INTELIGENCIA

ARTIFICIAL
 INGENIERÍA EN SISTEMAS
COMPUTACIONALES

INSTITUTO TECNOLÓGICO
SUPERIOR DE LAS CHOAPAS

-CAMPUS ZARAGOZA-

MATERIA:
INTELIGENCIA ARTIFICIAL

PROFESOR:
ING. MIGUEL MATEOS VASCONCELOS REYES

SEMESTRE:
SÉPTIMO

ALUMNA:
VIANELL GUADALUPE ALMAZÁN ALOR

indice
 CONTENIDO
DEFINICIÓN Y ELEMENTOS DE LOS SISTEMAS BASADOS EN CONOCIMIENTOS
...................................................................................................................................................... 4
Características De Los Sistemas Expertos. ........................................................................... 4
Arquitectura De Un Sistema Experto. ................................................................................... 5
Estructura básica de los SBC. .................................................................................................. 5
La Base de Conocimiento........................................................................................................ 5
La Memoria de Trabajo. ......................................................................................................... 5
El Motor de Inferencia............................................................................................................ 5
El Trazador de Consultas. ....................................................................................................... 6
El Trazador de Explicaciones. .................................................................................................. 6
El Manejador de Comunicaciones. .......................................................................................... 6
Ventajas de Sistemas Basados en Conocimiento. ................................................................. 7
Problemas Fundamentales En Su Construcción. ................................................................... 7
Diferencia Con Otras Técnicas. ............................................................................................. 8
Sistemas Tradicionales. .......................................................................................................... 8
Sistemas Basados en Conocimiento. ....................................................................................... 8
DEFINICIÓN DE SINTAXIS, SEMÁNTICA, VALIDEZ E INFERENCIA EN LA
LÓGICA DE PREDICADOS..................................................................................................... 9
Lógica. ..................................................................................................................................... 9
Lógica Propositiva. ................................................................................................................. 9
Sintaxis. ................................................................................................................................... 9
Semántica............................................................................................................................... 10
Validez E Inferencia ............................................................................................................. 10
Lógica De Predicados O De Primer Orden ......................................................................... 11
Ejemplo Clásico: ................................................................................................................... 11
APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO, LÓGICAS
MULTIVALUADAS Y LÓGICAS DIFUSAS ...................................................................... 12
Aprendizaje............................................................................................................................ 12
Razonamiento Probabilístico. ............................................................................................... 12
Ejemplos: ............................................................................................................................. 13
Teorema De Bayes. ............................................................................................................... 13

indice
 Lógicas Multivaluadas. ......................................................................................................... 14
Lógicas Difusas. .................................................................................................................... 16
Características. ..................................................................................................................... 16
Diferencias con Probabilidad. ............................................................................................... 18
BIBLIOGRAFÍA. ...................................................................................................................... 19

indice
DEFINICIÓN Y ELEMENTOS DE LOS SISTEMAS BASADOS
EN CONOCIMIENTOS
Se pueden definir los Sistemas Expertos (SE) como una clase de programas que son capaces
de: aconsejar, categorizar, analizar, comunicar, consultar, diseñar, diagnosticar, explicar,
explorar, formar conceptos, interpretar, justificar, planificar.
Son, en suma, programas capaces de manejar problemas que normalmente requieren para su
resolución la intervención humana especializada.

“...sistema que resuelve problemas utilizando una representación

simbólica del conocimiento humano” [Jackson 86].

Tienen una separación entre:

1. Conocimiento específico del problema: Base de Conocimiento
2. Metodología para solucionar el problema: Máquina de Inferencia
Son desarrollados con la ayuda de Expertos de Campo, los cuales revelan información acerca
de aquellos procesos mentales, que le permiten solucionar los distintos problemas.
El otro profesional interviniente es el Ingeniero de Conocimiento, cuya función específica es
la de dar forma simbólica y automáticamente manipulable al conocimiento proporcionado
por el Experto de Campo.
Los expertos normalmente solucionan problemas mal definidos y desestructurados, los
cuales generalmente involucran diagnóstico o planificación, para resolverlos generalmente
usan heurísticas, es decir métodos que determinan que parte de su experiencia son aplicables,
estas heurísticas deben ser descubiertas por el Ingeniero de Conocimiento y programadas en
el sistema experto.

