2018 FEB1

Solución

B) Falso, la máquina 1|01010010100110100100100100 sí lo cumple.

2017 SEP

Solución

B – Falso. Porque las primeras 1000 MTs no están bien formadas, y entendemos que
las máquinas mal formadas no aceptan ninguna cadena, por lo tanto no tendrán
ningún 1 en su vector característico.
2017 SEP RES
2018 FEB1

Solución

A) Verdadero, porque hay una MT que se para si la cadena wi pertenece al

lenguaje o si no pertenece al lenguaje, que es la definición de lenguaje
Recursivo.
2017 SEP

Solución

A) Verdadero, un conjunto es cerrado respecto de una operación si su resultado

pertenece al conjunto inicial. En este caso se cumple al estar L y su
complemento en el conjunto de los Recursivos.
2017 SEP RES

Solución

a) Verdadero, porque se puede construir una máquina de Turing que pare para
los casos en los que la cadena wi pertenezca o no.
 Solución

A) Verdadera

Que implica hacer una reducción de P a L.

• L es más complejo que P, por ejemplo, L tiene más símbolos.

• Para toda cadena aceptada por P, L también lo hará.
• Para toda cadena rechazada por P, L también lo hará.
• Suponemos que P es RE no recursivo, que es el tipo de indecibilidad más
débil.
• P necesitaría examinar infinitos símbolos para rechazar cadena de él
complemento de L.
• Rechazar cadenas de L requeriría examinar infinitos símbolos, lo que
implica que una MT no puede aceptar, es un tipo de indecibilidad No-RE.
 Solución

A) Verdadero.

Por el método de reducción al absurdo.

Suponemos que Ld es RE, por tanto:

- Existe una MT Mi que acepta Ld.

- Existe una cadena wi asociada a la MT Mi.

Caso 1: Si wi pertenece a Ld.

Por definición de Ld, wi no pertenece a L(Mi) puesto que Ld = L(Mi). Contradicción.

Caso 2: Si wi NO pertenece a Ld.

Por definición de Ld, wi pertenece a L(Mi) puesto que Ld = L(Mi). Contradicción.

2018 FEB1

Solución

B) Falso.

Lo que se debe de cumplir para que la cadena wi pertenezca a Ld, es que si pasamos la
cadena wi a la MT Mi nos debe devolver un 0, por tanto, no acepta su propia
codificación como cadena de entras.
2017 SEP RES

Solución

B- Falso

Le es No-RE y Lne es RE no recursivo lo que significa que es indecidible. Por lo tanto Le

es más complejo que Lne.
2017 SEP

Solución

B – Falso.

No es una propiedad del lenguaje, si no que le pasamos 37 veces la misma cadena

sobre la misma máquina.
 Solución

A – Verdadero
 Solución

A – Verdadero. Porque sabemos que H es Recursivamente Enumerable no Recursivo,

por lo tanto es indecidible y el lenguaje L también lo será.
2017 SEP

Solución

A – El PCPM tiene solución negativa y el PCP solución positiva.

2018 FEB1
 Solución

A – Se demuestra que Lu < PCPM < PCP.

2017 SEP RES
 Solución

B – Tiene solución negativa para esta instancia, ya que wi siempre es más larga que xi,
nunca se emparejaran w y x.
2017 SEP RES / 2018 FEB1
2017 SEP
 Solución

B – Falsa. Se ve claramente que se cruzan los conjuntos.

2018 FEB1

Solución

B – Falso. Porque 27 es 2 en módulo 7

 Solución

B – Falsa. Hacemos una tabla de verdad y comprobamos que NO hay una ninguna
asignación de verdad, no es satisfacible por ninguna asignación.

x y = Y( C6 ; O( NO(C6) ; D6) ; NO(D6) )

0 0 FALSO
0 1 FALSO
1 0 FALSO
1 1 FALSO
2017 SEP
2017 SEP RES

Solución

A – Verdadera. La teoría de Grafos nos permite demostrar si es o no satisfacible.

