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.

Tipo de Modelo Ejemplos Entrenamiento Uso Principal Ejemplos de

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