Características De Los Sistemas Expertos.

 Aplican su experiencia de una manera eficiente para solucionar problemas, pudiendo
realizar inferencias a partir de datos incompletos o inciertos.
 Explican y justifican lo que están haciendo.
 Se comunican con otros expertos y adquieren nuevos conocimientos.
 Reestructuran y reorganizan el conocimiento.
 Pueden quebrantar reglas, es decir, interpretan simultáneamente el espíritu y la letra
de las mismas.
 Determinan cuando un problema está en el dominio de su experiencia, conocido como
determinación de la relevancia del problema.

indice
 Arquitectura De Un Sistema Experto.
Estructura básica de los SBC.

Conocimiento

Usuario Razonamiento
La Base de Conocimiento.
Contiene el conocimiento que el sistema experto maneja, es decir, una formulación simbólica,
automáticamente manipulable, del área de conocimiento sobre el cual el sistema es experto.
La construcción de la Base de Conocimiento es un punto crucial en el desarrollo del sistema
experto, ya que este será tan bueno como aquella, un error en su diseño lleva directamente al
mal funcionamiento del sistema experto. La función de la Base de Conocimiento es
suministrar al Motor de Inferencia, información sobre la naturaleza del problema a resolver.

La Memoria de Trabajo.
Es una base de datos temporal, en la cual el motor de inferencia deja información deducida
a partir de la Base de Conocimiento y de la Memoria de Trabajo.

El Motor de Inferencia.
Activa las reglas en función de la información contenida en la Base de Datos y la Memoria
de Trabajo, la nueva información es puesta en la Memoria de Trabajo. También se encarga
de proporcionar al Trazador de Explicaciones, las reglas que motivaron una determinada
consulta al usuario. El Motor de Inferencia puede trabajar bajo dos principios: Universo
cerrado o Universo abierto. El principio de Universo Cerrado establece que toda información
necesaria está contenida en el sistema y en consecuencia lo que no puede demostrar como
verdadero lo supone falso (en este contexto no es necesario el Trazador de consultas y el
Trazador de Explicaciones justifica las conclusiones £nicamente). Bajo este principio la Base
de Datos no puede ser vacía. El principio de Universo Abierto establece que la información
necesaria que no está contenida en el sistema, está fuera de él y en consecuencia se comunica
con el usuario. Bajo este principio la Base de Datos puede ser vacía.

indice
 El Trazador de Consultas.
Organiza y presenta en una forma semántica y sintácticamente aceptable para el usuario, los
requerimientos de información del sistema, las respuestas suministradas por el usuario serán
asentadas en la Memoria de Trabajo.

El Trazador de Explicaciones.
Interpreta requerimientos del usuario sobre el porqué de determinadas preguntas por parte
del sistema, trazando la justificación de las mismas, esta traza se realiza utilizando
información que le suministra el Motor de Inferencia.

El Manejador de Comunicaciones.
Tiene las siguientes funciones:
 Derivar la información inicial que suministra el usuario hacia la Memoria de Trabajo.
 Interpretar los mensajes del usuario que pueden ser:
o Respuestas del usuario a una pregunta formulada por el sistema.
o Solicitud de una explicación a partir de consulta del sistema.
Un resumen gráfico de las interrelaciones entre cada uno de los componentes mencionados
son las indicadas en el siguiente esquema:

indice
 Ventajas de Sistemas Basados en Conocimiento.
 Mayor disponibilidad: La experiencia está disponible para cualquier hardware de
computo adecuado.
 Costo reducido.
 Resolver problemas para los que no existe un modelo matemático adecuado o su
solución es muy compleja, como en:
o Medicina o Diseño
o Ingeniería o Análisis
o Exploración
 Permanencia: Preservar el conocimiento de expertos y hacerlo accesible a más
personas.
 Experiencia múltiple:
 El conocimiento de varios especialistas puede estar disponible para trabajar
simultánea y continuamente en un problema.
 El nivel de experiencia combinada de muchos sistemas expertos puede exceder el de
un solo especialista humano.
 Capacidad de explicar al usuario el proceso de razonamiento.
 Respuestas no subjetivas: El sistema experto ofrece respuestas sólidas, completas y
sin emociones en todo momento.
 Explicación del razonamiento: El sistema experto puede explicar clara y
detalladamente el razonamiento que conduce a una conclusión.
 Respuesta rápida: Algunas situaciones de emergencia pueden exigir respuestas más
rápidas que las de un humano.
 Tutoría inteligente.
 Base de datos inteligente.

