic en el campo que representa Masculino = "false" Introduzca el valor de 0.25 Haga clic en el campo que representa Masculino = "true" Introduzca el valor de 0.8
Figura 51. Introduccin de valores en el nodo tipo Sexo
81
Captulo Vl
En cuarto lugar, introducir los valores en Antecedentes (ver figura 52) Seleccione el nodo Antecedentes como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo 0 = "false" Introduzca el valor de 0.625 en el campo 0 = "true" Introduzca el valor de 0.125 Haga clic en el campo que representa 1 = "false" Introduzca el valor de 0.25 Haga clic en el campo que representa 1 = "true" Introduzca el valor de .025 Haga clic en el campo que representa mas = "false" Introduzca el valor de 0.125 Haga clic en el campo que representa mas = "true" Introduzca el valor de 0.625
Figura 52. Introduccin de valores en el nodo tipo Antecedentes
82
Captulo Vl
En quinto lugar, introducir los valores en Aumento recientemente de suma asegurada en pliza (ver figura 53) Seleccione el nodo recientemente de suma asegurada en pliza como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo False = "false" Introduzca el valor de 0.99 en el campo False = "true" Introduzca el valor de 0.75 Haga clic en el campo que representa true = "false" Introduzca el valor de 0.01 Haga clic en el campo que representa true = "true" Introduzca el valor de 0.25
Figura 53. Introduccin de valores en el nodo Aumento recientemente de suma asegurada en pliza
83
Captulo Vl
En sexto lugar, introducir los valores en Presin excesiva para liquidacin inmediata ( ver figura 54) Seleccione el nodo Presin excesiva para liquidacin inmediata como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo False = "false" Introduzca el valor de 0.8 en el campo False = "true" Introduzca el valor de 0.15 Haga clic en el campo que representa true = "false" Introduzca el valor de 0.02 Haga clic en el campo que representa true = "true" Introduzca el valor de 0.85
Figura 54. Introduccin de valores en el nodo Presin excesiva para liquidacin inmediata
84
Captulo Vl
En septimo lugar, introducir los valores en Se pone nervioso cuando se le dijo que sera puesto a investigacin(ver figura 55) Seleccione el nodo Se pone nervioso cuando se le dijo que sera puesto a investigacin como el nodo activo Haga clic derecho del mouse y despus clic en abrir table y en el campo False = "false" Introduzca el valor de 0.9 en el campo False = "true" Introduzca el valor de 0.3 Haga clic en el campo que representa true = "false" Introduzca el valor de 0.1 Haga clic en el campo que representa true = "true" Introduzca el valor de 0.7
Figura 55. Introduccin de valores en el nodo tipo Se pone nervioso cuando se le dijo que sera puesto a investigacin
85
Captulo Vl
En octavo lugar, Fraude (ver figura 56) Seleccione el nodo Fraude Haga clic derecho del mouse y despus clic en abrir table y en el campo False = "Casa" Introduzca el valor de 0.95 en el campo False = "carro" Introduzca el valor de 0.9 Haga clic en el campo que representa true = "casa" Introduzca el valor de 0.05 Haga clic en el campo que representa true = "carro" Introduzca el valor de 0.1
Figura 56. Introduccin de valores en el nodo tipo Fraude
86
Captulo Vl
Despus de esto termina la construccin de nuestra red bayesiana simple en este caso despus de esto solo queda guardar nuestra red.
Seleccione "Guardar como" en el men "Archivo" Introduzca un nombre (por ejemplo, "apple.hkb") Pulse el botn "Guardar"
6.3 Ejecutar Hugin Expert

