UNIVERSIDAD NACIONAL AUTNOMA DE HONDURAS

FACULTAD DE INGENIERA ELCTRICA

DEPARTAMENTO DE MATEMTICA
LGICA MATEMTICA
SECCIN: 1600
LIC. EDGARDO CCERES

Tipos
de
lgica
y sus
aplica
cione
s

FECHA DE ENTREGA: AGOSTO 17 DEL 2015

Nombre:
Carn:

INTRODUCCIN

Joshua Daniel Rodrguez Carrin

20061002871

La lgica durante la historia del ser humano, ha llevado a dar conclusin a diversos problemas de
carcter, cientfico, socio econmico y poltico, ayudando a comprender mejor dichos factores, que
son ntegros de cada individuo humano, en su vida cotidiana.
Debido a esto han surgido diversos tipos de lgica, que han ayudado a solucionar problemas en
dichos factores nombrados anterior mente. Ya que la aplicabilidad de la lgica es de carcter
contundente en el diario vivir del ser humano, para su mejoramiento continuo, ya que las
oportunidades en nuestro sistema socio econmico son escasas y debemos saber detectar dichas
oportunidades y saber aplicar mtodos lgicos para una respuesta inmediata y concreta a lo que se
presente como incgnita o pregunta.
La historia de la lgica documenta el desarrollo de la lgica en varias culturas y tradiciones a lo
largo de la historia. Aunque muchas culturas han empleado intrincados sistemas de razonamiento, e,
incluso, el pensamiento lgico estaba ya implcito en Babilonia en algn sentido, la lgica como
anlisis explcito de los mtodos de razonamiento ha recibido un tratamiento sustancial solo
originalmente en tres tradiciones: la Antigua China, la Antigua India y la Antigua Grecia.
Aunque las dataciones exactas son inciertas, particularmente en el caso de la India, es probable que
la lgica emergiese en las tres sociedades hacia el siglo IV a. C. El tratamiento formalmente
sofisticado de la lgica proviene de la tradicin griega, especialmente del Organon aristotlico,
cuyos logros seran desarrollados por los lgicos islmicos y, luego, por los lgicos de la Edad
Media europea. El descubrimiento de la lgica india entre los especialistas britnicos en el siglo
XVIII influy tambin en la lgica moderna.
En la Antigua Grecia, emergieron dos tradiciones lgicas opuestas. La lgica estoica estaba
enraizada en Euclides de Megara, pupilo de Scrates, y con su concentracin en la lgica
proposicional es la que quizs est ms prxima a la lgica moderna. Sin embargo, la tradicin que
sobrevivi a las influencias de culturas posteriores fue la peripattica, que tuvo su origen en el
conjunto de obras de Aristteles conocido como Organon (instrumento), la primera obra griega
sistemtica sobre lgica. El examen de Aristteles del silogismo permite interesantes comparaciones
con el esquema indio de la inferencia y la menos rgida discusin china.
En China, un contemporneo de Confucio, Mozi, "Maestro Mo", es considerado como el fundador
de la escuela Mohista (mohsmo), cuyos principios estn relacionados con temas como la inferencia
vlida y las condiciones de las conclusiones correctas. En particular, una de las escuelas que
siguieron al mohsmo, los lgicos, es considerada por varios expertos como la primera que investig
la lgica formal. Desafortunadamente, debido a la rgida normativa legal durante la dinasta Qin,
esa lnea de investigacin desapareci de China hasta la introduccin de la filosofa india por parte
del budismo.

