FACULTAD DE CIENCIAS

ESCUELA DE CIENCIAS QUÍMICAS

CARRERA DE INGENIERÍA EN BIOTECNOLOGÍA
AMBIENTAL

INFORMÁTICA APLICADA

Datos informativos:

Lisette Alarcón (2954)

Hector Pino (2842)
Leo Naranjo (2430)
Miguel Rosero (2802)
Sergio Sayago (2753)

Fecha de entrega: 02/12/2020

1. OBJETIVOS:

1.1 Objetivo General

- Analizar las diferentes metodologías que permitan validar modelos conceptuales

mediante el uso de herramientas bibliográficas determinando el grado de importancia
y aplicación según el caso de estudio que se considera (2802).

1.2 Objetivos específicos

- Conocer qué es la Validación de los Datos, así como los modelos y técnicas (2753)
- Reconocer qué es el Análisis Predictivo y técnicas aplicables (2753)

2. INTRODUCCIÓN

La definición de una herramienta de soporte asociada, para la especificación y validación de

un Modelo Conceptual, a través de la transformación de modelos autómatas finitos y su
validación correspondiente será descrito por las características del proceso de modelado. La
gestión del proceso se realiza a través de una herramienta automatizada de casos de uso, su
definición y posterior transformación a máquinas de estado junto con la propuesta de
controles a realizar sobre el modelo abstracto resultante validará el modelo de que representa
las especificaciones funcionales en el modelo conceptual del dominio bajo estudio (2802).

El análisis predictivo se basa en estimar eventos futuros en función de datos históricos, a los
que se les aplican diversas técnicas analíticas, estadísticas y de aprendizaje automático
(2802).

Los modelos de análisis predictivo son modelos matemáticos que predicen el

comportamiento de una variable en función de un conjunto de otras variables. Para la
construcción de estos modelos, una vez desarrollado el algoritmo predictivo, es necesario
disponer de un conjunto de datos históricos (2842).
3. RESUMEN

VALIDACIÓN DE LOS MODELOS

Para la validación de modelo se debe comprobar si funciona o no, dividiendo el conjunto de

datos en dos, el uno con un conjunto de datos donde se desarrollará el modelo y por el otro
lado se usará la parte sobrante para validad el modelo, denominándose test set (Timón, 2017),
(2842).

A- Técnicas aplicables al análisis predictivo

Los enfoques para analizar el análisis predictivo usan las siguientes técnicas:

Modelo de regresión lineal: Establece una relación entre la variable dependiente y variables
independientes. Minimiza el error mediante la estimación de mínimos cuadrados originarios.
Se comprueba la significancia estadística de coeficientes mediante el estadístico t (Timón,
2017), (2802).

Análisis de supervivencia o duración: analiza el tiempo hasta el evento. La censura y la no-

normalidad son características de estos datos. Aquí se trata el concepto de tasa de riesgo
como la probabilidad de que en un tiempo t condicionar ocurra un suceso sobreviviendo hasta
un tiempo t (Timón, 2017), (2802).

Análisis de clasificación y regresión: es una técnica no paramétrica que produce

clasificaciones dependiendo de la variable sea categórica o numérica. (2430)

Presentan reglas como la de seleccionar valores para obtener la mejor división para
diferenciar observaciones basadas en la variable dependiente, cuando ya selecciona la regla
se divide el nodo en dos y se aplica el procedimiento recursivo, deteniéndose cuando CART
detecta el límite de generación de ganancias o incumplimientos. (2430)
Curvas de regresión adaptativa multivariable: constituye modelos flexibles ajustando
regresiones lineales por piezas. Aquí se encuentra presente el nudo que es modelo que da
paso a otro siendo el punto de intersección entre dos curvas. Este modelo realiza un
sobreajuste mediante una poda, que por medio de un algoritmo especifica un límite superior
en el número de funciones base (Timón, 2017), (2802).

B- Técnicas de aprendizaje computacional

Mediante técnicas computacionales realizan métodos avanzados de estadística para la

regresión, algunos de los métodos son los siguientes:

Redes neuronales: Son técnicas no lineales de modelado, usadas para problemas de

predicción, psicología, ciencias, ingeniería, etc. (2842)

Maquinas de vectores de soporte: detectan y explotan patrones complejos, usando

clasificaciones binarias y estimaciones de regresión. (2842)

Naïve Bayes: Usa la probabilidad de condicionamiento para clasificar predictores que son
independientes estadísticos. (2954)

K-vecinos más cercanos: pertenece a métodos reconocimiento estadísticos de patrones. Usa

valores positivos y negativos. El signo determinara la clasificación de la muestra. El
rendimiento de este modelo estará influenciado por la distancia utilizada para localizar a los
vecinos más cercanos, el número de vecinos utilizados para clasificar la muestra y la regla
usada para derivar una clasificación de los k-vecinos más cercanos (Timón, 2017)(2802).

