APELLIDOS: PL:

NOMBRE: DNI:

ESCUELA DE INGENIERÍA INGORMÁTICA

SISTEMAS INTELIGENTES
Examen Final de Teoría. Viernes 11 de enero de 2019.

I.- Búsqueda (3,5 puntos)

1.- Se trata de resolver, mediante búsqueda en espacios de estados, con A* por supuesto,
una variante del problema del 8-puzzle en la que en lugar de tener 8 fichas distintas
(1,2,3,4,5,6,7,8), tenemos 8 fichas tales que son iguales dos a dos (1,1,2,2,3,3,4,4). El estado
inicial puede ser cualquier distribución de las fichas en el tablero, por ejemplo:
3 3 4
[4 1]
2 1 2
Y se trata de llegar a una configuración en la que la fichas estén ordenadas de la forma
siguiente:
1 2 3
[4 4]
3 2 1
Los movimientos permitidos son los mismos que en el 8-puzzle normal, es decir se puede
mover una ficha de su posición a la posición vacía si las dos posiciones son adyacentes
ortogonalmente. El objetivo es también calcular la secuencia mínima de movimientos para
llegar de la configuración inicial al objetivo.
Lo que se pide en este ejercicio es modelar el espacio de búsqueda y definir buenos
heurísticos, concretamente se pide responder de forma razonada a las siguientes
cuestiones:

a) [0,5 puntos] ¿Cómo son los estados, las reglas y sus costes? Dibujar la parte del estado de
búsqueda correspondiente al estado inicial anterior y sus sucesores.

Solución: Esto es como en el 8-puzzle convencional: Los estados son configuraciones válidas
del tablero, por lo tanto, se pueden representar mediante permutaciones de las 8 fichas y un
0 para representar a la posición vacía. Por ejemplo, los estados anteriores estarían
representados por las permutaciones (3 3 4 4 0 1 2 1 2) y (1 2 3 4 0 1 2 3 4) respectivamente.
Las reglas aplicables a un estado vienen dadas por todas las posibilidades de mover una ficha
a la posición vacía, si esta posición es adyacente ortogonalmente a la de la ficha; y los costes
de todas las reglas son 1 dado que lo que se pretende en minimizar el número de
movimientos.
Con todo esto, los sucesores del estado inicial anterior son los siguientes

3 3 4
[4 1]
2 1 2

3 4 3 3 4 3 3 4 3 3 4
[4 3 1] [ 4 1] [4 1 ] [4 1 1]
2 1 2 2 1 2 2 1 2 2 2
b) [0,25 puntos] Dar una cota superior, lo más ajustada posible, del número de estados del
espacio de búsqueda.

Solución: En principio el número de estados diferentes es el número de permutaciones

diferentes que se pueden generar con las 8 fichas y el 0, es decir 9!. Pero en este caso como
las 8 fichas son iguales 2 a 2, tendremos que dividir este número 4 veces entre 2!. Es decir la
cota que podemos dar es 9!/(4*2!) = 181440/8 = 22.680 estados diferentes. Dado un estado
inicial cualquiera, estos son en principio los estados que serían alcanzables desde el estado
inicial. Un estudio más detallado nos permitiría, posiblemente, reducir este número de
forma similar a cómo en el 8-puzzle normal se reduce a 9!/2, pero esto va más allá de lo que
hay que hacer en esta pregunta.

c) [1,25 puntos] Consideremos el heurístico ha(n) definido de forma que calcula para cada
ficha la distancia ortogonal desde la posición de la ficha en el estado n a la posición más
cercana en la que podría estar esa ficha en el objetivo, y luego suma todas estas distancias.
Indicar el valor de este heurístico para todos los nodos dibujados en a). ¿Está h a bien
definido? ¿Es ha admisible? ¿Es ha monótono?

Solución: El valor del heurístico ha para los 5 nodos de la figura anterior es (recorriendo las
fichas por filas y los nodos sucesores de izquierda a derecha):
ha(inicial) = 2+1+1+0+1+1+1+1 = 8.
ha(n1) = 2+2+1+0+1+1+1+1 = 9.
ha(n2) = 2+1+1+1+1+1+1+1 = 9.
ha(n3) = 2+1+1+0+2+1+1+1 = 9.
ha(n4) = 2+1+1+0+1+1+2+1 = 9.