Problemas Fundamentales En Su Construcción.

 La adquisición del conocimiento y como representar el conocimiento humano a una
representación abstracta efectiva.
 La representación del conocimiento en términos de una estructura de datos que una
máquina pueda procesar.
 La generación de inferencias o como hacer uso de esas estructuras abstractas para
generar información útil en el contexto de un caso específico.

indice
 Diferencia Con Otras Técnicas.

Sistemas Tradicionales. Sistemas Basados en Conocimiento.

El usuario representa el conocimiento y El usuario (experto) define el conocimiento

además debe definir como interacciona con y el sistema lo integra directamente en la
el conocimiento previo y debe reestablecer aplicación existente.
la secuencia de instrucciones de
En sistemas expertos se ataca el problema
procesamiento.
construyendo un modelo del experto o
En ingeniería, teoría de control, ..., se resolvedor de problemas (modelo del
intenta resolver el problema mediante su experto).
modelado (modelo del problema).

indice
 DEFINICIÓN DE SINTAXIS, SEMÁNTICA, VALIDEZ E
INFERENCIA EN LA LÓGICA DE PREDICADOS
Lógica.
Resumiendo, diremos que una lógica consta de lo siguiente:
1. Un sistema formal para describir lo que está sucediendo en un momento determinado,
y que consta de:
La sintaxis del lenguaje, que explica cómo construir oraciones.
La semántica del lenguaje, que especifica las restricciones sistemáticas sobre cómo se
relacionan las oraciones con aquello que está sucediendo.
3. La teoría de la demostración: un conjunto de reglas para deducir las implicaciones de
un conjunto de oraciones.
Nos concentraremos en dos tipos de lógica: la propositiva o lógica booleana y la lógica de
primer orden (más exactamente, el cálculo de predicado de primer orden con igualdad).
En la lógica propositiva los símbolos representan proposiciones completas (hechos. Los
símbolos de proposiciones pueden combinarse usando los conectivos booleanos para generar
oraciones de significado más complejo. Una lógica como esta poco se preocupa por la manera
de representar las cosas, por ello no es sorprendente que no ofrezca mucho como lenguaje de
representación.
La lógica de primer orden (también conocida como cálculo de predicados de primer orden)
se preocupa por la representación de los mundos en términos de objetos y predicados sobre
objetos (es decir, propiedades de los objetos o relaciones entre los objetos), así como del uso
de conectivos y cuantificadores, mediante los cuales se pueden escribir oraciones sobre todo
lo que pasa en el universo, a un mismo tiempo.

Lógica Propositiva.
La lógica propositiva permite ilustrar muchos de los conceptos de la lógica, así como también
la lógica de primer orden. Se explicará su sintaxis, semántica y respectivos procedimientos
de inferencia.

Sintaxis.
La sintaxis de la lógica propositiva es sencilla. Los símbolos utilizados en la lógica
propositiva son las constantes lógicas Verdades y Falso, símbolos de proposiciones tales
como P y Q, los conectivos lógicos ˄, ˅, <=>, =>, y ¬ y paréntesis ( ). Todas las oraciones
se forman combinando los signos anteriores mediante reglas:
 Las constantes lógicas Verdadero y Falso constituyen oraciones en sí mismo.
 Encerrar entre paréntesis una oración produce también una oración, por ejemplo
(P˄Q).

indice
  Una oración se forma combinando oraciones más sencillas con uno de los cinco
conectores lógicos:
˄ (y). Se le denomina conjunción (lógica).
˅ (o). Se le denomina disyunción.
=> (implica). Se conoce como implicación (o condicional).
<=> (equivalente). La oración es una equivalencia (también conocida como
bicondicional).
¬ (no). Se le conoce como negación.
En la gramática se representan oraciones atómicas, que en la lógica propositiva se representan
mediante un solo signo (por ejemplo, P) y las oraciones complejas, que constan de conectores
o paréntesis (por ejemplo, PËQ). También se utiliza el término literal, que representa
oraciones atómicas o una oración atómica negada.

