Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• La caída de la bolsa de New York en 1988: La utilización de programas de simulación por parte de los
corredores de la bolsa causó una falsa inestabilidad que provocó la caída.
• El regreso del Apolo 13: La simulación jugó un rol fundamental en la determinación del plan de emergencia. La
nave retornó con éxito a pesar de las graves averías.
• Los Voyagers: Gracias a la simulación se pudieron establecer los itinerarios óptimos para estas naves con un
mínimo consumo de energía aprovechando la atracción gravitacional de los planetas.
• Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulación para estudiar reacciones nucleares.
• Los modelos del planeta: Algunos plantean la posibilidad de un calentamiento global debido al efecto
invernadero. Otros plantean la posibilidad de un enfriamiento y predicen una nueva era glaciar.
• Capacitación de tropas: En el operativo “Tormenta del desierto” llevado a cabo en la guerra contra Irak, las
tropas de todas las fuerzas estadounidenses que participaron (fuerza aérea, marina y ejército) fueron
entrenadas con simuladores.
• Capacitación de policías: Se utiliza entornos virtuales para que el policía aprenda a conducirse en situaciones
de riesgo.
• Simuladores de vuelos: Fue una de las primeras aplicaciones de los simuladores. Actualmente se utilizan para
entrenar pilotos de aviones comerciales y de combate.
Tipos de simulación
• Identidad: Es cuando el modelo es una réplica exacta del sistema en estudio. Es la que utilizan las
empresas automotrices cuando realizan ensayos de choques de automóviles utilizando unidades
reales.
• Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema real. Por ejemplo, los
entrenamientos militares que incluyen movilización de equipos y tropas pero no se lleva a cabo una
batalla real.
• Laboratorio: Se utilizan modelos bajo las condiciones controladas de un laboratorio. Se pueden
distinguir dos tipos de simulaciones:
• Juego operacional: Personas compiten entre ellas. ellas forman parte del modelo, la otra
parte consiste en computadoras, maquinaria, etc. Es el caso de una simulación de
negocios donde las computadoras se limitan a recolectar la información generada por cada
participante y a presentarla en forma ordenada a cada uno de ellos.
• Hombre-Máquina: Se estudia la relación entre las personas y la máquina. Las personas
también forman parte del modelo. La computadora no se limita a recolectar información,
sino que también la genera. Un ejemplo de este tipo de simulación es la simulador de
vuelo.
• Simulación por computadora: El modelo es completamente simbólico y está implementado en un
lenguaje computacional. Las personas quedan excluidas del modelo. Un ejemplo es el simulador de
un sistema de redes de comunicación donde la conducta de los usuarios está modelada en forma
estadística. Este tipo de simulación a su vez puede ser:
• Digital: Cuando se utiliza una computadora digital.
• Analógica: Cuando se utiliza una computadora analógica. En este grupo también se
pueden incluir las simulaciones que utilizan modelos físicos.
Taller en clase No 1:
1. Describir por lo menos 5 campos en donde tenga cabida un modelos
de simulación.
2. Mencione algunos campos (por lo menos 5) en donde crea usted
que se puede aplicar un modelo de simulación
3. Describa 2 ejemplos conforme a los siguientes tipos de simulación:
● Identidad
● Cuasi-identidad
● Laboratorio (hombre-maquina)
4. Simulación por computadora
TIEMPO 30 MINUTOS
Etapas de una simulación
Formulación del problema
En este paso debe quedar perfectamente establecido el objeto de la
simulación.
●
los resultados que se esperan del simulador
●
el plan de experimentación
●
el tiempo disponible
●
las variables de interés
●
el tipo de perturbaciones a estudiar
●
el tratamiento estadístico de los resultados
●
la complejidad de la interfaz del simulador
●
Registros históricos
●
Experimentos de laboratorios
●
Mediciones realizadas en el sistema real.
●
Mediciones realizadas en el sistema real
●
Datos históricos o datos de sistemas similares.
