SlideShare una empresa de Scribd logo
1
INSTITUTO TECNOLÓGICO DE LÁZARO
CÁRDENAS
2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON
2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS.
2.8 RAZONAMIENTO PROBABILÍSTICO.
2.9 TEOREMA DE BAYES.
ALUMNO: OROZCO MONTAÑO GERZAÍN
NO. CONTROL: 07560343
MATERIA: INTELIGENCIA ARTIFICIAL
PROFR.: JOSÉ ANTONIO LÓPEZ TELLO
CD. Y PTO. LÁZARO CÁRDENAS, MICH.
2
2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON.
2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON
2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS.
2.8 RAZONAMIENTO PROBABILÍSTICO.
2.9 TEOREMA DE BAYES.
Es un método para decidir si una proposición es válida. Introducido por Alan Robinson en
1965. Es simple de implementar. Se extiende a lógica de primer orden y otras lógicas no
Funcionales.
Es bastante popular en el ámbito de demostraciónautomática de teoremas.
El Método de Resoluciónes un intento de mecanizar el proceso de deducción
natural de esa forma eficiente. Las demostraciones se consiguen utilizando el
método refutativo (reducción al absurdo), es decir lo que intentamos es encontrar
contradicciones. Para probar una sentencia nos basta con demostrar que su
negación nos lleva a una contradicción con las sentencias conocidas (es
insatisfactible). Si la negación de una sentencia entra en contradicción con los
hechos de nuestra base de conocimiento es porque lo contrario, es decir, la
sentencia original era verdadera y se puede deducir lógicamente de las sentencias
que componen dicha base de conocimientos.
Definición
El proceso de agregar el resolvente de dos cláusulas que pertenecen a un conjunto S a S
(ie. de aplicar la regla de resolución a S) se llama un paso de resolución.
NB: Pasos de resolución preservan insatisfactibilidad
3
Sea S un conjunto de cláusulas. Si C es la cláusula resolvente de C1, C2 2 S, entonces S
es insatisfactible siiS [ {C} es insatisfactible. O, lo que es lo mismo, S es
lógicamenteequivalente a S [ {C}.
Definición
Un conjunto de cláusulasS se llama una refutación si S contiene a la cláusulavacía.
Existen distintas Estrategias de Resolución: sistemática, con conjunto soporte,
unitaria, primaria y lineal.
4
2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS.
Diseñar reglas R que no sean “correctas”; es decir, que no tengan la propiedad
Usualmente, la aplicación de este tipo de reglas depende del conjunto completo, no
sólo de un subconjunto de premisas.
Propiedad de este tipo de reglas:
La base tienen menos modelos que .
Los modelos de que no son modelos de F son descartados .
Las reglas que verifican esta propiedad se llaman reglas no monótonas.
Hipótesis del mundo cerrado (CWA):Si un hecho (fórmulaatómica cerrada) no es
demostrable,suponemos que su negación es cierta.
Completación:Calcular F tal que impone que los elementos queverifican
cierto predicado son sólo los que certifica.
Razonamiento por defecto:Aplicar las reglas sin cualificación, y revisarlas en
casonecesario.
5
2.8 RAZONAMIENTO PROBABILÍSTICO.
En la inferencia probabilística, la probabilidadmodela la incertidumbre y la función de
distribución conjunta de probabilidad de un sistema de variables se utiliza para describir
las relaciones de dependencia entre ellas y para obtener conclusiones sobre relaciones
causa-efecto.
La introducción de los modelos de redes probabilísticas ha permitido superar muchos
delos obstáculos de la inferencia probabilística. Estos modelos, incluyen las redes de
Markov y las Bayesianas y se basan en modelos gráficos de las relaciones entre las
variables. Una red Bayesiana es una red gráfica que representa las relaciones de
causalidad probabilísticas entre variables y permiten obtener soluciones a problemas de
decisiones bajo incertidumbre.
Se basan en las probabilidades condicionales y la probabilidad Bayesiana. Las
redesBayesianas permiten incluir conceptos de expertos o de información nueva obtenida