TIPOS DE LOGICA

Lgica plurivalente
Una lgica plurivalente o lgica polivalente es un sistema lgico que rechaza el principio del
tercero excluido de las lgicas bivalentes y admite ms valores de verdad que los tradicionales
verdadero y falso. Distintas lgicas plurivalentes pueden admitir distintas cantidades de valores de
verdad: desde tres, hasta infinito.
Las lgicas polivalentes se difundieron especialmente a partir de los trabajos de los filsofos
polacos Jan ukasiewicz y Emil Post y sus relaciones con la fsica cuntica, pero fueron expuestas
anteriormente, con diferentes enfoques, por Hegel, Hugh MacColl, Charles Sanders Peirce y Nicolai
A. Vasiliev. Stephen Kleene elabor las tablas de verdad para un sistema de lgica trivalente. Un
ejemplo para ilustrar la trivalencia en fsica ha sido la paradoja del gato de Schrdinger.
El acto mismo del conocimiento es la introduccin de la contradiccin. El principio del tercero
excluido, "algo o es A o no es A", es la proposicin que quiere rechazar la contradiccin y al hacerlo
incurre precisamente en contradiccin: A debe ser +A -A, con lo cual ya queda introducido el
tercer trmino, A que no es ni + ni - y por lo mismo es +A y -A. Algo es ello mismo y es otro,
porque en realidad todo cambia continuamente y la misma cosa se transforma en otra cosa. Es una
lgica del movimiento, la transicin y la transformacin.

Lgica bivalente
Una lgica bivalente es un sistema lgico que admite solo dos valores de verdad para sus
enunciados (premisas y conclusin). En la lgica bivalente, una proposicin solo puede ser
verdadera o falsa, no existen valores intermedios de verdad. El clsico sistema de lgica bivalente
es la lgica aristotlica que se sustenta en tres principios bsicos:
Principio de identidad: es verdad que A es idntico a A (a s mismo). A = A
Principio de no contradiccin: A no puede ser A y no-A al mismo tiempo. (A A)
Principio de tercero excluido: A es verdadero o es falso, no hay una tercera posibilidad. A v A
No admite tampoco matices modales en sus enunciados, tales como "es necesario que", "es
imposible que", etc. Se limita al lenguaje enunciativo o declarativo.
Existen otros sistemas de lgicas que no se sustentan en estos principios y por lo tanto admiten ms
de dos valores de verdad. Los sistemas de lgica modales o plurivalentes (como la lgica trivalente
de Jan ukasiewicz o la lgica trivalente de Kleene), aceptan un tercer valor, como "indeterminado"
o "posible".

Lgica modal

Una lgica modal es un sistema formal que intenta capturar el comportamiento deductivo de algn
grupo de operadores modales. Los operadores modales son expresiones que califican la verdad de
los juicios. Por ejemplo, en la oracin "es necesario que 2+2=4", la expresin "es necesario que" es
un operador modal que califica de necesaria a la verdad del juicio "2+2=4".
En un sentido ms restringido, sin embargo, se llama lgica modal al sistema formal que se ocupa
de las expresiones "es necesario que" y "es posible que". Otros sistemas de lgica modal conocidos
son la lgica dentica, la lgica temporal, la lgica epistmica y la lgica doxstica.

Vocabulario
La lgica modal slo agrega dos smbolos al vocabulario de la lgica proposicional: el smbolo
representa la expresin del lenguaje natural "es necesario que", y el smbolo
"es posible que". Ambos smbolos se prefijan a proposiciones, de modo que

, que

, que representa la expresin

se lee "es necesario que p",

y
se lee "es posible que p". Adems, en la lgica modal clsica, ambos smbolos son interdefinibles por
medio del otro y de la negacin; as:

Esto implica que en principio, slo es necesario tomar uno de los dos smbolos como primitivo, ya que el otro
puede ser definido a partir de ste y del vocabulario de la lgica proposicional. En general, el smbolo que se
toma como primitivo es el de necesidad. Estas interdefiniciones son paralelas a las de los cuantificadores en
la lgica de primer orden:

Las razones de este paralelismo resultarn ms claras en la seccin de semntica de mundos posibles.

Lgica cuantificacional
Es llamada tambin lgica de predicados o lgica de primer orden. La lgica cuantificacional
estudia la composicin ntima de las proposiciones, utilizanuevos smbolos, leyes y mtodos para
establecer la validez de los razonamientos. Esta lgica estudia de manera ms detallada los
predicados a travs del uso decuantificadores que expresan cantidad. El sistema de notacin consta
de los siguientes elementos, que vienen a ser sulenguaje:
a)
b)
c)
d)
e)
f)

Operadores proposicionales
Constantes individuales
Variables
Operadores de cuantificacin o simplemente, cuantificadores y
Metavariables
Smbolos de agrupacin.

