+Modelo simbólico

+que es

+que forma tiene

+como funciona

+características

cuales son los inventos dentro del modelo simbólico

+ que está englobado con el modelo simbólico

El modelo es una representación de un objeto, sistema o idea, de forma diferente al de la

entidad misma la cual tiene como propósito explicar, entender o mejorar un sistema. Estos
se pueden clasificar dentro de la simulación de la siguiente manera:

Las funciones de los modelos son: representar, explicar, guiar, motivar, predecir, evaluar y genera
realidades. La función principal de los modelos es la de comprender y explicar la realidad a fin de poder
hacer predicciones (Aguilera, 2000). Por su parte, Achinstein (1967) afirma que el valor de un modelo
determinado puede juzgarse desde dos puntos de vista diferentes, aunque relacionados: cuán bien sirve
a los fines para los que se emplea y cuán completa y exacta es la representación que propone de la
realidad. Por lo tanto, según este último autor, los modelos teóricos pueden cumplir las mismas
funciones que las teorías: pueden usarse con fines de explicación, predicción, cálculo, sistematización,
derivación de leyes, etcétera; sin embargo, éstas se basan en suposiciones posiblemente simplificadas
y hay que tener en cuenta esta condición cuando se las compara con los modelos. Los principios que
constituyen una teoría son más exactos que los de un modelo y toman en cuenta más magnitudes
conocidas; por el contrario, para Flórez (1999), el modelo es un instrumento analítico que tiene como
función el describir, organizar e inteligir.

Se puede decir que la función más general que desempeña un modelo es “representar”. La función
más robusta de un modelo es “explicar” la realidad. En el caso concreto de este trabajo, sin excluir las
diferentes funciones, tal vez podríamos sintetizar todas estas en una principal, la de provocar, hacer que
sucedan las cosas; es decir, “generar” realidades. Ahora trataremos de describir de forma breve el
concepto de sistema y sus elementos a fin de poder comprender la teoría de sistemas.

· Modelos Icónicos: son los modelos físicos que se asemejan al sistema real,
generalmente manejados en otra escala.
· Modelos Análogos: son los modelos en los que una propiedad del sistema real se
puede sustituir por una propiedad diferente que se comporta de manera similar.

· Modelos Simbólicos: son aquellos en los que se utiliza un conjunto de símbolos en

lugar de una entidad física para representar a la realidad. Estos se clasifican a su vez:

ü Modelos Deterministicos: los valores que se encuentran dentro de este modelo no se ven
afectados por variaciones aleatorias y se conocen con exactitud.

ü Modelo Estocástico o probabilístico: los valores de las variables dentro de este modelo
sufren modificaciones aleatorias con respecto a un valor promedio; dichas variaciones
pueden ser manejadas mediante distribuciones de probabilidad.

ü Modelos Dinámicos: se caracterizan por el cambio que presentan las variables en función
del tiempo.

ü Modelos estáticos: se caracteriza por representar un sistema en un punto particular del

tiempo.

ü Modelos Continuos: son aquellos en los que las variables pueden tomar valores reales y
manejarse mediante las técnicas de optimización clásica.

ü Modelos Discretos: se caracteriza porque las variables del sistema toman valores solo en
el rango de números enteros.

· Modelos Estáticos: Utilizados para representar sistemas cuyo estado es invariable a

través del tiempo.

· Modelos Matemáticos: Representan la realidad en forma abstracta de muy diversas

maneras.

· Modelos Físicos: Son aquellos en que la realidad es representada por algo tangible,
construido en escala o que por lo menos se comporta en forma análoga a esa realidad
(maquetas, prototipos, modelos analógicos, etc.).

· Modelos Analíticos: La realidad se representa por fórmulas matemáticas y estudiar el

sistema consiste en operar con esas fórmulas (resolución de ecuaciones).
· Modelos Numéricos: Tiene en cuenta el comportamiento numérico de las variables
intervinientes. No se obtiene ninguna solución analítica.

Modelo matemático
Ir a la navegaciónIr a la búsqueda
En ciencias aplicadas y en tecnología, un modelo matemático es uno de los tipos
de modelos científicos que emplea algún tipo de formulismo matemático para
expresar relaciones, proposiciones sustantivas de hechos, variables, parámetros,
entidades y relaciones entre variables de las operaciones, para estudiar
comportamientos de sistemas complejos ante situaciones difíciles de observar en
la realidad. El término modelización matemática es utilizado también en diseño
gráfico cuando se habla de modelos geométricos de los objetos en dos (2D) o tres
dimensiones (3D).