El heurístico ha(.) está bien definido ya que ha(n)≥0 para todo nodo n, y ha(objetivo) = 0.
También es claro que es admisible, es decir ha(n)  h*(n) para todo nodo n, dado que para
llevar una ficha a su posición en el objetivo como mínimo hay que moverla tantas veces
como su distancia ortogonal a la posición más cercana a la posición actual que puede ocupar
esa ficha en el objetivo.
Para demostrar que es monótono (o consistente que es equivalente), es decir que h a(n1) 
ha(n2) + c(n1,n2) para todo par de nodos n1,n2, basta con tener en cuenta que el cambio en el
valor del heurístico al pasar de un estado a un sucesor es +1, 0 ó -1, y que c(n1,n2) es 1 si n2
es sucesor de n1 e  en otro caso.

d) [1 punto] Consideremos ahora la siguiente relajación del problema: eliminamos la

restricción de que no puede haber dos fichas en la misma posición, es decir se puede mover
una ficha a una posición adyacente ortogonalmente aunque esta posición no esté vacía.
¿Cómo es el heurístico hb resultante de esta relajación? Dar el valor de hb para el estado
inicial. Pista: puede ser de utilidad definir funciones: D11(n,i) = distancia ortogonal de la primera aparición de
la ficha i en el estado n (siguiendo el orden de las filas) hasta la posición de la primera aparición de i en el
objetivo. Análogamente D12, D21 y D22.

Solución: Si eliminamos la restricción de que en una casilla solamente puede haber una
ficha, entonces para resolver de forma óptima el problema podríamos mover las fichas
siguiendo un camino ortogonal desde su posición actual hasta una de las posiciones que
cada ficha puede ocupar en el objetivo. Pero para cada par de fichas iguales, tenemos que
tener en cuenta que no pueden ir las dos a la misma posición, por eso hay que considerar
para cada par de fichas dos opciones y quedarnos con la que produzca un menor coste. El
coste de resolver este problema relajado para un nodo n (y por lo tanto el valor del
heurístico hb) se puede calcular con ayuda de las funciones anteriores como:
 4
ℎ𝑏 (𝑛) = ∑ 𝑚𝑖𝑛(𝐷11 (𝑛, 𝑖) + 𝐷22 (𝑛, 𝑖), 𝐷12 (𝑛, 𝑖) + 𝐷21 (𝑛, 𝑖))
𝑖=1

El valor de este heurístico para los estados anteriores es (considerando el orden de las fichas
1, 2, 3, 4):
hb(inicial) = min(1+3, 3+1) + min(1+3, 3+1) + min(2+1, 2+3 ) + min(1+0, 3+2) = 12. h b(n1) =
min(1+3, 3+1) + min(1+3, 3+1) + min(2+2, 2+2 ) + min(1+0, 3+2) = 13.
hb(n2) = min(1+3, 3+1) + min(1+3, 3+1) + min(2+1, 2+3 ) + min(1+1, 3+1) = 13.
hb(n3) = min(2+1, 3+2) + min(1+3, 3+1) + min(2+1, 2+3 ) + min(1+0, 3+2) = 11.
hb(n4) = min(2+1, 3+2) + min(1+3, 3+1) + min(2+1, 2+3 ) + min(1+0, 3+2) = 11.

e) [0,5 puntos] ¿Es hb consistente? ¿Se puede afirmar que hb domina ampliamente a ha?

Solución: El heurístico hb es consistente dado que se ha definido mediante el método de la

relajación del problema (y ocurre que todos los heurísticos definidos mediante este método
son consistentes). Además, ocurre que para todo nodo n hb(n) ≥ ha(n); esto es claro dado
que para resolver el problema relajado que da lugar al heurístico h b no se pueden mover las
dos fichas iguales a la misma posición, y la suma de distancias ortogonales de cada par de
fichas iguales a la posición más cercana en el objetivo al que puede ir es menor que la suma
de los movimientos elementales que tendríamos que hacer para llevar las dos fichas a sus
posiciones en el objetivo de la forma menos costosa posible. Por lo tanto hb domina
ampliamente a ha.

II.- Representación (3 puntos)

3.- [1.25 punto] Se desea implementar un sistema de reglas (un bot) para resolver un
pequeño laberinto, el cual cuenta con distintas habitaciones comunicadas mediante puertas.
No obstante, algunas puertas tienen cerrojo y requieren una llave para poder abrirse. El
dibujo muestra un posible laberinto.