Ahora es el momento de recopilar la red y ver cmo funciona:
Figura 57 El botn de herramienta de modo de ejecucin
El compilador comprueba los siguientes errores:
Ciclos. No debe haber ciclos en una red (si existe o no un ciclo no depende de las direcciones de las flechas) Para cada pre configuracin de un nodo, de las probabilidades de los diferentes estados deben tener la suma de 1. En otras palabras, cada columna de la tabla debe sumar 1. Si hay una columna que no suman 1, el compilador normalizar los valores. Este hecho puede utilizarse para cumplimentar las propiedades del nodo. Digamos, por ejemplo, que la probabilidad de que haya fraude automovilstico se basa en la observacin de 13.527 Usuarios de plizas de Seguros de ms de una temporada, en 1678 Fue Fraude y el resto no. A continuacin, el compilador calcular los valores propios de la probabilidad Si ha seguido las directrices de este tutorial, no debe haber ningn error en el proceso de compilacin. La recopilacin se termin muy rpido con una pequea BN como el nuestro. Despus de la compilacin, el modo "run" se introduce (slo ha estado trabajando hasta ahora en el modo "edit").
87
Captulo Vl
Ejecucin de la BN Ejecucin en modo "run", la ventana de la red est dividida en dos por una separacin vertical (ver figura 58). A la izquierda est el panel de lista de nodos y de la derecha es el panel de red.
Figura 58. Ventana de la red dividida en dos. Puede ver las probabilidades de un nodo de estar en un cierto estado expandiendo el nodo en el panel de lista de nodos. Se expande un nodo, haga doble clic en l en el panel de lista de nodos (si hace clic en el pequeo icono de nodo en el panel de lista de nodos, slo tiene que hacer clic una vez). Ahora, ampliar tipo de reclamacin y enfermos: Doble clic tipo de reclamacin en el panel de lista de nodos Haga doble clic en el panel de Ubicacin lista de nodos .. Y as uno a uno de los nodos Tambin puede expandir todos los nodos a la vez pulsando la herramienta de lista de nodos expandirse en la barra de herramientas a la derecha de la herramienta Propiedades del nodo.
88
Captulo Vl
Hay fraude con algn tipo de reclamacin? Ahora, imagine que usted desea utilizar su BN para calcular la probabilidad de un Fraude de tipo automovilstico , dada la informacin de que eles mujer , que vive en Morelos no tiene antecedentes, no aumento pliza, pero si hace presin para liquidacin inmediata, no se pone nerviosa cuando se le dijo que sera investigada entonces no hay fraude. Esto se hace de la siguiente manera: Expandir todos los nodos (pulsando la herramienta de ampliar la lista de nodos) Introduzca el hecho de que el tipo de fraude es automovilstico, en tipo de reclamacin haciendo doble clic en el estado de "carro" despus Introduzca el hecho de que la ubicacin es en Morelos, en Ubicacin haciendo doble clic en el estado de "Morelos" despus Introduzca el hecho de que el sexo es femenino, en Sexo haciendo doble clic en el estado de "Femenino" despus Introduzca el hecho de que no tiene antecedentes, en antecedentes haciendo doble clic en el estado de "0" despus Introduzca el hecho de que no aumento recientemente la suma de su pliza, en aumento reciente de suma asegurada en pliza haciendo doble clic en el estado de "falso" despus Introduzca el hecho de que hizo presin excesiva para liquidacin inmediata, en Presin excesiva para liquidacin inmediata haciendo doble clic en el estado de "verdadero" despus Introduzca el hecho de que se pone nervioso, en aumento Se pone nervioso cuando se le dijo que sera investigado haciendo doble clic en el estado de "verdadero" Propagar la Bbn pulsando la herramienta de propagacin de suma en la barra de herramientas (vase la figura 59) Leer la probabilidad de fraude en el estado "Fraude
Figura 59. Ejecucin Final y Resultado
89
CONCLUSION
CONCLUSIONES
Shell Hugin Expert necesita de expertos en el rea para programar las probabilidades.
El ambiente de trabajo del Shell Hugin Expert es muy amigable. Se necesita establecer muy bien la Red Bayesiana Para que el sistema funcione correctamente
90
REFERENCIAS BIBLIOGRFICAS
(1).http://www.gobiernodecanarias.org/educacion/3/usrn/fundoro/archivos%20adjuntos/publicaciones/actas/actas_4_5_p df/Act.IV-V_C017_txi_w.pdf 2.- http://elrincondelacienciaytecnologia.blogspot.mx/2011/09/inteligencia-artificial.html
3.- http://laroboticadelmundo.galeon.com 4.- http://www.galeon.com/intart/4.htm 5.- http://ansaflorovima.blogspot.mx/2010/06/caracteristicas-de-la-ia.html