Semántica.
La semántica de la lógica propositiva también es bastante directa. Se define especificando la
interpretación de los signos de proposición y de las constantes y especificando el significado
de los conectores lógicos. Un signo de proposición significa que cualquier hecho arbitrario
puede ser su interpretación. Las oraciones que contiene solo un signo de proposición son
satisfactibles pero no validas: son verdaderas solo cuando el hecho al que aluden es relevante
en un momento dado.
En el caso de las constantes lógicas no hay opción: la oración Verdadero siempre quiere decir
aquello que sucede en la realidad: el hecho de la verdad: La oración Falso siempre quiere
decir aquello que no existe en el mundo.
Una manera de definir una función es construir una tabla mediante la que se obtenga el valor
de salida de todos los valores de entrada posibles. A este tipo de tablas se les conoce como
tablas de verdad.
Mediante las tablas de verdad se define la semántica de las oraciones.

Validez E Inferencia
Las tablas de verdad sirven no solo para definir los conectores, sino también para probar la
validez de las oraciones. Si se desea considerar una oración, se construye una tabla de verdad
con una hilera por cada una de las posibles combinaciones de valores de verdad
correspondientes a los signos propositivos de la oración. Se calcula el valor de verdad de toda

indice
la oración, en cada una de las hileras. Si la oración es verdadera en cada una de las hileras, la
oración es válida.

Lógica De Predicados O De Primer Orden

Es la representación de los mundos en términos de objetos y predicados sobre objetos, es
decir, propiedades de los objetos o relaciones entre los objetos, así como del uso de
conectivos y cuantificadores, mediante los cuales se pueden escribir oraciones sobre todo lo
que pasa en el universo, a un mismo tiempo.
Constituye una extensión lógica, es explicita y sistematiza el proceso inferencial que se
efectúa cuando se trabaja con funciones proposicionales y cuantificadores, es decir la lógica
de predicados se maneja como una metodología de la programación.
En otras palabras:
 Un predicado con variables libres no es verdadero ni falso, hasta que se asignen
valores para dichas variables.
 Algunos de ellos serán siempre verdaderos independientemente de los valores que se
escojan: Estos son predicados válidos.
 Un predicado que es verdadero o falso dependiendo de los valores elegidos se dice
que es satisfacible.
 Un predicado que es siempre falso se dice que es no satisfacible.

Ejemplo Clásico:
 Todos los filósofos son sabios.
 Algunos griegos son filósofos.
 Luego algunos griegos son sabios.

indice
 APRENDIZAJE, RAZONAMIENTO PROBABILÍSTICO,
LÓGICAS MULTIVALUADAS Y LÓGICAS DIFUSAS
Aprendizaje.
El aprendizaje lógico probabilístico es un campo de investigación situado en la intersección
del razonamiento probabilístico, las representaciones lógicas y el aprendizaje automático.
Idea: Integrar representaciones lógicas o relaciones con mecanismos de razonamiento
probabilístico y aprendizaje automático.

En este contexto:
El termino probabilístico hace referencia al uso de representaciones y mecanismos de
razonamiento basados en la teoría de la probabilidad, como redes bayesianas, modelos o
cultos Markov o gramáticas estocásticas.
El término lógico se refiere a representaciones relacionales y en lógica de primer orden.
El término aprendizaje significa obtener determinados aspectos de la lógica probabilística a
partir de bases de datos.

Razonamiento Probabilístico.
El razonamiento es un proceso que permite a las personas extraer conclusiones a partir de
premisas dadas previamente. Dentro de las teorías acerca del razonamiento humano, el
razonamiento probabilístico es considerado un tipo de razonamiento que se apoya a los
modelos de la teoría de probabilidades. La probabilidad es un concepto matemático que tiene
que ver con las leyes del azar; es la frecuencia esperada o teórica cuando entran en función
las leyes de la casualidad.
Los valores de probabilidad varían entre 0 y 1, donde el valor 1 equivale a la certeza absoluta
y el valor 0 equivale a la ausencia de probabilidad.
Se trata de razonar en un contexto incierto; y la mejor forma de representar la incertidumbre
es a través de probabilidades.
No ofrece conclusiones derivadas directamente de información contenida en premisas, sino
que avanza información nueva que solamente es más o menos probable. El modelo
normativo que sirve de referencia a este razonamiento es la Teoría de la probabilidad y más
concretamente en su desarrollo bayesiano.
La probabilidad de un suceso, la probabilidad objetiva se calcula según la teoría clásica de
las siguientes formas:
1. Atendiendo al no. de resultados favorables frente al total de resultados posibles,
formula:
Probabilidad de ocurrencia de un evento del que se conocen todos
sus resultados posibles = no de resultados a favor / total de resultados.

