Unidad 2

ndice
2.1 Principios y Metodologa de la Inteligencia Artificial .................................................. 1
2.2 Paradigmas de la Inteligencia Artificial ...................................................................... 4
2.3 Mapa conceptual. ...................................................................................................... 6
2.4 Redes semnticas. .................................................................................................... 7
2.5 Razonamiento montono. ......................................................................................... 8
2.7 Conocimiento no-montono y otras lgicas. ............................................................. 8
2.8 Razonamiento probabilstico. .................................................................................. 10
2.9 Teorema de Bayes. ................................................................................................. 11
2.1 Principios y Metodologa de la Inteligencia Artificial
La IA es una rama de la ciencia de computacin que comprende el estudio y creacin de
sistemas computarizados que manifiestan cierta forma de inteligencia: sistemas que
aprenden nuevos conceptos y tareas, sistemas que pueden razonar y derivar
conclusiones tiles acerca del mundo que nos rodea, sistemas que pueden comprender
un lenguaje natural o percibir y comprender una escena visual, y sistemas que realizan
otro tipo de actividades que requieren de inteligencia humana.
La Inteligencia Artificial surge definitivamente a partir de algunos trabajos publicados en
la dcada de 1940 que no tuvieron gran repercusin, pero a partir del influyente trabajo
en 1950 de Alan Turing, matemtico britnico, se abre una nueva disciplina de las
ciencias de la informacin. Si bien las ideas fundamentales se remontan a la lgica y
algoritmos de los griegos, y a las matemticas de los rabes, varios siglos antes de
Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV. A finales
del siglo XIX se obtienen lgicas formales suficientemente poderosas y a mediados del
siglo XX, se obtienen mquinas capaces de hacer uso de tales lgicas y algoritmos de
solucin.

Metodologas
Sistemas Expertos: La base matemtica para el simbolismo, fue mejorada da a da
por el perfeccionamiento, en sistemas matemticos o sistemas lgicos, los cuales han
sido diseados con alguna clase de sistema de regla de produccin. La mayor parte
de categoras del conocimiento han sido representadas por reglas de produccin
basadas en el clculo de predicado y el principio de resolucin, los cuales han
proporcionado una base terica para el desarrollo de sistemas expertos, en diferentes
campos del conocimiento en este siglo de tecnologas de la informacin.
Hablando en general, un sistema experto es un sistema que trabaja a travs de
experiencia y conocimiento. Esto hace una inferencia y simulacin a los procesos de
toma de decisiones para resolver problemas complejos que por lo general toman a
un experto en el campo para su solucin, usando tecnologa de IA.
Es sobre la base de tal Sistema de Produccin que el sistema experto es desarrollado.
Y los lenguajes de programacin lgicos como LISP y PROLOG han ayudado al
diseo del sistema como una herramienta poderosa.
Metodologa del Conexionismo: McCulloch W. S., y Pitts, W., (1943) pioneros del
conexionismo. Tenan en cuenta que, para simular la inteligencia humana, es
necesario construir un modelo cerebral con la ayuda de la binica. Y tambin que la
unidad bsica del pensamiento humano son las neuronas, ms bien que los smbolos

P g i n a 1 | 22
 y que la inteligencia es el resultado de la competicin de las neuronas interconectadas
y coordinadas.
Sosteniendo vistas diferentes de la hiptesis de un sistema de smbolo fsico,
creyendo que el cerebro humano no es lo mismo que un ordenador. Cuando la
computadora es utilizada para simular el cerebro humano, debera hacerse nfasis
que la simulacin estructural, es decir, simular la estructura de una red de sistema
neuronal humano biolgico. Ellos tambin creen que las funciones, las estructuras, y
el comportamiento estn estrechamente relacionadas y que las diferentes funciones
y comportamientos son representados por estructuras diferentes.
Modelo de Red Neuronal de Hopfield: La NNH se compone de una sola capa, un
modelo de retroalimentacin completo; con las siguientes caractersticas tcnicas:
1. La NNH es una conexin completa de una sola capa y de un sistema de retro
alimentacin completo compuesto de componentes no lineales. Cada neurona
de la red esta interconectada desde su salida a otras neuronas a travs de
conexiones, y al mismo tiempo, recibe la informacin enviada de otras
neuronas.
2. Un rasgo importante de la NNH es su estabilidad. Cuando la funcin de energa
alcanza mnimos, esto es un estado estable para la red. Aqu la funcin de
energa representa una tendencia de transicin en el estado de la red. El
estado vara con las reglas de operacin Hopfield y es finalmente capaz de
alcanzar la funcin objetivo de un valor mnimo.
3. Mientras la NNH es puesta en marcha, las conexiones entre pesos de cada
neurona permanecen fijos, slo el estado de salida es actualizado. Para la red
de la misma estructura, con el cambio de parmetros de la red (pesos y
umbrales), el nmero de mnimos de la funcin de energa en la red (llamado
punto de equilibrio para la estabilizacin del sistema) y los valores de
mnimos tambin son cambiados. Por lo tanto, la necesidad de un patrn de
memoria puede ser diseado con un punto de equilibrio estabilizado en un
estado de red fijo.

