mis cosas

¿Cuál es el motivo principal de utilizar una cola en la implementación del algoritmo de búsqueda en anchura?. Permite explorar los nodos en el orden en que fueron encontrados. Garantiza que se encuentre siempre el camino más corto. Evita que se exploren nodos repetidos. Reduce el consumo de memoria. Aumenta la velocidad de búsqueda.

¿Cuál de las siguientes afirmaciones es falsa respecto a la búsqueda en anchura?. Es un algoritmo de búsqueda básica. Es completo, es decir, siempre encuentra una solución si existe. Es óptimo, es decir, siempre encuentra el camino más corto. Realiza la exploración del espacio de búsqueda recorriendo un árbol. La complejidad temporal de la búsqueda en anchura es O(bd), donde b es el factor de ramificación y d es la profundidad de la solución.

¿Cuál es la relación entre la búsqueda en anchura y la búsqueda en profundidad?. Ambas garantizan encontrar el camino más corto. La búsqueda en profundidad explora primero los nodos más profundos, mientras que la búsqueda en anchura explora primero los nodos más cercanos a la raíz. La búsqueda en profundidad es más eficiente en términos de tiempo de cálculo. La búsqueda en anchura es más eficiente en términos de memoria. Ambas utilizan una pila para almacenar los nodos por visitar.

¿Cuál es el principal inconveniente de utilizar la búsqueda en anchura en problemas con un factor de ramificación muy alto?. Puede quedar atrapada en un bucle infinito. Puede no encontrar la solución óptima. Puede ser muy lenta. Puede consumir una gran cantidad de memoria. Todas las anteriores.

¿Cuál de los siguientes algoritmos es más adecuado para encontrar todas las soluciones posibles en un problema de búsqueda?. Búsqueda en profundidad. Búsqueda en anchura. Ambos son igualmente adecuados. Ninguno de los dos es adecuado. Depende del problema específico.

¿Cuál es el principal inconveniente de utilizar la búsqueda en profundidad en problemas con un factor de ramificación muy alto?. Puede quedar atrapada en un bucle infinito. Puede no encontrar la solución óptima. Puede ser muy lenta. Puede consumir una gran cantidad de memoria. Todas las anteriores.

¿Cuál de las siguientes afirmaciones es correcta sobre una función heurística admisible?. Sobreestima siempre el coste real para llegar a la solución. Subestima siempre el coste real para llegar a la solución. Nunca sobreestima el coste real para llegar a la solución. Puede sobreestimar o subestimar el coste real, sin importar. Es una función que no tiene ninguna relación con el coste real.

¿Cuál de los siguientes factores influye más en la eficiencia del algoritmo A*?. El tamaño del espacio de búsqueda. La calidad de la función heurística. El orden en que se expanden los nodos. Todos los anteriores. Ninguno de los anteriores.

¿Qué sucede si la función heurística utilizada en A* no es admisible?. Se garantiza encontrar la solución óptima más rápidamente. El algoritmo puede entrar en un bucle infinito. El algoritmo no podrá encontrar ninguna solución. No afecta el rendimiento del algoritmo. Puede encontrar una solución subóptima.

¿Cuál es la principal diferencia entre A* y el algoritmo de búsqueda en anchura?. A* siempre encuentra la solución óptima, mientras que la búsqueda en anchura no. A* explora el espacio de búsqueda en profundidad y no en anchura. A* es más eficiente que la búsqueda en anchura en todos los casos. A* utiliza una función heurística, mientras que el costo uniforme no. No hay diferencias significativas entre ambos.

¿Cuál es la relación entre la poda alfa-beta y la función de evaluación en un juego?. La función de evaluación proporciona los valores utilizados para la poda alfa-beta. La poda alfa-beta determina el valor de la función de evaluación. Ambas son independientes y no se influyen mutuamente. La función de evaluación se aplica a todos los nodos. Ninguna de las anteriores.

¿En qué tipo de juegos es más adecuado aplicar el algoritmo minimax?. Juegos aleatorios sin estrategia. Juegos con un único jugador. Juegos de dos jugadores y suma cero. Juegos de múltiples jugadores. Juegos cooperativos donde los jugadores trabajan juntos.

