INSTITUTO TECNOLGICO SUPERIOR DE VENUSTIANO CARRANZA

Ingeniera en Sistemas Computacionales

Unidad 3
Representacin del Conocimiento y Razonamiento

Nombre del Docente:

Guadalupe Vargas San Martin

Nombre del Alumno:

Omar Cortes Cruz

Matricula: 11VC0012

Villa Lzaro Crdenas, Venustiano Carranza, Puebla a 22 de Abril del 2015.

NDICE
Introduccin......2
Sistemas basados en conocimiento.....3
Concepto de conocimiento.....3
Lenguajes utilizados en la representacin del conocimiento4
Mapas conceptuales5
Redes semnticas5
Lgica de predicados...6
Sintaxis...6
Semntica..7
Validez8
Inferencia...8
Razonamiento con incertidumbre..9
Aprendizaje9
Razonamiento probabilstico.10
Lgica multivaluadas..10
Lgica difusa11
Demostracin y mtodos...12
Conclusin13
Bibliografa14

OMAR CORTES CRUZ

INTRODUCCIN

A continuacin se presentar los siguientes temas que son de suma importancia,

se definir cada paso y se mencionar sus caractersticas as como algunos
ejemplos para comprender mejor. El primer punto es sistemas basados en
conocimiento ya que resuelve problemas utilizando una representacin simblica
del conocimiento humano. Despus se definir concepto de conocimiento y as
sucesivamente, al final sus referencias bibliogrficas para basarse ms sobre cada
tema o subtemas.

OMAR CORTES CRUZ

SISTEMAS BASADOS EN CONOCIMIENTO

Los Sistemas basados en Conocimiento representan un paso delante de los
sistemas de informacin convencionales al pretender representar funciones
cognitivas del ser humano como el aprendizaje y el razonamiento.
Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia
Artificial en lo general y en la Ingeniera del Conocimiento en lo particular.
Su orientacin es la automatizacin del anlisis de problemas, la bsqueda de
soluciones, la toma de decisiones y el empleo de conocimiento especializado en un
campo especfico de aplicacin.
Caractersticas ms importantes son los siguientes:

Representacin explcita del conocimiento.

Capacidad de razonamiento independiente de la aplicacin especfica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio especfico.
Uso de heursticas vs. Modelos matemticos.
Uso de inferencia simblica vs. Algoritmo numrico.
Algunas de estas propiedades se deben a la separacin entre:
Conocimiento especfico del problema - Base de Conocimiento.
Metodologa para solucionar el problema - Mquina de Inferencia.

Importancia del Conocimiento

Los sistemas basados en conocimiento basan su rendimiento en la cantidad y
calidad del conocimiento de un dominio especfico y no tanto en las tcnicas de
solucin de problemas.
Diferencia de sistemas basados en conocimiento con otras tcnicas:
En sistemas expertos se ataca el problema construyendo un modelo del
``experto'' o resolvedor de problemas (Modelo del experto).

CONCEPTO DE CONOCIMIENTO
Conjunto de datos de primer orden, que modelan de forma estructurada la
experiencia que se tiene sobre un cierto dominio o que surgen de interpretar los
datos bsicos. Incluye y requiere del uso de datos e informacin.

OMAR CORTES CRUZ

Adems, combina relaciones, dependencias, y la nocin del saber con datos e

informacin.

LENGUAJES UTILIZADOS EN LA REPRESENTACIN DE CONOCIMIENTO.