Algoritmos Genticos Los algoritmos genticos requieren para su aplicacin de

representaciones codificadas como un cromosoma. Cada cromosoma tiene varios
genes que corresponden a los parmetros del problema en cuestin. En la naturaleza,
los cromosomas se encuentran ubicados en parejas en el interior del ncleo celular,
y los genes son una secuencia de nucletidos, es decir, fragmentos de ADN en una
determinada localizacin del cromosoma.

Lgica Difusa: La Lgica Difusa se adapta mejor al mundo real en el que vivimos, e
incluso puede comprender y funcionar con nuestras expresiones, del tipo "hace
mucho calor", "no es muy alto", "el ritmo del corazn est un poco acelerado", etc. La

P g i n a 2 | 22
 clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de
nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones de unin,
interseccin, diferencia, negacin o complemento, y otras operaciones sobre
conjuntos (ver tambin subconjunto difuso), en los que se basa esta lgica. Para cada
conjunto difuso, existe asociada una funcin de pertenencia para sus elementos, que
indican en qu medida el elemento forma parte de ese conjunto difuso. Las formas
de las funciones de pertenencia ms tpicas son la trapezoidal, lineal y curva.
Control de un Robot: La teora de control es una rama importante de la investigacin
en la robtica. Los problemas tratados son los sistemas sensoriales, movimientos
ptimos de brazos, y planificacin de mtodos para la implementacin de secuencia
en la ejecucin de un robot, del cual el control es una parte importante para estas
investigaciones.
Analgicamente a la sicologa la estimulacin hace a un robot hacer y tomar
determinadas acciones a travs del control, una vez que cada condicin realizada es
satisfecha. El desarrollo rpido de la investigacin en la robtica es gracias al avance
en la automatizacin industrial y a la investigacin en la IA. La combinacin de
automatizacin e intelectualizacin probablemente fue empleada para simular
estados de procesamiento de automatizacin industrial, describir la transformacin
de un estado de produccin a otro, y de programas de como la secuencia de accin
son llevados a cabo y de cmo las ejecuciones de planes son supervisadas. Con la
ayuda del ordenador, el proceso de informacin y el control de actividades son
generalizados como actividades intelectuales y de produccin intelectualizada.
Control Inteligente: La metodologa de teora de control tradicional se basa en la
relacin entrada y salida del objeto a controlar el cual se expresar por una funcin
de transferencia a partir de un modelo matemtico exacto, que es a menudo difcil de
realizar. Algunos investigadores han trabajado en el mecanismo de control de auto-
aprendizaje y auto-organizacin; introduciendo tecnologa de inteligencia artificial en
el sistema de control.
Esto concierne al objeto controlado cuyos parmetros de modelos, hasta estructuras,
son variables duras para ser descritas exactamente en mtodos matemticos, por
tener propiedades no lineales, inciertas y variables en el tiempo. Cuando el control
inteligente se encuentra en un ambiente externo es difcil que sea restrictivo con
parmetros matemticos, por lo cual requiere ser capaz de auto organizarse, auto-
aprender y auto-adaptarse, en pocas palabras tener comportamiento inteligente

P g i n a 3 | 22
2.2 Paradigmas de la Inteligencia Artificial
El trabajo de k. Craik titulado the Nature of explanation introduce los fundamentos del
paradigma simblico en trminos de descripciones declarativas y modulares de
entidades simblicas de alto nivel y de reglas de inferencia usadas para manipular
dichas descripciones simblicas.
En 1943, Warren McCulloch Y Walter Pitts publicaron el trabajo titulado: A Logical
calculus of che ideas inmanent in nervous activity, que seala el comienzo del
paradigma conexionista (la neurocomputacion) en dicho trabajo se muestra que
incluso las formas ms simples de redes neuronales artificiales pueden computar, en
principio, funciones , aritmticas y lgicas. Dicho paradigma est inspirado en el
conocimiento actual que tenemos del funcionamiento del cerebro.

Otros paradigmas
Rosenblueth, N. Wiener y J. Bigelow, en su trabajo titulado Behavior, and Teleology,
introdujeron los fundamentos del paradigma situado o reactivo, basado en el
comportamiento, al interpretar comportamiento inteligente en trminos de un conjunto
de mecanismo de realimentacin. Se pone nfasis en el hecho de que toda
percepcin y toda accin estn acopladas a travs de sensores y efectores concretos.
Por ejemplo, un robot que se mueve, gira a la derecha y evita un obstculo
La mayor parte de los problemas son de naturaleza hibrida, por lo que su solucin
tendr que ser tambin hibrida. Surge as el paradigma hibrido (IAH). Es decir, en
el control de un robot podremos necesitar tcnicas simblicas, difusas y neuronales.
(Ortiz, 2006) nos indica que dentro de los paradigmas se encuentra El paradigma
distribuida (IAD) est aparece en la dcada de los 80's donde intenta resolver
problemas en donde una conducta colectiva es ms eficiente que una conducta
individual, como lo estudia la inteligencia artificial que hace el anlisis de un nico
agente que se encuentra en un ambiente no cambiante y que intenta resolver todo el
problema con solo esta entidad.
(Alan, 2007) Describe que tambin se encuentra el paradigma evolutivo (IAE) donde
este surgi al final de los aos 60, cuando se comenz a estudiar la incorporacin de