Definición[editar]
Un modelo matemático de un objeto (fenómeno real) es cualquier esquema simplificado e
idealizado de aquel, constituido por símbolos y operaciones (relaciones) matemáticas. Un
modelo matemático es un caso de formalización que emplea los más diversos instrumentos
producidos en la ciencia matemática 1.

Principios generales y condiciones[editar]

Cabe mencionar solamente algunos principios generales y condiciones que deben cumplir
dichos modelos.
Equivalencia
que es la correspondencia del modelo a su original.
Objetividad
correspondencia de las conclusiones científicas a las condiciones reales.
Simplicidad
los modelos no deben estar saturados de factores secundarios.
Sensibilidad
la competencia del modelo de responder a la variación de los parámetros
iniciales.
Estabilidad
a cada perturbación pequeña de los parámetros iniciales le debe
corresponder una alteración pequeña en la solución del problema.
Universalidad
el área de aplicación debe ser lo suficientemente vasta. 2

Clasificaciones de los modelos[editar]

Se podría decir que un modelo de las ciencias físicas es una
traducción de la realidad física de un sistema físico en términos
matemáticos, es decir, una forma de representar cada uno de los
tipos de entidades que intervienen en un cierto proceso físico
mediante objetos matemá[Link] relaciones matemáticas formales
entre los objetos del modelo, deben representar de alguna manera
las relaciones reales existentes entre las diferentes entidades o
aspectos del sistema u objeto real. Así una vez "traducido" o
"representado" cierto problema en forma de modelo matemático, se
pueden aplicar el cálculo, el álgebra y otras herramientas
matemáticas para deducir el comportamiento del sistema bajo
estudio. Un modelo físico requerirá por tanto que se pueda seguir el
camino inverso al modelado, permitiendo reinterpretar en la realidad
las predicciones del modelo.

Según la información de entrada[editar]

Con respecto a la función del origen de la información utilizada para
construir los modelos pueden clasificarse de otras formas. Podemos
distinguir entre modelos heurísticos y modelos empíricos:

 Modelos heurísticos (del griego euriskein 'hallar, inventar'). Son

los que están basados en las explicaciones sobre las causas o
mecanismos naturales que dan lugar al fenómeno estudiado.
 Modelos empíricos (del griego empeirikos relativo a la
'experiencia'). Son los que utilizan las observaciones directas o
los resultados de experimentos del fenómeno estudiado.
Según el tipo de representación[editar]
Además los modelos matemáticos encuentran distintas
denominaciones en sus diversas aplicaciones. Una posible
clasificación puede atender a si pretenden hacer predicciones de tipo
cualitativo o pretende cuantificar aspectos del sistema que se está
modelizando:

 Modelos cualitativos o conceptuales, estos pueden usar

figuras, gráficos o descripciones causales, en general se
contentan con predecir si el estado del sistema irá en
determinada dirección o si aumentará o disminuirá alguna
magnitud, sin importar exactamente la magnitud concreta de la
mayoría de aspectos.
 Modelos cuantitativos o numéricos, usan números para
representar aspectos del sistema modelizado, y generalmente
incluyen fórmulas y algoritmos matemáticos más o menos
 complejos que relacionan los valores numéricos. El cálculo con
los mismos permite representar el proceso físico o los cambios
cuantitativos del sistema modelado.
Según la aleatoriedad[editar]
Otra clasificación independiente de la anterior, según si a una entrada
o situación inicial concreta pueden corresponder o no diversas salidas
o resultados, en este caso los modelos se clasifican en:

 Determinista. Se conoce de manera puntual la forma del

resultado ya que no hay incertidumbre. Además, los datos
utilizados para alimentar el modelo son completamente conocidos
y determinados.
 Estocástico. Probabilístico, que no se conoce el resultado
esperado, sino su probabilidad y existe por tanto incertidumbre.
Clasificación según su aplicación u
objetivo[editar]
Por su uso suelen utilizarse en las siguientes tres áreas, sin embargo
existen muchas otras como la de finanzas, ciencias etc.