3. el tiempo de arranque
4. el tiempo de simulación
5. el número de simulaciones.
- Estáticas o estructurales:
- Dinámicas o funcionales:
Los valores asumidos por los atributos de las entidades en
un momento dado determinan el estado del sistema.
•Variables internas: Son las variables del sistema que no son ni de entrada, ni
de salida, ni parámetros.
Estocástico: Algún elemento del sistema tiene una conducta aleatoria. Entonces, para
entradas conocidas no es posible asegurar los valores de salida. Un ejemplo de sistema
estocástico es una máquina tragamonedas.
Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las
variables del sistema sólo permiten que el estado evolucione en el tiempo en forma
continua (basta que una variable evolucione continuamente). Matemáticamente, el estado
cambia en infinitos puntos de tiempo. El recipiente del calentador es un subsistema
continuo.
Discreto: Se tiene un sistema discreto cuando las relaciones funcionales del sistema
sólo permiten que el estado varíe en un conjunto finito (contable) de puntos
temporales. Las causas instantáneas de los cambios de estados se denominan eventos. El
interruptor del calentador es un subsistema discreto porque la intensidad sólo puede
variar en los instantes que se abre o se cierra el interruptor.
Modos de simulación
Análisis: Es el modo más empleado, en él las variables de salida del
modelo representan a las variables de salida del sistema real. Este modo se
utiliza para estimar la respuesta del sistema real ante entradas
especificadas. Debido a que imita un sistema que realmente funciona, el
modelo es matemáticamente más estable y se asegura la existencia de una
solución.
Diseño: En este modo las salidas del modelo representan a los parámetros
del sistema real. Se utiliza en la etapa de diseño de un equipo donde el
problema es determinar los parámetros para los cuales el sistema producirá
las salidas deseadas para las entradas
especificadas.
3. Variables de entrada
manipulables:
4. Variables de salida:
5. Variables de estado:
6. Perturbaciones
• Determinar su clasificación
TIEMPO 30 MINUTOS
Modelado
4. Buscar analogías.
• Fácil de manipular y controlar por parte del usuario. Es decir, debe ser
sencillo comunicarse con el modelo.
41
NEURONA BIOLOGICA
El elemento fundamental de
procesamiento en una red neuronal
es una neurona. Esta unidad del
conocimiento humano abarca
algunas capacidades generales.
Básicamente, una neurona biológica
recibe entradas de información de
otras fuentes, las combina de una
cierta manera, realiza una operación
generalmente no lineal en el
resultado, y después hace salir el
resultado final. Las dendritas son las
encargadas de recibir las entradas
(1), el soma procesa las entradas
(2), el axon convierte las entradas
procesadas en salidas (3) y las
sinapsis son el contacto
electromecánico con otras neuronas
(4)
Características de una neurona
– Dependiendo de la región del cerebro y su
función, su diámetro va de una décima a una
centésima de milímetro (10 – 100 μm)
– Está formada de 3 partes principales:
• Dentritas
• Axon
• Cuerpo
●Otros parámetros
Una red neuronal puede ser entrenada para reconocer patrones de éxito y
los fracasos de los préstamos basados en la historia pasada. La RNA se
alimenta con el riesgo, el tipo de interés, los datos de los clientes, y otras
variables.
X2
Denegacion 0
X3
Prestamo 1
X4
X5
Estructura y componentes
-Elementos de procesamiento
-Red
-Estructura de la Red
52
…
• tienen habilidades de aprendizaje
automático, generalización y abstracción.
• Con estos modelos pueden resolverse y
simularse una gran variedad de
problemas de reconocimiento,
aproximación, predicción, clasificación,
optimización etc.
53
Componentes básicos de las RNA
Elementos de procesamiento: Neurones o Neuronas
Regla de activación de los elementos.
Topología de interacción entre los elementos de
procesamiento.
Regla de propagación a través de las conexiones.
