Logica borrosa
Páginas: 20 (4891 palabras)
Publicado: 3 de marzo de 2010
Indice
1. Razonamiento aproximado 3
Perspectiva histórica 3
Método probabilista clásico 4
Redes bayesianas 4
Modelo de factores de certeza de MYCIN (Factores de certidumbre) 6
2. Fudamentos de la logica borrosa 7
Conjuntos clásicos (Crisp Set) 8
Logica booleana 9
Conjuntos Borrosos 10
Función de membresia de un conjuntoborroso 13
Diferencias entre conjuntos borrosos y conjuntos clásicos 14
3. Aplicaciones 14
4. Bases de datos Difusas y FSQL 15
5. Conclusiones 16
6. Bibliografia 16
1. Razonamiento aproximado
El razonamiento aproximado es una capacidad del razonamiento humano por la cual es capaz de obtener conclusiones útiles a partir de informaciónincompleta o con cierto grado de incertidumbre. La lógica tradicional se fundamenta en los métodos de razonamiento deductivo en los que no se contempla que tanto la información de entrada como las propias reglas puedan no ser ciertas con carácter absoluto. Tampoco es capaz de tratar información vaga o imprecisa. Dentro del área de la inteligencia artificial, se han desarrollado modelos teóricos quesimulan la capacidad humana para realizar razonamiento aproximado. Entre los más conocidos están la lógica difusa y los métodos bayesianos.
Perspectiva histórica
Los métodos de razonamiento incierto se clasifican en dos grandes grupos: métodos numéricos y métodos cualitativos. Cuando el razonamiento incierto se realiza mediante métodos numéricos suele hablarse de razonamiento aproximadoEl primero que surgió fue el tratamiento probabilista. En efecto, ya en el siglo XVIII, Bayes y Laplace propusieron la probabilidad como una medida de la creencia personal hace 200 años. A principios del siglo XX surgen las interpretaciones de la probabilidad como la frecuencia (a largo plazo) asociada a situaciones o experimentos repetibles; en esta línea, destacan especialmente los trabajosestadisticos de Fisher. A principios de los años 30, en cambio, debido sobre todo a los trabajos de L. J. Savage y B. de Finetti, entre otros muchos, se redescubre la probabilidad como medida de la creencia personal.
Unos años más tarde, se inventan las computadoras y poco después surge la inteligencia articula (suele tomarse como punto de referencia el año 1956, en que se celebro laConferencia de Darmouth, aunque otros autores sitúan el origen de la inteligencia artificial en 1943, el año en que se publicaron dos trabajos eminentes [39, 53]). En aquella época, los ordenadores habían superado ampliamente la capacidad de cálculo de cualquier ser humano, pero estaban muy lejos del denominado \comportamiento inteligente". Precisamente por eso la inteligencia artificial se centraba enla resolución de problemas simbólicos y se esforzaba en distinguirse de los métodos algorítmicos dedicados sobre todo al cálculo numérico. Esta es una de las razones por las que inicialmente no se prestó atención al estudio de la probabilidad como rama o al menos como herramienta de la inteligencia artificial.
En paralelo con esta evolución histórica de crisis y resurgimiento de laprobabilidad, se desarrollo la teoría de los conjuntos difusos, frecuentemente llamada con cierta impropiedad lógica difusa. La motivación inicial no fue el estudio de la incertidumbre, sino el estudio de lavaguedad, que es algo diferente.
Método probabilista clásico
Lo que nos permite un método probabilístico es conocer con un cierto nivel de certeza como se podría comportar un sistema a futuro.A los métodos que utilizan variables aleatorias que varían con el tiempo se les conoce como métodos estocásticos
Se trata de obtener una serie de hipótesis , dadas unas evidencias que las expliquen . Pero dado el carácter incierto de las mediciones , se hace necesario tratar los datos de una forma estadística .
El método probabilístico clásico padece de las siguientes deficiencias :...