indice
 2. Atendiendo a la frecuencia relativa del suceso en un no. elevado de observaciones,
formula:
Probabilidad de ocurrencia de un evento tras repetir un gran n o de
veces el experimento = no de ocurrencias del evento / no total de
ocurrencias.
Agente lógico, es una entidad que posee conocimiento de su mundo y que también es capaz
de razonar sobre las posibles acciones que puede emprender para el logro de sus objetivos y
de poder aceptar nuevas tareas.
Incertidumbre, es la situación en la cual no se conoce completamente la posibilidad de que
ocurra un determinado evento. Para que el agente lógico realice lo correcto, dependerá de la
importancia relativa de las diversas metas como la posibilidad y grado correspondiente en
que esperamos que estas sean logradas. El agente probabilístico es un caso dentro de un
razonamiento no – monótono y se explica como la probabilidad que la verdad de una oración
haya cambiado su valor inicial, su ventaja frente al razonamiento lógico reside en que el
agente puede tomar decisiones relacionadas aun sin disponer de suficiente información para
probar que la acción emprendida funcione.

Ejemplos:
1) La probabilidad de que “Juan muera algún día” es 1 (100% de certeza de que ocurrirá),
mientras que la probabilidad de que “María viva 270 años” es 0 (100% de certeza de
que el evento no ocurrirá). Sin embargo, en la vida cotidiana los eventos rara vez
tienen una probabilidad de 1 o 0, sino que las probabilidades se ubican en un número
intermedio entre dos extremos.
2) La probabilidad de que un “león viva más de un día es 1”, la certeza es 100% de que
esto ocurra, mientras que la probabilidad de que un “guepardo viva 270 mil años es
0”, la certeza de que esto ocurra es un 100%.
En la vida cotidiana los eventos no siempre se encuentran en probabilidad de “1 o 0”, sino
que se ubican en un punto intermedio entre estos dos extremos.
Por lo tanto el razonamiento probabilístico es cuando la probabilidad de la verdad de una
oración haya cambiado su valor inicial, la principal ventaja frente al razonamiento lógico es
que el agente puede tomar decisiones relacionadas aun sin disponer de suficiente información
para probar que una acción funcione. Este razonamiento se basa en teoremas como el modelo
Bayesiano y en la teoría de heurísticos estadísticos.

Teorema De Bayes.
En la teoría de la probabilidad el teorema de Bayes es un resultado enunciado por “Thomas
Bayes en 1763 que expresa la probabilidad condicional”.
En términos generales vincula la probabilidad de A dado B con la probabilidad de B dado A,
es decir: “Sabiendo que la probabilidad de sufrir un dolor de cabeza (A) dado que se tiene
resfriado (B)”, entonces si no tenemos más datos por lo tanto “es muy probable que si se
tiene resfriado (B) te duela la cabeza (A)”

indice
Las aplicaciones de este teorema son para todas las teorías de la probabilidad. Puede servir
para modificar nuestras probabilidades subjetivas cuando recibimos información adicional
de un experimento.

Ejemplo:
A un congreso de ciencias computacionales asisten 100 personas, de ellas 65 son hombres y
35 son mujeres, se sabe que el 10% de los hombres y el 6% de las mujeres son especialistas
en computación, si se selecciona al azar un especialista en computación, ¿Cuál es la
probabilidad de que sea mujer?
H = Hombre, M= Mujer, E= especialista en computación
Formula:
P (M | E) = P (M) P (M | E) / P (H) P (H | E)+ P (M) P (M | E)
Aplicación:
P (H) = 65/100 = 0.65
P (M) = 35/100 = 0.35
Sustituyendo:
P (M | E) = (0.35) (0.06) / (0.65) (0.10) + (0.35) (0.06) = 0.021/0.086 = 0.2442
Por lo tanto existe una probabilidad del 24.42% de que se elija a una Mujer especialista en
computación en el congreso.