Desde el punto de vista pragmtico, expresividad suficiente para representar de la
manera menos forzada posible el conocimiento. Esto significa que, para una
determinada conceptuacin, el lenguaje con el que se construyen los modelos en el
nivel simblico debe permitir una interpretacin declarativa que represente todos los
aspectos de esa conceptuacin.
Hay lenguajes formales, o tericos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementacin, o prcticos, que, siguiendo el modelo
de algn lenguaje formal, estn adaptados para mecanizar la construccin de
ontologas. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy voltiles. Por ejemplo:

Prolog es un lenguaje de implementacin de la lgica de primer orden, que

en sus versiones ms recientes incluye tambin construcciones para la
programacin con restricciones.
OWL (Web Ontology Language) es un lenguaje de ontolologas para la web
basado en una lgica de descripciones (en realidad, son tres sublenguajes).
Procede de la fusin de otros dos elaborados independientemente alrededor
del ao 2000: DAML (DARPA Agent Markup Language, de la Agencia de
proyectos del Ministerio de Defensa U.S.A) y OIL (Ontology Inference Layer,
de un consorcio formado en el marco de los programas de la U.E.).

Lenguajes basados en la lgica de predicados de primer orden, con sintaxis y

semntica formalizadas, con una base rigurosa para el razonamiento, pero con
grandes dificultades para implementar algoritmos de razonamiento eficientes, con
una rigidez sintctica que impide ciertas conceptuaciones naturales y con pocas
posibilidades de modularizacin.
Como es natural, diversos investigadores trataron de elaborar propuestas para
aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,
Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron
relativamente establecidas las llamadas lgicas de descripciones, que en el
momento actual son los lenguajes por antonomasia para la representacin del
conocimiento.
La lgica clsica de primer orden sigue siendo la base fundamental de las dems
formulaciones de la lgica; en el diseo de muchos sistemas basados en
conocimiento, especialmente los que no son muy complejos, se siguen utilizando
algunos de esos lenguajes; las ideas originales ayudan a entender y justifican
OMAR CORTES CRUZ

ciertas decisiones de diseo, y la naturaleza interdisciplinaria de estos primeros

trabajos hace muy interesante su estudio.
MAPAS CONCEPTUALES
En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se
denomin redes semnticas y que se usa ampliamente para la representar el
conocimiento formal. En la historia de la ciencia, la dinmica de mapas conceptuales
se ha usado tambin para representar los procesos de cambio conceptual de las
revoluciones cientficas y en filosofa de la ciencia, Toulmin desarroll una teora de
argumentacin cientfica basada en mapas conceptuales.
Un mapa conceptual es una tcnica sencilla que permite representar el
conocimiento de forma grfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.
REDES SEMNTICAS
El filsofo y lgico Charles S. Pierce desarroll sus grafos existenciales como una
tcnica formal de razonamiento para la inferencia lgica y en aos recientes se ha
estado cultivando el inters en el estado formal de las pruebas visuales en
matemticas. En Inteligencia Artificial, Sowa ha desarrollado los grafos de Peirce
como estructuras formales conceptuales para la representacin de la inferencia
lgica de las declaraciones del lenguaje natural.
En la adquisicin de conocimiento, en particular, la presentacin de conocimiento
formal ha sido algo importante para su validacin. Hay muchas tcnicas para tal
adquisicin pero todas ellas, en ltima instancia, terminan en una base de
conocimiento que opera con la semntica formal. Sin embargo, la expresin de esta
base de conocimiento en el lenguaje formal usado por el sistema no es por lo
general muy comprensible a los no programadores.
El desarrollo de redes semnticas acab en fuertes crticas sobre la semntica de
diagramas particulares ya que sta no estaba bien definida. Los nodos, arcos y sus
etiquetas podan usarse muy libremente y con una gran ambigedad, y los
diagramas estaban sujetos a interpretaciones diferentes. En los aos 70 existan
propuestas para formalizar una red semntica bien definida y esto hizo factible que
la semntica formal fuera desarrollada para sistemas de representacin de
conocimiento terminolgicos.
Las redes semnticas son grafos orientados que proporcionan una representacin
declarativa de objetos, propiedades y relaciones. Los nodos se utilizan para
representar objetos o propiedades. Los arcos representan las relaciones entre

OMAR CORTES CRUZ

nodos. El mecanismo de inferencia bsico en las redes semnticas es la herencia

de propiedades.
Las redes semnticas proporcionan un modelo de presentar las relaciones entre los
conceptos y los acontecimientos y constituyen una descripcin de nuestra forma de
razonar.
Las partes de una red semntica son:

Nodos: es un concepto y se encierra e un crculo o elipse.