1. Razonamiento aproximado 3
Perspectiva histórica 3
Método probabilista clásico 4
Redes bayesianas 4
Modelo de factores de certeza de MYCIN (Factores de certidumbre) 6
2. Fudamentos de la logica borrosa 7
Conjuntos clásicos (Crisp Set) 8
Logica booleana 9
Conjuntos Borrosos 10
Función de membresia de un conjuntoborroso 13
Diferencias entre conjuntos borrosos y conjuntos clásicos 14
3. Aplicaciones 14
4. Bases de datos Difusas y FSQL 15
5. Conclusiones 16
6. Bibliografia 16
1. Razonamiento aproximado
El razonamiento aproximado es una capacidad del razonamiento humano por la cual es capaz de obtener conclusiones útiles a partir de informaciónincompleta o con cierto grado de incertidumbre. La lógica tradicional se fundamenta en los métodos de razonamiento deductivo en los que no se contempla que tanto la información de entrada como las propias reglas puedan no ser ciertas con carácter absoluto. Tampoco es capaz de tratar información vaga o imprecisa. Dentro del área de la inteligencia artificial, se han desarrollado modelos teóricos quesimulan la capacidad humana para realizar razonamiento aproximado. Entre los más conocidos están la lógica difusa y los métodos bayesianos.
Perspectiva histórica
Los métodos de razonamiento incierto se clasifican en dos grandes grupos: métodos numéricos y métodos cualitativos. Cuando el razonamiento incierto se realiza mediante métodos numéricos suele hablarse de razonamiento aproximadoEl primero que surgió fue el tratamiento probabilista. En efecto, ya en el siglo XVIII, Bayes y Laplace propusieron la probabilidad como una medida de la creencia personal hace 200 años. A principios del siglo XX surgen las interpretaciones de la probabilidad como la frecuencia (a largo plazo) asociada a situaciones o experimentos repetibles; en esta línea, destacan especialmente los trabajosestadisticos de Fisher. A principios de los años 30, en cambio, debido sobre todo a los trabajos de L. J. Savage y B. de Finetti, entre otros muchos, se redescubre la probabilidad como medida de la creencia personal.
Unos años más tarde, se inventan las computadoras y poco después surge la inteligencia articula (suele tomarse como punto de referencia el año 1956, en que se celebro laConferencia de Darmouth, aunque otros autores sitúan el origen de la inteligencia artificial en 1943, el año en que se publicaron dos trabajos eminentes [39, 53]). En aquella época, los ordenadores habían superado ampliamente la capacidad de cálculo de cualquier ser humano, pero estaban muy lejos del denominado \comportamiento inteligente". Precisamente por eso la inteligencia artificial se centraba enla resolución de problemas simbólicos y se esforzaba en distinguirse de los métodos algorítmicos dedicados sobre todo al cálculo numérico. Esta es una de las razones por las que inicialmente no se prestó atención al estudio de la probabilidad como rama o al menos como herramienta de la inteligencia artificial.
En paralelo con esta evolución histórica de crisis y resurgimiento de laprobabilidad, se desarrollo la teoría de los conjuntos difusos, frecuentemente llamada con cierta impropiedad lógica difusa. La motivación inicial no fue el estudio de la incertidumbre, sino el estudio de lavaguedad, que es algo diferente.
Método probabilista clásico
Lo que nos permite un método probabilístico es conocer con un cierto nivel de certeza como se podría comportar un sistema a futuro.A los métodos que utilizan variables aleatorias que varían con el tiempo se les conoce como métodos estocásticos
Se trata de obtener una serie de hipótesis , dadas unas evidencias que las expliquen . Pero dado el carácter incierto de las mediciones , se hace necesario tratar los datos de una forma estadística .
El método probabilístico clásico padece de las siguientes deficiencias :...
Leer documento completo
Regístrate para leer el documento completo.