Lógicas Multivaluadas.
En muchas de las ramas de la matemática, de la filosofía y de la informática formalizamos
enunciados relativos a diversos tipos de objetos. Por consiguiente, tanto los lenguajes lógicos
utilizados, como las estructuras matemáticas que los interpretan son multivariado o
heterogéneos; esto es, el conjunto de las variables del lenguaje toma valores sobre diversos
universos o dominios.
Son numeroso los ejemplos de materias que utilizan formulas y estructuras multivariadas:
1. En geometría, por tomar un ejemplo clásico y sencillo, usamos distintos universos para
puntos, líneas, ángulos, triángulos, etc.
2. En la teoría de espacios vectoriales tenemos universos distintos para vectores y escalares.
Además de eso, podemos incluir universos para sub-espacios, métricas y aplicaciones
lineales.
3. En teoría de grupos las estructuras poseen distintos universos para elementos del grupo,
subgrupos normales, homomorfismos, etc.
4. En la lógica de segundo orden SOL veremos que hay universos para individuos, para
conjuntos de esos elementos básicos, para relaciones binarias entre ellos, etc.

indice
5. En teoría de tipos la jerarquía corresponde a toda la del universo matemático infinito que
contiene en sus distintos niveles a: individuos, conjuntos de individuos, conjuntos de
conjuntos de individuos, etc.
6. En computación utilizamos invariablemente estructuras multivariadas: lo típico es tener
universos de datos, números naturales y operadores booleanos.
Podemos añadir otros para números reales, cadenas de caracteres, matrices, etc.
7. Cuando razonamos sobre programas los situamos en universos para ellos y añadimos otros
para estados y para tiempo.

El principio de bivalencia ha sido tomado tradicionalmente como un principio lógico

fundamental: toda proposición es verdadera o falsa. Si no es verdadera, es falsa y si no es
falsa, es verdadera. No hay tercera opción. Por eso se le conoce también como principio del
tercer excluso.
La carga de la prueba descansa sobre quién defienda la tesis de que el principio es falso, es
decir que existen más valores además de los dos tradicionales. Quien quiera defender la
existencia de un tercer valor de verdad (o de otros más) tendría que mostrar:
1. Cuál sería ese tercer valor.
2. En qué sentido es un valor de verdad.
3. A qué (tipo de) proposiciones se le aplicaría. Mostrar ejemplos de proposiciones que
claramente no sean verdaderos ni falsos.
4. ¿Cómo se comportarían lógicamente dichas proposiciones? ¿Cómo interactuarían con
otras proposiciones? ¿Cuál es su lógica?
La primera lógica multivaluada que veremos toma como ejemplos paradigmáticos de
enunciados que expresan proposiciones que no son verdaderas ni falsas a los futuros
contingentes, es decir enunciados que refieren a hechos futuros que no son necesarios, sino
que pueden darse o no de manera contingente. El ejemplo clásico, que le debemos a
Aristóteles, es:
(A) “Mañana habrá una batalla naval”
Según defensores de un tercer valor de verdad, como Jan Lukazewicz; llamado
“trivalentistas”, si bien es cierto que, o bien mañana habrá una batalla naval o bien no la
habrá, de ello no se sigue que la proposición que expresa el enunciado (A) sea verdadera o
falsa. Si mañana hay una batalla naval, la proposición será verdadera y si no la hay, será falsa.
Sin embargo, de ello solamente se sigue que mañana la proposición será verdadera o falsa.
Pero esto no nos dice nada sobre hoy. Más bien parece que hoy la proposición no es todavía
ni verdadera ni falsa. Para que sea verdadera es necesario que mañana haya una batalla naval.
Para que sea falso, es necesario que mañana no haya una batalla naval. Hasta mañana, no se
cumplirán ninguna de las condiciones. La proposición, por lo tanto, por ahora carece de
cualquiera de esos valores de verdad hoy. Ya mañana tendrá alguno.
Para el bivalentista, enunciados como (A) no muestran la existencia de proposiciones que no
sean ni verdaderas ni falsas. Si bien es cierto que el hecho que hace verdadera esta
proposición (al igual que el hecho que la haría falsa) no tendrán lugar sino hasta mañana, esto