Regla de aprendizaje.
Medio ambiente en el que el sistema opera.
54
Características Principales de Las RNA
55
OTROS NOMBRES DE LAS R.N.A.
56
Ejemplos de Profesionales
Involucrados con RNA
• Biólogos
• Psicólogos
• Ingenieros Electrónicos
• Ingenieros Civiles
• Fisiólogos
• Ingenieros de Sistemas
• Educadores
• Etc.
●
Conexiones hacia
delante.
b) Conexiones laterales.
• SUPERVISADO
• NO SUPERVISADO
ENTRENAMIENTO SUPERVISADO
Consiste básicamente de
una única neurona con
pesos sinápticos ajustables
y bias.
PERCEPTRON MULTICAPA (MLP)
El objetivo principal era encontrar una solución con respecto al uso de redes neuronales en
ambientes donde el tiempo además de las entradas era un aspecto relevante.
Actualmente, existen unos 40 paradigmas
de RNA que son usados en diversos
campos de aplicación (Taylor, 1996; Arbib,
Erdi y Szentagothai, 1997; Sarle, 1998).
Entre estos paradigmas, podemos destacar
la red backpropagation (Rumelhart, Hinton
y Williams, 1986) y los mapas
autoorganizados de Kohonen (Kohonen,
1982a, 1982b).
Los Mapas Autoorganizados de
Kohonen.
Este tipo de red neuronal, mediante un aprendizaje no
supervisado, puede ser de gran utilidad en el campo
del análisis exploratorio de datos, debido a que son
sistemas capaces de realizar análisis de clusters,
representar densidades de probabilidad y proyectar un
espacio de alta dimensión sobre otro de dimensión
mucho menor.
La red backpropagation
Mediante un esquema de aprendizaje
supervisado, ha sido utilizada satisfactoriamente
en la clasificación de patrones y la estimación
de funciones.
PROBLEMAS DEL ALGORITMO
APLICACIONES
Biología:
• Aprender más acerca del cerebro y otros sistemas.
• Obtención de modelos de la retina.
Empresa
• Reconocimiento de caracteres escritos.
• Identificación de candidatos para posiciones específicas.
• Optimización de plazas y horarios en líneas de vuelo.
• Explotación de bases de datos.
• Evaluación de probabilidad de formaciones geológicas y
petrolíferas.
• Sintesís de voz desde texto.
APLICACIONES
Manufacturación
• Robots automatizados y
sistemas de control (visión artificial y
sensores de presión, temperatura, gas,
etc.)
• Control de producción en líneas de
proceso.
• Inspección de calidad.
• Filtrado de señales.
APLICACIONES
Medicina
• Analizadores del habla para la ayuda de audición de
sordos profundos.
• Diagnóstico y tratamiento a partir de síntomas y/o
de datos analíticos (encefalograma, etc.).
• Monitorización en cirugía.
• Predicción de reacciones adversas a los
medicamentos.
• Lectoras de Rayos X.
• Entendimiento de causa de ataques epilépticos.
APLICACIONES
Militares
• Clasificación de las señales de
radar .
• Creación de armas inteligentes.
• Optimización del uso de
recursos escasos.
Representacion de la estructura
de una proteina
• Visualizacion
de diferentes
aspectos de
la estructura
Problem Definition
• Dada una secuencia de
proteina, queremos
encontrar la salida en 3D
de su estructura
Asociaciones Importantes
Relacionadas a RNA
• IEEE Computational Intelligence:
http://ieee-cis.org/
• Capítulo México de la IEEE-CIS
http://www.hafsamx.org/cis-chmexico/
• Neural Networks Society
http://www.inns.org/
• Sociedades de Reconocimiento de Patrones,
Control, Visión, etc.
89
Taller No 3.
• En grupo, proponer un sistema, el cual pueda ser candidato a ser
modelado e implementado mediante una RNA
TRABAJO FINAL