Professional Documents
Culture Documents
Actividad Grupal
INTRODUCCION
OBJETIVOS
Generales
Disear de forma general un agente inteligente sobre la Edicin de la vuelta
ciclista de Espaa.
Especficos
Identificar los tipos de Agentes Inteligentes.
Descubrir las ventajas y desventajas de la inteligencia artificial.
Participar e interactuar constante en el foro del desarrollo de la actividad,
presentando respuesta a las preguntas solicitadas, debatiendo y
retroalimentando las respuestas de los compaeros de grupo, en pro de
enriquecer cada producto individual, teniendo como base el reconocimiento
de los entornos del curso, y lectura apropiacin del Syllabus del curso.
Conocer a los integrantes del grupo colaborativo.
Identificar los tipos de problemas computacionales y su complejidad
Glottob Frege 1879 - Extiende la lgica booleana y obtiene la lgica de primer orden.
Lee de Forest 1903 - inventa el triodo tambien llamado bulbo o vlvula de vacio.
Cuando de forest invento el triodo su objetivo era el de descubrir un metodo para
amplificar las ondas y al mismo tiempo, controlar el volumen del sonido.
Leonardo Torres y Quevedo 1912 - Crea maquina de jugar ajedrez, con capacidad de
tomar decisiones.
Alang Turing 1937 - Articulo ''nmeros calculables'', introdujo el concepto maquina de
turing
Este articulo establecio las bases teoricas para todas las ciencias de computacin, y
que pueden considerarse el origen oficial de la infrmatica terica.
Warren McCulloch y Walter Pitts 1950 - Modelo de neurona del cerebro humano y
animal.
Presentaron su modelo de neuronas artificiales(representacin simblica de la
actividad cerebral), el cual se considera el primer trabajo del campo de inteligencia
artificial, aun cuando todava no exista el trmino.
Arthur L. samuel 1959 - Primer programa que aprenda a jugar a las damas.
2.4 . De manera general describir que se debe tener en cuenta para implantar
el agente construido.
R/ Tal como el ejercicio es descrito el agente cuenta con tres fases la primera de
recoleccin de informacin permanente de los ciclistas, equipos, pruebas y
resultados principalmente y la segunda etapa la de pronsticos estadsticos
basados en la informacin recolectada de la primera fase de coleccin de
informacin. Y por ltimo la tercera fase de distribucin de resultados entre los
clientes finales que deben ser los fans y los medios de comunicacin interesados
en los pronsticos y la informacin tanto individual como de los equipos.
Desde el punto de vista prctico debe ser una pgina web que ofrezca resultados
para todo aquel que est interesado en verlos.
2.5.
Describa que tipo de pruebas le realizara el agente para probar su
correcto funcionamiento.
Para probar el correcto diseo y funcionamiento del software de nuestro agente,
se pueden implementar dos tipos de pruebas: Pruebas de Caja Blanca y Pruebas
de Caja negra. La primera se centra en los detalles procedimentales del software,
por lo que su diseo est fuertemente ligado al cdigo fuente y a la arquitectura
del software.
Existen varias pruebas enfocadas a las pruebas de caja blanca y/o caja negra.
Entre estas pruebas estn: Las pruebas de unidad, Pruebas de integracin,
pruebas de validacin o aceptacin y pruebas del sistema.
Las pruebas de Unidad se concentran en el esfuerzo de verificacin de la unidad
ms pequea del diseo del agente: el componente o modulo del agente.
Las pruebas de Integracin involucran varios mdulos y pueden ser de caja blanca
o caja negra. Las pruebas finales consideran todo el sistema, cubriendo
plenamente la especificacin de requisitos del usuario.
Las pruebas de Aceptacin son pruebas funcionales que realiza el cliente antes de
poner el agente en produccin para descubrir errores que solo puede detectar el
usuario final. Por ltimo, las Pruebas del Sistema buscan discrepancias entre el
programa del agente y el objetivo o requerimiento, enfocndose en los errores
cometidos durante la transicin del proceso al disear la especificacin funcional.
est considerando como prioridad, e.g. la prioridad podra ser obtener la salida del
algoritmo lo ms rpido posible, o que minimice el uso de la memoria, o alguna
otra medida particular.
El anlisis de algoritmos es una parte importante de la Teora de complejidad
computacional ms amplia, que provee estimaciones tericas para los recursos
que necesita cualquier algoritmo que resuelva un problema computacional dado.
Estas estimaciones resultan ser bastante tiles en la bsqueda de algoritmos
eficientes. A la hora de realizar un anlisis terico de algoritmos es comn calcular
su complejidad en un sentido asinttico, es decir, para un tamao de entrada
suficientemente grande. La cota superior asinttica, y las notaciones omega (cota
inferior) y theta (caso promedio) se usan con esa finalidad. Por ejemplo, la
bsqueda binaria decimos que se ejecuta en una cantidad de pasos proporcional a
un logaritmo, en O(logno), coloquialmente "en tiempo logartmico".