 Modelo de simulación o descriptivo, de situaciones medibles

de manera precisa o aleatoria, por ejemplo con aspectos de
programación lineal cuando es de manera precisa, y
probabilística o heurística cuando es aleatorio. Este tipo de
modelos pretende predecir qué sucede en una situación concreta
dada.
 Modelo de optimización. Para determinar el punto exacto para
resolver alguna problemática administrativa, de producción, o
cualquier otra situación. Cuando la optimización es entera o no
lineal, combinada, se refiere a modelos matemáticos poco
predecibles, pero que pueden acoplarse a alguna alternativa
existente y aproximada en su cuantificación. Este tipo de modelos
requiere comparar diversas condiciones, casos o posibles valores
de un parámetro y ver cual de ellos resulta óptimo según el
criterio elegido.
 Modelo de control. Para saber con precisión como está algo en
una organización, investigación, área de operación, etc. Este
modelo pretende ayudar a decidir qué nuevas medidas, variables
o qué parámetros deben ajustarse para lograr un resultado o
estado concreto del sistema modelado.

Ejemplos[editar]
Un modelo mixto operacional estadístico es una teoría o situación
causal de hechos y expresado con símbolos de formato matemático.
Por ejemplo las tablas de contingencia. De hecho los modelos
matemáticos se construyen con varios niveles de significación y con
diferentes variables.
Kendall y Buckland catalogan hasta 40 tipos diferentes de modelos
matemáticos. Ejemplos: Rapoport en modelo matemático e
interacción social en 1961 y Bugeda en Sociología matemática en
1970. Por un principio de isomorfismo hay una equivalencia, a
conseguir, entre un modelo y una teoría. Además teoría y modelo son
sinónimos.

Ejemplos de modelos por tipos[editar]

Si se emplea la clasificación de modelos según su aplicación u
objetivo (modelos descriptivos o de simulación, modelos de
optimación o elección de óptimo, modelos de control o tratamiento) y
según si se trata de modelos determistas o probabilistas se pueden
dar algunos ejemplos ilustrativos:

Descriptivos / Optimización / Control /

Simulación Elección Tratamiento

Determini Probab Determ Proba Determ Proba

sta ilista inista bilista inista bilista

Cálculo
Cuanti Simula compon
Cálculos Diseño Control
tativo / ciones entes Control
astronómi ingenie automá
Numér de de LCG
cos ril tico
ico tráfico sistema
s

Modelo
Cualita
Análisis Teoría s Teoría
tivo /
microecon de de ? psicoló ?
Conce
ómicos juegos grafo/fl gica
ptual
ujo

Modelo matemático de
simulación hidrológica[editar]
Se utilizan para estudiar situaciones extremas, difícilmente
observables en la realidad, como por ejemplo los efectos de
precipitaciones muy intensas y prolongadas en cuencas hidrográficas,
en su estado natural, o en las que se ha intervenido con obras como
canales, represas, diques de contención, puentes, etc.
La cuenca hidrográfica es dividida en sub-cuencas consideradas
homogéneas desde el punto de vista: del tipo de suelo, de la
declividad, de su cobertura vegetal. El número y tipo de las variables
hidrológicas que intervienen en el modelo son función de objetivo
específico para el cual se elabora el mismo.
 Fases de construcción de un modelo[editar]
En muchos casos la construcción o creación de modelos
matemáticos útiles sigue una serie de fases bien determinadas:

1. Identificación de un problema o situación compleja que

necesita ser simulada, optimizada o controlada y por tanto
requeriría un modelo matemático predictivo para hacer
efectivo el mismo
2. Elección del tipo de modelo, esto requiere precisar qué tipo
de respuesta pretende obtenerse, cuales son los datos de
entrada o factores relevantes, y para qué pretende usarse el
modelo. Esta elección debe ser suficientemente simple como
para permitir un tratamiento matemático asequible con los
recursos disponibles. Esta fase requiere además identificar el
mayor número de datos fidedignos, rotular y clasificar las
incógnitas (variables independientes y dependientes) y
establecer consideraciones físicas, químicas, geométricas,
etc. que representen adecuadamente el fenómeno en
estudio.
3. Formalización del modelo en la que se detallarán qué forma
tienen los datos de entrada, qué tipo de herramienta
matemática se usará, como se adaptan a la información
previa existente. También podría incluir la confección de
algoritmos, ensamblaje de archivos informáticos, etc. En esta
fase posiblemente se introduzcan también simplificaciones
suficientes para que el problema matemático de modelización
sea tratable computacionalmente.
4. Comparación de resultados: los resultados obtenidos como
predicciones necesitan ser comparados con los hechos
observados para ver si el modelo está prediciendo bien. Si
los resultados no se ajustan bien, es común volver a la fase
1.
Es importante mencionar que la inmensa mayoría de los modelos
matemáticos no son exactos y tienen un alto grado de idealización y
simplificación, ya que una modelización muy exacta puede ser más
complicada de tratar que una simplificación conveniente, y por lo
tanto resultar menos útil.
También es importante recordar que el mecanismo con el que se
desarrolla un modelo matemático repercute en el desarrollo de otras
técnicas de conocimientos enfocadas al área sociocultural.
Un modelo matemático es un modelo que utiliza fórmulas matemáticas para
representar la relación entre distintas variables, parámetros y restricciones.

Un modelo matemático es una representación simplificada, a través de

ecuaciones, funciones o fórmulas matemáticas, de un fenómeno o de la relación
entre dos o más variables. La rama de las matemáticas que se encarga de
estudiar las cualidades y estructura de los modelos es la llamada “teoría de los
modelos”.
 ¿Para qué sirve un modelo matemático?

Los modelos matemáticos son utilizados para analizar la relación entre dos o más
variables. Pueden ser utilizados para entender fenómenos naturales, sociales,
físicos, etc. Dependiendo del objetivo buscado y del diseño del mismo modelo
pueden servir para predecir el valor de las variables en el futuro, hacer hipótesis,
evaluar los efectos de una determinada política o actividad, entre otros objetivos.

Aunque parezca un concepto teórico, en realidad hay muchos aspectos de la vida

cotidiana regidos por modelos matemáticos. Lo que ocurre es que no son modelos
matemáticos enfocados a teorizar. Al contrario, son modelos matemáticos
formulados para que algo funcione. Por ejemplo, un coche.

Elementos básicos de un modelo matemático

Los modelos matemáticos pueden variar en cuanto a su complejidad, pero todos

ellos tienen un conjunto de características básicas:

 Variables: Son los conceptos u objetos que se busca entender o analizar. Sobre
todo con respecto a su relación con otras variables. Así por ejemplo, una variable puede
ser el salario de los trabajadores y lo que queremos analizar son sus principales
determinantes (por ejemplo: años de estudio, educación de los padres, lugar de
nacimientos, etc.).
 Parámetros: Se trata de valores conocidos o controlables del modelo.
 Restricciones: Son determinados límites que nos indican que los resultados del
análisis son razonables. Así por ejemplo, si una de las variables es el número de hijos de
una familia, una restricción natural es que este valor no puede ser negativo.
 Relaciones entre las variables: El modelo establece una determinada relación
entre las variables apoyándose en teorías económicas, físicas, químicas, etc.
 Representaciones simplificadas: Una de las características esenciales de un
modelo matemáticos es la representación de las relaciones entre las variables estudiadas
a través de elementos de las matemáticas tales como: funciones, ecuaciones, fórmulas,
etc.

Propiedades deseadas de un modelo matemático

Cuando se diseña un modelo matemático, se busca que este tenga un conjunto de

propiedades que ayude a asegurar su robustez y efectividad. Entre estas
propiedades se encuentran:

 Simplicidad: Uno de los objetivos principales de un modelo matemático es

simplificar la realidad para poder entenderla mejor.
 Objetividad: Que no tenga sesgos ni teóricos ni de los prejuicios o ideas de sus
diseñadores.
 Sensibilidad: Que sea capaz de reflejar los efectos de pequeñas variaciones.
 Estabilidad: Que el modelo matemático no se altere significativamente cuando
hay cambios pequeños en las variables.
 Universalidad: Que sea aplicable a varios contextos y no sólo a un caso
particular.

Evidentemente existen muchas más, pero las anteriores son las más intuitivas.