Diseñar un sistema de reglas en CLIPS tal que:

 El jugador se desplace de una habitación a otra si hay una puerta cerrada entre ellas
y tiene la llave. Una vez abierta la puerta, se queda abierta para siempre.
 Si no hay puertas cerradas en la habitación, o el jugador no tiene la llave, entonces
que cruce una de las puertas abiertas (si hay).
 El jugador no vuelva nunca a la habitación inmediatamente anterior (evitar bucles
infinitos)
 Si el jugador se encuentra en la habitación que tiene la llave, que la recoja (el jugador
pasa a tener la llave, y ésta desaparece de donde esté).
 El juego finaliza cuando el jugador llega a la habitación llamada “salida”, en cuyo caso
se mostrará un mensaje indicando que ha ganado.
Para ello pueden utilizarse las siguientes plantillas de hechos en CLIPS:

(deftemplate puerta
(slot origen) ; Habitación origen
(slot destino) ; Habitación destino
 (slot abierta (allowed-symbols no si)) ; Indica si la puerta está abierta o requiere llave
)
(deftemplate jugador
(slot habitacion) ; Habitación actual
(slot tieneLlave (allowed-symbols no si)) ; Indica si tiene la llave o no
(slot ultimaHab) ; Última habitación en la que ha estado
)
(deftemplate llave
(slot habitacion) ; habitación donde se encuentra la llave
)

Solución:
(defrule cruzar-cerrada
?j <- (jugador (habitacion ?h) (tieneLlave si) (ultimaHab ?u))
?p <- (puerta (origen ?h) (destino ?d & ~?u) (abierta no))
=>
(assert (jugador (habitacion ?d) (tieneLlave si) (ultimaHab ?h)))
(assert (puerta (origen ?h) (destino ?d) (abierta si)))
(retract ?j)
(retract ?p))

(defrule cruzar-abierta
(declare (salience -1))
?j <- (jugador (habitacion ?h) (tieneLlave ?ll) (ultimaHab ?u))
(puerta (origen ?h) (destino ?d & ~?u) (abierta si))
=>
(assert (jugador (habitacion ?d) (tieneLlave ?ll) (ultimaHab ?h)))
(retract ?j))

(defrule coger-llave
?j <- (jugador (habitacion ?h) (tieneLlave no) (ultimaHab ?u))
?ll <- (llave (habitacion ?h))
=>
(assert (jugador (habitacion ?h) (tieneLlave si) (ultimaHab ?u)))
(retract ?j)
(retract ?ll))

(defrule ganar
?j <- (jugador (habitacion salida))
=>
(printout t "Has ganado" crlf)
(retract ?j))
4.- Dada la siguiente red bayesiana, responder razonadamente a las siguientes preguntas:

a) [0,75 puntos] ¿Son las variables aleatorias A y B independientes? ¿Y las variables F y

A? Justifica ambas respuestas utilizando el criterio de D-separación.
Solución: Existen dos caminos distintos entre las variables A y B.
Camino 1: A -> C -> D <- B
Camino 2: A -> C -> E <- B
En el primer camino existe un bloqueo en el nodo D, ya que es un nodo cabeza-
cabeza no observado y sin descendientes. En el segundo camino, el bloqueo lo
produce el nodo E al ser un nodo cabeza-cabeza y no estar observado ni él ni su
descendiente F. Dado que todos los caminos entre A y B están bloqueados, A y B son
independientes.
En el caso de las variables A y F hay de nuevo dos caminos:
Camino 1: A -> C -> E -> F
Camino 2: A -> C -> D <- B -> E -> F
En el primer camino no existe ningún bloqueo, ya que todos los nodos intermedios
son del tipo no_cabeza-cabeza y no están observados. Dado que existe un camino sin
bloqueos, podemos afirmar que A y F no son independientes.

b) [0,75 puntos] Sabiendo que A y F se cumplen, pero B y E no, ¿cuál es la probabilidad

de que se cumpla D?
Solución:

P(D, A, ¬B, ¬E, F) P(D, A, ¬B, ¬E, F)

P(D|A, ¬B, ¬E, F) = =
P(A, ¬B, ¬E, F) P(D, A, ¬B, ¬E, F) + P(¬D, A, ¬B, ¬E, F)

P(D, A, ¬B, ¬E, F) = P(D, A, ¬B, ¬E, F, C) + P(D, A, ¬B, ¬E, F, ¬C)
P(¬D, A, ¬B, ¬E, F) = P(¬D, A, ¬B, ¬E, F, C) + P(¬D, A, ¬B, ¬E, F, ¬C)

P(D, A, ¬B, ¬E, F, C) = P(D|¬B, C) · P(A) · P(¬B) · P(¬E|¬B, C) · P(F|¬E) · P(C|A)

= 0.8 · 0.6 · 0.8 · 0.3 · 0.15 · 0.4 = 0.006912

P(D, A, ¬B, ¬E, F, ¬C) = P(D|¬B, ¬C) · P(A) · P(¬B) · P(¬E|¬B, ¬C) · P(F|¬E) · P(¬C|A)
= 0.7 · 0.6 · 0.8 · 0.75 · 0.15 · 0.6 = 0.02268

