Unidad 3.

Modelos y Análisis
DEFINICIÓN DE MODELO:
Es una representación abstracta que ilustra los componentes o relaciones de un fenómeno. Nos define operaciones concretas que hacen que los
datos se conviertan en conocimiento.

CLASIFICACIÓN DE LOS MODELOS:

 C l a s i fi c a c i ó n d e l o s M o d e l o s

ESTÁTICOS
Se ocupa de determinar una respuesta para una serie de condiciones fijas en términos de
ecuaciones matemáticas ignorando la variación en el tiempo.

Ventajas y desventajas.

 Fácil de utilizar.
 Utiliza poca información de partida.
 Sus predicciones no dependen del estado anterior del sistema.

Desventajas
 Basado en muestras reducidas.
 Entornos de desarrollo específico.
 Resultados no comparables.
 Basados en el tamaño.
 No influyen factores importantes.
 Solo facilitan el punto de partida.

DINÁMICOS
Representa el estado del sistema en función de su estado y pueden predecir su futuro.
  Objetivos y subjetivos
 Analíticos y simulación
 Determinísticos y probabilísticos

SEGÚN SU FUNCIÓN
 Predictivos
 Evaluativos
 Optimización
 Deterministas
 Estocásticos
 Estáticas
 Dinámicos

TOMA DE DECISIONES
 Relacional o clase
 De satisfacción
 De bote de basura
 política
 Estructurado
 No estructurado incertidumbre
 De riesgo
 Certeza
 Bajo conflicto

ESTOCÁSTICOS
 Control optimo método transformación
 Villviterbi
 Lotca Voltero
 Basado en derivaciones

VARIABLE DE TIEMPO
 Estáticos:
o Lineal
o Teoría de juegos
o Optimización lineal

 Dinámicos:
o Regresión lineal
o Redes neuronales
o Regresión múltiple
o Programación dinámica
o Principio de máximo
 o Modelo de black schools
o Modelo gosth tuinstein
o Ajustes parciales
o Retardos distribuidos
o Indicadores adelantados
o En Diferencias
o Univariantes

OBJETIVO DEL PROBLEMA

 Único objetivo:
o Programación lineal
o Regresión lineal
o Control óptimo  Nota: Todos los que tengan una solo variable
o Cadenas de Markov
o Técnica de Montecarlo

 Múltiple objetivo:
o Método de ponderación
o Transporte
o Simplex
o Eficiencia de Pareto
o Box Miüler
o E-restricciones
o Asignación de prioridades
o Programación lineal

LIBERTAD DE LAS VARIABLES

 Libres:
o Redes neuronales
o Algoritmos genéticos
o Teorema de envolvente
o Algoritmo de Levenver-Marcuadt

 Restricciones:
o Marcoviano
o Jacoviano
o Árbol de decisión
o Modelación de fiabilidad en tiempo continuo
o Método de la Grange
o De Mareas
LINEALES
 Marcov
 Mínimos cuadrados
 Gauss
 Regresión lineal
 Generalizado
 Bayesiano
 Mixto
 De rango no complejo
 Lineal de la hipótesis
 Regresión paramétrica
 Criterio de Mallows

NO LINEALES
 Gauss newton
 Montecarlo
 Programación no lineal
 Newton Raphson

DE TIPO DE VARIABLES
 Continuos:
o Modelo de Pareto
o Programación lineal
o Optimización
o De probabilidad uniforme
o Exponencial
o Univariante
o De Black and schools
o Gama

 Discretos:
o Teoría de juegos
o Bayesiana
o Monte Carlo
o Variaciones
o Redes neuronales
 o Algoritmos genéticos
o Gash
o Arch
o T- gash

TOMA DE DECISIONES
 Criterio optimista
 Monte Carlo
 Probabilidad subjetiva
 Optimista parcial
 Minimax
 A probabilidad
 Modelación marcoviana

