Tema 2

Razonamiento y Planificación Automática

Representación del
conocimiento y
razonamiento
 Índice
Esquema 3

Ideas clave 4
2.1. ¿Cómo estudiar este tema? 4
2.2. Técnicas de representación simbólica 5
2.3. Clases de conocimiento 8
2.4. Tipos de razonamiento 10
© Universidad Internacional de La Rioja (UNIR)

2.5. Razonamiento lógico deductivo 14

2.6. Razonamiento lógico inductivo 17
2.7. Razonamiento lógico abductivo 19
2.8. Referencias bibliográficas 22

A fondo 24

Test 27
 Esquema
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

3
Tema 2. Esquema
 Ideas clave

2.1. ¿Cómo estudiar este tema?

En este tema analizaremos cuatro puntos fundamentales para poder entender los
mecanismos de representación de la información para agentes inteligentes:

 La representación de la información: ¿por qué es necesaria?, ¿cómo puede

representar lo que configura el entorno?
 Del conocimiento que tenemos a priori y que podemos proporcionar al agente:
¿cuál es útil?, ¿cómo lo expreso?
 De la información que recibimos en cada instante y que procesamos: ¿cómo
podemos almacenarla?, ¿en qué influye lo que ya ha experimentado un agente?
 Con toda la información que tenemos extraída de la percepción, ¿cómo podemos
crear más información?

Veremos a lo largo del tema que los distintos enfoques de agente que queramos
emplear para resolver un problema influyen notablemente en los esquemas de
diseño de la información y en cómo gestionamos su almacenamiento e inferimos
nuevos datos desde ello.

Además, trataremos brevemente los distintos tipos de razonamiento que emplea el

ser humano para resolver un problema. Describiremos en detalle los razonamientos
lógicos (inductivo, deductivo y abductivo), básicos para entender procesos
necesarios a la hora de implementar sistemas inteligentes.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

4
Tema 2. Ideas clave
 2.2. Técnicas de representación simbólica

Si tomamos en consideración el esquema de agente que debe realizar una toma de

decisiones de acuerdo a las percepciones recibidas de los cambios del entorno en el
que se encuentra, nos encontramos con un primer problema: ¿cómo
representamos la información que caracteriza el entorno y el conocimiento que
tenemos del problema?

Ya hemos visto la importancia de definir bien un problema. Ahora detallaremos los

modelos estándar de representación de dicha información y especificación del
problema.

¿Qué es la representación de la información?

Cualquier entidad inteligente que desee razonar sobre su mundo encuentra un

hecho importante e ineludible: el razonamiento es un proceso que ocurre
internamente, mientras que la mayoría de las cosas sobre las que desea razonar
existen solo externamente. Por ejemplo, Un agente (o persona) dedicado a
planificar el montaje de una bicicleta, puede tener que razonar sobre entidades
como ruedas, cadenas, piñones, manubrios, etc., pero tales cosas existen solo en el
mundo externo.

Esta inevitable dicotomía es una razón fundamental y un rol para una

representación: funciona como un sustituto dentro del razonador, un sustituto de
las cosas que existen en el mundo. Las operaciones en y con representaciones
sustituyen las operaciones en lo real, es decir, sustituyen la interacción directa con
© Universidad Internacional de La Rioja (UNIR)

el mundo. En este punto de vista, el razonamiento en sí mismo es, en parte, un

sustituto de la acción en el mundo, cuando no podemos o no (todavía) queremos
tomar esa acción (Brachman, 1985).

Razonamiento y Planificación Automática

5
Tema 2. Ideas clave
 Las representaciones que tengamos de la información funcionan como sustitutos de
nociones abstractas como acciones, procesos, creencias, causalidad, categorías,
entre otros. Lo que les permite ser descritas dentro de una entidad para que pueda
razonar sobre ellas.

Técnicas de representación

La representación explícita y formal del conocimiento sobre un problema requiere

el uso de técnicas particulares. En el campo de la representación simbólica del
conocimiento dentro de la inteligencia artificial, se han propuesto diversas formas
de representación (Molina, 2006). Como muestra de estas técnicas tenemos, por
ejemplo:

Marcos: que son representaciones estereotipadas de situaciones, conceptos, ideas u objetos. Los
procesos de inferencia se realizan por medio de la jerarquía u ordenación de los mismos.

Lógica: representación e inferencia basada en modelos lógicos formales.