P g i n a 4 | 22
 mecanismos de seleccin natural para la solucin de problemas. Como resultados se
crearon una serie de algoritmos que, basados en la Teora de la Evolucin de Charles
Darwin, conducen una bsqueda estocstica de la solucin de un problema, haciendo
evolucionar a un conjunto de estructuras y seleccionando de modo iterativo.
(Delgado S Hernando A., 2013) describen que existe el paradigma de redes
neuronales (IAN) para el aprendizaje y procesamiento automtico, inspirado en la
forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexiones de neuronas que colaboran entre s para producir una salida.

P g i n a 5 | 22
2.3 Mapa conceptual.
Un mapa Conceptual es un esquema de ideas que sirve de herramienta para organizar
de manera grfica y simplificada conceptos y enunciados a fin de reforzar un
conocimiento. En un mapa conceptual se relacionan por medio de conectores grficos
conceptos e ideas para complementar una idea generalizada de lo que es un principal,
el objetivo de un mapa conceptual es conseguir el significado por medio de enlaces que
se analizan fcilmente.
Un mapa conceptual resume en un simple esquema de ideas un concepto, este esquema
presenta ms que ideas, interpretaciones del que analiza la fundacin del trmino. Para
que el mismo procese y se le haga fcil al espectador conseguir la idea general de los
enunciados expuestos en tal orden.
La estructura cognitiva de un mapa conceptual sirve para que a partir de uno se
desarrollen ms, con las ideas de los que lo analizan e interpretan de otra forma, en
forma consciente y explcita, vincula los nuevos conceptos a otros que ya posee.
El mapa conceptual puede tener varios propsitos segn el trabajo, como por ejemplo:
Generar conceptos o ideas (brain storming, etc.) sobre algo o un tema.
Disear una estructura compleja de informacin (textos largos, hipermedia, pginas
web grandes, etc.).
Comunicar ideas complejas.
Contribuir al aprendizaje integrando de manera explcita conocimientos nuevos y
antiguos.
Evaluar la comprensin o diagnosticar la incomprensin.
Explorar el conocimiento anterior y los errores de concepto.
Fomentar el aprendizaje significativo para mejorar el xito de los estudiantes.
Medir la comprensin de conceptos.
Conocer los conceptos de los temas.
Cmo construir un mapa conceptual
Seleccionar
Agrupar
Ordenar
Representar
Conectar
Comprobar
Reflexionar

P g i n a 6 | 22
2.4 Redes semnticas.
Son una forma de representacin de conocimiento lingstico en la que los conceptos y
sus interrelaciones se representan mediante un grafo. Las redes semnticas son usadas,
entre otras cosas, para representar mapas conceptuales y mentales.
Objetivos de la red
Desarrollar una infraestructura para generar datos que las computadoras puedan
entender, de tal forma que puedan ser compartidos y procesados no slo por
personas sino tambin por herramientas automatizadas.
Las redes semnticas pretenden proveer de mecanismos para habilitar el acceso e
integracin de informacin a travs de una sintaxis estndar para el intercambio de
informacin, un esquema de nombrado y descripcin de las caractersticas de la
informacin que sea compartido entre los diferentes sistemas, de manera que se
pueda conocer cmo convertir la informacin recibida en un formato de presentacin.
Beneficios de la red
Independencia de datos: Sacar los datos de las aplicaciones para que puedan
moverse entre las aplicaciones de cierta rea de competencia. Taxonomas y
tesauros. Generar una estructura o jerarqua para organizar los temas con el fin de
que las agrupaciones de trminos faciliten su bsqueda.
Bsqueda, consulta y recuperacin eficiente de la informacin: El hecho de que
estas actividades sean eficientes es algo realmente esencial para que el ser humano
pueda tener acceso al conocimiento.
Modelos conceptuales y ontologas: Representar un rea de conocimiento a travs
de trminos, relaciones entre trminos y atributos
En un grafo o red semntica los elementos semnticos se representan por nodos. Dos
elementos semnticos entre los que se admite se da la relacin semntica que
representa la red, estarn unidos mediante una lnea, flecha o enlace o arista. Cierto tipo
de relaciones no simtricas requieren grafos dirigidos que usan flechas en lugar de
lneas.

P g i n a 7 | 22
2.5 Razonamiento montono.
El razonamiento montono, es el que utiliza contradicciones para procesar. Elimina un
hecho (factor de conocimiento) obteniendo la contradiccin hasta que llega a una
conclusin final.