C- Técnicas aplicables en entornos Open Source

Existe una gran cantidad de técnicas predictivas que sirven para la construcción de modelos.
Hay diferentes técnicas que son soportadas por diferentes sistemas y proveedores, pero
algunas son exclusivas y no permiten su libre uso, como por ejemplo los algoritmos utilizados
por Microsoft, que dispone de algoritmos como: Microsoft Decision Trees Algorithm,
Microsoft Naive Bayes Algorithm o Microsoft Clustering Algorithm entre otros. Sin
embargo, hay otras técnicas que son soportadas por la mayoría de los sistemas y entornos
(Timón, 2017), (2753).

Aunque todas las técnicas predictivas tienen diferentes fortalezas y debilidades, la exactitud
del modelo depende en gran medida de los datos de entrada a procesar y de las características
utilizadas para formar un modelo predictivo. La construcción de modelos implica una gran
cantidad de análisis de datos (Timón, 2017), (2753). (2842)

D- Principales aplicaciones del Análisis Predictivo

En la revista Inbound Logistics Latam se habla acerca de cuáles son las áreas de aplicación
de la analítica predictiva, diferenciando cinco áreas a través de las cuales se hace más rentable
la cartera de clientes:

1. Segmentación de clientes.- La segmentación permite adecuar las ofertas en función del

nivel de ingresos, franja de edad, sexo o estudios realizados, entre otras variables. (2954)
2. Personalización de la oferta.- Conocer cuál es la siguiente mejor oferta que se le puede
hacer a un cliente a partir de su comportamiento histórico. “El cliente ha comprado un
nuevo móvil, puede estar interesado en comprar una funda”. (2430)
3. Detectar el riesgo de que el cliente abandone la relación comercial en función del ritmo
de pedidos o contactos que realiza o de las incidencias que registra. (2954)
4. Conocer cuáles son los clientes más propensos a responder a las iniciativas de
comunicación publicitaria, para sacar el mayor provecho a la inversión hecha
mercadológicamente. (2430)
5. Conocer la tasa de deserción; es decir, predecir en forma anticipada y proactiva cuáles
son los clientes que están buscando otras ofertas para evitar que estos desvíen su atención
hacia la competencia. A través de esta aplicación separo los clientes rentables de los que
no lo son (Timón, 2017), (2753).
Se muestran algunos de los sectores que se benefician del análisis predictivo, así como
aplicaciones que se utilizan en cada uno de ellos:

Sector de Marketing

 Marketing directo: Consiste en un modelo capaz de predecir qué clientes

responderán ante un contacto de marketing. (2954)
 Publicidad predictiva: Consiste en un modelo capaz de predecir qué anuncio es más
probable que cada cliente haga un clic. (2842)
 Predictor de embarazos: Consiste en un modelo capaz de predecir qué clientas van
a tener un bebé en los próximos meses. (2430)
 Persuasión del voto en campañas electorales: Consiste en un modelo capaz de
predecir qué votantes se pueden persuadir positivamente durante la campaña
mediante contacto (llamada, anuncio de televisión, visita en la casa, etc.). (2430)

Sector Actuarial

 Detector de fraude: Consiste en un modelo capaz de predecir qué transacciones o

solicitudes de crédito o reembolso tienen mayor probabilidad de ser fraudulentas, para
que posteriormente sean analizadas con detenimiento (Timón, 2017), (2753).

Sector de Servicios financieros

 Compraventa de acciones: Consiste en un modelo capaz de predecir si una acción

subirá o bajará. (2842)
 Estimación del valor hipotecario: Consiste en un modelo capaz de predecir qué
clientes van a hacer el prepago de una hipoteca en un futuro cercano (Timón, 2017),
(2753).
Sector de Administraciones públicas

 Reducción de reincidencia: Consiste en un modelo capaz de predecir la probabilidad

de que un criminal al que se está enjuiciando pueda delinquir de nuevo.(2954)

Sector Empresarial

 Retención de clientes: Consiste en un modelo capaz de predecir qué clientes tienen

mayor probabilidad de abandonar a la empresa (Timón, 2017), (2753).
 Recomendaciones de películas/canciones: Consiste en un modelo capaz de predecir
qué puntuación le dará una persona a una película/canción (Timón, 2017), (2753).

BIBLIOGRAFÍA

Timón, C. E. (2017). “Análisis predictivo: técnicas y modelos utilizados y aplicaciones del

mismo - herramientas Open Source que permiten su uso. 26/27, I(Principio activo y
prestación ortoprotésica), 67.
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/59565/6/caresptimTFG0117m
emòria.pdf