Reglas: por medio del encadenamiento hacia adelante se produce la inferencia de sentencias
condicionales basadas en estructuras de la forma SI-ENTONCES.

Restricciones: interrelaciones entre variables por medio de un dominio de valores posibles. La

inferencia se realiza a través de técnicas de propagación de restricciones o consistencia de arco.

Red bayesiana: red causal basada en valoraciones cuantitativas probabilistas de la influencia o

relaciones entre antecedentes y consecuentes.

Lógica difusa: valoraciones semánticas experienciales que nos identifican valores de pertenencia a
conjuntos de características borrosas. El proceso de inferencia se realiza por medio de modelos
matemáticos de lógica especializada para estos entornos.

Figura 1. Técnicas de representación.

© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

6
Tema 2. Ideas clave
 En general, una forma de representación del conocimiento debe satisfacer los
siguientes requisitos (Molina, 2006):

 Formal: la representación no debe presentar ambigüedades. Por ejemplo, el

lenguaje natural no se considera representación del conocimiento debido a las
ambigüedades que presenta.
 Expresiva: la representación debe ser suficientemente rica como para capturar
los diferentes aspectos que sea necesario distinguir. Por ejemplo, las fórmulas
lógicas de cálculo de predicados constituyen una representación más expresiva
que la que se maneja en cálculo proposicional.
 Natural: la representación debe ser suficientemente análoga a formas naturales
de expresar conocimiento. En este sentido, las representaciones matemáticas
tradicionales y cuantitativas (por ejemplo, las matrices) pueden resultar muy
artificiales para emular procesos de razonamiento.
 Tratable: la representación se debe poder tratar computacionalmente, es decir,
deben existir procedimientos suficientemente eficientes para generar respuestas
a través de la manipulación de los elementos de las bases de conocimiento.

En general, es conveniente crear representaciones de información basadas en una

única representación. Esto mejora el mantenimiento de la base de conocimiento.
Pero, en algunos casos, intentar representar todo el conocimiento en una única
representación nos puede limitar la aplicación de técnicas y algoritmos.

Para sistemas complejos que requieren tomar decisiones a distintos niveles, es

común emplear la idea de generar agentes multicapa (ver Figura 2) que
descomponen el problema en niveles y, para cada uno de ellos, establece un
tratamiento orientado a un agente especializado que necesita de una
© Universidad Internacional de La Rioja (UNIR)

representación concreta de parte de la información del entorno (Molina, 2006).

Razonamiento y Planificación Automática

7
Tema 2. Ideas clave
 Figura 2. Sistema modular multicapa. Fuente: (Molina, 2006).

Debido a esto, la propuesta actual es diseñar sistemas inteligentes basados en

arquitecturas que distribuyan y traten el problema de modo más organizado y
emplear técnicas especializadas para cada subtarea o subproblema.

2.3. Clases de conocimiento

Para resolver problemas de modo natural es necesario llevar a cabo un análisis

preciso del conocimiento. Para ello, debemos tener en cuenta las distintas
clasificaciones de conocimiento que se emplean en la inteligencia artificial (Mira,
1995).
© Universidad Internacional de La Rioja (UNIR)

En el trabajo de (Molina, 2006)hay un detalle más extenso de los tipos de

conocimiento. Lo pueden ver en la Figura 3.

Razonamiento y Planificación Automática

8
Tema 2. Ideas clave
 Conocimiento de dominio
 Son aquellos criterios específicos de un problema o entorno concreto.

 Su representación es declarativa.

 No tienen que presentar orden o relación entre ellos y pueden ser no completos.

Conocimiento explícito
 Extraído del análisis introspectivo de los propios razonamientos.

 Conociendo los procesos realizados para resolver un problema, se extraen las relaciones por medio de

un análisis detenido.

 Se suele expresar por medio de marcos o reglas.

Conocimiento implícito
 Aquel que refiere a capacidades o habilidades innatas que, por su naturaleza o complejidad, no son

expresadas de modo sencillo verbalmente.

 Se emplean redes bayesianas o redes neuronales para su representación o modelización.

Conocimiento superficial
 Obtenido por medio de la experiencia en la resolución de otros problemas similares.

 Por medio de reglas se modeliza el problema sin hacer explícitos los detalles teóricos que los sustentan.

Conocimiento profundo
 Responde a un marco teórico bien estructurado.