No es satisfacible si Existe una variable x tal que

- Existe un camino de x a -x en el grafo.
- Existe un camino de -x a x en el grafo.
 Solución

Contiene todos los problemas que pueden ser resueltos por una máquina Turing que
utiliza una cantidad de cinta que es polinómica respecto a la longitud de entrada,
independientemente del tiempo que invierta.

Existen problemas P completos en el espacio polinómico en el sentido de que, todos

los problemas de esta clase son reducibles en tiempo polinómico a P. Por tanto, si un
problema P está en P o NP, entonces todos los lenguajes reconocidos por una MT con
una limitación en el espacio polinómico, están en P o NP respectivamente.

Un ejemplo de este tipo de problemas son las fórmulas booleanas con cuantificadores.

11.2.1 Máquinas Turing con espacio polinómico.

En una máquina Turing con una limitación de espacio polinómico, existe un polinomio
p(n) tal que para una entrada w dada de longitud n, la MT no pasa nuca por más de
p(n) casillas de su cinta. Podemos suponer que la cinta es semi-infinita y la MT nunca
se mueve a la izquierda del principio de la cinta.

Clase de lenguajes PS (Polynomial Space, espacio polinómico). Incluye todos y sólo los
lenguajes que son L(M) para una cierta MT M determinista con limitación de espacio
polinómico. Un n lenguaje está en PS (espacio polinómico) si es aceptado por una MT
M determinista para la que existe un polinomio p(n) tal que para una entrada de
longitud n M nunca emplea más de p(n) casillas de su cinta.

Clase de lenguajes NPS (Nondetereministic Polynomial Space). Formada por aquellos

lenguajes que son L L(M) de alguna MT M no determinista con limitación de espacio
polinómico. Un lenguaje está en NPS (espacio polinómico no determinista) s si es
aceptado por una MT N no determinista para la que existe un polinomio p(n) tal que
para una entrada de longitud n, nunca emplea más de p(n) casillas de su cinta.

El no determinismo no incrementa la potencia de la MT si existe una limitación

polinómica de espacio.

Aunque PS incluye claramente a NP, no sabemos si PS es igual a NP o incluso a P.

2017 SEP

Solución

11.3.1 Problemas PS-completos.

Decimos que el problema P es completo para PS (P PS-completo) si:

1. P pertenece a PS.
2. Todos los lenguajes L en PS son reducibles en tiempo polinómico a P.

Una propiedad interesante de este tipo de problemas es que si algún problema PS-
completo resultara estar en P, entonces es P=PS, y si algún problema PS-completo está
en NP, entonces NP=NPS.

Un ej. de problemas de este tipo son los problemas FBC (Fórmulas s Booleanas con
Cuantificadores).
 Solución
Se dice que una MT M tiene complejidad temporal T(n) (o tiempo de ejecución T(n)) si
siempre que recibe una entra de w de longitud n, M se para después de realizar, como
máximo, T(n) movimientos, independientemente de si la acepta o no.

Decimos que un lenguaje L pertenece a la clase P (polinómica) si existe una T(n)

polinómica tal que L=L(M) para alguna MT M determinista de complejidad temporal T
T(n). A esta clase pertenecen el conjunto de problemas resolubles en tiempo
polinómico mediante una MT determinista.

Decimos que un lenguaje L pertenece a la clase NP (polinómica no determinista) si

existe una T(n) polinómica tal que L=L(M) para alguna MT M no determinista de
complejidad temporal T(n). A esta clase pertenecen el conjunto de problemas
resolubles en tiempo polinómico mediante una MT no determinista.

Toda MT determinista es un MT no determinista que nunca puede elegir entre varios

movimientos, por tanto P .. NP.
Lenguaje co-NP. Un lenguaje está en la clase co-NP si su complementario está en la
clase NP.

Problemas NP-completos. Un lenguaje es NP-completo si pertenece a NP y existe una

reducción en tiempo polinómico de cada uno de los lenguajes de NP al lenguaje en
cuestión.