ESTRUCTURADA
 Laplace
 Hurwics
 Teorema de decisiones

CERTEZA
 Programación lineal con granularidad mixta

RIESGO
 Teorema Bayes
 Monte Carlo
 Decisión por ponderación
 A probabilidad
 A fallos
 Mapa de conocimiento
 Modelación marcoviana de fiabilidad con varios estados
 Modelo de distribución continua y función de pérdidas
 Árboles de fallas para riesgos en sistemas complejos
 Método de fiabilidad de tiempo continuo
 Teoría de juegos
  Redes neuronales
 Árbol de decisión con ponderación

PROGRAMACIÓN LINEAL
 Minimax
 Toma de decisión
 Teorema de Bayes
 Algoritmos genéticos
INCERTIDUMBRE, CERTEZA Y RIESGO

INCERTIDUMBRE:
 Es la duda de como se puedan presentar las acciones que no se contemplan.
 Cuando no se sabe sobre lo que pueda suceder
 Si solo se conocen un par de variables

E.g. En el clima se deben considerar todos los factores que intervienen en él pero no se saben al
100%

Es el conocimiento incompleto acerca de la ocurrencia de un evento en particular acerca del

suceso de ese evento que ocurrirá.

TIPOS:

 Incertidumbre debida a errores, medición y sesgos

 Incertidumbre en el proceso
 Incertidumbre en el modelo
 Incertidumbre en estimación
 Incertidumbre en implementación

CERTEZA: Conocemos nuestro objetivo, tenemos información exacta, medible y confiable acerca
del resultado de cada una de las alternativas.

RIESGO: La información con la que se cuenta para solucionar el problema es incompleta, es decir,
se conoce el problema y las posibles soluciones, pero no se conoce con certeza los resultados que
pueden arrojar.

MÉTODO DE MONTECARLO

Definición: es el método simplificado de solución, incluye factores de probabilidad. La simulación

es guidada por un muestreo al azar para tomar en cuenta la probabilidad de que el evento suceda.

Consiste básicamente en sustituir números puntuales por función de probabilidad.

BREVE HISTORIA DEL MÉTODO

 El uso de los métodos de Montecarlo como herramienta de investigación, proviene del

trabajo realizado en el desarrollo de la bomba atómica durante la segunda guerra mundial
en el Laboratorio Nacional de Los Álamos en EE.UU.
 En 1930 Enrico Fermi y Stanislaw Ulam desarrollaron las ideas básicas del método.
  A principios de 1947 John von Neumann envió una carta a Richtmyer a Los Álamos en la
que expuso de modo exhaustivo tal vez el primer informe por escrito del método de
Montecarlo.
 Una de las primeras aplicaciones de este método a un problema determinista fue llevado a
cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores
singulares de la ecuación de Schrödinger.

APLICACIÓN DEL MÉTODO DE MONTECARLO

 Simulación
 Muestreo
 Análisis numérico
 Programación de ordenadores
 Toma de decisiones
 Estética
 Juegos

Se puede generar de 2 formas:

1. Realizar un algoritmo propio que genere números aleatorios.

2. En base a una fórmula donde se tiene una constante y un número de corridas o errores
deseados.

PASOS PARA DESARROLLAR EL MÉTODO DE MONTECARLO

1. Definir el dominio de las posibles entradas

2. Generar entradas de forma aleatoria usando una determinada distribución de
probabilidades.
3. Generar el cómputo Determinístico de los resultados.

Superponer los resultados de los cómputos individuales para obtener el resultado final.
DIAGRAMAS DE INFLUENCIA

Diagrama de influencia: Es una representación gráfica de un sistema FALTA COMPLEMENTAR LA

DEFINICION

FALTA INFORMACIÓN SOBRE ESTE TEMA

Uso
Análisis complejo
Modelo de razonamiento de modelo bayesiano

ELEMENTOS DEL DIAGRAMA DE INFLUENCIA:

 El conjunto de nodos (azar, decisión y valor)
 Arcos (flechas relaciones entre los nodos):
o Condicionales: Van hacia los nodos de azar.
o Informativos: Precedencia en el tiempo que va antes de otra cosa. Van hacia los
nodos de decisión.