 No está presente en muchos problemas porque no es sencillo tener un análisis teórico del

funcionamiento del entorno en todos los problemas.

 Contraposición entre problemas de mecánica y/o problemas de medicina o economía.

Conocimiento de control
 Representa el modelo del problema por medio del orden de ejecución de un conjunto de pasos para

resolver el problema.

 En muchos casos, puede derivar en la codificación de un programa en la secuencia de expansión de los

algoritmos de búsqueda.

Metaconocimiento
 Conocimiento que permite generar nuevos modelos a partir de modelos de problemas anteriores.

 Emplea mecanismos de inferencia general sobre los problemas y modelos lógicos.

 Establece relaciones entre niveles de bases de conocimiento, es decir, se pueden expresar nuevos

elementos en una base de conocimiento a partir de otros conocimientos de otra base.

© Universidad Internacional de La Rioja (UNIR)

Figura 3. Tipos de conocimiento.

Razonamiento y Planificación Automática

9
Tema 2. Ideas clave
 Figura 4. Esquema conceptual de las distintas fases del desarrollo de un sistema basado en el conocimiento.
Fuente: (Galán, 2008)

La Figura 4 muestra un esquema conceptual de las distintas fases del desarrollo de

un sistema basado en el conocimiento.

2.4. Tipos de razonamiento

Cuando hablamos de razonamiento, nos referimos a un conjunto de actividades

mentales que conectan las ideas basándose en reglas que justifican una idea,
© Universidad Internacional de La Rioja (UNIR)

permitiendo resolver problemas a través de conclusiones.

Razonamiento y Planificación Automática

10
Tema 2. Ideas clave
 Veamos algunas interpretaciones de la definición de razonamiento a través de
varios autores:

«El razonamiento es un conjunto de proposiciones relacionadas de tal manera que

la proposición final (conclusión) se obtiene de las proposiciones iniciales (premisas),
dando lugar a un conocimiento nuevo que supera el expresado en las premisas»
(Contreras, 1992)

«El razonamiento es el acto mediante el cual progresamos en el conocimiento con

ayuda de lo ya conocido. Las proposiciones de lo conocido se llaman premisas y el
conocimiento que se obtiene de las premisas es la conclusión» (Napolitano, 1989).

«El razonamiento es un proceso a través del cual, dadas unas premisas verdaderas,
o supuestamente verdaderas, se pasa a afirmar una nueva proposición (conclusión)
que se fundamenta en las premisas» (Muñoz, 1992).

Como se puede observar en estas definiciones, los autores se refieren a los mismos
conceptos implicados: premisas + conclusión.

Figura 5. Razonamiento.

En todo razonamiento existen dos elementos: contenido y forma.

© Universidad Internacional de La Rioja (UNIR)

 Contenido: es lo que hace que una proposición sea verdadera o falsa. Es la

referencia a los objetos y las propiedades.
 Forma: es el nexo lógico entre los antecedentes (lo ya conocido) y los
consecuentes (la conclusión inferida a partir de los antecedentes). Este nexo que
implica inferencia se expresa mediante conjunciones. La forma es la que hace

Razonamiento y Planificación Automática

11
Tema 2. Ideas clave
 que la proposición sea válida, y consiste en el uso de símbolos para expresar la
validez de las proposiciones.

El razonamiento puede clasificarse en: razonamiento deductivo y razonamiento no

deductivo.

Figura 6. Clasificación del razonamiento.

Los tipos de razonamiento son:

 Analógico: método de procesamiento de la información donde se utilizan

similitudes para lograr una conclusión. Se parte del conocimiento de una
característica común entre dos objetos y se llega a la conclusión de que otros
objetos similares tendrán las mismas características. Es no deductivo. Emplea
comparaciones. Establece el tipo de relaciones: A es a B como C es a D.
 Válido e inválido: hablamos de razonamiento válido cuando la conclusión parte
de las premisas. Se considera que un razonamiento es válido, partiendo de la
© Universidad Internacional de La Rioja (UNIR)

forma lógica, aunque la conclusión o las premisas sean falsas; mientras que un
razonamiento inválido se produce cuando, a partir de premisas verdaderas, se
obtiene una conclusión falsa.

Razonamiento y Planificación Automática

12
Tema 2. Ideas clave
 Tabla 1. Validez o no validez de un razonamiento. Fuente: (Seijas, 2012)

Todo argumento puede representarse mediante una proposición condicional con

las premisas como antecedente y con la conclusión como consecuente.