Decimos que el lenguaje L es NP-completo si las siguientes afirmaciones son

verdaderas (Completitud de Karp):

1. L pertenece a NP.
2. Para todo lenguaje L´ perteneciente a NP existe una reducción en tiempo
polinómico de L´ a L.

Problemas NP-difíciles. Algunos problemas L son tan difíciles que, aunque podamos
demostrar la condición 2 de los problemas NP-completos (todo lenguaje perteneciente
NP se reduce a L en tiempo polinómico), no podemos demostrar la condición 1 (L
pertenece a NP). Si es así, diremos que L es NP-difícil.
2017 SEP RES

Solución

Co-NP es el conjunto de lenguajes cuyos complementarios están en NP. Todo lenguaje

de P tiene su complementario también en P y, por tanto, en NP. Por otro lado,
creemos que ninguno de los problemas NP-completos tienen sus complementarios en
NP y, por tanto, ningún problema NP-completo pertenece a co-NP. Del mismo modo,
creemos que los complementarios de los problemas NP-completos, que por definición
están en co-NP, no están en NP.
2018 Feb1

Solución

Para representar la capacidad de una MT de hacer elecciones aleatorias, utilizaremos

una variante de MT de varias cinta as, denominada máquina Turing con aleatoriedad:

1. La primera cinta almacena la entrada.

2. La segunda cinta (cinta aleatoria) está llena de ceros y unos elegidos s aleatoria e
independientemente, con probabilidad ½ para el cero y ½ para el 1 y s sin espacios en
blanco.
3. La tercera cinta y subsiguientes (cintas auxiliares) estarán inicialmente en blanco y la
MT las utilizará si las necesita.

Una variante es un MT en la que la segunda cinta esté inicialmente en blanco y que

cuando la cabeza apunte a un espacio en blanco se produzca un “lanzamiento de
moneda”, escribiendo la MT un 0 o un 1 en la casilla a y dejándolo de forma indefinida.

Una MT de estas características implementará Quicksort en O(n-log n).

Adjunto dibujo de una MT con aleatoriedad.

 Solución

Podemos implementar la versión aleatoria de Quicksort en una MT con aleatoriedad.

El paso importante es el proceso recursivo de tomar una sublista, que suponemos que
está almacenada consecutivamente en la cinta de entrada y delimitada mediante
marcadores en ambos extremos, seleccionar un pivote aleatoriamente y dividir la
sublista en las sub-sublistas que contienen respectivamente los elementos bajos y
altos respecto del pivote.

La MT con aleatoriedad hace lo siguiente:

1. Supongamos que la sublista que se va a dividir tiene longitud m. Utilizamos

aproximadamente O(log m) nuevos bits aleatorios en la segunda lista para elegir un
número aleatorio entre 1 y m; el elemento m de la sublista se convierte en el pivote.
Observe que no podemos seleccionar cualquier entero comprendido entre l Y m con
absolutamente la misma probabilidad, ya que m puede no ser una potencia de 2. Sin
embargo, si tomamos, por ejemplo f210g2 m l bits de la cinta 2, podemos pensar que
se trata de un número perteneciente al intervalo que va desde O hasta
aproximadamente m2, obtenemos el resto de dividirlo entre m, y sumamos 1, a
continuación obtendremos todos los números comprendidos entre 1 y m con
probabilidad bastante próxima a l/m para que Quicksort funcione apropiadamente.

2. Colocamos el pivote en la cinta 3.

3. Exploramos la sublista que está en la cinta 1, copiando aquellos elementos que no

sean mayores que el pivote en la cinta 4.

4. De nuevo exploramos la sublista de la cinta 1, copiando aquellos elementos que

sean mayores que el pivote en la cinta 5.

5. Copiamos la cinta 4 y luego la cinta 5 en el espacio de la cinta 1 que almacenaba la

sublista anterior. Colocamos un marcador entre las dos listas.

6. Si cualquiera o ambas sublistas tienen más de un elemento, las ordenamos

recursivamente utilizando el
mismo algoritmo.