6.- Inteligencia Artificial vs Inteligencia Artificial, Pablo Bigatti, Debates, Diciembre 16th, 2006 http://lineupblog.com/weblog/2006/12/16/inteligencia-artificial-vs-inteligencia-humana/ 7.- http://www.lsi.upc.edu/~bejar/ia/transpas/teoria/1-IA-introduccion.pdf
8.- http://www.monografias.com/trabajos16/la-inteligencia-artificial/la-inteligenciaartificial.shtml#FUTURO
9. http://catarina.udlap.mx/u_dl_a/tales/documentos/lis/moreno_a_jl/capitulo3.pdf
10 http://geocities.ws/onelysalasp/sahwct/investigacion_en_internet/SE12.html 11 http://elvex.ugr.es/decsai/iaio/slides/A2%20Expert%20Systems.pdf 12 http://www.uaeh.edu.mx/docencia/Tesis/icbi/licenciatura/documentos/Sistemas%20expertos%20y%20sus %20aplicaciones.pdf 14. http://www.ecured.cu/index.php/Sistemas_expertos#Componentes_de_un_sistema_experto 15 http://informaticosistemas.wordpress.com/2011/03/23/arquitectura-basica-de-los-sistemas-expertos/ 16.- http://www2.ing.puc.cl/iee3692/apuntes/cap4.pdf

17.- http://www.depi.itch.edu.mx/apacheco/ai/ventdesv.htm 18 19 http://www.google.com.mx/url?sa=t&rct=j&q=que+es+un+shell&source=web&cd=12&cad=rja&ved=0CDUQFjAB OAo&url=http%3A%2F%2Fdocente.ucol.mx%2Fal966195%2Fpublic_html%2Fshell.doc&ei=jr1xUdG8FOyA2AW 1s4HwCg&usg=AFQjCNEicalICL9TZu1BaPeSdkbkldOYvg&bvm=bv.45512109,d.b2I 20 http://hablemoslinux.wordpress.com/2011/10/10/-que-son-las-shells 21 http://es.scribd.com/doc/84961300/Tipos-de-Shell#download 22 http://www.google.com.mx/url?sa=t&rct=j&q=hugin+expert&source=web&cd=3&ved=0CEUQFjAC&url=http%3 A%2F%2Fcba.ua.edu%2F~mhardin%2FHugin%2520Expert%2520-%2520White%2520Paper%2520%2520DOC.doc&ei=aXt1UYDYOqLx2AWygIGQDA&usg=AFQjCNHtuX20AkEooEpd_fgSGc5WWUL_Q&bvm=bv.45512109,d.b2I 22 http://www.e-ghost.deusto.es/docs/2005/conferencias/Bayes05.pdf 23 http://es.wikipedia.org/wiki/Red_bayesiana http://es.wikipedia.org/wiki/Shell_(informtica).
91
Referencias Bibliogrficas
24 http://www.google.com.mx/url?sa=t&rct=j&q=tipos+de+redes+bayesianas&source=web&cd=26&cad=rja&ved=0C EkQFjAFOBQ&url=http%3A%2F%2Faprendest022011.wikispaces.com%2Ffile%2Fview%2FRedes%2BBayesianas%2Ben%2Bla%2BIngenier%25C3%25ADa%2 Bdel%2BConocimiento%2B(expo).pptx&ei=QJl2UYe5NaXW2AWruoDwDg&usg=AFQjCNHedx_pCHaYJnQiPu 6fO--k1gARnQ&bvm=bv.45512109,d.b2I
25 http://www.urosario.edu.co/urosario_files/e0/e041d0be-c98f-4327-a40b-1ff98c297f7e.pdf 26.- http://es.wikipedia.org/wiki/Teorema_de_Bayes 27.- http://www.exa.unicen.edu.ar/catedras/dbdiscov/apuntes/clase4.pdf 28.- http://www.cc.uah.es/drg/b/RodriguezDolado.BBN.2007.pdf 29.- http://advancedtech.wordpress.com/2008/08/08/aprendizaje-de-rede-bayesianas/ 30.- http://ccc.inaoep.mx/~esucar/Clases-mgp/pgm10-rbinf1-2012.pdf 31 http://e-archivo.uc3m.es/bitstream/10016/7692/1/PFC_Daniel_Garcia_Gallego.pdf
92