indice
no significa que hasta mañana la proposición no será verdadera ni falsa. Lo que esto significa
es que hasta mañana no sabremos si la proposición es verdadera o falsa. Pero que no sepamos
si la proposición es verdadera o falsa no es lo mismo que decir que la proposición no es
verdadera ni falsa. La proposición de que mañana habrá una batalla naval obedece la
bivalencia como cualquier otra.
Por ejemplo, si hoy te digo que mañana habrá una batalla y mañana efectivamente la hay,
mañana dirás que ayer dije algo verdadero, porque mañana sabrás que lo que dije hoy era
verdadero. Las proposiciones no son el tipo de cosas que pueden convertirse en verdaderas o
falsas. Si una proposición es verdadera, lo es independientemente de cuando hablemos de
ella. Lo mismo si es falsa. Hoy (A) es verdadero si mañana hay una batalla naval, y falso si
no la hay. Como mañana o bien habrá una batalla naval o no la habrá, hoy esa proposición
sigue siendo verdadera o falsa. Las proposiciones no son entes temporales, aunque los hechos
de los que hablen sí lo sean.
Recientemente, John MacFarlane ha desarrollado un nuevo contra-argumento contra los
bivalentistas. Según él, cuando mañana diga “Lo que dijiste ayer (es decir, que habría una
batalla naval) es cierto” no estaré diciendo que la proposición era verdadera ayer, sino que
eso que dijiste ayer es verdadero hoy.

Lógicas Difusas.
Es una lógica multivaluada que permite representar matemáticamente la incertidumbre y la
vaguedad, proporcionando herramientas formales para su tratamiento.
Los primeros estudios de la lógica difusa fueron realizados en 1965 por el ingeniera Lotfy A.
Zadeh, con el principio de incompatibilidad: “Conforme la complejidad de un sistema
aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su
comportamiento disminuye hasta el umbral más allá del cual, la precisión y el significado
son características excluyentes”, que puede resumirse como que “Los árboles no te dejan
ver el bosque”.

Características.
El Principio de Incompatibilidad dice que la descripción del comportamiento de un sistema
complejo no puede realizarse de forma absolutamente precisa. Para solucionar este problema
Zadeh plantea la necesidad de obtener herramientas capaces de manejar de forma rigurosa y
fiable información imprecisa, lo cual obliga a desarrollar dos aspectos:
 Representación de la información imprecisa: Para esto lo que propone es el empleo
de la Teoría de conjuntos difusos. Así como describir la experiencia de los sistemas
complejos en sus relaciones entrada-salida mediante proposiciones condicionales del
tipo Si-Entonces (Ejemplo: Si la presión es muy alta Entonces vaciamos el recipiente)
de manera que las variables de entrada y las variables de salida quedan ligadas.
 Inferencia sobre información imprecisa: Ahora se necesita una forma de combinar
esta información para obtener nuevos hechos. Entonces Zadeh establece la necesidad
de un método de inferencia generalizado e introduce lo que se conoce como Regla
Composicional de Inferencia.

indice
A partir de este principio, se pueden describir las principales características esenciales de la
lógica difusa y los sistemas difusos:
1. El razonamiento exacto puede verse como un caso particular del razonamiento
aproximado. Cualquier sistema lógico puede ser fuzzificado. Mediante lógica difusa
se puede formular el conocimiento humano de una forma sistemática, y puede ser
fácilmente incluido en sistemas de ingeniería.
2. El conocimiento se interpreta como una colección de restricciones difusas sobre una
colección de variables. Los sistemas difusos son especialmente interesantes para la
definición de sistemas cuyo modelo exacto es difícil de obtener (es necesario
introducir una aproximación).

En la actualidad, multitud de productos de consumo (lavadoras, microondas, cámaras de vídeo, televisores) y sistemas
(ascensores, trenes, motores, frenos, control de tráfico) utilizan internamente métodos de lógica difusa.