Lgica Deduccin Lgica de

proposicional. lgica. primer orden.

.
Se llama montono cuando a lo largo del proceso el conjunto de cosas sabidas es
siempre creciente. Pero en la realidad suele ocurrir que, a medida que avanza el proceso
de inferencias, nuevas evidencias o acciones del mismo sistema anulan premisas o
conclusiones anteriores, y para formalizar esto se necesita una lgica no montona. Un
proceso frecuente es el razonamiento por defecto: suponer que algo es verdadero (o
falso) mientras no haya evidencia de lo contrario.
Dentro de la IA, el estudio del razonamiento no-montono y sus aplicaciones, son
sinnimos de estudio de tcnicas formales de razonamiento por default, esto quiere decir,
que para poder formalizar los procesos de omitir conclusiones que son razonables, al
tener ausencia de informacin o lo contrario, que los hechos conocidos no son
estrictamente garantizarles como ciertos.
Mencionamos que existen sistemas de razonamiento (Montono y No-Montono), los
cuales son utilizados para inferir conclusiones a partir de una informacin dada, y son
representados por medio de programas lgicos, pero ellos no nos serviran, si no
existiera algn mtodo que nos permita inferir lo que es cierto y lo que es falso, dicho de
otra forma, su semntica.

2.7 Conocimiento no-montono y otras lgicas.

Es un sistema lgico cuya relacin de consecuencia lgica es no monotnica. La mayora
de los sistemas lgicos tienen una relacin de consecuencia monotnica, lo que quiere
decir que el agregar una frmula a una teora nunca se produce una reduccin de su
conjunto de consecuencias. Intuitivamente, la monotonicidad indica que el agregar
nuevos conocimientos no reduce el conjunto de las cosas conocidas.
Simblicamente:

Donde A es una frmula cualquiera y y son conjuntos de frmulas cualesquiera.

Razonamiento revocable: Se llama revocables a todos aquellos razonamientos no
deductivos en los cuales la conclusin es inferida a partir de informacin incompleta,
es decir, a partir de premisas que representan condiciones insuficientes para afirmar
la conclusin. Razonamientos de este tipo son habituales en un gran nmero de
P g i n a 8 | 22
 contextos tales como la investigacin cientfica, el diseo de artefactos de todo tipo,
la planificacin de organismos sociales, el diagnstico de situaciones, etc.
Razonamiento por defecto: El razonamiento de sentido comn muchas veces
establece conclusiones a partir de informacin parcial, que luego se revisan o se
desechan cuando se obtiene nueva informacin relevante. Por ejemplo, si de un
determinado animal se sabe que es un ave, y no se conoce nada ms, se puede
asumir que es capaz de volar. No obstante, este hecho debe ser retractado si despus
se sabe que ese determinado animal es un pingino. Este ejemplo muestra que una
lgica que modele el razonamiento por defecto no debe ser monotnica. Las lgicas
que formalizan razonamiento por defecto pueden ser divididas tajantemente en dos
categoras: lgicas capaces de manejar suposiciones arbitrarias por defecto (lgica
por defecto, lgica retractable, y answer set programming) y lgicas que formalizan
la especfica suposicin por defecto de que los hechos que no se saben verdaderos
pueden ser asumidos como falsos por defecto (closed world assumption y
circunscripcin).
Razonamiento abductivo: El razonamiento abductivo es el sistema que deriva las
explicaciones ms probables de los hechos conocidos. Una lgica abductiva no
puede ser monotnica porque las explicaciones ms probables no son
necesariamente las correctas. Por ejemplo, la explicacin ms probable de ver el
pasto mojado es que ha llovido; sin embargo, esta explicacin debe ser retractada
cuando se sepa que la causa real de que el pasto estuviera mojado era un rociador.
En tanto que la primera explicacin (llovi) es retractada debido a la adicin de
informacin (se activ un rociador), cualquier lgica que modele explicaciones es no
monotnica.
Razonamiento acerca del conocimiento: Si una lgica incluye frmulas que
significan que algo no es conocido, esta lgica no puede ser monotnica. De hecho,
aprender algo que antes no era conocido lleva a el reemplazo de la frmula que
especificaba que esa parte de conocimiento no es conocida. Este segundo cambio
(un reemplazo causada por una adicin) viola la condicin de monotonicidad. La
lgica acerca del conocimiento es la lgica autoepistmica.
Revisin de creencias: La revisin de creencias es el sistema que permite cambiar
las creencias para alojar una nueva que puede ser inconsistente con las anteriores.
En el supuesto de que la nueva creencia es correcta, algunas de las anteriores deben
ser retractadas para mantener la consistencia. Esta retractacin como respuesta a la
adicin de una nueva creencia hace que cualquier lgica para la revisin de creencias
sea no monotnica. El enfoque de la revisin de creencias es alternativo para las
lgicas paraconsistentes, las cuales ms que intentar remover la inconsistencia la
toleran.

