Nombre de estudiante:

Diego Armando Espinosa Lastra

Matrícula:
64213902

Asignatura:
Simulación de negocios

Docente:
María Antonieta Esquer Romo

Actividad:
“Tabla comparativa - Tipos de modelos”

Fecha de entrega:
29 de noviembre del 2023
Introducción

En el vasto y dinámico campo de la modelización, se despliega un panorama diverso de

enfoques que buscan capturar, entender y predecir fenómenos complejos en diversas
disciplinas. Los modelos, como representaciones simplificadas de la realidad, son
herramientas fundamentales que permiten a científicos, ingenieros y analistas abordar
problemas desde diferentes perspectivas.

Este análisis se centra en la diversidad de tipos de modelos, abordando su estructura,

aplicaciones y limitaciones. A través de una tabla comparativa, exploraremos las
características distintivas de modelos matemáticos, conceptuales y computacionales,
destacando cómo cada enfoque aporta a la comprensión y solución de problemas
específicos.

Al examinar detenidamente estas categorías, se revelarán las fortalezas y debilidades

inherentes a cada tipo de modelo, proporcionando así una visión integral que facilitará la
elección informada del enfoque más adecuado para un contexto dado. En última instancia,
esta tabla comparativa se erige como un recurso valioso para aquellos que buscan navegar
por el vasto terreno de la modelización, ayudándoles a seleccionar la herramienta más
apropiada para abordar los desafíos que se les presentan.
A continuación se presenta una tabla comparativa de diferentes tipos de modelos, es
importante tener en cuenta que la elección del modelo depende de la naturaleza específica
del problema que se está abordando y de los datos disponibles. Además, los avances en la
investigación pueden llevar a la aparición de nuevos modelos y enfoques.

Ejemplos Ejemplos de
Tipo de Modelo Entrenamiento Uso Principal
Representativos Aplicación
Predicción de
Modelo lineal
Regresión Lineal Supervisado Predicción precios, análisis
simple
financiero
Diagnóstico
Regresión Clasificación
Supervisado Clasificación médico, análisis de
Logística binaria
crédito
Decisiones Sistemas de
Árboles de Clasificación,
basadas en Supervisado recomendación,
Decisión regresión
árboles análisis financiero
Máquinas de Reconocimiento de
Crear límites de Clasificación,
Soporte Vectorial Supervisado escritura,
decisión regresión
(SVM) diagnóstico médico
Reconocimiento de
Redes de
Supervisado/No Clasificación, imágenes,
Redes Neuronales neuronas
supervisado regresión procesamiento de
artificiales
lenguaje natural
Modelos de Segmentación de
Agrupa datos
Agrupamiento (p. No supervisado Agrupamiento mercado, análisis
similares
ej., K-Means) de datos
Máquinas de Reconocimiento de
Crear límites de Clasificación,
Soporte Vectorial Supervisado escritura,
decisión regresión
(SVM) diagnóstico médico
Modelos Generación de
Generar nuevos
Generativos (p. No supervisado Generación imágenes, mejora
datos
ej., GANs) de imágenes

Modelos de Aprendizaje Toma de

Reforzamiento (p. basado en Reforzamiento decisiones Juegos, robótica
ej., Q-learning) recompensas secuenciales

Modelos de Procesamiento Traducción

Procesamiento de Supervisado/No
Lenguaje (p. ej., de lenguaje automática,
lenguaje natural supervisado
GPT) natural chatbots
Conclusión

A lo largo de esta exploración comparativa de diferentes tipos de modelos, hemos

desentrañado las complejidades inherentes a la representación y comprensión de
fenómenos diversos. Cada tipo de modelo, desde los matemáticos que se sumergen en la
precisión cuantitativa hasta los conceptuales que exploran la esencia abstracta de los
sistemas, presenta un conjunto único de fortalezas y limitaciones. La tabla comparativa
revela la diversidad de enfoques disponibles para los modeladores, destacando cómo la
elección entre modelos matemáticos, conceptuales y computacionales depende
crucialmente de la naturaleza del problema en cuestión y de los objetivos perseguidos.
Al reflexionar sobre las diferencias y similitudes entre estos enfoques, queda claro que no
existe un modelo universalmente superior, sino más bien un conjunto de herramientas
complementarias. La elección sabia de un modelo depende de una comprensión profunda
del problema, considerando la disponibilidad de datos, la complejidad del sistema y las
metas específicas del modelador.