Relaciones: es una propiedad del concepto y pueden ponerse de dos formas:
Implcitas: es una flecha que no especifica su contenido
Explcitas: es una flecha en donde se especifica su contenido
LGICA DE PREDICADOS

En lgica de predicados, los valores de verdad se atribuyen a predicados que

denotan relaciones entre entidades del universo modelado. Por ejemplo, en vez de
tener una variable q para representar "Scrates es un hombre", se escribe el
predicado hombre (scrates) que relaciona a la entidad "Scrates" con el hecho de
"ser hombre". Un predicado tambin puede aplicarse a variables que denotan
entidades annimas o genricas. Por ejemplo, para escribir la premisa "Todos los
hombre son mortales", que no se refiere a ningn "hombre" en particular, se utiliza
el predicado hombre(X) en que X es una variable que denota a cualquier entidad
del universo modelado que cumple con el hecho de "ser hombre".

SINTAXIS
Los parntesis, adems de servir como smbolos auxiliares para evitar
ambigedades sin necesidad de recordar el convenio de precedencia, se utilizan
para formalizar la idea de que un smbolo de predicado se aplica a smbolos que
representan a un objetos: p(x,A) representa la relacin p entre la variable x y la
constante A.
Un objeto puede estar representado por una constante, una variable o una funcin
aplicada sobre otros objetos, o sobre otras funciones. En general, se llama trmino
a la representacin de un objeto. La forma de una funcin es la misma que la de un
tomo: un smbolo de funcin seguido por trminos entre parntesis.
En lgica de proposiciones utilizbamos los simbolos , , , como metasmbolos
para representar sentencias. Aadiremos ahora , y para representar tomos,
trminos y funciones, respectivamente.

OMAR CORTES CRUZ

Para definir las reglas de la gramtica vamos a utilizar tambin p para representar,
en general, a un smbolo de predicado, f para un smbolo de funcin, C para un
smbolo de constante yx para un smbolo de variable. Las reglas, en notacin BNF,
son:
::=C | x | (es decir, un trmino es una constante, una variable o una funcin)
::= p({,}) (es decir, un tomo se construye con un smbolo de predicado y uno o
ms trminos entre parntesis)
::=f({,}) (es decir, una funcin se construye con un smbolo de funcin y uno o
ms trminos entre parntesis; sintcticamente es igual que un tomo)
Y las sentencias se forman con las mismas reglas de la lgica de proposiciones,
aadiendo dos para los cuantificadores:
::= |
()|
()|
()|
()|
()|
(x)()|
(x)()|

SEMNTICA
Una fbf, como 'cadena de caracteres', no tiene significado real (semntica).
Una estructura establece la 'semntica real' de los elementos de la lgica:
Dominio de aplicacin.
Semntica de las constantes, predicados, funciones:
Qu significado tienen?:
(Juan es 'ese' individuo)
Qu se cumple en el mundo real?
Un conjunto de fbf (sin significado) puede representar la "realidad" mediante una
estructura asociada.

OMAR CORTES CRUZ

VALIDEZ
Las tablas de verdad sirven no solo para definir los conectores, sino tambin para
probar la validez de las oraciones. Si se desea considerar una oracin, se construye
una tabla de verdad con una hilera por cada una de las posibles combinaciones de
valores de verdad correspondientes a los signos proposititos de la oracin. Se
calcula el valor de verdad de toda la oracin, en cada una de las hileras. Si la oracin
es verdadera en cada una de las hileras. La oracin es vlida.
Las tablas nos manifiestan los valores de verdad de cualquier proposicin, as como
el anlisis de los mismos, encontrndonos con los siguientes casos:
Tautologa o validez: Se entiende por proposicin tautolgica, o tautologa, aquella
proposicin que en todos los casos posibles de su tabla de verdad su valor siempre
es V.
Contradiccin: Se entiende por proposicin contradictoria, o contradiccin, aquella
proposicin que en todos los casos posibles de su tabla de verdad su valor siempre
es F.
Contingencia (verdad indeterminada): Se entiende por verdad contingente, o
verdad de hecho, aquella proposicin que puede ser verdadera o falsa, o no se tiene
suficiente informacin para llegar a una conclusin
Satisfabilidad: Si en la tabla de verdad se obtiene al menos una VERDAD