¿Cómo se utiliza el valor beta en la poda alfa-beta?. Para actualizar el valor de los nodos hoja. Para podar ramas donde el valor es mayor que beta. Para podar determinar la profundidad de búsqueda. Para podar ramas donde el valor es menor que beta. Para calcular la función heurística.

¿Cuál es la principal ventaja de utilizar la poda alfa-beta en comparación con el algoritmo minimax?. Permite explorar un mayor número de nodos. Garantiza encontrar la mejor jugada posible en todos los casos. Reduce el tiempo de cálculo. Elimina la necesidad de una función de evaluación. Aumenta la profundidad del árbol de búsqueda.

¿Cuál es la principal desventaja del algoritmo de ascenso de colinas?. Es demasiado complejo. Requiere una gran cantidad de memoria. No es aplicable a problemas de optimización. Es muy lento para problemas de gran tamaño. Puede quedar atrapado en óptimos locales.

¿Qué técnica se puede utilizar para intentar escapar de un óptimo local en el algoritmo de ascenso de colinas?. Aumentar el tamaño del vecindario. Disminuir la temperatura de forma gradual. Cambiar la función de evaluación. Realizar reinicios desde diferentes puntos iniciales. Ninguna de las anteriores.

¿Cuál es la principal diferencia entre el algoritmo de ascenso de colinas y el recocido simulado?. El recocido simulado permite movimientos hacia soluciones peores. El ascenso de colinas siempre selecciona la mejor solución vecina. El recocido simulado es más eficiente que el ascenso de colinas. El ascenso de colinas utiliza una función de enfriamiento. Ninguna de las anteriores.

¿Cuál de las siguientes afirmaciones describe mejor el concepto de "vecindario" en el algoritmo de ascenso de colinas?. Es el conjunto de todas las posibles soluciones. Es el conjunto de soluciones que se han explorado previamente. Es el conjunto de soluciones que se pueden alcanzar a partir de la solución actual mediante un pequeño cambio. Es el conjunto de soluciones que tienen el mismo valor de la función objetivo. Ninguna de las anteriores.

¿Cuál es el objetivo principal de la fase de enfriamiento en el recocido simulado?. Mantener constante la probabilidad de aceptar soluciones peores. Determinar la temperatura inicial del sistema. Encontrar la solución óptima global. Aumentar la probabilidad de aceptar soluciones peores. Disminuir la probabilidad de aceptar soluciones peores.

¿Qué sucede si la temperatura disminuye demasiado rápido en el recocido simulado?. Aumenta la probabilidad de encontrar el óptimo global. Disminuye la probabilidad de quedar atrapado en un óptimo local. Aumenta el riesgo de converger a una solución subóptima. No afecta el rendimiento del algoritmo. El algoritmo se vuelve determinista.

¿Cuál es la principal ventaja del recocido simulado en comparación con el ascenso de colinas?. Es más fácil de implementar. Siempre encuentra la solución óptima global. Permite escapar de óptimos locales con mayor probabilidad. No requiere una función de evaluación. Es más rápido.

¿Cuál es el papel de la probabilidad de aceptación en el recocido simulado?. Determinar el tamaño del vecindario. Evaluar la calidad de las soluciones. Controlar la tasa de enfriamiento. Decidir si se acepta o rechaza una nueva solución, incluso si es peor. Ninguna de las anteriores.

¿Cuál de los siguientes no es un objetivo de la selección en los algoritmos genéticos?. Generar nuevas soluciones aleatorias. Disminuir la frecuencia de las soluciones menos aptas. Aumentar la frecuencia de las soluciones más aptas. Favorecer la propagación de características beneficiosas. Mantener la diversidad en la población.

El operador de cruce en los algoritmos genéticos es fundamental para: Evaluar la calidad de las soluciones. Combinar información en las soluciones. Seleccionar los individuos más aptos. Mantener una tasa de mutación constante. Representar las soluciones de manera binaria.