Procesos para hacer un modelo matemático

En términos generales el proceso de elaboración de un modelo matemático es el

siguiente:

1. Encontrar un fenómeno o problema.

2. Formular un modelo con elementos de matemáticas representando el problema
elegido identificando las variables relevantes (dependientes e independientes).
3. Establecer hipótesis y un método de prueba de su veracidad.
4. Aplicar los conocimientos matemáticos para resolver el modelo y hacer
predicciones si es necesario.
5. Hacer comparaciones de los datos obtenidos con datos reales.
6. Si los resultados no se ajustan a lo esperado, ir ajustando el modelo matemático.

Tipos de modelos matemáticos

Existen diversos tipos de modelos matemáticos. A continuación, vemos algunos

de los tipos de modelos más relevantes:

De acuerdo a la información utilizada

 Heurístico: Basado en posibles explicaciones sobre las causas de los fenómenos

observados.
 Empírico: Utiliza la información de la experimentación real.

Según tipo de representación

 Cualitativos o conceptuales: Se refieren a un análisis de la calidad o la

tendencia de un fenómeno sin calcular un valor exacto.
 Cuantitativos o numérico: Los resultados obtenidos tienen un valor concreto que
tiene un cierto significado (puede ser exacto o relativo).

Según la aleatoriedad

 Determinista: No tiene incertidumbre, los valores son conocidos.

 Estocástico: No se conoce con exactitud el valor de las variables en todo
momento. Existe incertidumbre y por ende una distribución de probabilidad de los
resultados.
 Según su aplicación u objetivo

 Simulación o descriptivo: Simula o describe un fenómeno. Los resultados se

enfocan a predecir qué sucederá una determinada situación.
 Optimización: Se utilizan para encontrar una solución óptima a un problema.
 De control: Para mantener el control de una organización o sistema y determinar
las variables que deben ajustarse para obtener los resultados buscados.

C. Modelo simbólico o matemático: Es una representación de la realidad a través de símbolos,

los que tienen generalmente un carácter matemático o lógico. Un tipo de modelo simbólico es una
ecuación. Una ecuación es fácil de comprender y de manejar, prestándose además para procesos
computacionales.

Dado que los modelos matemáticos son el punto central de este trabajo, intentaremos ahondar
más en su definición. Ellos son representaciones simplificadas de la estructura y el funcionamiento
de un determinado sistema real, utilizando el lenguaje matemático para expresar las relaciones
entre variables y operaciones matemáticas para obtener los conocimientos deseados (Chakravarty,
1966).

Estos modelos se basan en hipótesis inspiradas en la realidad, aunque a veces, simplifican las
cosas de tal modo que pueden aparecer como demasiado alejados de la misma. Romero (1980),
afirma que para conceder o no validez definitiva a un modelo, hay que contrastar sus resultados,
sin rechazarle "a priori" porque algunas de sus hipótesis parezcan irreales o extremadamente
simplificadas. La razón viene dada por el hecho de la desigual repercusión de las hipótesis sobre
las deducciones finales, repercusión que no es fácil de preveer, dada la complejidad del
razonamiento matemático, en el curso del cual algunas hipótesis pueden perder influencia.

En general, para que un modelo sea fructífero debe necesariamente incorporar dos elementos
conflictivos, realismo y simplicidad, en otras palabras, el modelo debe ser una aproximación
razonable del sistema real y debe incorporar muchos de sus aspectos importantes.
Desafortunadamente los modelos realistas son raras veces simples y, los modelos simples son
pocas veces realistas. Un buen creador de modelos es el que logra una perfecta armonía entre los
2 conceptos (Sánchez, 1976).

El uso creciente de los modelos matemáticos es el resultado de una serie de hechos, entre los que
podemos destacar

A. Aumento de los conocimientos teóricos acerca de la conformación de los sistemas de

producción pecuaria. Ello permite individualizar mejor las variables principales y precisar el tipo de
relaciones existentes entre ellas, facilitando el lenguaje matemático.

B. La disponibilidad de información esadística en mayor cantidad y mejor calidad.

C. La existencia de computadores que permiten resolver modelos complejos y estudiar la

sensibilidad de sus soluciones a los cambios de los valores de algunas de las variables.

