3. Logik Inferenz 3. Logik Zielrichtungen der Inferenz Inferenz 3 Logik Gegenstand der Logik: Prognosen, logische Ableitungen erstellen Es ist Fakten und Regeln gegeben. Was kann daraus gefolgert werden? Beispiel: Wenn es regnet, dann ist die Straße naß. Was kann aus der Tatsache, daß es regnet, gefolgert werden? Repräsentation von Wissen durch Formeln eines adäquaten Logikkalküls Herleitung (Inferenz) von neuem Wissen auf Basis der Kalküls. Erklärungen finden Wie läßt sich ein Fakt mit Hilfe der Regeln erklären? Beispiel: Die Straße ist naß. Wie kann das sein? Anwendungsgebiete der Logik in der Wissensverarbeitung: Inferenz in Expertensystemen Hypothesen prüfen Können aus den Fakten und den Regeln die Hypothesen hergeleitet werden? Beipiel: Wenn es regnet, dann ist die Straße naß. Es regnet. Ist die Straße dann naß? Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 automatisches Beweisen Programmverifikation Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik 74 Inferenz Arten der Inferenz Deduktion Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Bei unserem Auto ist die Batterie leer. Wir schließen, daß wir unser Auto nicht starten können. Induktion Wir haben wiederholt beobachtet, daß ein Auto nicht startet und die Batterie leer ist. Wir haben noch nie beobachtet, daß ein Auto mit leerer Batterie gestartet werden konnte. Wir schließen daraus, daß ein Auto, das eine leere Batterie hat, nicht gestartet werden kann. Abduktion Zum Starten eines Autos ist eine aufgeladene Batterie notwendig. Unser Auto läßt sich nicht starten. Wir schließen, daß die Batterie leer ist. 77 Inferenz Weitere Aspekte bei der Wissensverarbeitung mit Logik Qualifikationsproblem unpräzise Angaben 3. Logik probabilistische Aussagen und Regeln räumlich-zeitliches Wissen Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 75 Logikprogrammierung, deduktive Datenbanken Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 76 3. Logik Formeln Aussagenlogik Formeln ermöglichen es, Dinge der repräsentierten Welt auszudrücken. Formeln entsprechen einer gewissen Syntax (sie sind wohlgeformt). Diese Syntax legt eine Wissensrepräsentationssprache fest. Formeln sind üblicherweise rekursiv aufgebaut. Die atomaren Formeln ergeben sich aus der Signatur. 80 Mit logischen Verknüpfungsoperatoren (den Junktoren) werden aus atomaren Formeln schrittweise komplexere Formeln aufgebaut. Aussagenlogik Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Falls und / aussagenlogische Formeln sind, dann sind auch die folgenden Konstrukte aussagenlogische Formeln: 3. Logik Signatur Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die Dinge der realen Welt beschreiben können. 78 Aussagenlogik Die Elemente der Menge sind aussagenlogische Formeln, die sogenannten atomaren Formeln. Eine derartige Menge von Namen wird als Signatur bezeichnet und üblicherweise durch gekennzeichnet. Im folgenden benutzen wir üblicherweise Großbuchstaben als Aussagenvariablen. 79 Definition 3.2. Für eine aussagenlogische Signatur ist die Menge !#"%$%&('*)#+,.- der aussagenlogischen Formeln wie folgt definiert: Den Namen ist i.d.R. eine gewisse Stelligkeit zugeordnet. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Aussagenlogische Formeln Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik 81 Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Aussagenlogische Signatur Definition 3.1. Eine aussagenlogische Signatur ist eine Menge von (nullstelligen) Bezeichnern, den Aussagenvariablen. ist eine aussagenlogische Signatur, die drei Aussagenvariablen zur Verfügung stellt. Beispiel 3.1. Die Menge Aussagenlogik 3. Logik 3. Logik 3. Logik Aussagenlogik +,0 21 + /3- 65 + /3- 67 + /3- Bemerkung 3.1. Zur Vereinfachung der Schreibweise verzichten wir i.d.R. auf die Klammerung und benutzen statt dessen die folgenden Bindungsprio1 4 5 7 ritäten: 098 8 8 8 . : Aussagenlogik -Interpretation her- 83 3. Logik Negation Konjunktion Disjunktion Implikation Äquivalenz /3- 24 + -Interpretation Die Syntax einer Logik legt ausschließlich deren äußere Form fest, sie sagt aber nichts über die Bedeutung der Formeln aus. Benötigt wird eine Verbindung zwischen den syntaktischen Elementen der Logik und den Objekten der zu repräsentierenden Welt. Diese Verbindung wird durch eine sogenannte gestellt. Eine -Interpretation einer Signatur ist die Zuordnung von den Elementen der Signatur (Namen) zu den Elementen der zu repräsentierenden Welt. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Aussagenlogik Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik Aussagenlogik Belegung Erfüllungsrelation Die Interpretation liefert uns nur einen Wahrheitswert für die atomaren Formeln. eine aussagenlogische Definition 3.3. Es sei Signatur. 5 Wir benötigen eine Ausdehnung der Semantik dc auf alle Formeln !E"%$%&('K)E+,.- . Dieses stellt uns eine Erfüllungsrelation 82 eV bereit. Durch solch eine Erfüllungsrelation ist definiert, ob eine Formel in einer -Interpretation ; wahr ist oder nicht, d.h. sie ordnet einer Interpretation und einer Formel einen Wahrheitswert zu. ONCP*Q Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 85 D F(M +,.- bezeichnet die Menge der Belegungen für . Beispiel 3.2. Für die Signatur aus Beispiel 3.1 ist definiert durch ; ;R+ FED Q B(DGF ! S%'GU('%$T D PKZ QY ;R+WSXJ $ ;R+WSXJ Eine Erfüllungsrelation definiert hierzu im wesentlichen die Semantik der Junktoren. ACBEDGF Eine Abbildung ;=<>@? $E8IH )KJKL heißt aussagenlogische Interpretation oder Belegung für . Q[ $XUE'ES Q V J]\ P DGF H_^ $ B(DGF V Sa`X-bV D H $ F )KJKL eine mögliche Belegung. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 84 s r{ p o | q c !E"%$g&T'K)#+,.- (nichtDefinition 3.4. Es seien 8f/ atomare) aussagenlogische Formeln. Durch die folgenden Wahrheitstafel wird eine -Interpretation ; von auf die Menge !E"%$g&T'K)#+h.- ausgedehnt: ;R+ s q r B H O1 ;R+ -i;R+h/3H tu Für B c ; ;R+ H B NCPKQ H und ;R+ /3B H B H B +,>- j5 /3- B B v /3- H B O4 ;R+ H B q ;R+,0 H o - B s B H B kc !#"X$g&('*)#+,>- H gelte: r . Gilt | | Semantik der Aussagenlogik n und w Aussagenlogik op . n 3. Logik Modell r s ” und v r bezeichnet die Menge aller -Modelle für tu als -Modell für | n q n } 3. Logik q s n “ erfüllt z Definition 3.5. Es seien so sagen wir bezeichnen s ;le V . n n w w s s , 87 Aussagenlogik Für eine Menge von Formeln gelte gdw. . ist dann ein Modell für die Formelmenge . für alle Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 x ty heißt allgemeingültig (Tautologie) gdw. jede Interpretation ein Modell für die Formel ist. n ~ 88 Aussagenlogik Die Begriffe werden in analoger Weise für Formelmengen !#"X$g&T'K)#+,>- verwendet. 89 falsifizierbar gdw. es eine Interpretation gibt, die kein Modell für die Formel ist. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 ~ aus Beispiel 3.2 ist ein Modell für die unerfüllbar (Kontradiktion) gdw. es kein Modell für die Formel gibt. Modell (2) erfüllbar gdw. es ein Modell für die Formel gibt. 86 3. Logik Definition 3.6. Eine Formel $ Beispiel 3.3. Die Interpretation Formel “Kräht der Hahn auf dem Mist, ändert sich das Wetter oder es bleibt wie es ist” n kein Modell für die Formel Besonders interessant sind Formeln, die für alle Interpretationen wahr bzw. falsch sind. B(DGF -mV Dagegen ist Erfüllbarkeit Beweis mit Wahrheitstafeln ✎. Aussagenlogik Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik gdw. ;R+ 3. Logik Aussagenlogik 3. Logik Aussagenlogik Tautologie Semantische Folgerung Beispiel 3.4. Wichtige Tautologien sind: Modus Ponens In einem wissensbasierten System wollen wir Fakten aus anderen Fakten und Regeln herleiten. 21 A] V 1 CC EM 8aCC8 entspricht /3-I- j5 Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 | ? 5 | /3- Oder-Introduktion j5 24 + /3- Resolutionsregel 65 ++ 1 /3- 65 5 +,0 4 -- +,/ - Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik 90 Aussagenlogik Semantische Folgerung (2) c 8f/ !E"%$%&('K)E+,.- aussa- G heißt semantische Folgerung von gdw. jedes Modell für F auch ein Modell für G ist. In diesem Fall schreiben wir e V/ Wir sagen auch “ / folgt logisch aus folgt semantisch / ”. . ” bzw. “aus Für eine Formelmenge gelte ie V/ gdw. jedes Modell für auch ein Modell für G ist. Für Formelmengen 8I gelte c / für alle / gilt. e V gdw. e V Aussagenlogik 93 gefolgert werden, d.h. gilt 0 Und-Elimination Definition 3.7. Es seien genlogische Formeln. Semantische Folgerung (3) die Aussage | 3. Logik Beispiel 3.5. Gegeben sei die Formelmenge Kann aus Ja! Beweis mit Wahrheitstafeln ✎. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 91 0m/3- 21 Damit können wir die Erfüllungsrelation e V auf eine Beziehung zwischen Formeln und Formelmengen ausdehnen. | 5 /3- . Unser übliches Verständnis von Folgerung läßt sich so ausdrücken: Ist eine Formel / immer dann wahr, wenn alle Formeln aus wahr sind, dann folgt / aus . / 1 ++ + w 5 + Modus Tollens Wir können eine Wissensbasis als eine Menge !#"X$g&('*)#+,>- betrachten. Eine solche Menge 1 der Konjunktion j5 + Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 92 3. Logik Semantische Folgerung (4) Aussagenlogik 3. Logik ist unerfüllbar. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 96 Aussagenlogik aussagenlogische Formeln. Dann gilt: Semantische Folgerung (5) Satz 3.1. Es seien s Bemerkung 3.2. Die Äquivalenzen können auf Formelmengen ausgedehnt werden. ist unerfüllbar. ist Tautologie. s Beispiel 3.6. Wir wollen uns ein Haustier anschaffen und machen folgende Überlegungen: ) gdw. £ ¢ ist Tautologie gdw. gdw. £ ¢ ¢ s s 1. Es sollte nur ein Hund ( ), eine Katze ( ) oder ein Hamster ( sein. 2. Besitzer wertvoller Möbel ( ) sollten keine Katze anschaffen, da diese die Möbel zerkratzen würde. 3. Ein Hund erfordert ein freistehendes Haus ( ), damit sich kein Nachbar durch das Bellen gestört fühlt. 94 Aussagenlogik w ¢ Wir vermuten: Für einen Besitzer wertvoller Möbel ohne freistehendes Haus kommt nur ein Hamster in Frage. Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 3. Logik Beweis mit Wahrheitstafeln ✎. 95 | w ¢ Wissensverarbeitung und Data Mining — FH Bonn-Rhein-Sieg, WS 01/02 ¥ s s s s ~ ¤ ¡