Inteligencia Artificial (GII-TI) (12–12–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Sólo se corregirán los ejercicios escritos a bolı́grafo azul o bolı́grafo negro

Ejercicio 1 [1.5 puntos]

Consideremos el problema de ordenar las piezas de la caja de la figura en orden creciente.

+---+---+---+---+
| 1 | 3 | 2 | 4 |
+---+---+---+---+

Tomamos como acciones del problema las siguientes:

• Quitar una pieza. Sólo se puede quitar una pieza cuando están todas en la caja.
• Colocar una pieza. Sólo se puede colocar una pieza, si se encuentra fuera de la caja,
en el hueco disponible.
• Deslizar una pieza hacia el hueco. Sólo se puede deslizar una pieza adyacente al hueco.

Ejemplo de sucesión de movimientos:

+---+---+---+---+ +---+---+---+---+
| | 4 | 3 | 2 | deslizar el 4 | 4 | | 3 | 2 | colocar el 1
+---+---+---+---+ +---+---+---+---+

+---+---+---+---+ +---+---+---+---+
| 4 | 1 | 3 | 2 | quitar el 2 | 4 | 1 | 3 | | deslizar el 3
+---+---+---+---+ +---+---+---+---+

+---+---+---+---+
| 4 | 1 | | 3 |
+---+---+---+---+

Representar gráficamente los árboles correspondientes a:

• Búsqueda en profundidad.
• Búsqueda A∗ con la heurı́stica que cuenta la distancia de cada pieza a su posición en
el estado final (si una pieza está fuera de la caja, no se cuenta) a fin de encontrar la
solución con menor número de movimientos. Justificar si la heurı́stica proporcionada
es admisible.

Ordenar las acciones tal y como se proporcionan, considerando en primer lugar las que
afectan a piezas con un ı́ndice menor.

Apuntes descargados de wuolah.com

Inteligencia Artificial (GII-TI) (12–12–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 2 [1.5 puntos]

1. Supongamos un problema de planificación en el que las acciones no tienen precondi-

ciones ni efectos negativos. En esta situación la heurı́stica ∆0 no siempre calcula el
menor número posible de acciones que hay que realizar para alcanzar un objetivo, ¿por
qué?.
Proporcionar un ejemplo de problema de planificación (acciones, estado inicial e y
objetivo g) tal que el menor número posible de acciones que haya que realizar para
alcanzar el objetivo g a partir del estado inicial e sea estrictamente menor que el valor
devuelto por la función heurı́stica ∆0 (e, g).
2. Supongamos que tenemos un dispositivo autónomo que es capaz de realizar tres tareas
independientes A, B y C. Cada una de estas tareas cumple un objetivo concreto
(respectivamente a, b y c) y utiliza un recurso común r. Este recurso se agota cada vez
que se realiza la tarea y es necesario volverlo a obtener mediante una acción R. Esta
situación se modela con el siguiente conjunto de acciones:

Acción Precondiciones Efectos

A r ¬r, a
B r ¬r, b
C r ¬r, c
R r

Supongamos además que se parte de una situación en la que se dispone del recurso r
(estado inicial) y se quiere llegar a cumplir los objetivos a, b y c (objetivo).
Aplicar el algoritmo POP para obtener una solución a este problema de planificación.
Se pide detallar la sucesión de planes parciales que se analizan por el algoritmo, las
alternativas de refinamiento que se pueden considerar en cada momento y la opción
escogida en cada caso, los puntos de la búsqueda donde se reconsideran elecciones
realizadas en pasos anteriores, y la solución o soluciones al problema de planificación
que finalmente se obtiene.

BNext, tu cuenta sin banco.