La mutación en los algoritmos genéticos sirve principalmente para: Combinar características de diferentes individuos. Evaluar la calidad de las soluciones. Evitar la convergencia prematura hacia soluciones subóptimas. Seleccionar los individuos más aptos. Determinar el punto de combinación de los individuos.

¿Cuál es el objetivo de variar el punto de cruce en el operador de cruce?. Reducir la complejidad computacional del algoritmo. Garantizar que se encuentre la solución óptima. Aumentar la diversidad de la población. Reducir el espacio de búsqueda. Ninguno, es una característica propia del operador.

¿Cuál es la principal ventaja de utilizar algoritmos genéticos en comparación con otros métodos de optimización?. Son más fáciles de implementar. Siempre encuentran la solución óptima en menos tiempo. No requieren parámetros de ajuste. Son más eficientes para problemas pequeños. Pueden encontrar soluciones globales en problemas complejos.

¿Cuál es el objetivo principal de la unificación en la resolución?. Encontrar una sustitución que haga que dos literales sean idénticos. Simplificar las cláusulas. Eliminar variables cuantificadas. Transformar las fórmulas en forma clausal. Demostrar la inconsistencia de un conjunto de cláusulas.

¿Cuál de las siguientes es la principal ventaja de utilizar la lógica de predicados en sistemas inteligentes?. Facilidad de implementación. Capacidad de representar conocimiento complejo y abstracto. Alta velocidad de procesamiento. Adaptabilidad a cualquier tipo de problema. Bajo costo computacional.

¿En qué área de la inteligencia artificial es más común el uso de la inferencia en lógica de predicados?. Aprendizaje automático supervisado. Juegos. Problemas de búsqueda. Sistemas expertos. Todas las anteriores.

¿Cuál es el primer paso en el proceso de resolución?. Unificación. Simplificación. Transformación a forma clausal. Demostración por refutación. Ninguna de las anteriores.

¿Qué es una cláusula en lógica de predicados?. Una fórmula atómica. Una disyunción de literales. Una conjunción de literales. Una implicación. Una negación.

¿Cuál de las siguientes afirmaciones sobre Prolog es falsa?. Es un lenguaje de programación declarativo. Se basa en la lógica de primer orden. Se usa principalmente para tareas numéricas. Se utiliza en sistemas expertos. Emplea la unificación para resolver problemas.

¿Cuál de los siguientes es un ejemplo de un hecho en Prolog?. padre(juan, maria). X is Y + 1. abuelo(X, Z) :- padre(X, Y), padre(Y, Z). for(i = 1; i <= 10; i++). Ninguna de las anteriores.

¿Cuál es el papel de la unificación en Prolog?. Asignar valores a las variables. Encontrar sustituciones que hagan que dos términos sean iguales. Simplificar expresiones lógicas. Generar código máquina. Ninguna de las anteriores.

¿Cuál de los siguientes es un componente esencial de un sistema basado en reglas?. Base de hechos. Motor de inferencia. Interfaz de usuario. Todas las anteriores. Solo a y b.

¿Cuál es la función principal del motor de inferencia en un sistema basado en reglas?. Adquirir nuevo conocimiento. Almacenar las reglas del sistema. Aplicar las reglas a los hechos para obtener conclusiones. Interactuar con el usuario. Ninguna de las anteriores.

¿Qué es una regla en un sistema basado en reglas?. Una afirmación sobre el estado del mundo. Una asociación entre una condición y una acción. Una secuencia de instrucciones a ejecutar. Una estructura de datos para almacenar información. Ninguna de las anteriores.

¿Qué es el encadenamiento en un sistema basado en reglas?. La secuencia de reglas aplicadas para llegar a una conclusión. La base de conocimiento del sistema. El motor de inferencia. La interfaz de usuario. Ninguna de las anteriores.

¿Cuál es la diferencia entre un hecho y una regla en un sistema basado en reglas?. Los hechos son estáticos, mientras que las reglas son dinámicas. Los hechos representan el estado del mundo, mientras que las reglas describen las relaciones entre los hechos. Los hechos se almacenan en la base de conocimiento, mientras que las reglas se almacenan en el motor de inferencia. Todas las anteriores. Ninguna de las anteriores.