sobrela dependencia de eventos o variables, de una manera consistente y analizar su
propagación a través de toda la red para facilitar la toma de decisiones bajo
incertidumbre.
6
2.9 TEOREMA DE BAYES.
La regla de Bayes es solo una técnica para calcular probabilidades condicionales,
y como regla de probabilidad es indiscutible así como su validez. A partir de un
conjunto de probabilidades llamadas "a priori" o "sin corregir", calcula un conjunto
de probabilidades "a posteriori" o "corregidas" que no son mas que una
modificación de las primeras ante la evidencia de que un determinado suceso
ha ocurrido.
Para aclarar estos conceptos, observemos a continuación la diferencia entre
el planteo de probabilidad condicional realizado hasta este momento y el de
Bayes. Cuando nosotros escribimos:
P(B|A)
decimos que esto es
- la probabilidad de que habiendo ocurrido el suceso A, ocurra B. Probabilidad
condicional.
El planteo que hace la Regla de Bayes es:
- el suceso B ha ocurrido, cual es la probabilidad de que provenga de A. Que
A sea causa de B. O sea debo hallar P(A|B).
De una manera mas general podemos decir : El evento B ha ocurrido, cual es la
probabilidad de que haya sido generado por el suceso A1, el A2, etc.; causas
posibles y excluyentes entre si.
Sabemos que P(B|A1) = P(B ^ A1)/P(A1) y P(A1|B) = P(B ^ A1)/P(B ) De lo que se
deduce,
P(A1|B).P(B) = P(B|A1).P(A1) Despejando P(A1|B) ,
7
(ii) P(A1|B) = P(B|A1).P(A1)/P(B)
Para calcular P(B), supongamos que hay N eventos (A1,A2,A3,..An) mutuamente
excluyentes entre si que podrían causar el evento B(efecto).
El efectoB debería ser generado por una de esas causas; entonces la probabilidad
de que B ocurra puede estar dada por:
P(B) = P[(A1^B) U (A2^B) U (A3 ^ B) U...U (An^B)]
Como los sucesos Ai son mutuamente excluyentes, entonces: (Ai^B) y (Aj^B)
deben serlo para todo i distinto de j. Por la regla de adición obtenemos: P(B) =
P(A1).P(B|A1) + P(A2).P(B|A2) +...+ P(An).P(B|An)
Reemplazando este resultado en la ecuación (ii) obtenemos la
REGLA DE BAYES
P(A1|B) = P(A1).P(B|A1) / { P(A1).P(B|A1)+....+P(An)P(B|An) }
De un modo más general:
P(Ai|B) = P(Ai).P(B|Ai) / { P(Ak).P(B|Ak) } para i=1...n
Repasemos el significado de estos términos:
P(Ai|B) = Dado que ya ocurrió el evento B(efecto), probabilidad de que lo causara
Ai. P(Ai) = Probabilidad de ocurrencia del evento Ai ; probabilidad “a priori”
o sin corregir.
P(B|Ai) = Probabilidad del evento B dado que Ai ocurre.
8
REFERENCIA BIBLIOGRÁFICA
2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON.
- Nieves Pavón Pulido. Lógica matemática. Obtenido el día 06 de
Abril del 2011.
http://www.uhu.es/nieves.pavon/pprogramacion/temario/anexo
/anexo.html#_Toc495148247
- Stuart J Russell, Peter Norvig. 2004- Inteligencia Artificial, Un
Enfoque Moderno - Prentice Hall 2 Edición. pp. 22
2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS.
- Luis Villaseñor Pineda. Representación del Conocimiento.
Obtenido el día 06 de Abril del 2011.
http://ccc.inaoep.mx
- Félix Lara. Razonamiento no monótono.Dpto. Ciencias de la
Computación Inteligencia Artificial. Universidad de Sevilla.Curso
2005–06.Obtenido el día 06 de Abril del 2011.
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r35
841.PDF
2.8 RAZONAMIENTO PROBABILÍSTICO.
- Alvaro Torres M.*, Carolina Tranchita R.**. ¿Inferencia y
razonamiento probabilístico o difuso? Obtenido el día 06 de
Abril del 2011.
http://revistaing.uniandes.edu.co/pdf/Rev19-16.pdf
9
2.9 TEOREMA DE BAYES.
- Facultad de Ciencias Económicas UNPSIP. Bayes. Obtenido el
día 06 de Abril del 2011.
http://www.economicasunp.edu.ar/02-
EGrado/materias/trelew/analisis_sistemas%20I/info/bayes.pdf
- Universidad del Quindío. Teorema de Bayes. Obtenido el 06
de Abril del 2011.
http://www.uniquindio.edu.co/uniquindio/ntic/trabajos/6/grupo3
/probabilidad/paginas/Bayes.htm

