View
128
Download
2
Category
Preview:
Citation preview
UNIDAD II
REPRESENTACION DEL CONOCIMIENTO
Y RAZONAMIENTO
EQUIPO6RODAL VELA CINTHIA
SANCHEZ GONZALEZ NEREIDAVIVAR LOPEZ EDUARDO
LOPEZ AMBROSIO RAFAELMUNtildeOZ TORRES JOSE RICARDO
21 Mapas Conceptuales
22 Redes Semaacutenticas
23 Razonamiento Monoacutetono
24 La loacutegica de predicadosSintaxisSemanticaValidez
e Inferencia
25 La demostracioacuten y sus Meacutetodos
26 El meacutetodo de Resolucioacuten de Robinson
27 Conocimiento no-monoacutetono y otras loacutegicas
28 Razonamiento Probabiliacutestico
29 Teorema de Bayes
MAPAS CONCEPTUALES
Son un medio para visualizar ideas o conceptos y las relaciones jeraacuterquicas entre los mismos
Con ello el humano reconoce faacutecilmente con las imaacutegenes visuales con lo que se facilitan el aprendizaje y el recuerdo de lo aprendido
El contenido o texto del mapa conceptual estaacute formado por
1048707 Palabras clave ideas o conceptos 1048707 Descriptores
iquestCoacutemo SE FORMA UN MAPACONCEPTUAL
Procedimiento para construir un mapa conceptual
1) Leer2) Subrayar palabras claves3) Identificar el tema encerrado en
un ovalo o rectaacutengulo4) Identificar los subtemas5) Conectar los subtemas con el
tema principal mediante liacuteneas6) Describir las liacuteneas conectoras7) Identificar los aspectos fiacutesicos
de los subtemas8) Trazar conexiones entre el
subtemas y sus aspectos fiacutesicos
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
21 Mapas Conceptuales
22 Redes Semaacutenticas
23 Razonamiento Monoacutetono
24 La loacutegica de predicadosSintaxisSemanticaValidez
e Inferencia
25 La demostracioacuten y sus Meacutetodos
26 El meacutetodo de Resolucioacuten de Robinson
27 Conocimiento no-monoacutetono y otras loacutegicas
28 Razonamiento Probabiliacutestico
29 Teorema de Bayes
MAPAS CONCEPTUALES
Son un medio para visualizar ideas o conceptos y las relaciones jeraacuterquicas entre los mismos
Con ello el humano reconoce faacutecilmente con las imaacutegenes visuales con lo que se facilitan el aprendizaje y el recuerdo de lo aprendido
El contenido o texto del mapa conceptual estaacute formado por
1048707 Palabras clave ideas o conceptos 1048707 Descriptores
iquestCoacutemo SE FORMA UN MAPACONCEPTUAL
Procedimiento para construir un mapa conceptual
1) Leer2) Subrayar palabras claves3) Identificar el tema encerrado en
un ovalo o rectaacutengulo4) Identificar los subtemas5) Conectar los subtemas con el
tema principal mediante liacuteneas6) Describir las liacuteneas conectoras7) Identificar los aspectos fiacutesicos
de los subtemas8) Trazar conexiones entre el
subtemas y sus aspectos fiacutesicos
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
MAPAS CONCEPTUALES
Son un medio para visualizar ideas o conceptos y las relaciones jeraacuterquicas entre los mismos
Con ello el humano reconoce faacutecilmente con las imaacutegenes visuales con lo que se facilitan el aprendizaje y el recuerdo de lo aprendido
El contenido o texto del mapa conceptual estaacute formado por
1048707 Palabras clave ideas o conceptos 1048707 Descriptores
iquestCoacutemo SE FORMA UN MAPACONCEPTUAL
Procedimiento para construir un mapa conceptual
1) Leer2) Subrayar palabras claves3) Identificar el tema encerrado en
un ovalo o rectaacutengulo4) Identificar los subtemas5) Conectar los subtemas con el
tema principal mediante liacuteneas6) Describir las liacuteneas conectoras7) Identificar los aspectos fiacutesicos
de los subtemas8) Trazar conexiones entre el
subtemas y sus aspectos fiacutesicos
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
El contenido o texto del mapa conceptual estaacute formado por
1048707 Palabras clave ideas o conceptos 1048707 Descriptores
iquestCoacutemo SE FORMA UN MAPACONCEPTUAL
Procedimiento para construir un mapa conceptual
1) Leer2) Subrayar palabras claves3) Identificar el tema encerrado en
un ovalo o rectaacutengulo4) Identificar los subtemas5) Conectar los subtemas con el
tema principal mediante liacuteneas6) Describir las liacuteneas conectoras7) Identificar los aspectos fiacutesicos
de los subtemas8) Trazar conexiones entre el
subtemas y sus aspectos fiacutesicos
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
1) Leer2) Subrayar palabras claves3) Identificar el tema encerrado en