 Lógico: también llamado razonamiento formal, es el proceso mental que implica

la aplicación de la lógica. Se puede partir de una o varias premisas para obtener
una conclusión verdadera, falsa o posible. También se denomina razonamiento
causal cuando, a partir de uno o varios juicios, se deriva la validez, la posibilidad
o la falsedad de un juicio diferente. Puede iniciarse a partir de una observación o
hipótesis. Puede transformarse en un razonamiento inductivo o en un
razonamiento deductivo. Son tipos de razonamiento lógico: razonamiento
inductivo, razonamiento deductivo y razonamiento deductivo.
© Universidad Internacional de La Rioja (UNIR)

Figura 7. Esquema de razonamiento lógico.

Razonamiento y Planificación Automática

13
Tema 2. Ideas clave
  No-lógico: también conocido como razonamiento informal. No solo se parte de
premisas (como ocurre en el razonamiento lógico), también se tiene en cuenta el
contexto y la experiencia.
 Argumentativo: un argumento es toda expresión lingüística de un determinado
razonamiento; por tanto, el razonamiento argumentativo refiere a la actividad
lingüística donde se puede argumentar. Establece una secuencia de ideas en un
argumento que, por medio de distintos mecanismos de razonamiento,
intentamos proceder desde una tesis hasta una conclusión. Podemos distinguir
cinco modos de razonamiento argumentativo: por analogía, por generalización,
por signos, por causa y por autoridad.
 Por analogía: consiste en emplear el recurso de la analogía para explicar nuevos
fenómenos, comparando punto por punto un fenómeno desconocido con otro
conocido para llegar a comprender el primero. La analogía permite garantizar
que, a partir de una tesis aceptada, la misma tesis es válida para otro fenómeno
u objeto. Asumimos que, si dos cosas son muy parecidas entre sí, entonces la
tesis válida para una de ellas es también válida para la otra.
 Hipotético: es un análisis de consecuencias en un escenario imaginario o ficticio.

A continuación, vamos a centrarnos en los razonamientos más importantes para la

inteligencia artificial.

2.5. Razonamiento lógico deductivo

Deducir es elaborar inferencias. Las inferencias deductivas son aquellas que pueden
ser válidas o inválidas. Es un razonamiento cuya conclusión es de consecuencia
© Universidad Internacional de La Rioja (UNIR)

necesaria; es decir, dadas unas determinadas premisas, se dice necesariamente una

conclusión (Napolitano, 1989).

Razonamiento y Planificación Automática

14
Tema 2. Ideas clave
 Un razonamiento es deductivo cuando en él se exige que la conclusión se derive
necesariamente, forzosamente de las premisas. Por ello, se le considera
rigurosamente (Contreras, 1992).

Ejemplo de razonamiento deductivo:

 Si nieva, entonces hace frío.

 Nieva.
 Luego tengo frío.

Se entiende que existe validez cuando, a partir de las premisas verdaderas, no se

consigue una conclusión falsa. De premisas falsas pueden derivarse conclusiones
verdaderas y, sin embargo, el argumento ser válido.

La verdad se da cuando lo que se describe en las premisas se corresponde con la

realidad. Este tipo de razonamiento va de lo general a lo particular.

Dentro del razonamiento deductivo se distinguen varios tipos:

 Razonamiento deductivo categórico: parte de dos premisas verdaderas que

darán lugar a una conclusión verdadera.
 Razonamiento deductivo proposicional: relaciona dos premisas donde una es
condición de la otra, antecedente y consecuente.
 Disyunción o dilema: la relación entre las premisas es de contrarios, por lo tanto,
la conclusión descarta una de ellas.

Existen dos formas de razonamiento deductivo: inmediato (la única operación

© Universidad Internacional de La Rioja (UNIR)

lógica es el cambio de juicio) y mediato (se establece una relación de mediación

entre juicios para llegar a la conclusión).

Razonamiento y Planificación Automática

15
Tema 2. Ideas clave
 Deducción (Peirce, 1867):

Premisa mayor MP Los seres humanos son mortales.

Premisa menor SM Los griegos son seres humanos.

Conclusión SP Los griegos son mortales.

Tabla 2. Deducción.