Shell Hugin

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Shell Hugin

Caricato da

Copyright:

Formati disponibili

Captulo III

Subsecretara de Educacin Superior

INSTITUTO TECNOLGICO DE ZACATEPEC

QUE PARA OBTENER EL TTULO DE INGENIERO EN SISTEMAS COMPUTACIONALES

P R E S E N T A: GERARDO DELGADO REYES

ASESOR: MTI.LAURA VILLAVICENCIO GOMEZ

JUNIO DEL 2013

Subsecretara de Educacin Superior

INSTITUTO TECNOLGICO DE ZACATEPEC

EXAMEN POR AREAS DEL CONOCIMIENTO

AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT

QUE PARA OBTENER EL TTULO DE INGENIERO EN SISTEMAS COMPUTACIONALES

P R E S E N T A: GERARDO DELGADO REYES

OFICIO DE AUTORIZACIN (EN TRAMITE)

A mis padres. Concepcin Delgado Vzquez Leonor Reyes Pachuqueo

A mi Esposa e Hijo. Sonia Lpez Espindola Axel Miguel Delgado Lpez

Gracias fuiste una pieza clave en mi carrera... Sonia Lpez Espnola

CAPTULO V AMBIENTE DE TRABAJO DEL SHELL HUGIN EXPERT

3.1 Sistemas Expertos y sus aplicaciones...........33 5.2 Funciones de Utilidad.................................56

Ambiente de trabajo del Shell Hugin Expert

1.1 Planteamiento del Problema

1.2 Objetivo general

1.3 Objetivos Especficos

Establecer el funcionamiento de las redes bayesianas.

Brindar informacin acerca del funcionamiento de Shell Hugin Expert.

Facilitar la informacin sobre la arquitectura y caractersticas de las Redes Bayesianas.

Generar un Sistema Experto.

1.5 Alcances y limitaciones

CAPTULO II INTELIGENCIA ARTIFICIAL

2.2 Que Es La Inteligencia?

Y digo yo, la inteligencia de una persona se puede desarrollar?

2.3 Que Es La Inteligencia Artificial?

2.4 Sistemas Que (Piensan | Actan) (Racionalmente | Como Humanos)

modelos computacionales (Charniak y McDermott, 1985) (6)

Figura 1 Test de Turing

Sistemas que piensan como humanos

Sistemas que actan racionalmente

2.5 Historia De La Inteligencia Artificial

Figura 2 Lenguaje Matemtico

Figura 3 Algoritmos Genticos

2.6 Elementos Bsicos De La Inteligencia Artificial

2.7 Caractersticas de la Inteligencia Artificial

2.8 Ramas De La Inteligencia Artificial

Figura 5 Sistema de Visin.

Figura 6 Procesamiento de Lenguaje Natural

Figura 8. Agentes Inteligentes

Figura 9. Sistemas Expertos.

2.9 Futuro De La Inteligencia Artificial

CAPTULO III SISTEMAS EXPERTOS

3.2 Desarrollo Histrico de los Sistemas Expertos.

Tabla 1 Sistemas Expertos y sus aplicaciones

3.4 Caractersticas de los Sistemas Expertos.

Habilidad para aprender de las experiencias.

Habilidad de reestructurar el conocimiento para que se adapte al ambiente .

Conciencia de sus limitaciones.

3.5 Principales componentes de los Sistemas Expertos

3.6 Arquitectura de los Sistemas Expertos

3.7 Tipos de Sistemas Expertos

3.8 Etapas del desarrollo de un Sistema Experto

El desarrollo incremental presenta la siguiente evolucin:

3.9 Ventajas y Limitaciones de un Sistema Experto

Desventajas de los Sistemas Expertos

Figura 14 shell graficos.

4.2 Definicin de Shell.