un ovalo o rectaacutengulo4) Identificar los subtemas5) Conectar los subtemas con el
tema principal mediante liacuteneas6) Describir las liacuteneas conectoras7) Identificar los aspectos fiacutesicos
de los subtemas8) Trazar conexiones entre el
subtemas y sus aspectos fiacutesicos
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
REDES SEMANTICAS
La informacioacuten se representa como un conjunto de nodos conectados entre si por medio de arcos etiquetados que representan las relaciones entre los nodos
PRINCIPALES PROBLEMAS
Como manejar la Cuantificacioacuten
RESOLUCION DEL PROBLEMA
Una forma de resolver el problema es participar la red semaacutentica en un conjunto jeraacuterquico de espacios
Ver Red Semaacutentica
Jeraacuterquico de espacios
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Persona
Yo
Mueble
Silla
Mi-Silla
Marroacuten
Asiento
Cuero
Tabaco
Esun
Esun
Propietario
Esun
color
Cubierta
Espartede
Esun
Naturalmente no puede representarse de esa forma en el interior de un programa En vez de ello se representa usualmente por medio de alguna clase de estructura de memoria atributo-valor
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Aacutetomo Lista de Propiedades
Silla ((Es un mueble))
Mi-Silla ((Es una silla)) (Color tabaco) (Cubierta cuero) (Propietario Yo)
Yo ((Es una Persona))
Tabaco ((Esun Marroacuten))
Asiento ((Esparte de Silla))
Representacioacuten de LISP de una red Semaacutentica
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
OCURRENCIA-DE
SILLA TABACOCOLOR
EJEMPLO Mi silla es de color tabaco
La silla de Mariacutea es Verde
A este enlace nuevo se le llama enlace de OCURRENCIA-DEYa que describe las propiedades de esa ocurrencia individual
Mueble
SILLA
MI-SILLA VERDE
ESUN
OCURRENCIA-DE
COLOR
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Perros Morder Carteros
P m c
EA g
EsunEsun
victima
Agresor
forma
AA
Frase cada perro ha mordido a cada cartero
Los espacios de una red semaacutentica particionada se relacionan entre si mediante una jerarquiacutea de inclusioacuten
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
VENTAJAS DE LAS REDES SEMANTICAS
1 Es faacutecil de visualizar los pasos que se daraacuten en el procedimiento de inferencia
2 Por que el lenguaje de la consulta es tan sencillo que impide formular consultas complicadas
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Razonamiento Monoacutetono
Son monoacutetonos en el sentido de que el numero de sentencias que se saben verdaderas se incrementan estrictamente en el transcurso del tiempo
Pueden antildeadirse nuevas sentencias al sistema y pueden demostrarse nuevos teoremas pero nunca de estos acontecimientos invalidara nunca una sentencia demostrada o conocida previamente
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
VENTAJAS
bull Cuando se antildeade una nueva sentencia al sistema no es necesario realizar ninguna comprobacioacuten para ver si existen inconsistencias entre la nueva sentencia y el conocimiento antiguo
bull No es necesario recordar para cada sentencia que se ha demostrado la lista de las otras sentencias en las que se basa la demostracioacuten puesto que no hay ninguacuten peligro que dichas sentencias desaparezcan
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Desventajas
Desafortunadamente dichos sistemas monoacutetonos no son muy buenos trabajando con tres tipos de situaciones que surgen a menudo en dominios de problemas reales
a) Informacioacuten incompletab) Situaciones cambiantesc) Generacioacuten de supuestos en el proceso de resolver
problemas complejos
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Loacutegica de predicados Sintaxis Semaacutentica Validez e Inferencia
SINTAXIS Explica como construir oraciones
SAMANTICA Especifica las restricciones sistemaacuteticas sobre como se relacionan las oraciones con aquello que esta sucediendo
Validez e InferenciaLas tablas de verdad sirven no solo para definir los conectores sino tambieacuten para probar la validez de las oraciones Si todas ellas son verdaderas la conclusioacuten es consecuencia de las premisas
Las inferencias se siguen realizando mediante operaciones directas en las sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
VALIDEZSe dice que una oracioacuten es valida o necesariamente verdadera si y solo si es verdadera en todas las posibles interpretaciones