3. La inferencia puede verse como un proceso de propagación de estas restricciones

difusas.
4. Se utiliza ampliamente en sistemas de ayuda a la decisión. La lógica difusa permite
obtener decisiones con valores incompletos o información incierta.
Los sistemas difusos son muy recomendables en aquellos problemas muy complejos donde
no existe un modelo matemático simple asociado. Igualmente en procesos que obedecen a
un comportamiento no lineal, la solución difusa plantea grandes ventajas. La solución difusa
requiere que el conocimiento experto sea expresado lingüísticamente, requisito que es
normalmente fácil de obtener.

indice
 Diferencias con Probabilidad.
Los conceptos empleados en Lógica Difusa y Probabilidad están
relacionados en cierto modo, pero son totalmente diferentes. De
forma resumida, la probabilidad representa información sobre
frecuencia de ocurrencias relativas de un evento bien definido sobre
el total de eventos posible. Por su parte, el grado de pertenencia
difuso representa las similitudes de un evento con respecto a otro
evento, donde las propiedades de esos eventos no están definidas de
forma precisa.
Por ejemplo, un superviviente de un accidente de avión se encuentra
en medio del desierto. Hace dos días que está caminando sin agua
en busca de algún poblado cercano donde puedan socorrerle. De
repente encuentra dos botellas de líquido, etiquetadas como se
muestra en la figura 1.2. La botella A difusa está etiquetada como Botellas etiquetadas.
que contiene líquido potable con un grado de pertenencia 0.8,
mientras que la botella B probabilista está etiquetada como que contiene con probabilidad
0.8 un líquido potable. ¿Cuál debería elegir el superviviente?
La botella A indica que el líquido que contiene es bastante similar a otros que son potables.
Naturalmente este valor numérico depende de la función de pertenencia asociada al concepto
de “líquido potable”. Supongamos que la función de pertenencia asocia 1 al agua pura, por
lo que un valor de 0.8 indicaría que la botella A contiene agua no totalmente pura, pero
todavía potable (o al menos no es un veneno, o algún líquido perjudicial para el organismo).
La probabilidad asociada a la botella B indica que, tras realizar un alto número de
experimentos, el contenido de la botella B es potable el 80% de las veces. Pero, ¿qué ocurre
el otro 20% de las veces? En estas ocasiones, el líquido no era potable y, por tanto, hay un
20% de probabilidad de que mueras bebiendo el líquido de esa botella porque contenga
amoniaco en lugar de agua.
¿Qué debería elegir el superviviente si las botellas estuvieran etiquetadas con valores de 0.5
fuzzy y 0.5 de probabilidad? En este caso debería rechazar A porque un grado de pertenencia
de 0.5 indicaría que el contenido de la botella no es muy parecido a los líquidos potables en
ese dominio de conocimiento. La botella B tendría 0.5 de probabilidad de ser potable
(también es incertidumbre total), pero tendría un 50% de probabilidad de que el líquido fuera
potable, por lo que debería jugársela y elegir la botella B.

indice
 BIBLIOGRAFÍA.

(INAOE), L. E. (2005). Métodos de Inteligencia Artificial.

Aciego, M. O. (2007). Breve introducción a las lógicas multivaluadas. Málaga:
Departamento de Matemática Aplicada.
Aspeitia, A. A. (s.f.). Lógica Multivaluada.
Clase de Inteligencia Artificial. (s.f.). Obtenido de
https://sites.google.com/site/clasedeinteligenciaartificial/
Eduardo Morales, E. S. (Junio de 2017). Sistemas Basados en Conocimiento.
José A. Alonso Jiménez, A. C. (04 de 2003). Sintaxis y semántica de la Logica Proporcional.
Sevilla.
Jose Emilio Labra Gayo, D. F. (s.f.). Logica de Predicados. Oviedo.
Naranjo, M. A. (2004). Introducción a los sistemas basados en el conocimiento.
Román, J. V. (s.f.). Sistemas Basados en Conocimiento.
Tondato, M. I. (s.f.). SISTEMAS EXPERTOS Y SISTEMAS BASADOS EN
CONOCIMIENTOS.
Russell, S. J., & Norvig, P. (2004). Inteligencia Artificial: Un enfoque moderno. Segunda
Edición. Cap. 20: Métodos estadísticos de aprendizaje.
Jes´us Hernando P´erez, Fundamentos de la L´ogica Matem´atica. Universidad
Nacional de Colombia, Bogot´a, 1982.

indice