INFERENCIA
Es el encargado de decidir cmo se procede en lo informado a la BC. El componente
base de conocimiento a veces cuenta con ciertos conocimientos iniciales.
Cuando se solicita intervencin al programa de agente sucede:
1. El programa INFORMA a la base de conocimiento lo que percibe
2. Le pregunta a la base de conocimientos cual es la accin que debe
emprender.
3. Para responder a la consulta se utiliza el razonamiento lgico para determinar
de entre varias acciones la mejor.

OMAR CORTES CRUZ

RAZONAMIENTO CON INCERTIDUMBRE

En situaciones reales, no siempre es posible contar con toda la informacin.
Inclusive la informacin disponible puede ser incorrecta, incompleta o cambiar muy
rpidamente.
Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
Diversos mtodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones. Uno de los ms generalizados consiste en asignar
coeficiente de certeza o de confianza a los hechos que intervienen en las en las
condiciones y en la conclusin de una regla.

Los principales modelos desarrollados son:

Modelo estadstico probabilstico.
Modelo aproximado.
Modelo de lgica difusa

APRENDIZAJE
Es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms
concreta, se trata de crear programas capaces de generalizar comportamientos a
partir de una informacin no estructurada suministrada en forma de ejemplos. Es,
por lo tanto, un proceso de induccin del conocimiento. En muchas ocasiones el
campo de actuacin del aprendizaje automtico se solapa con el de la estadstica,
ya que las dos disciplinas se basan en el anlisis de datos. Sin embargo, el
aprendizaje automtico se centra ms en el estudio de la complejidad
computacional de los problemas. Muchos problemas son de clase NP-hard, por lo
que gran parte de la investigacin realizada en aprendizaje automtico est
enfocada al diseo de soluciones factibles a esos problemas. El aprendizaje
automtico puede ser visto como un intento de automatizar algunas partes del
mtodo cientfico mediante mtodos matemticos.
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo
motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de
tarjetas de crdito, anlisis del mercado de valores, clasificacin de secuencias de
ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.

OMAR CORTES CRUZ

RAZONAMIENTO PROBABILSTICO
La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que est basada en la teora clsica de la probabilidad Las
hiptesis son ms o menos probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene La probabilidades se calculan en base a la
frmula general de la probabilidad condicionada de Bayes o algunas
transformaciones de la misma.

LGICAS MULTIVALUADAS
Aunque la lgica multivariada no sea una extensin en sentido propio de la de primer
orden (univariada), atendiendo al resto de propiedades se la prefiere en aplicaciones
tanto en informtica como en lingstica. Por lo que respecta a la informtica es
ampliamente usada, sirvan los ejemplos siguientes:
1.
2.
3.
4.
5.
6.
7.
1.
2.
3.

Tipos abstractos de datos

Semnticas y lgicas de verificacin de programas
Definicin de lenguajes de programacin
lgebras para distintas lgicas
Bases de datos
Lgica dinmica
Semntica de lenguajes naturales
Solucin de problemas computarizada
Representacin del conocimiento
Programacin lgica y deduccin automtica

La lgica multivariada se ha usado en matemticas como procedimiento para buscar

modelos no estndar; esto es esencialmente lo que se hace para conseguir los
modelos generales de Henkin para la lgica superior, responsables de su teorema
de completud. Puede resultar tambin til para entender la lgica dinmica de dos
formas distintas:
1. la lgica dinmica proposicional se traduce a la lgica multivariada por un
procedimiento claramente deudor al de Henkin y est tambin.
2. la lgica dinmica no-estndar, heredera igualmente de los modelos
generales de Henkin.