Oraciones Analiacuteticas o Tautologiacuteas
INFERENCIALos teacuterminos de inferencia son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones y en el que se implanta la relacioacuten de la implicacioacuten que existe entre oraciones
Algunas inferencias se realizan mediante operaciones directas en la sintaxis de las oraciones sin que ninguna informacioacuten adicional tenga relacioacuten con su significado
Mundo
Usuario
Oraciones de
entrada
conclusiones
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
LA DEMOSTRACION Y SUS METODOS
Teoriacutea de la Demostracioacuten
Un conjunto de reglas para deducir las implicaciones de un conjunto de oraciones
En la que se especifican los pasos de razonamiento que son confiables
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
El meacutetodo de resolucioacuten de Robinson
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
CONOCIMIENTO NO-MONOTONO Y OTRAS REGLAS
Loacutegica no-monoacutetona permite que las sentencias sean eliminadas ademaacutes de antildeadidas de la base de datos
Esto significa que si una sentencia previamente ausente se antildeade al sistema la sentencia generada por defecto deberaacute eliminarse
iquestPor queacute ES NECESARIO EL RAZONAMIENTO MONOTONO
bull La presencia de informacioacuten incompleta requiere razonamiento por defecto
bull Un mundo cambiante debe describirse mediante una base de datos cambiante
bull La generacioacuten de una solucioacuten completa para un problema puede requerir suposiciones temporales sobre las soluciones parciales
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
TMS SISTEMA DE RAZONAMIENTO NO-MONOTONO(TRUTH MAINTENENCE SYSTEM)
Sirve como subsistema de mantenimiento de la verdad para otros programas de razonamiento puesto que su papel no es generar las inferencias sino mantener la consistencia entre las sentencias generadas por el otro programa
Cuando se detecta una inconsistencia evoca su propio mecanismo de razonamiento de vuelta atraacutes dirigido por dependencia para resolver la inconsistencia alterando un conjunto miacutenimo de creencias
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Fracaso Exito
Intentamos encontrar habitacioacuten
Intentamos encontrar habitacioacuten
(Una conferencia especial ha reservado todas las habitaciones el mieacutercoles)
Despueacutes de diversos pasosConcluimos que la uacutenica hora en la que todos estaacuten disponibles es a las 2
Diacutea intentado=MartesDia intentado=Miercoles
Repetimos el mismo proceso de encontrar-hora y de nuevo decidimos las 2pm para todos por las mismas razones
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
RAZONAMIENTO PROBABILISTICO
Hace posible representar inferencias inciertas pero posibles
Sabemos que una de entre un conjunto de cosas debe de ser cierta y en ausencia de informacioacuten completa elegimos la mas probable
Razonamiento Definicioacuten 1 Si X no es conocido Concluir Y
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
TEOREMA DE BAYES
Permite calcular probabilidades desconocidas a partir de probabilidades conocidas y estables
P(B|A)= P(A|B)P(B) P(A)
A esta ecuacioacuten se le conoce como regla de Bayes
Constituye la base de todos los sistemas modernos de la IA para inferencia probabilista
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
COMO APLICAR LA REGLA DE BAYES
Se necesitan tres teacuterminos (Una probabilidad condicional y Dos incondicionales )Solo para poder calcular una probabilidad condicional
La regla de Bayes es uacutetil en actividades tales como el diagnostico medico frecuentemente hay una probabilidades condicionales sobre relaciones causales y se desea derivar un diagnostico
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
EJEMPLO
Un doctor sabe que la meningitis provoca una rigidez en el cuello del paciente digamos 50 de las veces
Probabilidad de que un paciente sufra meningitis es de 150 000 y la probabilidad de que padezca rigidez en el cuello es de 120
Si S representa la rigidez en el cuello y M la meningitis tenemos que
P(S|M)=05P(M)=150 000P(S)=120P(M|S)=P(S|M)P(M) = 05 x 150 000 = 00002 P(S) 120
La probabilidad de que un paciente tenga meningitis es pequentildea Esto se debe a que la prioridad de rigidez de cuello es mucho mayor que la de la meningitis
Recommended