Los objetivos del razonamiento deductivo se alcanzan a través del método

deductivo, una serie de pasos prefijados que permiten alcanzar con éxito el
objetivo. El método deductivo, utilizado por Euclides (325-265 a. C.) en su
geometría, y basado en la lógica de Aristóteles, deduce teoremas a partir de
principios universales. Es un método que no proporciona información nueva.

Observa y analiza el siguiente esquema de funcionamiento del método deductivo:

Figura 8. El método deductivo. Fuente: (E-ducativa, 2020)

El método deductivo parte de lo general para llegar a lo particular.

© Universidad Internacional de La Rioja (UNIR)

Figura 9. Pasos que sigue el método deductivo.

Razonamiento y Planificación Automática

16
Tema 2. Ideas clave
 2.6. Razonamiento lógico inductivo

El razonamiento inductivo crea conclusiones probables de acuerdo a las premisas

dadas. Se basa en que, si diversos acontecimientos presentan la misma situación
que la de sus premisas, existe la probabilidad de que el resultado sea idéntico.
Inducir significa precisamente extraer conclusiones generales de experiencias
particulares.

La diferencia con el razonamiento deductivo es que la conclusión no se obtiene

obligatoriamente de las premisas. La conclusión del razonamiento inductivo se
obtiene con la observación directa de casos particulares.

Observa las diferencias en el siguiente esquema:

Figura 10. Diferencias entre razonamiento inductivo y deductivo. Fuente: ([Link], 2020)

Veamos el ejemplo de los griegos desde la perspectiva de la inducción (Peirce,

© Universidad Internacional de La Rioja (UNIR)

1867):

Premisa menor (original) SM Los griegos son seres humanos.

Conclusión (original) SP Los griegos son mortales.

Razonamiento y Planificación Automática

17
Tema 2. Ideas clave
 Premisa mayor (original) MP Los seres humanos son mortales.

Tabla 3. Inducción.
Dentro del razonamiento inductivo hay distintos tipos:

 Razonamiento inductivo completo (también llamado razonamiento inductivo

perfecto): ocurre cuando todos los casos particulares están incluidos en las
premisas.
 Razonamiento inductivo incompleto o razonamiento inductivo imperfecto: en las
premisas únicamente se incluyen determinados casos particulares.

Los objetivos del razonamiento inductivo se alcanzan a través del método

inductivo, una serie de pasos prefijados que permiten alcanzar con éxito el objetivo.

El método inductivo fue propuesto por Francis Bacon para tratar de generalizar
conclusiones de carácter universal a partir de la observación de casos particulares.
El método inductivo tiene riqueza de información.

A continuación, se muestra un esquema de funcionamiento del método inductivo:

Figura 11. Funcionamiento del método inductivo. Fuente: (E-ducativa, 2020)

© Universidad Internacional de La Rioja (UNIR)

El método inductivo parte de lo particular para llegar a lo general.

Razonamiento y Planificación Automática

18
Tema 2. Ideas clave
 Figura 12. Pasos que sigue el método inductivo.

2.7. Razonamiento lógico abductivo

El concepto clave en este tipo de razonamiento es el silogismo. A través del

silogismo, se considera la premisa mayor como cierta y la premisa menor como
probable, lo que conduce a obtener una conclusión que posee el mismo nivel de
probabilidad que la premisa menor. Es decir, el silogismo está constituido por al
menos dos premisas —particulares (se refieren solo a un caso o a un único
individuo) o universales (se aplican a todos los casos)— y una conclusión (resultado
de comparar las premisas). El primero en dar a conocer este tipo de razonamiento
fue Aristóteles.

A partir de un hecho se llega a las acciones que lo causaron. Es un método

empleado para encontrar explicaciones de hechos observados.

Por tanto, la abducción consiste en elaborar una hipótesis explicativa con base al
siguiente esquema: veo A con la característica Z. Como todos los A que veo son Z,
© Universidad Internacional de La Rioja (UNIR)

entonces cualquier elemento A tiene la característica Z.

La abducción parte de hechos y busca una teoría (del efecto a la causa). Es un

concepto que no puede ser directamente observado, relaciona lo observable con
algo diferente que posiblemente tampoco será observado.

Razonamiento y Planificación Automática

19
Tema 2. Ideas clave
 El razonamiento abductivo implica un proceso que abarca tres pasos:

 El objeto o hecho.
 Hipótesis de por qué ocurre el objeto o hecho.
 Afirmar que la causa fue la responsable del objeto o hecho.