Más contenido relacionado

La actualidad más candente

Fundamentos de Telecomunicaciones Unidad 5 Dispositivos de Comunicación
Fundamentos de TelecomunicacionesUnidad 5 Dispositivos de ComunicaciónFundamentos de TelecomunicacionesUnidad 5 Dispositivos de Comunicación
Fundamentos de Telecomunicaciones Unidad 5 Dispositivos de Comunicación
José Antonio Sandoval Acosta
 
Unidad 2 expresiones regulares
Unidad 2 expresiones regularesUnidad 2 expresiones regulares
Unidad 2 expresiones regulares
ROSA IMELDA GARCIA CHI
 
Procesos Ligeros: Hilos o Hebras
Procesos Ligeros: Hilos o HebrasProcesos Ligeros: Hilos o Hebras
Procesos Ligeros: Hilos o Hebras
J M
 
Protocolos, estandares y tipos de modem
Protocolos, estandares y tipos de modemProtocolos, estandares y tipos de modem
Protocolos, estandares y tipos de modem
Mirna L. Torres Garcia
 
Historia del modelo osi
Historia del modelo osiHistoria del modelo osi
Historia del modelo osi
katherinrestrepo
 
UNIDAD 2 PROGRAMACIÓN BASICA
UNIDAD 2 PROGRAMACIÓN BASICAUNIDAD 2 PROGRAMACIÓN BASICA
UNIDAD 2 PROGRAMACIÓN BASICA
Instituto Tecnológico de Tuxtla Gutiérrez
 
Tarea 1.1
Tarea 1.1Tarea 1.1
Tarea 1.1
Kike Paz
 
La maquina de Turing, sus tipos y aplicaciones.
La maquina de Turing, sus tipos y aplicaciones.La maquina de Turing, sus tipos y aplicaciones.
La maquina de Turing, sus tipos y aplicaciones.
Emmanuel Colon
 
Unidad III procedimientos
Unidad III procedimientosUnidad III procedimientos
Unidad III procedimientos
aaronastorga4
 
Obj 10 capa 6 - presentacion
Obj 10   capa 6 - presentacionObj 10   capa 6 - presentacion
Obj 10 capa 6 - presentacion
Pedro Sánchez
 
Compiladores
CompiladoresCompiladores
Compiladores
Calzada Meza
 
3.1 politica y_filosofia
3.1 politica y_filosofia3.1 politica y_filosofia
3.1 politica y_filosofia
beymarlopez
 
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
José Antonio Sandoval Acosta
 
automatas finitos
 automatas finitos automatas finitos
automatas finitos
Anel Sosa
 
Thread
ThreadThread
Thread
David Lilue
 
REQUISITOS PARA UNA RED WAN
REQUISITOS PARA UNA RED WANREQUISITOS PARA UNA RED WAN
REQUISITOS PARA UNA RED WAN
Michell Cabrera
 
Alfabetos-Lenguajes y Automatas 1
Alfabetos-Lenguajes y Automatas 1Alfabetos-Lenguajes y Automatas 1
Alfabetos-Lenguajes y Automatas 1
Osiris Mirerus
 
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORASORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
kevin vargas paredes
 
Registros de la cpu
Registros de la cpuRegistros de la cpu
Registros de la cpu
jomapuga
 
Razonamiento monotono
Razonamiento monotonoRazonamiento monotono
Razonamiento monotono
joosbeen garcia solano
 

La actualidad más candente (20)

Fundamentos de Telecomunicaciones Unidad 5 Dispositivos de Comunicación
Fundamentos de TelecomunicacionesUnidad 5 Dispositivos de ComunicaciónFundamentos de TelecomunicacionesUnidad 5 Dispositivos de Comunicación
Fundamentos de Telecomunicaciones Unidad 5 Dispositivos de Comunicación
 
Unidad 2 expresiones regulares
Unidad 2 expresiones regularesUnidad 2 expresiones regulares
Unidad 2 expresiones regulares
 