¿Qué es el encadenamiento hacia adelante en un sistema basado en reglas?. Un método para encontrar todas las posibles conclusiones a partir de un conjunto de hechos iniciales. Un método para verificar si una hipótesis es cierta a partir de un conjunto de hechos. Un método para simplificar la base de reglas. Un método para representar el conocimiento en forma de redes semánticas. Ninguna de las anteriores.

¿Qué es la incertidumbre en los sistemas basados en reglas?. La posibilidad de que una regla sea falsa. La falta de información completa o precisa. La posibilidad de que existan múltiples soluciones a un problema. Todas las anteriores. Ninguna de las anteriores.

¿En qué consiste la construcción de un sistema basado en reglas?. En el proceso de obtener y representar los hechos. En el proceso de obtener y representar las reglas del sistema. En el proceso de aplicar el motor de inferencia sobre reglas y hechos. Todas las anteriores. Solo a y b.

¿Cuál es el papel de los hechos en el encadenamiento hacia adelante?. Sirven como punto de partida para la inferencia. Representan las conclusiones a las que se quiere llegar. Son utilizados para modificar las reglas. No tienen relevancia en este tipo de razonamiento. Son sinónimos de las reglas.

¿Qué sucede cuando se aplica una regla en el encadenamiento hacia adelante?. Se elimina la regla del sistema. Se añaden nuevos hechos al sistema. Se modifica la regla. Se detiene el proceso de inferencia. Se busca una nueva regla a aplicar.

¿Cuál es la principal diferencia entre el encadenamiento hacia adelante y hacia atrás?. El tipo de problemas que resuelven. La forma en la que se representa el conocimiento. El punto de partida de la inferencia. La eficiencia computacional. No existen diferencias significativas.

¿Qué es un factor de certeza en un sistema basado en reglas?. Un valor numérico que indica la confianza en reglas y hechos. Una medida de la complejidad de reglas y hechos. Un indicador de la importancia de reglas y hechos. Un valor booleano que determina si una regla o un hecho se aplica. Una unidad de medida para la incertidumbre en el sistema.

¿Cuál es el propósito principal de utilizar factores de certeza?. Aumentar la eficiencia del mecanismo de inferencia. Reducir el número de reglas. Manejar la incertidumbre en el conocimiento. Mejorar la precisión de las reglas. Simplificar la representación del conocimiento.

¿Cuál es la función de la estrategia de control en el motor de inferencia de CLIPS?. Modificar los hechos de la base de conocimiento. Crear nuevas reglas. Determinar el orden en que se aplican las reglas. Interactuar con el usuario. Todas las anteriores.

¿Cuál es el papel de los hechos en el proceso de inferencia de CLIPS?. Proporcionan la información inicial para activar las reglas. Son modificados por las reglas para reflejar los cambios en el estado del sistema. Representan las conclusiones obtenidas por el sistema. Todas las anteriores. Ninguna de las anteriores.

En el algoritmo de los vecinos más cercanos ¿Qué sucede si el valor de "k" es demasiado pequeño?. El modelo se vuelve demasiado complejo y puede generalizar. El modelo se vuelve demasiado simple y puede sobreajustar. No afecta el rendimiento del modelo. El algoritmo se vuelve inestable. Ninguna de las anteriores.

¿Cómo se manejan los atributos con valores continuos al construir un árbol de decisión?. Discretizándolos, usando un valor umbral. Ignorándolos. Utilizando una función de transformación. Creando un nodo para cada valor posible. Ninguna de las anteriores.

¿Qué mide la entropía en el contexto de los árboles de decisión?. Lo informativo que es un conjunto de datos. La ganancia obtenida al dividir un conjunto de datos. La complejidad de un árbol de decisión. La cantidad de información faltante. La velocidad de convergencia del algoritmo.

¿Por qué la ganancia de información se utiliza como criterio en la construcción de los árboles de decisión?. Porque es fácil de calcular. Porque siempre selecciona el mejor atributo. Porque mide la reducción en la incertidumbre. Porque es independiente de la distribución de los datos. Todas las anteriores.