P g i n a 9 | 22
2.8 Razonamiento probabilstico.
La ventaja del razonamiento probabilstico en comparacin con el razonamiento lgico
reside en que el agente lgico puede tomar decisiones racionales an sin disponer de
suficiente informacin para probar que una accin dada funcionar.
La probabilidad de un suceso (probabilidad objetiva) puede calcularse segn la teora
clsica de dos formas:
Atendiendo al n de resultados favorables frente al total de resultados posibles
(Probabilidad de ocurrencia de un evento del que se conocen todos sus resultados
posibles = n de resultados a favor/n total de resultados)
Atendiendo a la frecuencia relativa del suceso en un n elevado de observaciones.
(Probabilidad de ocurrencia de un evento tras repetir un gran n de veces el
experimento = n de ocurrencias del evento / n total de ocurrencias)
Sin embargo, estos modos tradicionales de calcular la probabilidad de un suceso no son
vlidos para la mayora de las situaciones reales (se postularon para los juegos de azar)
En la vida diaria, normalmente no se pueden asignar esta clase de probabilidades
objetivas porque desconocemos la frecuencia de los sucesos (no disponemos de un n
elevado de observaciones) y las alternativas no son equiprobables (los resultados
posibles no se producen con igual probabilidad).
Representacin del conocimiento del conocimiento incierto
Para representar la dependencia que existe entre determinadas variables se usa una
estructura de datos conocida como red de creencias y tambien para especificar de forma
concisa la distribucin de probabilidad conjunta. Esta red es una grfica que consta de:
1. Los nodos estn formados por un conjunto de variables aleatorias
2. La conexin de cada nodo significa que el nodo X ejerce una influencia directa
sobre Y
3. Por cada nodo hay una tabla de probabilidad condicional que sirve para cuantificar
los efectos de los padres sobre el nodo.
4. La grfica es acclica, es decir, no tiene grafos dirigidos.
Una vez especificada la topologa hay que hacer una Tabla de probabilidad condicional
para cada uno de los nodos, existe el caso condicionante que es una posible combinacin
de los valores de los nodos padres.
Cundo se emplea el razonamiento probabilstico?
Utilizamos el razonamiento probabilstico siempre que consideramos la posibilidad de
que el/la paciente tenga una infeccin a la luz de un nuevo dato de informacin. En las
etapas diagnsticas previamente descritas, el razonamiento probabilstico se realiza
durante la revisin del diagnstico. En el siguiente artculo sobre dolor torcico los
autores describen cmo los diferentes tipos de dolor torcico y los resultados del
electrocardiograma de esfuerzo, obligan a rever la probabilidad de que un paciente tiene
enfermedad coronaria. El razonamiento probabilstico tambin se emplea cuando se
decide si es conveniente solicitar nuevos estudios.

P g i n a 10 | 22
2.9 Teorema de Bayes.
En la teora de la probabilidad, es una proposicin planteada por el filsofo ingls Thomas
Bayes (1702-1761) 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, por ejemplo, que sabiendo la probabilidad de tener un dolor de cabeza dado
que se tiene gripe, se podra saber (si se tiene algn dato ms), la probabilidad de tener
gripe si se tiene un dolor de cabeza. Muestra este sencillo ejemplo la alta relevancia del
teorema en cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin
ntima con la comprensin de la probabilidad de aspectos causales dados los efectos
observados.

P g i n a 11 | 22
Unidad 3

P g i n a 12 | 22
ndice
3.1 Representacin de conocimiento mediante reglas .................................................. 14
3.2 Mtodos de Inferencia en reglas ............................................................................. 16
3.3 Reglas de produccin.............................................................................................. 18
3.4 Sintaxis de las reglas de produccin. ...................................................................... 18
3.5 Semntica de las reglas de produccin ................................................................... 20
3.6 Arquitectura de un sistema de Produccin (SP) o sistemas basados en reglas,
(SBR). ........................................................................................................................... 21
3.6.1 Hechos:......................................................................................................... 21
3.6.2 Base de conocimientos: ................................................................................ 21
3.6.3 Mecanismo de control: .................................................................................. 21

