Este documento presenta información sobre el razonamiento con incertidumbre en inteligencia artificial. Explica que en situaciones reales la información disponible puede ser incorrecta, incompleta o cambiar rápidamente, dando lugar a inconsistencias e incertidumbre. Describe el razonamiento probabilístico y la lógica difusa como enfoques para manejar la incertidumbre. También introduce conceptos como redes de creencias y lógica multivaluada.

1. Inteligencia artificial
3.5 Razonamiento con incertidumbre
CATEDRÁTICO:
LIC. Tomas
Torres Martínez
PRESENTA:
Julia Ivonne Rangel Rangel
Basilio Calixto calderón
Víctor Luis Hernández
Fernando montesinos Cerón
CARRERA:
INGENIERÍA EN SISTEMAS COMPUTACIONALES
TUXTEPEC, OAX. A 17 DE MARZO DEL 2015

2. 3.5 razonamiento con
incertidumbre
 En situaciones reales la información disponible
puede ser incorrecta, incompleta o cambiar muy
rápidamente. Todo esto de lugar a diferentes formas
de inconsistencias e incertidumbre.

3. 3.5.1 aprendizaje
 Es un proceso por el cual se adquiere una nueva
conducta, se modifica una antigua conducta o se
extingue alguna conducta, como resultado siempre
de experiencias o practicas.

4. Tipos de aprendizaje
 Partes innatas de aprendizaje
Instintos, reflejos, impulsos genéticos que hemos ido heredando ,nos hace
aprender determinadas cosas, hay interacción con el medio
 Por condicionamiento
Determinando estímulos provocan determinadas respuestas. Si los estímulos por
azar o no se condicionan provocan que esta conducta inicial se refleje y se
convierta en un habito
 Aprendizaje por memoria clásico
por lo cual al cabo de unas horas ya no lo recuerdas
 Aprendizaje significativo
parte de cosas importantes para ti, a partir de ahí acumulas lo que ya sabias y lo
haces tuyo.

5. 3.5.2 Razonamiento
probabilístico
La principal ventaja del razonamiento probabilístico sobre el
razonamiento lógico es que permite tomar decisiones racionales
aun en los casos en los que no haya suficiente información para
probar que cualquier acción dada funcionara.

6. La red de creencias
Es un grafo dirigido y a cíclico en el cual un conjunto de
arcos dirigidos o flechas, conecta pares de nodos
Un conjunto de variables representa los nodos de las red,
cada nodo tiene una tabla de probabilidad condicional que
cuantifica que los padres tienen sobre el nodo.

7. 3.5.3 Lógica multivaluadas
 El principio de la bivalencia ha sido tomado tradicionalmente
como un principio lógico fundamental: toda proposición es
verdadera o falsa. Si no es verdadera, no hay tercera opción.
Por eso se le conoce como principio del tercer excluso
 La carga de la prueba descansa quien defina si el principio es
falso, es decir que existen mas valores además de los dos
tradicionales

8. 3.5.4 lógica difusa
 En la década de los 60 ,el científico Zaed propone
que un elemento siempre pertenece en un cierto
grado a un conjunto y nunca pertenece del todo al
mismo, este permite establecer una manera eficiente
para trabajar con incertezas, así como para
acondicionar el conocimiento en forma de reglas
hacia un plano cuantitativo factible de ser procesado
por computadores

9. Ventajas de lógica difusa
 Utiliza términos lingüísticos como:
(a medias, bastante, casi ,un, poco ,mucho, algo), etc.
permite plantear el problema en los mismos términos en
los que lo haría un experto humano

10. Referencias
 • S. Russel y P. Norvig, Inteligencia Artificial. Un enfoque
moderno, 2004, Prentice-Hall. Cap 14-17
 • N. J. Nilsson, Inteligencia Artificial. Una nueva síntesis,
2000, McGraw Hill. Cap 19-20
 Inteligencia Artificial e Ingeniería del Conocimiento.
Escuela Técnica Superior de Ingeniería Informática.
Universidad de la Laguna
 • F.J. Díez, Introducción al Razonamiento Aproximado.
Dpto. Inteligencia Artificial, UNED, 2001.
 http://ia-serv.dia.uned.es/~fjdiez/libros/razaprox.zip
 • E. Castillo, J.M. Gutiérrez y A.S. Hadi, Sistemas Expertos y
Modelos de Redes Probabilísticos,
 Monografías de la Academia Española de Ingeniería,
Madrid, 1998.
 http://personales.unican.es/gutierjm/papers/BookCGH.pdf