OMAR CORTES CRUZ

10

LGICA DIFUSA
La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como
posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2
metros es claramente una persona alta, si previamente se ha tomado el valor de
persona baja y se ha establecido en 1 metro. Ambos valores estn contextualizados
a personas y referidos a una medida mtrica lineal.
Desarrollos actuales y aplicaciones de lgica difusa
Aplicaciones generales
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy
alta y no existen modelos matemticos precisos, para procesos altamente no
lineales y cuando se envuelven definiciones y conocimiento no estrictamente
definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya
soluciona eficientemente el problema, cuando los problemas son lineales o cuando
no tienen solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en
Japn, y cada vez se est usando en gran multitud de campos. La primera vez que
se us de forma importante fue en el metro japons, con excelentes resultados. A
continuacin se citan algunos ejemplos de su aplicacin:

Sistemas de control de acondicionadores de aire

Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un
experto humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para
este punto, por ejemplo, existe el lenguaje FSQL.
y, en general, en la gran mayora de los sistemas de control que no
dependen de un S/No.

OMAR CORTES CRUZ

11

DEMOSTRACIN Y MTODOS
La demostracin consiste bsicamente a partir de unas proposiciones dadas
llamadas premisas, obtener otras proposiciones llamada conclusin mediante la
aplicacin de unas reglas lgicas.
Los mtodos de demostracin son modelos o esquemas generales que se
encuentran en los procesos deductivos, estos modelos estn fundamentados
lgicamente en teoremas o reglas de inferencia ya establecidas. Mtodo directo de
la hiptesis auxiliar o demostracin condicional dado un conjunto de premisas en
una teora, si bajo el supuesto de que una proposicin p es verdadera y utilizando
las premisas disponibles se puede hacer una demostracin de que una proposicin
q es verdadera, entonces en esa teora puede concluirse que p es verdadero.
Mtodo contra reciproco
Supongamos que se requiere demostrar que una proposicin especfica p q es
teorema y al intentar su demostracin por el mtodo directo no se logra obtener la
conclusin deseada.
se procede a demostrar por el mtodo directo su contra reciproco, si se consigue
este objetivo entonces queda establecida la validez al hacer la sustitucin por
equivalencia.
Mtodo de demostracin por contradiccin o reduccin al absurdo.
consiste en suponer explcitamente la negacin de la proposicin a demostrar, a
partir de la hiptesis se trata de generar una contradiccin, esto es, que la teora
con ese supuesto es inconsistente y, en consecuencia, tal hiptesis es falsa, a lo
que es equivalente, que su negacin es verdadera quedando validada la proposicin
inicial.

OMAR CORTES CRUZ

12

CONCLUSIN
Ya que hemos terminado de analizar estos temas, solo nos falta llevarlo a la prctica
para mejorar y as no tener dudas ni tener errores en cuantos ejercicios. El principal
problema es encontrar una representacin del conocimiento y un sistema de
razonamiento que el soporte que pueda hacer las inferencias que necesite tu
aplicacin dentro de los lmites de recursos del problema a tratar. Ver varias formas
para analizar y as poder resolver problemas complejos.

OMAR CORTES CRUZ

13

BIBLIOGRAFA
http://inteligenciartificialitsat.wordpress.com/2013/04/08/unidad-ii-representaciondel-conocimiento-y-razonamiento/
https://www.google.com.mx/?gfe_rd=cr&ei=CrlqU6fvEOvP8ge7h4H4Bg
http://www.monografias.com/trabajos51/inteligencia-artificial/inteligenciaartificial2.shtml
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento

OMAR CORTES CRUZ

14