Professional Documents
Culture Documents
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.
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
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
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%
TIPOS:
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
Simulación
Muestreo
Análisis numérico
Programación de ordenadores
Toma de decisiones
Estética
Juegos
Superponer los resultados de los cómputos individuales para obtener el resultado final.
DIAGRAMAS DE INFLUENCIA
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.
Para poder evaluar un diagrama de influencia, se deberá comprobar inicialmente las siguientes
características:
Arcos de memoria: Para recordar un valor, regresa a un nodo sin ser ciclo.
Teorema de Bayes-Ball
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
Operaciones Básicas:
drill down
Pivote
.
.
.
Arquitectura:
Esquema de Estrella
Copo de Nieve
modmulti pag5.
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:
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.
Enumeraciones Implícitas
o Búsqueda guiada
Recorrido simulado
Algoritmos evolutivos
Búsqueda tabu
o Redes neuronales
Técnicas Enumerativas
o Programación dinámica
o Branch and Bound
Clasificación:
o Ware Straus