Para Charles S. Peirce (Peirce, 1867), la abducción o retroducción es un proceso

inferencial que está relacionado con la generación de hipótesis, ya sea en el
razonamiento científico o en el razonamiento ordinario.
El ejemplo de los griegos desde la abducción (Peirce, 1867):

Premisa mayor (original) SM Los seres humanos son mortales.

Conclusión (original) SP Los griegos son mortales.

Premisa menor (original) MP Los griegos son seres humanos.

Tabla 4. Abducción.

La lógica y el razonamiento abductivo son fundamentales, ya que permiten

enriquecer cualquier proceso en la fase de prueba, aportando una perspectiva de
cambio.
© Universidad Internacional de La Rioja (UNIR)

Figura 13. La lógica y el razonamiento abductivo en la innovación.

Fuente: (Sobejano, 2013)

El razonamiento abductivo permite pensar de manera alternativa, sin seguir los

caminos habituales de razonamiento, lo que conduce a soluciones disruptivas y
novedosas. Es contrario al razonamiento deductivo, que nos lleva a quedarnos en la

Razonamiento y Planificación Automática

20
Tema 2. Ideas clave
 zona de confort. La innovación está fuertemente ligada al razonamiento abductivo
(Sobejano, 2013)

El método abductivo nos permite enfrentar hechos que parecen inexplicables. Es

un proceso de creación basado en la observación de un fenómeno, que puede
clasificarse como sorprendente, y en la investigación del hecho. Los raptos son
conjeturas espontáneas de la razón. Para que surjan, la imaginación y el instinto son
necesarios, para ir más allá de lo que se conoce. El musement sense, del que habla
Peirce, es un momento más instintivo que racional en el que hay un flujo de ideas
hasta que de repente la idea aparece como una iluminación, según (Peirce, 1867)
«el secuestro es el primer paso del razonamiento científico» y eso dará comienzo a
una restricción de hipótesis aplicable a un fenómeno.

En la siguiente figura se resumen las diferencias entre los tres tipos de

razonamiento analizados en detalle en este tema.
© Universidad Internacional de La Rioja (UNIR)

Figura 14. Diferencias entre tipos de razonamiento.

Razonamiento y Planificación Automática

21
Tema 2. Ideas clave
 2.8. Referencias bibliográficas

Brachman, R. y. (1985). Readings in Knowledge Representation. Los Altos: Morgan

Kaufman.

Contreras, B. (1992). Lógica simbólica. San Cristóbal: Universidad Católica del

Táchira.

E-ducativa. (2020). [Link] Obtenido de 4.1. El método

inductivo y el método deductivo: [Link]
[Link]/44700165/aula/archivos/repositorio/1000/1248/html/41_el_mt
odo_inductivo_y_el_mtodo_deductivo.html

Galán, S. F. (2008). Problemas resueltos de inteligencia artificial aplicada: búsqueda

y representación. Madrid: Pearson Educación.

Mira, J. D. (1995). Aspectos básicos de la inteligencia artificial. Madrid: Sanz y

Torres.

Molina, M. (2006). Métodos de resolución de problemas: aplicación al diseño de

sistemas inteligentes. Madrid: Fundación General de la UPM. . Obtenido de
Recuperado de [Link]

Muñoz, A. (1992). Lógica simbólica elemental. Venezuela: Miró.

Napolitano, A. (1989). Lógica Matemática. Caracas: Biosfera.

© Universidad Internacional de La Rioja (UNIR)

Peirce, C. (1867). On the Natural Classification of Arguments. Proceedings of the

American Academy of Arts and Sciences, (págs. 7, 261-287).

Razonamiento y Planificación Automática

22
Tema 2. Ideas clave
 [Link]. (2020). ¿Cómo diferenciar el razonamiento inductivo del deductivo?
Obtenido de [Link]: [Link]
razonamiento-inductivo-del-deductivo/

Seijas, L. (27 de 05 de 2012). Monografias. Obtenido de Elementos y tipos de

razonamiento: [Link]
razonamiento/[Link]

Sobejano, J. (17 de 07 de 2013). La lógica de la innovación. Obtenido de Sintetia:

[Link]
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

23
Tema 2. Ideas clave
 A fondo
Introducción a la representación del conocimiento

Béjar, J. (2006). Tema 3: Representación del conocimiento. Universidad Politécnica de

Catalunya. Barcelona. Recuperado de:
[Link]

Diapositivas en las que se explica brevemente la representación del conocimiento

(esquemas de representación, propiedades de un sistema de representación...).