D. El aumento de la complejidad de los sistemas, exige el uso de metodologías que permitan

simplificar situaciones altamente complejas sin perder ni la visión global a que obligan este tipo de
problema ni la rigurosidad científica.
MODELO SIMBOLICO O MATEMATICO Son representaciones de la realidad en forma de cifras,
símbolos matemáticos y funciones, para representar variables de decisión y relaciones que nos
permiten describir y analizar el comportamiento del sistema.

MODELO SIMBOLICO O MATEMATICO Tipos de Modelos Matemáticos [Link] y

cualitativos [Link]ándares y hechos a la medida [Link]ísticas y deterministicos [Link] y
de optimización [Link]áticos y dinámicos [Link] simulación y no simulación

[ 3. Fases en la construcción de un modelo matemático ]

En la construcción de un modelo se distinguen las siguientes fases (Bugeda, 1976).

A. Definición del problema a resolver: formulación precisa e inequívoca del problema y

declaración de los objetivos a conseguir.

B. Recolección y proceso de datos empíricos: considera la recolección de la información

cuantitativa y su reducción a forma manejable. Los datos deberán ser puestos en forma
significativa para que sobre ellos se formulen las hipótesis (modelo) del comportamiento
del sistema en consideración.

C. Formulación del modelo matemático. Esta fase se subdivide en:

i.  Selección de las variables más relevantes a incluir y de las interrelaciones entre ellas,
dando a lugar un modelo de carácter estructural.
ii. Expresión en términos matemáticos de las relaciones entre las variables, con lo que
se   obtiene un modelo funcional con capacidad operativa.

D. Especificación del modelo: determinación de los parámetros y coeficientes de las

ecuaciones que representan las interrelaciones del modelo.

E. Formulación de un programa computacional.

F. Análisis de validez.

El problema de la validez de los modelos, no es sencillo de resolver, pues envuelve

complejidades prácticas, teóricas e incluso filosóficas. Las cuestiones básicas son, ¿qué
significa validez de una hipótesis? y ¿qué criterio debe ser usado para establecer la
validez? En general, dos pruebas parecen apropiadas para validar modelos. La primera
de ellas, consiste en comparar los resultados con datos históricos conocidos del sistema
real. La segunda, en ver si son aproximadas las predicciones del modelo a la conducta
del sistema en períodos posteriores. En caso de no confirmarse la validez del modelo se
hace necesaria la revisión de las, distintas fases, con el objeto de buscar y resolver
posibles errores. Alguna de las razones más importantes por las cuales un modelo puede
fallar son (Churchman et al., 1973):

A. Inclusión de variables no pertinentes

B. No inclusión de variables pertinentes
C. Relaciones inadecuadas entre variables
D. Parámetros y coeficientes mal determinados

Gráficamente estas fases serían *:

* Los bloques de línea simple

representan una fase normal del proceso
y el bloque de línea doble una fase de
decisión.

Finalmente es importante diferenciar el modelo, que es el resultado del trabajo de

investigación, de las técnicas utilizadas en su construcción. Estas últimas corresponden a
herramientas utilizadas en el desarrollo del modelo, como análisis matemático, álgebra
lineal, programación matemática, probabilidades, etc.
Inteligencia artificial simbólica
Ir a la navegaciónIr a la búsqueda

Inteligencia artificial simbólica es el nombre colectivo para todos los métodos de

