TECNOLOGÍAS DE LA INFORMACIÓN

Tarea ensayo P2.01

Integrantes: Cárdenas Edison, Macas Cristopher, Malla Wagner, Pesantez
Pablo.
Curso: Primero “B”
Realiza una lectura selectiva de dos páginas, en donde se sintetice lo más
relevante del escrito adjunto.
Introducción:
1.1 Modelización Explicativa
En resumen, la modelización explicativa se refiere aquí a la aplicación de
modelos estadísticos a datos para probar hipótesis causales sobre
construcciones teóricas. Aunque existe una "metodología" estadística adecuada
para probar la causalidad, como experimentos diseñados o métodos
especializados de inferencia causal para datos observacionales.
1.2 Modelización Predictiva
Defino la modelización predictiva como el proceso de aplicar un modelo
estadístico o algoritmo de minería de datos a datos con el propósito de predecir
observaciones nuevas o futuras.
1.3 Modelización Descriptiva
es el más comúnmente utilizado y desarrollado por estadísticos, es la
modelización descriptiva. Este tipo de modelización tiene como objetivo resumir
o representar la estructura de los datos de manera compacta.
1.4 El Valor Científico de la Modelización Predictiva
La falta de énfasis en la modelización predictiva en diversos campos científicos,
es atribuida a la formación estadística limitada de muchos investigadores. Se
destaca la percepción de que la predicción a menudo se considera no científica
en comparación con la construcción y prueba de teorías. Se mencionan ejemplos
de estadísticos que valoran la metodología predictiva, mientras que otros la ven
como poco académica. Se argumenta que la modelización y prueba predictiva
son esenciales para el desarrollo teórico y científico, ya que pueden descubrir
nuevos mecanismos causales, ayudar en la generación de nuevas hipótesis, y
proporcionar una "prueba de realidad" para evaluar la relevancia de las teorías.
Desarrollo:
Diferencias entre Modelado Explicativo y Predictivo:
- Se destacan dos clases de métodos: métodos de contracción y métodos de
conjunto.
- Se discute la validación, evaluación y selección del modelo, resaltando las
diferencias entre el modelado explicativo y predictivo.
- Se enfatiza la importancia de determinar el objetivo principal del estudio
como explicativo o predictivo.
Enfoques de Modelado Estadístico:
 TECNOLOGÍAS DE LA INFORMACIÓN
- Se resalta la importancia de la determinación a priori del objetivo principal
del estudio como explicativo o predictivo.
- Se discuten las diferencias en el particionamiento de datos y la selección
del modelo entre el modelado explicativo y predictivo.

Modelado Explicativo vs. Predictivo:

- Se enfatiza la importancia de la determinación del objetivo principal del
estudio.
- Se discute la selección del modelo en el contexto del modelado explicativo,
destacando las consideraciones de datos-teoría y sesgo-varianza.
Ejemplos:
1. El primero es el premio Netflix, en 2006 Netflix lanzo un concurso, el
desafío consistía en predecir con precisión la calificación usuario-película
para un conjunto de prueba, el premio al primer lugar fue establecido en
$1.000.000 y el ganador del concurso fue un equipo compuesto por tres
equipos, uno de ellos proveniente del laboratorio de investigación de
[1]AT&T (ver Bell, Koren y Volinsky, 2010). En su informe de 2008, el
equipo de AT&T, que también ganó los premios de progreso en 2007 y
2008, describió su enfoque de modelado (Bell, Koren y Volinsky, 2008).
2. El siguiente ejemplo destaca las diferencias entre la investigación
explicativa y predictiva en subastas en línea. El enfoque predictivo
también ilustra la utilidad de crear nueva teoría en un área dominada por
el modelado explicativo. Las subastas en línea se han convertido en un
actor importante en la prestación de servicios de comercio electrónico.
eBay (www.eBay.com), el sitio web de subastas de consumidor a
consumidor más grande, permite a una comunidad global de compradores
y vendedores interactuar y comerciar fácilmente.
Conclusión
En resumen, el documento destaca la importancia de reconocer la diferencia
entre la modelización explicativa, predictiva y descriptiva, y de integrarla en
la educación estadística tanto para estadísticos como para no estadísticos.
Además, se sugiere que la disponibilidad de información sobre una variedad
de modelos predictivos y explicativos puede arrojar luz tanto sobre aspectos
predictivos como causales de los fenómenos científicos.
Bibliografía

[1] G. Shmueli, «To Explain or to Predict?,» Statistical Science, vol. Vol. 25, nº No. 3, p.
289–310, 2010.
TECNOLOGÍAS DE LA INFORMACIÓN