Lgica proposicional
La lgica proposicional o lgica de orden cero es un sistema formal cuyos elementos ms simples
representan proposiciones, y cuyas constantes lgicas, llamadas conectivas, representan operaciones

sobre proposiciones, capaces de formar otras proposiciones de mayor complejidad. La lgica

proposicional trata con sistemas lgicos que carecen de cuantificadores, o variables interpretables
como entidades. En lgica proposicional si bien no hay signos para variables de tipo entidad, s
existen signos para variables proposicionales (es decir, que pueden ser interpretadas como
proposiciones con un valor de verdad de definido), de ah el nombre proposicional. La lgica
proposicional incluye adems de variables interpretables como proposiciones simples signos para
conectivas lgicas, por lo que dentro de este tipo de lgica puede analizarse la inferencia lgica de
proposiciones a partir de proposiciones, pero sin tener en cuenta la estructura interna de las
proposiciones ms simples.

Conectivas lgicas
A continuacin hay una tabla que despliega todas las conectivas lgicas que ocupan a la lgica proposicional,
incluyendo ejemplos de su uso en el lenguaje natural y los smbolos que se utilizan para representarlas
en lenguaje formal.

Conectiva

Expresin en
el
lenguaje
natural

Ejemplo

Negacin

no

No est lloviendo.

Conjuncin

Est lloviendo y est nublado.

Disyuncin

Est lloviendo o est soleado.

Condicional
material

si... entonces

Si est soleado, entonces es de da.

si y slo si

Est nublado si y slo si hay nubes

visibles.

Bicondicional

Negacin conjunta
Disyuncin
excluyente

ni... ni

Ni est soleado ni est nublado.

o bien... o
bien

O bien est soleado, o bien est

nublado.

Smbolo
en
este
artculo

Smbolos
alternativo
s

En la lgica proposicional, las conectivas lgicas se tratan como funciones de verdad. Es decir,
como funciones que toman conjuntos de valores de verdad y devuelven valores de verdad. Por ejemplo, la
conectiva lgica no es una funcin que si toma el valor de verdad V, devuelve F, y si toma el valor de
verdad F, devuelve V. Por lo tanto, si se aplica la funcin no a una letra que represente una proposicin
falsa, el resultado ser algo verdadero. Si es falso que est lloviendo, entonces ser verdadero que no est
lloviendo.

Lgica Borrosa

La Teora de Conjuntos Borrosos fue introducida por Lotfi A. Zadeh (Azerbaiyn, 1921,
actualmente profesor e mrito de la Universidad de California en Berkeley) a mediados de los aos
60. Previamente, Max Black (1909 - 1989), en un artculo de 1937 titulado "Vagueness: An exercise
in Logical Analysis" y Karl Menger (1902 - 1985) con los artculos de 1942 "Statistical Metrics" y
los de los aos 50 sobre relaciones borrosas de indistinguibilidad, sentaron las bases de lo que hoy
es una teora tan utilizada y con tan buenos resultados. Bajo el concepto de Conjunto Borroso
(Fuzzy Set) reside la idea de que los elementos clave en el pensamiento humano no son nmeros,
sino etiquetas lingsticas. Estas etiquetas permiten que los objetos pasen de pertenecer de una clase
a otra de forma suave y flexible. La Lgica Borrosa se puede inscribir en el contexto de la Lgica
Multivaluada. En 1922 Lukasiewicz cuestionaba la Lgica Clsica bivaluada (valores cierto y
falso). Adems, adelantaba una lgica de valores ciertos en el intervalo unidad como generalizacin
de su lgica trivaluada. En los aos 30 fueron propuestas lgicas multivaluadas para un nmero
cualquiera de valores ciertos (igual o mayor que 2), identificados mediante nmeros racionales en el
intervalo [0, 1]. Uno de los objetivos de la Lgica Borrosa es proporcionar las bases del
razonamiento aproximado que utiliza premisas imprecisas como instrumento para formular el
conocimiento.
Qu son los conjuntos borrosos?. En un conjunto clsico (crisp) se asigna el valor 0 1 a cada
elemento para indicar la pertenencia o no a dicho conjunto. Esta funcin puede generalizarse de
forma que los valores asignados a los elementos del conjunto caigan en un rango particular, y con
ello indiquen el grado de pertenencia de los elementos al conjunto en cuestin. Esta funcin se
llama funcin de pertenencia y el conjunto por ella definida Conjunto Borroso.
La funcin de pertenencia A por la que un conjunto borroso A se define, siendo [0, 1] el intervalo
de nmeros reales que incluye los extremos, tiene la forma: A=X[0, 1] Es decir, mientras que en
un conjunto clsico los elementos pertenecen o no pertenecen a l totalmente (por ejemplo un
nmero puede pertenecer o no al conjunto de los pares, pero no pertenecer con un determinado
grado), en los conjuntos borrosos hay grados de pertenencia en referencia a un universo local. Por
ejemplo en el contexto de nuestra sociedad actual una persona de 45 aos pertenecer al conjunto
borroso viejo con un grado supongamos de 0.5. Si en vez de usar de referencia nuestra sociedad
actual aludimos a una sociedad donde la esperanza de vida fueran 40 aos este grado cambiara.