Procesos Ligeros: Hilos o Hebras
Procesos Ligeros: Hilos o HebrasProcesos Ligeros: Hilos o Hebras
Procesos Ligeros: Hilos o Hebras
 
Protocolos, estandares y tipos de modem
Protocolos, estandares y tipos de modemProtocolos, estandares y tipos de modem
Protocolos, estandares y tipos de modem
 
Historia del modelo osi
Historia del modelo osiHistoria del modelo osi
Historia del modelo osi
 
UNIDAD 2 PROGRAMACIÓN BASICA
UNIDAD 2 PROGRAMACIÓN BASICAUNIDAD 2 PROGRAMACIÓN BASICA
UNIDAD 2 PROGRAMACIÓN BASICA
 
Tarea 1.1
Tarea 1.1Tarea 1.1
Tarea 1.1
 
La maquina de Turing, sus tipos y aplicaciones.
La maquina de Turing, sus tipos y aplicaciones.La maquina de Turing, sus tipos y aplicaciones.
La maquina de Turing, sus tipos y aplicaciones.
 
Unidad III procedimientos
Unidad III procedimientosUnidad III procedimientos
Unidad III procedimientos
 
Obj 10 capa 6 - presentacion
Obj 10   capa 6 - presentacionObj 10   capa 6 - presentacion
Obj 10 capa 6 - presentacion
 
Compiladores
CompiladoresCompiladores
Compiladores
 
3.1 politica y_filosofia
3.1 politica y_filosofia3.1 politica y_filosofia
3.1 politica y_filosofia
 
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
Fundamentos de Telecomunicaciones Unidad 2 medios de transmisión y caracterís...
 
automatas finitos
 automatas finitos automatas finitos
automatas finitos
 
Thread
ThreadThread
Thread
 
REQUISITOS PARA UNA RED WAN
REQUISITOS PARA UNA RED WANREQUISITOS PARA UNA RED WAN
REQUISITOS PARA UNA RED WAN
 
Alfabetos-Lenguajes y Automatas 1
Alfabetos-Lenguajes y Automatas 1Alfabetos-Lenguajes y Automatas 1
Alfabetos-Lenguajes y Automatas 1
 
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORASORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
ORIGEN Y EVOLUCIÓN DE LAS REDES DE COMPUTADORAS
 
Registros de la cpu
Registros de la cpuRegistros de la cpu
Registros de la cpu
 
Razonamiento monotono
Razonamiento monotonoRazonamiento monotono
Razonamiento monotono
 

Destacado

Unidad III documento
Unidad III documentoUnidad III documento
Unidad III documento
Victor Manu-l
 
Razonamiento deductivo
Razonamiento deductivoRazonamiento deductivo
Razonamiento deductivo
geriverar
 
Razonamiento inductivo y deductivo
Razonamiento inductivo y deductivoRazonamiento inductivo y deductivo
Razonamiento inductivo y deductivo
Academiamatematica
 
Deductivo e inductivo
Deductivo e inductivoDeductivo e inductivo
Deductivo e inductivo
Luis Bali
 
Famous Movie Couples
Famous Movie CouplesFamous Movie Couples
Famous Movie Couples
maditabalnco
 
iTeaming 3rd i entrepreneurs night
iTeaming 3rd i entrepreneurs nightiTeaming 3rd i entrepreneurs night
iTeaming 3rd i entrepreneurs night
Keimstrong
 
Sistema de evaluacion 05
Sistema de evaluacion 05Sistema de evaluacion 05
Sistema de evaluacion 05
Adalberto
 
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominative
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominativeDécret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominative
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominativeNathalie SALLES
 
4. es imposible ser_un_buen_profesor(2)
4. es imposible ser_un_buen_profesor(2)4. es imposible ser_un_buen_profesor(2)
4. es imposible ser_un_buen_profesor(2)
Adalberto
 
Gira de somonte por catalunya
Gira de somonte por catalunyaGira de somonte por catalunya
Gira de somonte por catalunya
malcazar
 
La population. pablo sánchez
La population. pablo sánchezLa population. pablo sánchez
La population. pablo sánchezjlealleon
 
Code source 1988-1997
Code source 1988-1997Code source 1988-1997
Code source 1988-1997
Inria
 