P(¬D, A, ¬B, ¬E, F, C) = P(¬D|¬B, C) · P(A) · P(¬B) · P(¬E|¬B, C) · P(F|¬E) · P(C|A)

= 0.2 · 0.6 · 0.8 · 0.3 · 0.15 · 0.4 = 0.001728
P(¬D, A, ¬B, ¬E, F, ¬C)
= (¬D|¬B, ¬C) · P(A) · P(¬B) · P(¬E|¬B, ¬C) · P(F|¬E) · P(¬C|A)
= 0.3 · 0.6 · 0.8 · 0.75 · 0.15 · 0.6 = 0.00972

0.006912 + 0.02268
P(D|A, ¬B, ¬E, F) = = 𝟎. 𝟕𝟐𝟏
0.006912 + 0.02268 + 0.001728 + 0.00972

c) [0,25 puntos] Indica las ventajas del método de ponderación de la verosimilitud

sobre el muestro estocástico.
Solución: Ambos métodos se utilizan para el cálculo aproximado de probabilidades
condicionadas del tipo 𝑃(𝐸1 |𝐸2 ), dónde 𝐸1 y 𝐸2 son conjuntos de variables
aleatorias. No obstante, cuando la probabilidad de que se cumplan los eventos en 𝐸2
es muy baja, el muestreo estocástico genera una gran cantidad de muestras que
resultan inútiles para el cálculo de la probabilidad, por lo que se puede considerar
una pérdida de tiempo y recursos. El método de ponderación de la verosimilitud
corrige este problema, ya que todas las muestras que genera son útiles, en mayor o
menor medida, para el cálculo de la probabilidad.

III.- Aprendizaje (3,5 puntos)

5.- [0,25 puntos] Explica en que consiste la validación cruzada y sus ventajas y/o
desventajas.

Solución: Es una de las opciones para evaluar la capacidad de generalización de un modelo y

consiste en dividir el conjunto de instancias en k grupos de forma que el aprendizaje se hará
k veces, cada vez se usarán k-1 de los grupos para generar el modelo y el grupo restante
para validar. Este sistema permite adaptarse a distintos tamaños de instancias simplemente
usando un valor de k apropiado. Sin embargo, el tener que repetir k veces el ajuste del
modelo el coste computacional será alto, especialmente con conjuntos de datos muy
grandes.

6.- [0,75 puntos] Describe el concepto de sobreajuste y con qué factores de los datos de
entrenamiento está relacionado. Explica cómo se puede mitigar en árboles de decisión y
SVM.

Solución: Se produce sobreajuste cuando un modelo presenta un ajuste mucho peor en

datos de validación (no usados durante el aprendizaje) que la estimación obtenida con los
datos de aprendizaje. Por ejemplo, atendiendo al porcentaje de acierto para valorar el ajuste
del modelo, si se obtiene un 75% en aprendizaje, pero solo un 50% con datos nuevos hay
bastantes indicios de que el modelo sobre ajusta. Uno de los factores que puede contribuir a
este fenómeno es el ruido en los datos. Si un modelo intenta ajustar también el ruido en los
datos de aprendizaje para maximizar las métricas de evaluación es muy probable que ese
modelo dé peor resultado con datos nuevos al tener el ruido un patrón probablemente
aleatorio y sobre todo distinto al de los datos sin ruido.
Los árboles de decisión usan el proceso de poda para reducir el número de ramas y evitar
que el modelo ajuste detalles muy pequeños que pueden ser ruidosos. Los SVM controlan el
efecto negativo del ruido aumentando el número de vectores soporte, mediante el
parámetro C, para evitar que un vector soporte ruido tenga mucha influencia en la
clasificación.
7.- [0,5 puntos] Explica la relación entre las métricas InfoGain (IG) y GainRatio (GR). ¿Hay
algún motivo para preferir una sobre la otra?

Solución: La métrica GrainRatio se define como la relación entre InfoGain de la clase y una
variable predictora dividido por el SplitInfo de esta variable, que es otro nombre para la
entropía de la variable. Con esto, la métrica GR consigue paliar el sesgo de IG hacia variables
con muchos valores y que conduciría a modelos con sobreajuste.