A ser un Subconjunto Borroso de B cuando: A(x) B(x), xX Originalmente la teora de

conjuntos borrosos se formul en base a un conjunto de operadores tambin vlidos para conjuntos
clsicos: Negacin: A(x) = 1 - A(x) Unin: AB(x) = max [A(x), B(x)] Interseccin:
AB(x) = min [A(x), B(x)] Posteriormente se han definido clases de funciones con
propiedades axiomticas adecuadas a la utilidad de cada operador, principalmente las Tnormas y Tconormas, que sirven como modelos de la interseccin y la unin respectivamente. El origen del
uso de las T-normas y T-conormas se remonta a las consecuencias del artculo de Menger de 1942
Statistical Metrics. Para establecer la desigualdad triangular (en un tringulo cualquiera, la suma
de dos lados siempre es mayor que el tercero), discpulos de Menger establecieron y estudiaron el
concepto de norma triangular (T-norma) como operacin tipo para componer (sumar

probabilsticamente) los lados de un tringulo que no midan un nmero, sino una funcin de
distribucin de probabilidad. Posteriormente se han revelado como herramienta adecuada para
formalizar la interseccin borrosa. Pero para completar un tipo de razonamiento anlogo al que se
realiza con lgica clsica es necesario definir el concepto de implicacin. Una implicacin borrosa I
es en general una funcin de la forma: I: [0, 1] x [0, 1] [0, 1] Para cualesquiera dos valores
ciertos a y b de proposiciones borrosas p, q, define el valor cierto I(a, b) de la proposicin
condicional si p entonces q. Es una extensin de la implicacin clsica p q del dominio
restringido {0, 1} al dominio completo [0, 1]. As como en lgica clsica una implicacin se puede
expresar de distintas formas y todas son equivalentes, sus extensiones a lgica borrosa resultan no
ser equivalentes y han dado lugar a diferentes clases de implicaciones borrosas. Por ltimo, existe
un principio que permite la generalizacin de conceptos matemticos crisp a la teora de Conjuntos
Borrosos. Cualquier funcin que asocie puntos x1,x2,..., xn del conjunto crisp X al Y puede
generalizarse de forma que asocie subconjuntos borrosos de X en Y, es el denominado Principio de
extensin.

Aplicaciones
La representacin borrosa del conocimiento.
En lenguaje natural se describen objetos o situaciones en trminos imprecisos: grande, joven,
tmido, ... El razonamiento basado en estos trminos no puede ser exacto, ya que normalmente
representan impresiones subjetivas, quiz probables pero no exactas. Por ello, la Teora de
Conjuntos Borrosos se presenta ms adecuada que la lgica clsica para representar el conocimiento
humano, ya que permite que los fenmenos y observaciones tengan ms de dos estados lgicos.
Para la construccin de Conjuntos Borrosos para ser usados en Sistemas Inteligentes son necesarias
tcnicas especficas de Adquisicin de Conocimiento. Las ms usadas son las entrevistas y
formularios, pero parece adecuado adaptar otras tcnicas al campo Borroso. En los Sistemas
Basados en el Conocimiento la funcin de pertenencia debe ser obtenida del experto en ese dominio
de conocimiento. Esta funcin no ha de ser confundida con una funcin de distribucin de
probabilidad basada en la repeticin de las observaciones, sino en la opinin del experto. La
representacin habitual del conocimiento en trminos borrosos se realiza por medio de reglas, del
tipo: Si x1 es A1,1 y/o x2 es A2,1 y/o xn es A1,n Entonces y es B1 Cada variable que interviene
como hiptesis en una regla tiene asociado un dominio. Cada dominio puede estar dividido en
tantos Conjuntos Borrosos como el experto considere oportuno. Cada una de estas particiones tiene
asociada una Etiqueta Lingstica.