Presentación Desafío Pacífico 2014 - Cali, sep 2014
Presentación Desafío Pacífico 2014 - Cali, sep 2014Presentación Desafío Pacífico 2014 - Cali, sep 2014
Presentación Desafío Pacífico 2014 - Cali, sep 2014
Oscar Ayala
 
12 refrigeración…y congela
12 refrigeración…y congela12 refrigeración…y congela
12 refrigeración…y congela
Marilin Arnez
 
El Gran negocio de la enfermedad y los medicamentos4
 El Gran negocio de la enfermedad y los medicamentos4 El Gran negocio de la enfermedad y los medicamentos4
El Gran negocio de la enfermedad y los medicamentos4
Julian Alvarez
 

Destacado (20)

Unidad III documento
Unidad III documentoUnidad III documento
Unidad III documento
 
Razonamiento deductivo
Razonamiento deductivoRazonamiento deductivo
Razonamiento deductivo
 
Razonamiento inductivo y deductivo
Razonamiento inductivo y deductivoRazonamiento inductivo y deductivo
Razonamiento inductivo y deductivo
 
Deductivo e inductivo
Deductivo e inductivoDeductivo e inductivo
Deductivo e inductivo
 
Famous Movie Couples
Famous Movie CouplesFamous Movie Couples
Famous Movie Couples
 
iTeaming 3rd i entrepreneurs night
iTeaming 3rd i entrepreneurs nightiTeaming 3rd i entrepreneurs night
iTeaming 3rd i entrepreneurs night
 
Sistema de evaluacion 05
Sistema de evaluacion 05Sistema de evaluacion 05
Sistema de evaluacion 05
 
Futsal.1
Futsal.1Futsal.1
Futsal.1
 
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominative
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominativeDécret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominative
Décret n° 2013-266 du 28 mars 2013 relatif à la déclaration sociale nominative
 
4. es imposible ser_un_buen_profesor(2)
4. es imposible ser_un_buen_profesor(2)4. es imposible ser_un_buen_profesor(2)
4. es imposible ser_un_buen_profesor(2)
 
Gira de somonte por catalunya
Gira de somonte por catalunyaGira de somonte por catalunya
Gira de somonte por catalunya
 
La population. pablo sánchez
La population. pablo sánchezLa population. pablo sánchez
La population. pablo sánchez
 
Fo06 patrick britschgi_fr
Fo06 patrick britschgi_frFo06 patrick britschgi_fr
Fo06 patrick britschgi_fr
 
Code source 1988-1997
Code source 1988-1997Code source 1988-1997
Code source 1988-1997
 
Presentación Desafío Pacífico 2014 - Cali, sep 2014
Presentación Desafío Pacífico 2014 - Cali, sep 2014Presentación Desafío Pacífico 2014 - Cali, sep 2014
Presentación Desafío Pacífico 2014 - Cali, sep 2014
 
CES Avis
CES AvisCES Avis
CES Avis
 
ClubAndroidIsamm
ClubAndroidIsammClubAndroidIsamm
ClubAndroidIsamm
 
12 refrigeración…y congela
12 refrigeración…y congela12 refrigeración…y congela
12 refrigeración…y congela
 
Siegfried
SiegfriedSiegfried
Siegfried
 
El Gran negocio de la enfermedad y los medicamentos4
 El Gran negocio de la enfermedad y los medicamentos4 El Gran negocio de la enfermedad y los medicamentos4
El Gran negocio de la enfermedad y los medicamentos4
 

Similar a 2.6 2.9

Tema3
Tema3Tema3
Tema3
Molinabask
 
teorema de bayes.docx
teorema de bayes.docxteorema de bayes.docx
teorema de bayes.docx
JaimeBonilla30
 
Logica de predicados
Logica de predicadosLogica de predicados
Logica de predicados
Miguel Angel Zamora
 
Análisis bayesiano
Análisis bayesianoAnálisis bayesiano
Análisis bayesiano
Consuelo Valle
 
Informe estadistica bivariada
Informe estadistica bivariadaInforme estadistica bivariada
Informe estadistica bivariada
Myriam Gonzalez Garcia
 
Bayes
BayesBayes
Bayes
eaceved5
 
Inferencia en Lógica de Primer Orden
Inferencia en Lógica de Primer OrdenInferencia en Lógica de Primer Orden
Inferencia en Lógica de Primer Orden
Héctor Estigarribia
 