Inteligencia Artificial (GII-TI) (12–12–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 3 [2 puntos]
1. Dadas dos variables aleatorias A y B, ¿cuándo decimos que son independientes? Si Z
un conjunto de variables, ¿cuando decimos que A es condicionalmente independiente
de B dadas las variables de Z? (en ambos casos, dar la definición rigurosa y tambien
la idea intuitiva) ¿Es cierto en general que si A y B son independientes, entonces A y
B son condicionalmente independientes dado Z? Justificar la respuesta.
2. Consideremos la siguiente red bayesiana:

con las siguientes distribuciones de probabilidad:

A B P (d|A, B)
A P (c|A) a b 1.0
P (a) P (b)
a 0.2 a ¬b 0.7
0.2 0.9
¬a 0.7 ¬a b 0.8
¬a ¬b 0.2

C D P (e|C, D) D B P (f |D, B)
c d 0.2 d b 0.3
c ¬d 0.2 d ¬b 0.6
¬c d 0.2 ¬d b 0.7
¬c ¬d 0.8 ¬d ¬b 0.5

Se pide:

• Calcular P (¬a, b, ¬c, d, ¬e, f )

• Calcular P (¬d|¬c, f ), aplicando el algoritmo de eliminación de variables
• Si la red se ha dibujado incluyendo las variables en orden alfabético, ¿qué suposi-
ciones de independencia se han asumido al dibujar la variable E?
• Según la red, ¿es cierto que si sabemos el valor que han tomado A y E, el grado
de creencia en que ocurra o no C no cambiarı́a si además conociéramos el valor
que ha tomado B?

BNext, tu cuenta sin banco.

Inteligencia Artificial (GII-TI) (12–12–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 4 [1.5 puntos]

La siguiente figura representa un árbol de decisión obtenido mediante al algoritmo ID3.
Cada nodo interior está etiquetado con un atributo (A, B o C) y cada arco con un valor (a1,
a2, b1, b2, c1 o c2). Además cada nodo tiene una etiqueta [p+, n−] donde p representa el
número de ejemplos positivos y n el número de ejemplos negativos del conjunto de ejemplos
asociados a ese nodo. Por ejemplo, la etiqueta [17+, 3−] indique que de los 35 ejemplos del
conjunto de entrenamiento inicial, 20 de ellos toman el valor a2 en el atributo A. De esos
20 ejemplos, 17 tienens clasificación + y 3 de ellos clasificación -. Consideremos también el
siguiente conjunto de prueba:

Ej. A B C Clas.
E1 a1 b1 c1 +
E2 a1 b1 c2 +
E3 a1 b1 c1 −
E4 a1 b2 c2 +
E5 a1 b2 c1 +
E6 a2 b1 c1 −
E7 a2 b1 c2 +
E8 a2 b1 c2 +
E9 a2 b1 c2 +
E10 a2 b1 c2 +

Aplicar el algoritmo de poda (explicando detalladamente cada uno de los pasos) al árbol
dado con este conjunto de prueba. Indicar claramente cuál es el árbol resultante.
Inteligencia Artificial (GII-TI) (12–12–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 5 [2.5 puntos]

Consideremos un perceptrón con pesos w ~ = (w0 , w1 , w2 ), w0 = 1, w1 = 0.5 y w2 = 1, la
función sigmoide como función de activación, un conjunto de entrenamiento D = {E1 , E2 }
con E1 = h(0, 1), 1i y E2 = h(0, 0), 0i y un factor de aprendizaje η = 0.1. Devolver el valor
del peso w0 tras una actualización
• Usando la Regla Delta
• Usando el algoritmo de descenso por el gradiente
Detallar cada uno de los pasos realizados.

Ejercicio 6 [1 punto]
Considera los puntos P1 = (0, 0), P2 = (0, 30), P3 = (36, 78), P4 = (36, −48) y los centros
m1 = (20, 15) y m2 = (36, 15). Se pide aplicar el algoritmo de k-medias sobre los puntos
P1 , . . . , P4 tomando m1 y m2 como centros iniciales (k = 2) hasta la primera modificación
de los centros. Usar la distancia euclı́dea.

BNext, tu cuenta sin banco.