Razonamiento Monotono y No Monotono
Razonamiento Monotono y No Monotono
Razonamiento Monotono y No Monotono
PUERTO
DOCENTE:
ING. PALOMA GONGORA SAABIDO
CONTENIDO:
TAREA TIPOS DE RAZONAMIENTO Y EL TEOREMA DE BAYES
ALUMNO:
Juan Alejandro Prez Cano
SEMESTRE:
8
CARRERA:
INGENIERIA EN SISTEMAS COMPUTACIONALES
ndice
INTRODUCCION:................................................................................................................................. 3
Razonamiento montono................................................................................................................... 4
TABLA COMPARATIVA........................................................................................................................ 7
CONCLUSION:..................................................................................................................................... 9
BIBLIOGRAFIA:................................................................................................................................. 10
INTRODUCCION:
Simblicamente:
Una lgica montona no puede manejar varios tipos de razonamiento tales como el
razonamiento por defecto (los hechos pueden ser conocidos nicamente por la carencia de
evidencia de lo contrario), el razonamiento abductivo (los hechos slo se deducen en calidad
de explicaciones probables), el razonamiento acerca del conocimiento (la ignorancia de un
hecho debe ser retractada cuando el hecho sea conocido), y la revisin de creencias (nuevo
conocimiento puede contradecir creencias anteriores, obligando a revisarlas). Estas
limitaciones son un inconveniente en gran cantidad de problemas que se presentan en
inteligencia artificial, que tienen un carcter no montono.
Existen sistemas de razonamiento (Montono y no Montono), los cuales son utilizados para
inferir conclusiones a partir de una informacin dada, y son representados por medio de
programas lgicos, pero ellos no se serviran, si no existiera algn mtodo que nos permitiera
inferir lo que es cierto y lo que es falso, dicho de otra forma, su semntica. Dentro del
razonamiento no montono se encuentra la completitud de Clark.
La inteligencia artificial se interes desde sus comienzos por desarrollar teoras acerca del
comportamiento de agentes que deben extraer conclusiones a partir de informacin dada.
Dicho artefacto debe poseer varias formas de conocimiento y creencias acerca de su mundo,
y debe usar esa informacin ulterior acerca de aquel mundo con el fin de tomar decisiones,
planificar y realizar acciones, responder a otros agentes, etc. El problema tcnico para la es
caracterizar los patrones de razonamientos que requiere semejante artefacto inteligente y
realizarlos computacionalmente.
Existen diversos enfoques para analizar estos patrones y entre ellos est el de las lgicas no
montonas, el campo del razonamiento no montono es la derivacin de conclusiones
dignas (pero no infalibles) a partir de una base de conocimiento considerada como un
conjunto de frmulas en una lgica conveniente
TABLA COMPARATIVA.
Julio Antonio Salazar. (junio 17, 2013). RAZONAMIENTO MONTONO. Mayo 18, 2017, de
blogspot.mx Sitio web: http://itsjc-isc-ia.blogspot.mx/2013/06/2-actividad-de-unidad-2-ia_2593.html
Miguel ngel vila Gerea & Juan Carlos Jair Jimnez Rodrguez. (marzo 13,2013).
RAZONAMIENTO MONOTONO Y NO MONOTONO. mayo 17, 2017, de http://documents.mx Sitio
web: http://documents.mx/documents/diferencia-entre-razonamiento-monotono-y-no-monotono.html