Taller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades novenoTaller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades noveno
Azucena Gil Triana
 
Probabilidad Estadistica
Probabilidad EstadisticaProbabilidad Estadistica
Probabilidad Estadistica
Dargeri Tomassini
 
Informe estadistica
Informe estadisticaInforme estadistica
Informe estadistica
Miriam González García
 
Ensayo de estadistica
Ensayo de estadisticaEnsayo de estadistica
Ensayo de estadistica
YefryEspina
 
Probabilidades combinadas o teorema de bayes
Probabilidades combinadas  o teorema de bayesProbabilidades combinadas  o teorema de bayes
Probabilidades combinadas o teorema de bayes
Werner Granados
 
Ensayo
EnsayoEnsayo
Inteligencia Artificial.
Inteligencia Artificial.Inteligencia Artificial.
Inteligencia Artificial.
Sam Arr
 
4. principios de probabilidad
4. principios de probabilidad4. principios de probabilidad
4. principios de probabilidad
pilarupav
 
Teoria de desiciones obtener archivorecurso
Teoria de desiciones   obtener archivorecursoTeoria de desiciones   obtener archivorecurso
Teoria de desiciones obtener archivorecurso
CHRISTIAMZAMBRANO
 
Presentacion probabilidad
Presentacion probabilidadPresentacion probabilidad
Presentacion probabilidad
Marichuy2513
 
Tema 10
Tema 10Tema 10
Teoría elemental de conjuntos
Teoría elemental de conjuntosTeoría elemental de conjuntos
Teoría elemental de conjuntos
Adriana Huerta
 
Teorema de Naives Bayes
Teorema de Naives BayesTeorema de Naives Bayes
Teorema de Naives Bayes
Fernando Alfonso Casas De la Torre
 

Similar a 2.6 2.9 (20)

Tema3
Tema3Tema3
Tema3
 
teorema de bayes.docx
teorema de bayes.docxteorema de bayes.docx
teorema de bayes.docx
 
Logica de predicados
Logica de predicadosLogica de predicados
Logica de predicados
 
Análisis bayesiano
Análisis bayesianoAnálisis bayesiano
Análisis bayesiano
 
Informe estadistica bivariada
Informe estadistica bivariadaInforme estadistica bivariada
Informe estadistica bivariada
 
Bayes
BayesBayes
Bayes
 
Inferencia en Lógica de Primer Orden
Inferencia en Lógica de Primer OrdenInferencia en Lógica de Primer Orden
Inferencia en Lógica de Primer Orden
 
Taller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades novenoTaller n. 4 operaciones con probabilidades noveno
Taller n. 4 operaciones con probabilidades noveno
 
Probabilidad Estadistica
Probabilidad EstadisticaProbabilidad Estadistica
Probabilidad Estadistica
 
Informe estadistica
Informe estadisticaInforme estadistica
Informe estadistica
 
Ensayo de estadistica
Ensayo de estadisticaEnsayo de estadistica
Ensayo de estadistica
 
Probabilidades combinadas o teorema de bayes
Probabilidades combinadas  o teorema de bayesProbabilidades combinadas  o teorema de bayes
Probabilidades combinadas o teorema de bayes
 
Ensayo
EnsayoEnsayo
Ensayo
 
Inteligencia Artificial.
Inteligencia Artificial.Inteligencia Artificial.
Inteligencia Artificial.
 
4. principios de probabilidad
4. principios de probabilidad4. principios de probabilidad
4. principios de probabilidad
 
Teoria de desiciones obtener archivorecurso
Teoria de desiciones   obtener archivorecursoTeoria de desiciones   obtener archivorecurso
Teoria de desiciones obtener archivorecurso
 
Presentacion probabilidad
Presentacion probabilidadPresentacion probabilidad
Presentacion probabilidad
 
Tema 10
Tema 10Tema 10
Tema 10
 
Teoría elemental de conjuntos
Teoría elemental de conjuntosTeoría elemental de conjuntos
Teoría elemental de conjuntos
 
Teorema de Naives Bayes
Teorema de Naives BayesTeorema de Naives Bayes
Teorema de Naives Bayes
 