Relaciones entre los nodos

 Independencia Total: Cuando no existe arcos entre nodos quiere decir que son
independientes uno del otro.
 Dependencia Parcial: Cuando un nodo se conecta con otro.
 Dependencia condicional: Que forzosamente tenga que pasar por un lado para llegar a
otro.
 Dependencia total: Cuando todos los nodos se conectan con todos.

 Se dice que un diagrama de Influencia es regular cuando:

o No tiene ciclos
o El nodo de valor no tiene sucesores
o Existe un camino dirigido (una salida para un nodo).

Para poder evaluar un diagrama de influencia, se deberá comprobar inicialmente las siguientes
características:

 Que sea regular.

 Las distribuciones de probabilidad deben de ser consistentes, es decir, la suma de los
valores debe ser de valor 1 y no ser negativos.

Arcos de memoria: Para recordar un valor, regresa a un nodo sin ser ciclo.

Información Cuantitativa: (pag 4 diagramasinfluencia.pdf)

Las alternativas para los nodos de decisión

Tablas de nodos de decisión

Tabla de nodos de valor

Método de fag y zafa..

Teorema de fag y zafa

Teorema de Bayes-Ball

 Creada para redes bayesianas y acondicionada para Diagramas de influencia (DI).

Donde:
DI son todos los nodos al azar.
 Conjunto de decisiones ordenadas por tiempo

VD= {D1,D2,D3 .......Dn}

Algoritmo de Bayes para decisiones:

 Empezar por la última decisión, dN

 Repetir hacia atrás para el resto de decisiones
 Computar la información requerida al inicio del problema (ahora) dadas las
 Observaciones actuales E

Modelo de Bayes-Ball
 Es un diagrama de influencia en base a probabilidades.
 Se ejecuta lineal en el tiempo.
 La diferencia con faguno es que se permiten trabajar con múltiples nodos de valor.

MODELADO MULTIDIMENSIONAL

Estructura básica de un DWH, está definido por tabla de hechos y dimensiones.

Operaciones Básicas:
 drill down
 Pivote
.
.
.
Arquitectura:
 Esquema de Estrella
 Copo de Nieve

Herramientas para las BD

 OLAP
 MOLAP
 ROLAP

Contienen medidas numéricas que son conjunto de análisis

modmulti pag5.

Optimización de programación lineal matemática

DEFINICIÓN:
Obtener valores óptimos en base a maximizaron o minimización.
Obtener los mejores resultados en base a la aplicación de máximos o mínimos.

TIPOS DE OPTIMIZACIÓN:

 Clásica -->sin restricciones valor extremo max i min

 No clásica -->max i min mediante métodos (simplex dual etc)
 Estocástica -->
 Con información no perfecta -->

Se caracterizan por contener:

 Variables o decisiones a implementar
 Ecuaciones de restricciones o limitaciones
 Función objetivo
 Existencia de un único decisor

Fórmula de la optimización:

MAX(min)f (x) X Є Ω C Rn

DONDE:
x = vector i representa variables de decisión
f = función objetivo
Ω = conjunto de puntos o decisiones del problema.

Criterios de clasificación: FALTA INFORMACIÓN SOBRE EL TEMA

FALTA INFORMACIÓN SOBRE ESTO:

Características:

Orientados a un solo decisor

TÉCNICAS DE OPTIMIZACIÓN
 Basadas En Cálculo:
o Métodos directos:
 Fibonacci
 Newton
o Métodos indirectos

 Enumeraciones Implícitas
o Búsqueda guiada
 Recorrido simulado
 Algoritmos evolutivos
 Búsqueda tabu
o Redes neuronales

 Técnicas Enumerativas
o Programación dinámica
o Branch and Bound

Programación lineal: FALTA INFORMACION SOBRE ESTE TEMA

 Variables - tablas de decisión- ponderaciones

 Ecuaciones de restricciones y limitaciones

Clasificación:

o Según naturaleza de tiempo

o Según variable de tiempo dinámicos y estáticos

Teoremas de programación lineal:

o Ware Straus