Un term-set (Fig. 1) es un conjunto finito, prioritariamente con 72 elementos, que son restricciones
de una variable lingstica borrosa. Este conjunto de elementos debe ser suficiente para describir
cualquier situacin relativa al contexto en el que se sita el problema. Por ejemplo, el siguiente
conjunto de trminos pretende reflejar una descripcin estndar de lo que se entiende por altura
(referida a personas) (Ver tabla). El Universo de discurso (alturas) est normalizado entre 0 y 1
aunque refleja, por ejemplo, entre 130 y 230 cm.
Internet.
Segn algunos de los ms prestigiosos investigadores en Internet, parece que el futuro para abordar
la ingente cantidad de datos, recuperar informacin, controlar y gestionar la red, pasa por el uso
de tecnologas borrosas. Adems, parece que esta intuicin coincide con la nueva senda que, segn
el profesor Zadeh, debe seguir la lgica borrosa. Prueba de ello fu la celebracin del primer
encuentro sobre lgica borrosa e Internet (FLINT 2001, se puede acceder a las ponencias a travs de
la pgina Web de BISC) celebrado en la universidad de Berkeley en el verano de 2001 y organizado
por el propio profesor Zadeh.

La idea principal es la tendencia hacia el Computing with words (computacin con palabras),
usando bsicamente tcnicas de Soft Computing (que engloba bsicamente a la lgica borrosa, las
redes neuronales y la computacin evolutiva algoritmos genticos). Estos trminos, acuados por
el profesor Zadeh, ponen de manifiesto el nuevo reto que ha de acometer el soft computing y que ya
se plasman en diferentes lneas de investigacin, como son:
Una nueva generacin de motores de bsqueda en Internet, que usan tcnicas de soft computing y
que tratan de mejorar la bsqueda actual (lexicogrfica) usando una bsqueda conceptual.
Tcnicas avanzadas para describir perfiles de usuario que permitan un uso de internet ms
inteligente a la carta.
Comercio electrnico basado en tcnicas de soft computing
Semantic Web. Esta lista se podra extender a otros muchos aspectos, pero conviene destacar
algunas tcnicas que deben ser mejoradas y adaptadas a los nuevos tiempos, volmenes y estructura
de la informacin que es necesario manipular en Internet:
Nuevos modelos de representacin del conocimiento, como por ejemplo los conceptual fuzzy sets

del profesor Takagi.

Mejoras en los mtodos de agregacin de informacin y en los algoritmos de clasificacin y
clustering.
Tcnicas para la generacin de ontologas (taxonomas de conceptos de un determinado dominio)
y para la utilizacin de las mismas con limitaciones en el tiempo de respuesta.
Tcnicas de indexacin conceptual de documentos.
Agentes inteligentes autnomos para realizar servicios en Internet (en bsqueda, chat, correo
electrnico, comercio electrnico, envo de datos, multimedia...). Y un largo etctera de nuevos
campos de aplicacin del soft computing en los que ya se obtienen resultados prometedores.