2.6 2.9

  • 1. 1 INSTITUTO TECNOLÓGICO DE LÁZARO CÁRDENAS 2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON 2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS. 2.8 RAZONAMIENTO PROBABILÍSTICO. 2.9 TEOREMA DE BAYES. ALUMNO: OROZCO MONTAÑO GERZAÍN NO. CONTROL: 07560343 MATERIA: INTELIGENCIA ARTIFICIAL PROFR.: JOSÉ ANTONIO LÓPEZ TELLO CD. Y PTO. LÁZARO CÁRDENAS, MICH.
  • 2. 2 2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON. 2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON 2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS. 2.8 RAZONAMIENTO PROBABILÍSTICO. 2.9 TEOREMA DE BAYES. Es un método para decidir si una proposición es válida. Introducido por Alan Robinson en 1965. Es simple de implementar. Se extiende a lógica de primer orden y otras lógicas no Funcionales. Es bastante popular en el ámbito de demostraciónautomática de teoremas. El Método de Resoluciónes un intento de mecanizar el proceso de deducción natural de esa forma eficiente. Las demostraciones se consiguen utilizando el método refutativo (reducción al absurdo), es decir lo que intentamos es encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su negación nos lleva a una contradicción con las sentencias conocidas (es insatisfactible). Si la negación de una sentencia entra en contradicción con los hechos de nuestra base de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lógicamente de las sentencias que componen dicha base de conocimientos. Definición El proceso de agregar el resolvente de dos cláusulas que pertenecen a un conjunto S a S (ie. de aplicar la regla de resolución a S) se llama un paso de resolución. NB: Pasos de resolución preservan insatisfactibilidad
  • 3. 3 Sea S un conjunto de cláusulas. Si C es la cláusula resolvente de C1, C2 2 S, entonces S es insatisfactible siiS [ {C} es insatisfactible. O, lo que es lo mismo, S es lógicamenteequivalente a S [ {C}. Definición Un conjunto de cláusulasS se llama una refutación si S contiene a la cláusulavacía. Existen distintas Estrategias de Resolución: sistemática, con conjunto soporte, unitaria, primaria y lineal.
  • 4. 4 2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS. Diseñar reglas R que no sean “correctas”; es decir, que no tengan la propiedad Usualmente, la aplicación de este tipo de reglas depende del conjunto completo, no sólo de un subconjunto de premisas. Propiedad de este tipo de reglas: La base tienen menos modelos que . Los modelos de que no son modelos de F son descartados . Las reglas que verifican esta propiedad se llaman reglas no monótonas. Hipótesis del mundo cerrado (CWA):Si un hecho (fórmulaatómica cerrada) no es demostrable,suponemos que su negación es cierta. Completación:Calcular F tal que impone que los elementos queverifican cierto predicado son sólo los que certifica. Razonamiento por defecto:Aplicar las reglas sin cualificación, y revisarlas en casonecesario.
  • 5. 5 2.8 RAZONAMIENTO PROBABILÍSTICO. En la inferencia probabilística, la probabilidadmodela la incertidumbre y la función de distribución conjunta de probabilidad de un sistema de variables se utiliza para describir las relaciones de dependencia entre ellas y para obtener conclusiones sobre relaciones causa-efecto. La introducción de los modelos de redes probabilísticas ha permitido superar muchos delos obstáculos de la inferencia probabilística. Estos modelos, incluyen las redes de Markov y las Bayesianas y se basan en modelos gráficos de las relaciones entre las variables. Una red Bayesiana es una red gráfica que representa las relaciones de causalidad probabilísticas entre variables y permiten obtener soluciones a problemas de decisiones bajo incertidumbre. Se basan en las probabilidades condicionales y la probabilidad Bayesiana. Las redesBayesianas permiten incluir conceptos de expertos o de información nueva obtenida sobrela dependencia de eventos o variables, de una manera consistente y analizar su propagación a través de toda la red para facilitar la toma de decisiones bajo incertidumbre.