La medida exacta (no asinttica) de la eficiencia a veces puede ser computada
pero para ello suele hacer falta aceptar supuestos acerca de la implementacin
concreta del algoritmo, llamada modelo de computacin. Un modelo de
computacin puede definirse en trminos de un ordenador abstracto, como la
Mquina de Turing, y/o postulando que ciertas operaciones se ejecutan en una
unidad de tiempo. Por ejemplo, si al conjunto ordenado al que aplicamos una
bsqueda binaria tiene 'n' elementos, y podemos garantizar que una nica
bsqueda binaria puede realizarse en un tiempo unitario, entonces se requieren
como mucho log2 N + 1 unidades de tiempo para devolver una respuesta
Conocimiento Previo. La importancia de la eficiencia con respecto a la
complejidad temporal fue enfatizada por Ada Lovelace en 1843 como resultado de
su trabajo con el motor analtico mecnico de Charles Babbage: "En casi todo
cmputo son posibles una gran variedad de configuraciones para la sucesin de
un proceso, y varias consideraciones pueden influir en la seleccin de estas segn
el propsito de un motor de clculos. Una objetivo esencial es escoger la
configuracin que tienda a minimizar el tiempo necesario para completar el
clculo."
Notacin
Nombre
Ejemplos
constante
logartmico
lineal
Ejecutar
una transformada
rpida
de
loglinear
o
Fourier; heapsort, quicksort (caso peor y promedio),
quasilinear
o merge sort
cuadrtico
exponencial
peor de los casos: Busca el elemento que es mayor o igual que el artculo
en la ltima posicin. f ( n) = n
mejor de los casos: Busca el elemento que es menor o igual al elemento de
la primera posicin. f ( n) = 1
caso promedio: --- no pueden, en general, se determinar ---
El artculo que usted est buscando es inferior (es decir, viene antes) el elemento
central. Por lo tanto, se puede tirar a la basura el elemento central y la segunda
mitad de la lista y buscar en la primera mitad de la lista por el mismo proceso. Esto
se traduce en la bsqueda de en medio de n / 2 artculos.
El artculo que usted est buscando es mayor que (es decir, viene despus) el
elemento central. Por lo tanto, se puede tirar a la basura el elemento central y la
primera mitad de la lista y buscar en la segunda mitad de la lista por el mismo
proceso. Esto se traduce en la bsqueda de en medio de n / 2 artculos.
As que la cuestin se reduce a, "Cuntas veces puede byc producirse antes de
ejecutar fuera de los datos a tener en cuenta?"
Los primeros resultados de la comparacin de n / 2 artculos sobrantes.
Los resultados de comparacin en segundo (n / 2) / 2 = n / (22) artculos
sobrantes.
Los resultados tercio de comparacin en ((n / 2) / 2) / 2 = n / (23) artculos
sobrantes.
Los resultados del cuarto de comparacin en n / (24) artculos sobrantes.
etc ........
Finalmente, los resultados de la comparacin de orden k en n / (2k) artculos
sobrantes. Si estos resultados en un artculo dejaron entonces slo una
comprobacin ms necesita ser hecho.
Por lo tanto, se necesitan aproximadamente comparaciones k para buscar en la
matriz. Despus comparaciones k, habra slo 1 artculo sobra. Por lo tanto ...
n / (2k) = 1
2k = n
k = log2N
Desde log2N es menor que n, podemos concluir que una bsqueda binaria es ms
eficiente que una bsqueda lineal (en el peor caso posible).
En realidad es muy poco frecuente poder decir algo tan tajante, para la mayora
de los problemas, es muy difcil demostrar que son intratables, pero la teora de
los NP-completos te puede ayudar a no perder tu trabajo diciendo:
Para un artista como t, los criterios para aceptar un trabajo son claros: quieres
ganar tanto dinero como sea posible. Debido a que cada una de estas pelculas
paga la misma tarifa por pelcula, esto implica que buscas la mayor cantidad
posible de puestos de trabajo (intervalos) de tal manera que dos cualesquiera de
ellos no estn en conflicto entre s.
T (o tu agente) debes resolver el siguiente problema de algoritmia:
Conjunto Independiente(G, k)
m =nmero de aristas de G
n =nmero de vrtices de G
I=
for j = 1 to n 5
pelicula(j) =
I = anadir(I, pelicula(j))
for la isima arista de G (x, y), 1 i m
pelicula(x) = anadir(pelicula(x), [i, i + 0,5])
pelicula(y) = anadir(pelicula(y), [i, i + 0,5])
Resultado GralPlanifPeliculas(I, k).
Cada vrtice es una pelcula que contiene los intervalos de las aristas
desde ese vrtice
Los mayores subconjuntos que satisfacen los dos problemas son los
mismos
Suma de enteros
Multiplicacin de enteros
rbol generador mnimo
Clique mxima
Camino mnimo entre un par de nodos
Problema del viajante de comercio
Conjunto independiente de cardinal mximo
USO:
Entender patrones de comportamiento a nivel desagregado.