Aplicaciones al diseo de hardware

Lgica proposicional clsica se utiliza como una herramienta tcnica para el anlisis y
sntesis de algunos tipos de circuitos elctricos construidos a partir de "interruptores" con
dos estados estables, es decir, niveles de voltaje. Una generalizacin bastante sencillo
permite el uso de una lgica m de valor para hablar de circuitos integrados de
"interruptores" similares con m estados estables. Todo este campo de aplicacin de multivaluada lgica se llama multivaluada (o incluso: fuzzy) de conmutacin. Una buena
introduccin es Epstein (1993).
Aplicaciones a la Inteligencia Artificial
AI es en realidad el campo ms prometedor de aplicaciones, que ofrece una serie de
diferentes reas en las que se han utilizado sistemas de MVL.
Una primera rea de solicitud se refiere a nociones vagas y el razonamiento de sentido
comn, por ejemplo, en sistemas expertos. Ambos temas se modelan a travs de los
conjuntos borrosos y la lgica difusa, y estos se refieren a los sistemas adecuados de MVL.
Adems, en las bases de datos y en los sistemas basados en el conocimiento a uno le gusta
almacenar informacin vaga. Una segunda rea de aplicacin est fuertemente ligado con
esta primera: la automatizacin de minera de datos y conocimiento. Aqu mtodos de
agrupamiento entran en consideracin; estos se refieren a travs de grupos de enfoque para
los conjuntos borrosos y MVL. En este contexto tambin se est interesado en tcnicas
automatizadas teorema que demuestra para los sistemas de MVL, as como en los mtodos
de programacin lgica para los sistemas de MVL. Parte de esta tendencia es el reciente
desarrollo de lgicas descriptivas generalizadas, los llamados Descripcin difusos lgicas,
que permiten la inclusin de herramientas tcnicas (grados verdad, conectivas, predicados
graduadas) desde el campo de la LMV en - desde el punto de vista de la plena lgica de
primer orden: rudimentarias - sistemas de lgica, descripcin llamados lgicas, ver Straccia
(2001), Hjek (2005), Stoilos et al. (2008).
Aplicaciones a Matemticas
Hay tres temas principales dentro de las matemticas que se relacionan con multivaluada
lgica. La primera de ellas es la teora matemtica de conjuntos difusos, y el anlisis
matemtico de "fuzzy", o razonamiento aproximado. En ambos casos, uno se refiere a
sistemas de MVL. El segundo tema ha sido aproxima hacia pruebas de consistencia de la
teora de conjuntos utilizando un sistema adecuado de MVL. Y hay una - a menudo slo
implcita - referencia a las ideas bsicas de MVL en pruebas de independencia (por
ejemplo, para los sistemas de axiomas) que a menudo se refieren a las matrices lgicas con

ms de dos grados de la verdad. Sin embargo, aqu MVL es ms una herramienta

puramente tcnico, porque en estas pruebas de independencia uno no est interesado en una
comprensin intuitiva de los grados de la verdad en absoluto.

Red Neuronal Artificial

Redes Neuronales Artificiales Una red neuronal artificial (ANN) es un esquema de
computacin distribuida inspirada en la estructura del sistema nervioso de los seres
humanos. La arquitectura de una red neuronal es formada conectando mltiples
procesadores elementales, siendo ste un sistema adaptivo que pose un algoritmo para
ajustar sus pesos (parmetros libres) para alcanzar los requerimientos de desempeo del
problema basado en muestras representativas. Por lo tanto podemos sealar que una ANN
es un sistema de computacin distribuida caracterizada por: o Un conjunto de unidades
elementales, cada una de las cuales posee bajas capacidades de procesamiento. o Una densa
estructura interconectada usando enlaces ponderados. o Parmetros libres que deben ser
ajustados para satisfacer los requerimientos de desempeo. o Un alto grado de paralelismo.
Es importante sealar que la propiedad ms importantes de las redes neuronales artificiales
es su capacidad de aprender a partir de un conjunto de patrones de entrenamientos, es decir,
es capaz de encontrar un modelo que ajuste los datos. El proceso de aprendizaje tambin
conocido como entrenamiento de la red puede ser supervisado o no supervisado. El
aprendizaje supervisado consiste en entrenar la red a partir de un conjunto de datos o
patrones de entrenamiento compuesto por patrones de entrada y salida. El objetivo del
algoritmo de aprendizaje es ajustar los pesos de la red w de manera tal que la salida
generada por la ANN sea lo ms cercanamente posible a la verdadera salida dada una cierta
entrada. Es decir, la red neuronal trata de encontrar un modelo al procesos desconocido que
gener la salida y. Este aprendizaje se llama supervisado pues se conoce el patrn de salida
el cual hace el papel de supervisor de la red. En cambio en el aprendizaje no supervisado se
presenta slo un conjunto de patrones a la ANN, y el objetivo del algoritmo de aprendizaje
es ajustar los pesos de la red de manera tal que la red encuentre alguna estructura o
configuracin presente en los datos.
A la hora de disear nuestra red neuronal para resolver un problema concreto es
conveniente disponer de una herramienta software de diseo de ANN. Con una herramienta
de stas basta con pensar en trminos de redes y no en programacin de algoritmos en
lenguajes de alto nivel. De esta manera todo el esfuerzo se debe dirigir al diseo de la
arquitectura o estructura de la red y en la seleccin de los datos del conjunto de
entrenamiento y de test.
El diseador construye con el software apropiado la red especificando el nmero de capas,
de neuronas y los tipos de conexiones. Define los ficheros o conjuntos de datos de entrada y
salida, y debe elegir los parmetros de los clculos internos de la red. Adems el diseador