  • 6. 6 2.9 TEOREMA DE BAYES. La regla de Bayes es solo una técnica para calcular probabilidades condicionales, y como regla de probabilidad es indiscutible así como su validez. A partir de un conjunto de probabilidades llamadas "a priori" o "sin corregir", calcula un conjunto de probabilidades "a posteriori" o "corregidas" que no son mas que una modificación de las primeras ante la evidencia de que un determinado suceso ha ocurrido. Para aclarar estos conceptos, observemos a continuación la diferencia entre el planteo de probabilidad condicional realizado hasta este momento y el de Bayes. Cuando nosotros escribimos: P(B|A) decimos que esto es - la probabilidad de que habiendo ocurrido el suceso A, ocurra B. Probabilidad condicional. El planteo que hace la Regla de Bayes es: - el suceso B ha ocurrido, cual es la probabilidad de que provenga de A. Que A sea causa de B. O sea debo hallar P(A|B). De una manera mas general podemos decir : El evento B ha ocurrido, cual es la probabilidad de que haya sido generado por el suceso A1, el A2, etc.; causas posibles y excluyentes entre si. Sabemos que P(B|A1) = P(B ^ A1)/P(A1) y P(A1|B) = P(B ^ A1)/P(B ) De lo que se deduce, P(A1|B).P(B) = P(B|A1).P(A1) Despejando P(A1|B) ,
  • 7. 7 (ii) P(A1|B) = P(B|A1).P(A1)/P(B) Para calcular P(B), supongamos que hay N eventos (A1,A2,A3,..An) mutuamente excluyentes entre si que podrían causar el evento B(efecto). El efectoB debería ser generado por una de esas causas; entonces la probabilidad de que B ocurra puede estar dada por: P(B) = P[(A1^B) U (A2^B) U (A3 ^ B) U...U (An^B)] Como los sucesos Ai son mutuamente excluyentes, entonces: (Ai^B) y (Aj^B) deben serlo para todo i distinto de j. Por la regla de adición obtenemos: P(B) = P(A1).P(B|A1) + P(A2).P(B|A2) +...+ P(An).P(B|An) Reemplazando este resultado en la ecuación (ii) obtenemos la REGLA DE BAYES P(A1|B) = P(A1).P(B|A1) / { P(A1).P(B|A1)+....+P(An)P(B|An) } De un modo más general: P(Ai|B) = P(Ai).P(B|Ai) / { P(Ak).P(B|Ak) } para i=1...n Repasemos el significado de estos términos: P(Ai|B) = Dado que ya ocurrió el evento B(efecto), probabilidad de que lo causara Ai. P(Ai) = Probabilidad de ocurrencia del evento Ai ; probabilidad “a priori” o sin corregir. P(B|Ai) = Probabilidad del evento B dado que Ai ocurre.
  • 8. 8 REFERENCIA BIBLIOGRÁFICA 2.6 EL MÉTODO DE RESOLUCIÓN DE ROBINSON. - Nieves Pavón Pulido. Lógica matemática. Obtenido el día 06 de Abril del 2011. http://www.uhu.es/nieves.pavon/pprogramacion/temario/anexo /anexo.html#_Toc495148247 - Stuart J Russell, Peter Norvig. 2004- Inteligencia Artificial, Un Enfoque Moderno - Prentice Hall 2 Edición. pp. 22 2.7 CONOCIMIENTO NO-MONÓTONO Y OTRAS LÓGICAS. - Luis Villaseñor Pineda. Representación del Conocimiento. Obtenido el día 06 de Abril del 2011. http://ccc.inaoep.mx - Félix Lara. Razonamiento no monótono.Dpto. Ciencias de la Computación Inteligencia Artificial. Universidad de Sevilla.Curso 2005–06.Obtenido el día 06 de Abril del 2011. http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r35 841.PDF 2.8 RAZONAMIENTO PROBABILÍSTICO. - Alvaro Torres M.*, Carolina Tranchita R.**. ¿Inferencia y razonamiento probabilístico o difuso? Obtenido el día 06 de Abril del 2011. http://revistaing.uniandes.edu.co/pdf/Rev19-16.pdf
  • 9. 9 2.9 TEOREMA DE BAYES. - Facultad de Ciencias Económicas UNPSIP. Bayes. Obtenido el día 06 de Abril del 2011. http://www.economicasunp.edu.ar/02- EGrado/materias/trelew/analisis_sistemas%20I/info/bayes.pdf - Universidad del Quindío. Teorema de Bayes. Obtenido el 06 de Abril del 2011. http://www.uniquindio.edu.co/uniquindio/ntic/trabajos/6/grupo3 /probabilidad/paginas/Bayes.htm