8.- [1 punto] Considera una red neuronal con función de activación lineal. Tiene dos
entradas (a, b), una neurona oculta (c) y una unidad de salida (d). Habrá un total de cinco
pesos (𝑤𝑐𝑎 , 𝑤𝑐𝑏 , 𝑤𝑐0 , 𝑤𝑑𝑐 , 𝑤𝑑0) que vamos a inicializar todos a 0.1 y con una tasa de
aprendizaje 𝜂 = 0.3. Calcula el valor de los pesos utilizando el algoritmo de propagación
hacía atrás para la siguiente instancia:
a b d
1 1 0
Recuerda que en este caso: 𝛿𝑘 = (𝑦𝑘 − 𝑜𝑘 ) y 𝛿ℎ = ∑𝑘 𝛿𝑘 𝑤𝑘ℎ

Solución: 𝑜𝑐 = 0.1 · 1 + 0.1 · 1 + 0.1 · 1 = 0.3; 𝑜𝑑 = 0.1 · 1 + 0.1 · 0.3 = 0.13

𝛿𝑑 = 0 − 0.13 = −0.13; 𝛿𝑐 = −0.13 · 0.1 = −0.013
𝑤𝑑0 = 0.1 + 0.3 · (−0.13) · 1 = 0.061
𝑤𝑑𝑐 = 0.1 + 0.3 · (−0.13) · 0.3 = 0.0883
𝑤𝑐0 = 0.1 + 0.3 · (−0.013) · 1 = 0.0961
𝑤𝑐𝑎 = 0.1 + 0.3 · (−0.013) · 1 = 0.0961
𝑤𝑐𝑏 = 0.1 + 0.3 · (−0.013) · 1 = 0.0961

9.- [1 punto] Considera el siguiente conjunto de entrenamiento, al que se le ha aplicado SVM

con kernel lineal para predecir la variable Y. Sabiendo que 𝑏 = 10, calcula la predicción de
este modelo para la instancia X1=3, X2=8.

X1 4 5 9 7 2 4 9 2
X2 5 6 4 9 1 4 8 0
Y 1 -1 -1 -1 1 1 -1 1
α 1 1 0 0 0 0 0 0

Solución:
3 4 𝑇 3 5 𝑇 3
𝑔 (( )) = ∑ 𝛼𝑖 𝑦𝑖 𝐾(𝒙𝑖 , 𝒙) + 𝑏 = 1 · 1 · ( ) · ( ) + 1 · (−1) · ( ) · ( ) + 10
8 5 8 6 8
𝑖∈𝑉𝑆
= 52 − 63 + 10 = −1
Alternativa, calculando 𝒘:
𝒘 = ∑ 𝛼𝑖 𝑦𝑖 𝒙𝒊 = 1 · 1 · (4) + 1 · (−1) · (5) = (−1)
𝑖∈𝑉𝑆
5 6 −1
𝑇
3 −1 3
𝑔 (( )) = 𝒘𝒙 + 𝑏 = ( ) · ( ) + 10 = −1
8 −1 8

1 1 2
𝐸(𝒘) = 2 ∑ ∑(𝑦𝑘𝑑 − 𝑜𝑘𝑑 )2 𝑏= ∑ 𝑦𝑖 − 𝒘𝒙𝒊 𝑑=
𝑑 𝑘
|𝑉𝑆| ‖𝒘‖
𝑖∈𝑉𝑆
−‖𝒙−𝒚‖2 /(2𝜎 2 )
𝐾(𝒙, 𝒚) = 𝑒 𝐻(𝑋|𝑌) = ∑ 𝑝(𝑦)𝐻(𝑋|𝑌 = 𝑦)
𝑘 𝑦∈𝑌

𝐻(𝑋) = − ∑ 𝑝𝑖 log 2 𝑝𝑖 𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝜙(𝑥𝑖 )𝜙(𝑥𝑗 )

1 si 𝒘𝒙>0
𝑖=1 𝑔(∙) = {
− 1 en otro caso 1/𝑝
∆𝑤𝑖 = 𝜂(𝑦𝑑 − 𝒘𝒙𝑑 )𝑥𝑑𝑖 𝑑𝑖𝑠𝑡(𝑥⃗, 𝑦⃗) = (∑|𝑥𝑖 − 𝑦𝑖 ) |𝑝
𝑖
 𝒘 = ∑ 𝛼𝑖 𝑦𝑖 𝒙𝒊
𝑖∈𝑉𝑆

𝐾(𝒙, 𝒚) = (𝒙𝒚 + 1)𝑑

1
𝐸(𝒘) = 2(𝑦𝑑 − 𝒘𝒙𝑑 )2

1
𝑔(𝑥) =
1 − 𝑒 −𝑥
𝑦(𝒙) = 𝒘 ∙ 𝒙 + 𝑏
𝑔(𝒙) = 𝒘𝒙 + 𝑏