puede seleccionar diferentes funciones de transferencia y procesamiento de las neuronas,

as como construir variaciones de los modelos estndar. En la fase de entrenamiento se debe
especificar el nmero de iteraciones y la planificacin de los cambios de los parmetros de
aprendizaje. Generalmente esta fase requiere varias sesiones y la experimentacin de
diferentes parmetros de aprendizaje, diferentes vectores de entrada o diversas estrategias
de entrenamiento permiten obtener conclusiones definitivas para la solucin ms eficaz de
una aplicacin.
Entre las reas de aplicacin de las redes se encuentran entre otras las siguientes:
Anlisis Financiero; Procesado de Imgenes en el mbito de la Medicina, Industria y
Defensa; Diagnstico Mdico y Comercial; Robtica y Control; Reconocimiento y Sntesis
de Voz; Clasificacin de Datos provenientes de sensores; Compresin y Codificacin de
Informacin.
Procesamiento de voz e imgenes

Inteligencia artificial
La inteligencia artificial (IA) puede definirse como el medio por el cual las computadoras,
los robots y otros dispositivos realizan tareas que normalmente requieren de la inteligencia
humana. Por ejemplo, la resolucin de cierto tipo de problemas, la capacidad de discriminar
entre distintos objetos o el responder a rdenes verbales.
La IA agrupa un conjunto de tcnicas que, mediante circuitos electrnicos y programas
avanzados de computadora, busca imitar procedimientos similares a los procesos inductivos

y deductivos del cerebro humano. Se basa en la investigacin de las redes neuronales

humanas y, a partir de ah, busca copiar electrnicamente el funcionamiento del cerebro.
Video de juego
Usted puede comprar las mquinas que pueden jugar al ajedrez de nivel master por unos
pocos cientos de dlares. Hay algo de AI en ellos, pero juega bien contra las personas,
principalmente a travs de la fuerza bruta de clculo - mirando cientos de miles de puestos.
Para vencer a un campen del mundo por la fuerza bruta y la heurstica confiables
conocidos requiere ser capaz de mirar a los 200 millones de posiciones por segundo.
Reconocimiento de voz
En la dcada de 1990, el reconocimiento de voz de ordenador alcanza un nivel prctico para
propsitos limitados. As United Airlines ha sustituido su rbol teclado para obtener
informacin de vuelo por un sistema que utiliza el reconocimiento de voz de los nmeros
de vuelo y nombres de ciudades. Es muy conveniente. Por otro lado, si bien es posible para
instruir a algunos ordenadores utilizando el habla, la mayora de los usuarios han vuelto a el
teclado y el ratn como todava ms conveniente.
Comprensin del lenguaje natural
El simple hecho de una secuencia de palabras en una computadora no es suficiente.
Analizar oraciones tampoco es suficiente. El equipo tiene que estar provisto de un
conocimiento del dominio que trata el texto, y esto es posible en la actualidad slo para
dominios muy limitadas.
Visin por computador
El mundo se compone de objetos tridimensionales, pero las entradas para el ojo humano y
las cmaras de televisin ordenadores es de dos dimensiones. Algunos programas tiles
pueden trabajar solamente en dos dimensiones, pero la visin de equipo completo requiere
informacin tridimensional parcial que no es slo un conjunto de vistas bidimensionales.
En la actualidad hay maneras slo limitadas de representacin de la informacin en tres
dimensiones directamente, y no son tan buenos como lo que los seres humanos utilizan
evidentemente.