P g i n a 13 | 22
3.1 Representacin de conocimiento mediante reglas
Los Sistemas basados en Conocimiento representan un paso delante de los sistemas de
informacin convencionales al pretender representar funciones cognitivas del ser
humano como el aprendizaje y el razonamiento. Esta clase de aplicaciones descansan
en las contribuciones de la Inteligencia Artificial en lo general y en la Ingeniera del
Conocimiento en lo particular.
Conocimiento mediante reglas
Permite lograr una bsqueda de aserciones lgicas en el estudio de los sistemas
basados o encaminados en una serie de instrucciones permitiendo de este modo lograr
las vas de ejecucin del programa de forma similar a las construcciones tradicionales de
control como If, Then, Else. Las cuales definen los caminos de ejecucin de los
programas tradicionales.
Representacin declarativa: Es aquella en la que el conocimiento est
especificado, pero la forma en que dicho conocimiento debe ser usado no viene
dado.
Representacin procedimental: Es aquella en la que la informacin de control
necesaria para utilizar el conocimiento se encuentra dentro del propio
conocimiento.
Razonamiento hacia delante a partir de los estados iniciales. Se comienza por construir
un rbol de secuencias de movimientos que se pueden presentar como soluciones
empezando por la configuracin inicial en la raz del rbol.
Razonamiento hacia atrs a partir de los estados objetivo. Se comienza construyendo
un rbol de secuencias de movimientos que ofrezcan soluciones empezando con la
configuracin objetivo en la raz del rbol
Entre los productos ms significativos de los Sistemas basados en Conocimiento se
encuentran los Sistemas Expertos, los cuales estn encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnstico, enseanza y control.
Est formado por:
Una base de datos / conocimiento (Ej. Auto correccin de Ortografa de Word).
Un mecanismo de inferencia o razonamiento
Para crear un Sistema Experto debemos:
Dividir la informacin en grupos y a su vez en sub-grupos hasta tener elementos
especficos.
Nunca utilizar trminos complicados a menos que se tenga la seguridad de que el
usuario
los va a comprender.
Analizar bien las reglas para tener seguridad en su aplicacin.
Revisar el orden en que se colocan las reglas para que las preguntas se hagan
con una secuencia lgica.
Caractersticas:
Amplia difusin del conocimiento.
Fcil modificacin.
Respuestas coherentes.
Disponibilidad casi completa.
Conservacin del conocimiento.
P g i n a 14 | 22
 Capacidad de resolver problemas disponiendo de informacin incompleta.
Capacidad de explicar los resultados y la forma de obtenerlos.

Lgica proposicional: La lgica proposicional es la ms antigua y simple de las formas

de lgica. Utilizando una representacin primitiva del lenguaje, permite representar y
manipular aserciones sobre el mundo que nos rodea. La lgica preposicional permite el
razonamiento, a travs de un mecanismo que primero evala sentencias simples y luego
sentencias complejas, formadas mediante el uso de conectivos proposicionales, por
ejemplo y (and), o (or).
Lgica de predicados: La lgica de predicados est basada en la idea de las sentencias
realmente expresan relaciones entre objetos, as como tambin cualidades y atributos
de tales objetos. Los objetos pueden ser personas, objetos fsicos, o conceptos. Tales
cualidades, relaciones o atributos, se denominan predicados. Los objetos se conocen
como argumentos o trminos del predicado.

Reglas de produccin
Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IF-
THEN), es decir tienen 2 partes:
La parte SI (IF), es el antecedente, premisa, condicin o situacin; y
La parte ENTONCES (THEN), es el consecuente, conclusin, accin o
respuesta.
Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones

Clases de emparejamiento
Indexacin: Realiza una bsqueda sencilla a travs de todas las reglas,
comparando las precondiciones de cada con el estado actual
Emparejamiento con variables: En los sistemas basados en reglas se necesita
calcular todo el conjunto de reglas que emparejan con la descripcin del estado
actual.

P g i n a 15 | 22
3.2 Mtodos de Inferencia en reglas
La inferencia es el proceso mediante el cual se genera un mapeo para asignar a una
entrada una salida utilizando lgica difusa. El proceso de inferencia provee las bases
para la toma de decisiones del sistema. Este proceso involucra la utilizacin de funciones
de pertenencia y las reglas generadas en la base de conocimiento.
Modus Ponendo Ponens (MPP): Este mtodo de inferencia establece que, si una
implicacin es cierta y adems tambin es cierto su antecedente, entonces su
consecuente es necesariamente verdadero; de manera simblica esto se expresa as:

Modus Tollendo Tollens (MTT): Esta regla de inferencia dice que, si una implicacin es
verdadera y es falso su consecuente, entonces su antecedente ser necesariamente
falso; de manera simblica esto se expresa as:

Modus Tollendo Ponens (MTP): Esta ley se enuncia as: si una disyuncin es verdadera
y una de sus proposiciones simples es falsa, entonces necesariamente la otra
proposicin sera verdadera; de manera simblica se expresa as:
[(pq) ~p] q o [(pq) ~p] p

Un argumento es vlido si de la conjuncin ( ) de las premisas se implica la conclusin,

es decir, siempre que todas las premisas sean verdaderas, la conclusin ser tambin
verdadera.
Un argumento es un raciocino que se hace con el objeto de aceptar o rechazar una tesis;
es la aseveracin de una proposicin, llamada conclusin o tesis, obtenida de otros
enunciados denominados premisas o hiptesis.
La demostracin es un razonamiento que prueba la validez de un nuevo conocimiento;
es el enlace entre los conocimientos adquiridos y los conocimientos anteriores.