investigación de la inteligencia artificial que se basan en representaciones de alto
nivel "simbólico" de los problemas, la lógica matemática y la búsqueda. IA
simbólica fue el paradigma dominante de la investigación en IA desde mediados
de los cincuenta hasta finales de los años ochenta. Después, se introdujeron
enfoques sub-simbólicos más recientes a la IA, basado en redes
neuronales, estadística, optimización numérica y otras técnicas. La IA simbólica se
sigue aplicando en algunos dominios más pequeños (como la representación del
conocimiento), pero la mayoría de las aplicaciones de IA en el siglo XXI no
emplean símbolos legibles como sus objetos primarios.
John Haugeland dio el nombre GOFAI (por sus siglas en inglés, Good Old-
Fashioned Artificial Intelligence) a la IA simbólica en su libro de 1985 Inteligencia
Artificial: La Idea Pura, que exploró las implicaciones filosóficas de la investigación
de la inteligencia artificial. En robótica el término análogo es GOFAIR (por sus
siglas en inglés, "Good Old-Fashioned Robotics").
Este enfoque se basa en la suposición de que muchos aspectos de la inteligencia
se pueden lograr mediante la manipulación de símbolos, un supuesto definido
como la "hipótesis de sistemas de símbolos físicos" por Allen Newell y Herbert A.
Simon a mediados de los años 60’s:
La forma más exitosa de la IA simbólica son los sistemas expertos, los cuales
utilizan una red de reglas de producción. Las normas de producción conectan
símbolos en una relación similar a una instrucción “Si-Entonces” (If-Then). El
sistema experto procesa las reglas para hacer deducciones y determinar qué
información adicional se necesita, por ejemplo, qué preguntas hacer, usando
simbología legible para el ser humano.
Los opositores a la aproximación simbólica incluyen a expertos en robótica
como Rodney Brooks, quien tiene como objetivo producir robots autónomos sin
representación simbólica (o con sólo una mínima representación) y los
investigadores de inteligencia computacional, que aplican técnicas como las redes
neuronales y optimización para resolver problemas en el aprendizaje automático y
la ingeniería de control.
La IA simbólica estaba destinada a producir, inteligencia similar a la humana en
una máquina, mientras que la mayor parte de la investigación moderna se dirige a
sub-problemas específicos. La investigación sobre la inteligencia general está en
estudio del sub-campo llamado Inteligencia Artificial General.

Un sistema experto, es un sistema informático que emula el razonamiento humano actuando

tal y como lo haría un experto en un área de conocimiento.
Los sistemas expertos son una de las aplicaciones de la inteligencia artificial que pretende
simular el razonamiento humano, de la misma manera que lo haría un experto en un área de
especialización.

Tipos de Sistemas Expertos[editar]

Principalmente existen tres tipos de sistemas expertos:

 Basados en reglas previamente establecidas o RBR (Rule Based Reasoning)

 Basados en casos o CBR (Case Based Reasoning).
 Basados en redes bayesianas.
En cada uno de ellos, la solución a un problema planteado se obtiene:
 Aplicando reglas heurísticas apoyadas generalmente en lógica difusa para su
evaluación y aplicación.
 Aplicando el razonamiento basado en casos, donde la solución a un problema similar
planteado con anterioridad se adapta al nuevo problema.
 Aplicando redes bayesianas, basadas en estadística y el teorema de Bayes.

areas que realiza un Sistema Experto[editar]

Monitorización[editar]
La monitorización es un caso particular de la interpretación, y consiste en la comparación
continua de los valores de las señales o datos de entrada y unos valores que actúan como
criterios de normalidad o estándares. En el campo del mantenimiento predictivo los Sistemas
Expertos se utilizan fundamentalmente como herramientas de diagnóstico. Se trata de que el
programa pueda determinar en cada momento el estado de funcionamiento de sistemas
complejos, anticipándose a los posibles incidentes que pudieran acontecer. Así, usando un
modelo computacional del razonamiento de un experto humano, proporciona los mismos
resultados que alcanzaría dicho experto.

Diseño[editar]
Diseño es el proceso de especificar una descripción de un artefacto que satisface varias
características desde un número de fuentes de conocimiento.
El diseño se concibe de distintas formas:

 El diseño en ingeniería es el uso de principios científicos, información técnica e

imaginación en la definición de una estructura mecánica, máquina o sistema que ejecute
funciones específicas con el máximo de economía y eficiencia.

 El diseño industrial busca rectificar las omisiones de la ingeniería, es un intento

consciente de traer forma y orden visual a la ingeniería de hardware donde la tecnología
no provee estas características.
Los SE en diseño ven este proceso como un problema de búsqueda de una solución óptima o
adecuada. Las soluciones alternas pueden ser conocidas de antemano o se pueden generar
automáticamente probándose distintos diseños para verificar cuáles de ellos cumplen los
requerimientos solicitados por el usuario, esta técnica es llamada “generación y prueba”, por lo
tanto estos SE son llamados de selección. En áreas de aplicación, la prueba se termina
cuando se encuentra la primera solución; sin embargo, existen problemas más complejos en
los que el objetivo es encontrar la solución óptima.