Fundamentos de la representación de la información

Davis, R., Shrobe, H. y Szolovits, P. (1993). What is a Knowledge Representation? AI

Magazine, 14(1): 17-33. Recuperado de: [Link]
[Link]

Artículo en el que se puede ampliar el conocimiento sobre los fundamentos de la

representación de la información y su necesidad dentro del razonamiento
automático.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

24
Tema 2. A fondo
 Tipos de argumentos

Muñoz, A. (2017). Tipos de argumentos. Recuperado de:

[Link]

Breve presentación en la que se explica de forma sencilla los argumentos

deductivos, inductivos, abductivos...

Razonamiento deductivo e inductivo

Página web con ejemplos de razonamiento deductivo e inductivo.

Accede a la página web a través del aula virtual o desde la siguiente dirección web:
[Link]
deductivo/

Glosario de filosofía

Página web con un glosario de términos de filosofía.

© Universidad Internacional de La Rioja (UNIR)

Accede a la página web a través del aula virtual o desde la siguiente dirección web:
[Link]

Razonamiento y Planificación Automática

25
Tema 2. A fondo
 Bibliografía adicional

Carretero, M., Almaraz, J. y Fernández, P. (1995). Razonamiento y comprensión.

Madrid: Trotta.

Davis, R. (1991). A Tale of Two Knowledge Servers. AI Magazine, 12(3): 118-120.

Nilsson, N. (1991). Logic and artificial intelligence, AI, 47: 31-56.

Peirce, C. S. (1903). Three types of Reasoning. En Harvard Lectures on Pragmatism:

Lecture VI. Harvard University: Massachusetts.

Steels, L. (1985). Second generation expert systems. Future Generation Computer

Systems, 1(4), 213-221.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

26
Tema 2. A fondo
 Test
1. ¿Qué técnica no es una forma de representación explícita del conocimiento?
A. Reglas.
B. Morfológica.
C. Marcos.
D. Lógica.

2. La representación mediante reglas:

A. Emplea sentencias condicionales si-entonces.
B. Combina encadenamiento hacia atrás y hacia delante.
C. Representa estereotipos.
D. La A y la B son correctas.

3. ¿La representación del conocimiento no debe ser?

A. Formal.
B. Expresiva.
C. Natural.
D. Artificial.

4. El conocimiento del dominio:

A. Normalmente se expresa de modo declarativo.
B. Es un conjunto general de criterios aplicable a varios problemas.
C. Se separa del conocimiento de inferencia.
D. La A y la C son correctas.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

27
Tema 2. Test
 5. El conocimiento explícito:
A. Es descrito mediante análisis introspectivo del propio proceso de
razonamiento.
B. Es siempre completo.
C. Es análogo al conocimiento implícito.
D. Representa el conocimiento que se tiene del dominio del problema.

6. El conocimiento superficial:
A. Se extrae del análisis general del marco teórico del problema.
B. Es el derivado de la experiencia obtenida al resolver problemas similares.
C. Es eminentemente práctico.
D. La B y la C son correctas.

7. La diferencia entre razonamiento inductivo y razonamiento deductivo es:

A. Que en el razonamiento inductivo la conclusión no se obtiene
obligatoriamente de las premisas.
B. Que en el razonamiento deductivo la conclusión no se obtiene
obligatoriamente de las premisas.

8. El método abductivo:
A. Emplea abducciones que se definen como conjeturas espontáneas de la
razón.
B. Parte de hechos directamente observados.

9. El siguiente ejemplo de razonamiento:

Premisa mayor: «Toda planta tiene vida».
Premisa menor: «Todo rosal es una planta».
© Universidad Internacional de La Rioja (UNIR)

Resultado: «Todo rosal tiene vida». Corresponde a:

A. Razonamiento inductivo.
B. Razonamiento deductivo.
C. Razonamiento abductivo.

Razonamiento y Planificación Automática

28
Tema 2. Test
 10. El siguiente ejemplo de razonamiento:
Premisa primera: «Veo un cisne blanco».
Premisa segunda: «Veo otro cisne blanco».
Resultado: «Todos los cisnes son blancos». Corresponde a:
A. Razonamiento inductivo.
B. Razonamiento deductivo.
C. Razonamiento abductivo.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

29
Tema 2. Test