P g i n a 16 | 22
Los procedimientos de demostracin que permiten establecer la conexin lgica entre
las proposiciones fundamentales de la teora, sus consecuencias sucesivas, hasta
deducir la conclusin o tesis que as se demuestra.
Los principales tipos de demostracin son:
Demostracin directa: La demostracin directa de una proposicin t (teorema), es un
conjunto de proposiciones o premisas que son postulados o proposiciones de validez
aceptada, y de las cuales se infiere t como consecuencia inmediata.
Demostracin indirecta: Se realiza una demostracin indirecta cuando se establece la
validez de una tesis t probando que las consecuencias de su contraria son falsas.
Demostracin por recursin: Cuando la tesis se prueba por medio de induccin
matemtica.
El mtodo Mamdani: Utiliza reglas tipo si-entonces (if-else). Una regla de la base de
reglas o base de conocimiento tiene dos partes, el antecedente y la conclusin.
En un sistema difuso tipo Mamdani tanto el antecedente como el consecuente de las
reglas estn dados por expresiones lingsticas.
Takagi-Sugeno-Kang: En los sistemas tipo Sugeno, los valores que arrojan los
consecuentes de las diferentes reglas que se han activado en un momento determinado
ya son valores numricos por lo que no necesitan una etapa de defusificacin.
Las reglas de la base del conocimiento de un sistema Sugeno son diferentes a las de los
sistemas Mamdani pues el consecuente de estas reglas ya no es una etiqueta lingstica,
sino que es una funcin de la entrada que tenga el sistema en un momento dado

P g i n a 17 | 22
3.3 Reglas de produccin.
Normalmente se asocia la inteligencia con regularidades y el comportamiento inteligente
parece que ejecuta reglas. Newell y Simon 70's proponen los sistemas de
produccin como un modelo psicolgico del comportamiento humano.
En este modelo, parte del conocimiento humano se representa en forma de producciones
o reglas de produccin. Se asemeja al proceso de memoria humano:
Memoria a corto plazo (deducciones intermedias)
Memoria a largo plazo (producciones).
Una regla se entiende como una proposicin lgica que relaciona 2 o ms objetos e
incluye 2 partes, la premisa y la conclusin. Cada una de estas partes consiste en una
expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los
operadores lgicos y, o no.
Las reglas de produccin son un mtodo procedimental de representacin del
conocimiento, pone nfasis en representar y soportar las relaciones inferenciales del
algoritmo, en contraposicin a los mtodos declarativos (hechos).
La estructura de una regla es:
Si <antecedentes>
Entonces <consecuentes>
Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o
hiptesis. Cada regla por si misma constituye un grnulo completo de conocimiento.
La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento.
Hay dos tipos, segn el sentido:
Sistemas de encadenamiento hacia adelante: una regla es activada si los
antecedentes emparejan con algunos hechos del sistema.
Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes
emparejan con algunos hechos del sistema.

3.4 Sintaxis de las reglas de produccin.

La sintaxis es la parte de la gramtica que estudia las reglas que gobiernan la
combinatoria de constituyentes sintcticos y la formacin de unidades superiores a
estos. La sintaxis estudia las formas en que se combinan las palabras, as como
las relaciones existentes entre ellas.
Formato tpico:
<parmetro / relacin / valor>
parmetro: caracterstica relevante del dominio
relacin: entre parmetro y valor
valor: numrico, simblico o literal
Representacin OAV
Los hechos se representan por ternas objeto-atributo-valor
<objeto>, <atributo>, <valor>
Estructura si
<conclusiones, acciones, hiptesis>
Cada regla si-entonces establece un granulo completo de conocimiento
Regla_ operador valido en un espacio de estados
Condiciones (tb. Premisas, precondiciones, antecedentes...)
P g i n a 18 | 22
Tambin en forma de predicados lgicos:
Conclusiones, acciones, hiptesis (tb. Consecuentes)
Conclusiones, hiptesis: conocimiento declarativo
Acciones: Accin procedimental (actualiza. Conocimiento, interaccin con exterior , etc.).

Reglas especiales:
Reglas if all: equivalen a reglas con las clusulas de las condiciones conectadas con and
Reglas if any/ if some: equivalen a reglas con las clusulas de las condiciones
Conectadas con or

Sistemas basados en reglas de produccin

Reglas_ operadores en bsquedas en espacio de estados
Inferencia similar al modus ponens (con restricciones)

Sintaxis relajada
Se permiten acciones en los consecuentes
Mecanismo de control determina que inferencias se pueden realizar

Tipos de sistemas
En funcin de sintaxis de reglas y de mecanismos de control (_bsqueda)
Sistema encadenamiento hacia adelante (dirigidos por los datos)
Regla activada si antecedentes emparejan con algunos hechos del sistema

Las sintaxis de las reglas de produccin, as como la nomenclatura relativa a los

operadores booleanos puede variar dependiendo del motor de inferencia del sistema
experto. Asimismo, es frecuente en estudios tericos referirse a los operadores AND,
OR, XOR y NOT con los smbolos lgicos .