METODOLOGA
1) Determinar el problema de decisin de marketing y la informacin
requerida.
2) Identificar el comportamiento observable de inters a nivel individual
(tpicamente denotamos esto como x).
3) Seleccionar una distribucin de probabilidad que caracterice este
comportamiento a nivel individual. Tpicamente denotamos esto como f
(x|). Consideramos los parmetros de esta distribucin como
caractersticas latentes de nivel individual.
4) Especificar una distribucin para caracterizar la distribucin de las
caractersticas latentes en la poblacin. Tpicamente denotamos esto por
g() y le llamamos la distribucin de mezcla (o modelo de heterogeneidad).
5) Derivar la distribucin agregada o distribucin observable de del
comportamiento de inters. = |
6) Estimar los parmetros (de la distribucin de mezcla) ajustando la
distribucin agregada a los datos que observamos.
7) Usar los resultados de los modelos para resolver el problema de marketing
planteado.
MODELOS A CONSIDERAR
La
informacin
necesaria
para
verificar
un
resultado
de
todos
aquellos
problemas
de
decisin
cuyas
soluciones
Es P igual a NP?
investigadores, 61 crean que la respuesta era NO, 9 crean que la respuesta era
SI, 22 no estaban seguros, y 8 crean que la pregunta poda ser independiente de
los axiomas actualmente aceptados, y por lo tanto imposible de demostrar por el
SI o por el NO2.
Definiciones formales
Ms precisamente, un problema de decisin es un problema que especifica una
cadena de caracteres de datos de entrada y requiere como solucin una respuesta
por el SI o por el NO. Si existe un algoritmo (por ejemplo una mquina de Turing, o
un programa en lenguajes Lisp o Pascal con memoria irrestricta) que es capaz de
entregar la respuesta correcta para toda cadena de datos de longitud n en a lo
sumo c \cdot n^k pasos, donde k y c son constantes independientes del conjunto
de datos, entonces se dice que el problema puede ser resuelto en tiempo
polinmico y lo clasificamos como perteneciente a la clase P. En forma intuitiva,
consideramos que los problemas contenidos en P son aquellos que pueden ser
resueltos en forma razonablemente rpida.
Ejemplo.
resolverlo.
problemas de decisin.
La clase P
P es conocido por contener muchos problemas naturales, incluyendo las versiones
de decisin de programa lineal, clculo del mximo comn divisor, y encontrar una
correspondencia mxima.
Problemas notables en P
P/poly es una clase grande que contiene casi todos los algoritmos prcticos,
incluyendo todo el BPP. Si esta contiene a NP, la jerarqua polinomial se colapsa
con el segundo nivel. Por otra parte, esta tambin contiene algunos algoritmos
poco prcticos, incluyendo algunos problemas no decidibles.
Propiedades
Robertson-Seymour garantiza que hay una lista finita de los menores permitidos
que compone (por ejemplo) el conjunto de los grafos que pueden ser integrados
sobre un toroide; adems, Robertson y Seymour demostraron que hay una
complejidad O (n3) en el algoritmo para determinar si un grafo tiene un grafo
incluido. Esto nos da una prueba no constructiva de que hay un algoritmo de
tiempo polinmico para determinar si dado un grafo puede ser integrado sobre un
toroide, a pesar de no conocerse ningn algoritmo concreto para este problema.
Ejemplos
Ciclo Euleriano: Encontrar un ciclo que pase por cada arco de un grafo una
nica vez.
Clase NP-Completo
TEOREMA DE COOK
En teora de la complejidad computacional, el Teorema de Cook establece lo
siguiente:
EJEMPLOS:
Se sospecha que el problema de isomorfismo de grafos no est ni en P ni en NPcompleto, aunque est en NP. Se trata de un problema difcil, pero no tanto como
para estar en NP-completo.
Problema de la clique
CONCLUSIONES
. BIBLIOGRAFIA
Avila, Mauricio. 2013. Calidad de Software-caja negra. . [En lnea]. Octubre 22 de 2013.
Formato PDF. Recuperado de:
https://www.youtube.com/watch?v=lVEIzJGqJcM
Biografas
y
vidasla
enciclopedia
http://www.biografiasyvidas.com/biografia/l/llull.htm
biogrfica
en
lnea
Biografas
y
vidasla
enciclopedia
biogrfica
http://www.biografiasyvidas.com/biografia/t/turing.htm
en
lnea
Fernandez, Carmen. Villena, Julio. Pruebas de Programas. [En lnea]. Formato PDF.
Recuperado de: http://www.it.uc3m.es/ttrd/material/05-pruebas-de-programas.pdf
WikiMedia Org.. Eficiencia Algoritmica. [En lnea]. Formato HTML. Recuperado de:
https://es.wikipedia.org/wiki/Eficiencia_Algor%C3%ADtmica
WikiMedia Org. Clases de Complejidad P y NP. [En lnea]. Formato HTML. Recuperado
de: https://es.wikipedia.org/wiki/Clases_de_complejidad_P_y_NP