Planificación[editar]
La planificación es la realización de planes o secuencias de acciones y es un caso particular
de la simulación. Está compuesto por un simulador y un sistema de control. El efecto final es
la ordenación de un conjunto de acciones con el fin de conseguir un objetivo global.
Los problemas que presentan la planificación mediante SE son los siguientes:

 Existen consecuencias no previsibles, de forma que hay que explorar y explicar varios
planes.
 Existen muchas consideraciones que deben ser valoradas o incluirles un factor de
peso.
 Suelen existir interacciones entre planes de subobjetivos diversos, por lo que deben
elegirse soluciones de compromiso.
 Trabajo frecuente con incertidumbre, pues la mayoría de los datos con los que se
trabaja son más o menos probables pero no seguros.
 Es necesario hacer uso de fuentes diversas tales como bases de datos.
Control[editar]
Un sistema de control participa en la realización de las tareas de interpretación, diagnóstico y
reparación de forma secuencial. Con ello se consigue conducir o guiar un proceso o sistema.
Los sistemas de control son complejos debido al número de funciones que deben manejar y el
gran número de factores que deben considerar; esta complejidad creciente es otra de las
razones que apuntan al uso del conocimiento, y por tanto de los SE.
Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el mismo la
realimentación o el paso de un proceso a otro lo realiza el operador, o en lazo cerrado si no
tiene que intervenir el operador en ninguna parte del mismo. Reparación, correcta o terapia.
La reparación, corrección, terapia o tratamiento consiste en la proposición de las acciones
correctoras necesarias para la resolución de un problema. Los SE en reparación tienen que
cumplir diversos objetivos, como son: Reparación lo más rápida y económicamente posible.
Orden de las reparaciones cuando hay que realizar varias. Evitar los efectos secundarios de la
reparación, es decir la aparición de nuevas averías por la reparación.

Simulación[editar]
La simulación es una técnica que consiste en crear modelos basados en hechos,
observaciones e interpretaciones sobre la computadora, a fin de estudiar el comportamiento
de los mismos mediante la observación de las salidas para un conjunto de entradas. Las
técnicas tradicionales de simulación requieren modelos matemáticos y lógicos, que describen
el comportamiento del sistema bajo estudio.
El empleo de los SE para la simulación viene motivado por la principal característica de los
SE, que es su capacidad para la simulación del razonamiento de un experto humano, que es
un proceso complejo.
En la aplicación de los SE para simulación hay que diferenciar cinco configuraciones posibles:

1. Un SE puede disponer de un simulador con el fin de comprobar las soluciones y en su

caso rectificar el proceso que sigue.
2. Un sistema de simulación puede contener como parte del mismo a un SE y por lo tanto
el SE no tiene que ser necesariamente de simulación.
3. Un SE puede controlar un proceso de simulación, es decir que el modelo está en la
base de conocimiento del SE y su evolución es función de la base de hechos, la base
de conocimientos y el motor de inferencia, y no de un conjunto de ecuaciones
aritmético – lógicas.
4. Un SE puede utilizarse como consejero del usuario y del sistema de simulación.
5. Un SE puede utilizarse como máscara o sistema frontal de un simulador con el fin de
que el usuario reciba explicación y justificación de los procesos.
Instrucción[editar]
Un sistema de instrucción realizara un seguimiento del proceso de aprendizaje. El sistema
detecta errores ya sea de una persona con conocimientos e identifica el remedio adecuado, es
decir, desarrolla un plan de enseñanza que facilita el proceso de aprendizaje y la corrección
de errores.
Recuperación de información[editar]
Los Sistemas Expertos, con su capacidad para combinar información y reglas de actuación,
han sido vistos como una de las posibles soluciones al tratamiento y recuperación de
información, no sólo documental. La década de 1980 fue prolija en investigación y
publicaciones sobre experimentos de este orden, interés que continua en la actualidad.
Lo que diferencia a este sistema de un sistema tradicional de recuperación de información es
que estos últimos sólo son capaces de recuperar lo que existe explícitamente, mientras que
un Sistema Experto debe ser capaz de generar información no explícita, razonando con los
elementos que se le dan. Pero la capacidad de los SE en el ámbito de la recuperación de la
información no se limita a la recuperación. Pueden utilizarse para ayudar al usuario, en
selección de recursos de información, en filtrado de respuestas, etc. Un SE puede actuar
como un intermediario inteligente que guía y apoya el trabajo del usuario final.