La primera regla de produccin (R1) significa que, si una planta es fanergama y

presenta un cotiledn, entonces es monocotilednea.
La segunda regla (R2) indica que si una planta no es monocotilednea entonces
es talofita
La tercera regla (R3) recoge el hecho de si es talofita y presenta clorofila entonces
es un alga.
En primer lugar, y considerando las reglas en conjunto, cada regla de produccin es
comprensible por s misma sin necesidad de tener que recurrir al resto de las reglas. Esto
significa que una regla de produccin representa en s misma un mdulo de
conocimiento, estando el conjunto del conocimiento fragmentado en mdulos, una de las
caractersticas ms importantes del mtodo heurstico.

P g i n a 19 | 22
3.5 Semntica de las reglas de produccin
Semntica proviene de un vocablo griego que puede traducirse como significativo. Se
trata de aquello perteneciente o relativo a la significacin de las palabras. Por extensin,
se conoce como semntica al estudio del significado de los signos lingsticos y de sus
combinaciones.
Es una representacin formal de una relacin, una informacin semntica o una accin
condicional. Una regla de produccin tiene, generalmente, la siguiente forma:
SI Premisa ENTONCES Consecuencia.
Ofrecen una gran facilidad para la creacin y la modificacin de la base de conocimiento.
Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos
coeficientes se van propagando durante el proceso de razonamiento mediante unas
frmulas de clculo establecidas) y, en teora, el mtodo asegura que cuantas ms reglas
posea ms potente es.
Conocimiento Causal: Las generalizaciones habituales nos dicen cmo son las cosas:
Las catedrales castellanas son gticas. Forman juicios descriptivos de la realidad. El
argumento causal pretende razonar la existencia de unacausa para determinado efecto.
Las relaciones: Hablamos de causa cuando al fenmeno en cuestin, el efecto, le
acompaa o le precede otro con el que podemos asociarlo. Percibimos una relacin
regular entre la aparicin de dos sucesos.
El argumento causal sencillo: A la vista de lo dicho, podemos distinguir dos
situaciones:
o Casos sencillos (con una causa definida).
o Complicados (en los que puede intervenir una constelacin de causas).
En el caso sencillo, apreciamos una relacin manifiesta: Al fenmeno B le precede
regularmente el fenmeno A como condicin suficiente y necesaria.
Conocimiento diagnostico
El diagnstico es una tarea difcil porque requiere un elevado nivel de conocimientos y
experiencia.
1. Requiere amplios conocimientos sobre el normal funcionamiento del equipo.
2. Precisa obtener informacin sobre el equipo y los sntomas de la avera.
3. Hay que saber analizar la informacin que verdaderamente es relevante para la
avera en cuestin.
4. Requiere capacidad para explicar la avera a partir de la informacin conseguida.
5. Exige capacidad para formular una hiptesis y efectuar ciertas pruebas que
amplen la informacin que confirme o anule la hiptesis.
Los hechos y las reglas asociadas de la base de conocimiento normalmente no son
exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y
tambin sobre el campo de validez de algunas de las reglas. Para el manejo de la
incertidumbre en los sistemas de reglas se han utilizado varios sistemas.
1. Factores de Certeza (utilizados en MYCIN).
2. Lgica de Dempster Shafer.
3. Lgica Difusa (Fuzzy Logic).
El mtodo de tratar la incertidumbre es una de las caractersticas ms importantes de las
herramientas de desarrollo, y actualmente se encuentra en discusin la validez de estas
lgicas para tratar con la incertidumbre. En sustitucin se han propuesto las Redes

P g i n a 20 | 22
3.6 Arquitectura de un sistema de Produccin (SP) o sistemas basados
en reglas, (SBR).

Memoria Activa: contiene los hechos que representan el estado actual del
problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones
de ser ejecutadas).
3.6.1 Hechos: Conocimiento sobre el dominio en un determinado momento. Su misin
es la de articular a todos los hechos potencialmente relevantes del dominio.
3.6.2 Base de conocimientos: Contiene el conocimiento del dominio en el cual el
programa es competente. El conocimiento tiene que estar representado en la
forma que resulte ms adecuada para el dominio de su competencia.
Adicionalmente hay que tratar que esa representacin sea:
o Sencilla.
o Independiente.
o Fcil de modificar.
o Transparente
o Relacional.
o Potente.
3.6.3 Mecanismo de control: Selecciona, decide, interpreta y aplica el conocimiento de
la base de conocimientos sobre la base de hechos con el fin de obtener la solucin
buscada. Un mecanismo de inferencia debe ser independiente del conocimiento y
de los hechos.
Funciones:
o Encontrar conexiones entre estados iniciales del problema y estados
solucin.
o Examinar la memoria activa y determinar qu reglas deben ejecutarse
(estrategia de bsqueda+resolucin de conflictos).
o Controlar y organizar el proceso de ejecucin de las reglas seleccionadas
en el paso anterior
o Actualizar la memoria activa cuando sea preciso.
o Asegurar el autoconocimiento del sistema (reglas activadas, reglas
ejecutadas.)

P g i n a 21 | 22