Repblica Bolivariana de Venezuela Ministerio del Poder Popular Para la Defensa Universidad Nacional Experimental Politcnica De la Fuerza Armada

Bolivariana UNEFA. Ncleo Barinas.

Profesor: Ivn Duque Asignatura: Gerencia de Proyectos Gas & Ol Ing. Gas Seccin G74

Estudiantes: Barrios ngel C.I: 17.987.809 Carlos Granados C.I: 20866337 Jess Muchacho C.I: 20011483 Romer Lezama C.I: 19881719 Alexander Avilan C.I: 17.767.640 Rhonald Acosta C.I: 19.517.063

BARINAS, MAYO 2012

INTRODUCCION

Los rboles de clasificacin (tambin llamados de decisin o de identificacin) constituyen una aproximacin radicalmente distinta a todas las estudiadas hasta el momento. Es uno de los mtodos de aprendizaje inductivo supervisado no paramtrico ms utilizado. Como forma de representacin del conocimiento, los rboles de clasificacin destacan por su sencillez. A pesar de que carecen de la expresividad de las redes semnticas o de la lgica de primer orden, su dominio de aplicacin no est restringido a un mbito concreto sino que pueden utilizarse en diversas reas: diagnstico mdico, juegos, prediccin meteorolgica, control de calidad, etc. Para tomar en cuenta el valor esperado vemoslo desde este punto de vista, considerando un juego en el que, si se gana, se obtienen a unidades monetarias y, si se pierde, se tienen que abonar b unidades monetarias. Supongamos ahora que la probabilidad de ganar el juego es igual a 1, y por tanto la probabilidad de perderlo es igual a 0. Cunto estaramos dispuestos a apostar por participar en este juego? Estaramos dispuestos a apostar, como mucho, una cantidad igual a la que esperamos ganar. Esta cantidad que estamos dispuestos a apostar ser el valor esperado del juego. En este caso, lgicamente, como mucho apostaramos a unidades monetarias ya que, con probabilidad 1, nuestra ganancia es igual a esa cantidad.

rbol de Decisin

Un rbol de decisin es un modelo de prediccin utilizado en el mbito de la inteligencia artificial. Dada una base de datos se construyen diagramas de construcciones lgicas, muy similares a los sistemas de prediccin basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolucin de un problema. Un rbol de decisin tiene unas entradas las cuales pueden ser un objeto o una situacin descrita por medio de un conjunto de atributos y a partir de esto devuelve una respuesta la cual en ltimas es una decisin que es tomada a partir de las entradas. Los valores que pueden tomar las entradas y las salidas pueden ser valores discretos o continuos. Se utilizan ms los valores discretos por simplicidad, cuando se utilizan valores discretos en las funciones de una aplicacin se denomina clasificacin y cuando se utilizan los continuos se denomina regresin. Un rbol de decisin lleva a cabo un test a medida que este se recorre hacia las hojas para alcanzar as una decisin. El rbol de decisin suele contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un nodo interno contiene un test sobre algn valor de una de las propiedades. Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los dems son cuadrados. Un nodo hoja representa el valor que devolver el rbol de decisin y finalmente las ramas brindan los posibles caminos que se tienen de acuerdo a la decisin tomada. En el diseo de aplicaciones informticas, un rbol de decisin indica las acciones a realizar en funcin del valor de una o varias variables. Es una representacin en forma de rbol cuyas ramas se bifurcan en funcin de los valores tomados por las variables y que terminan en una accin concreta. Se suele utilizar cuando el nmero de condiciones no es muy grande (en tal caso, es mejor utilizar una tabla de decisin). De forma ms concreta, refirindonos al mbito empresarial, podemos decir que los rboles de decisin son diagramas de decisiones secuenciales nos muestran sus posibles resultados. stos ayudan a las empresas a determinar cules son sus opciones al mostrarles las distintas decisiones y sus resultados. La opcin que evita una prdida o produce un beneficio extra tiene un valor. La habilidad de crear una opcin, por lo tanto, tiene un valor que puede ser comprado o vendido.

Valor Esperado

En estadstica el valor esperado o esperanza matemtica (o simplemente esperanza) de una variable aleatoria es la suma de la probabilidad de cada suceso multiplicado por su valor. Por ejemplo en un juego de azar el valor esperado es el beneficio medio. Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica. La esperanza matemtica o valor esperado de una variable aleatoria discreta es la suma del producto de la probabilidad de cada suceso por el valor de dicho suceso.

Los nombres de esperanza matemtica y valor esperado tienen su origen en los juegos de azar y hacen referencia a la ganancia promedio esperada por un jugador cuando hace un gran nmero de apuestas. Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir, no existe ventaja ni para el jugador ni para la banca. Ejemplos Si una persona compra una papeleta en una rifa, en la que puede ganar de 5.000 un segundo premio de 2000 con probabilidades de: 0.001 y 0.003. Cul sera el precio justo a pagar por la papeleta? E(x) = 5000 0.001 + 2000 0.003 = 11

Mtodos de Monte Carlos Bajo el nombre de Mtodo de Monte Carlo o Simulacin Monte Carlo se agrupan una serie de procedimientos que analizan distribuciones de variables aleatorias usando simulacin de nmeros aleatorios. El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea estocstico o determinstico. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseen algn componente aleatorio. Pero en el mtodo de Monte Carlo, por otro lado, el objeto de la investigacin es el objeto en s mismo, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo. A veces la aplicacin del mtodo de Monte Carlo se usa para analizar problemas que no tienen un componente aleatorio explcito; en estos casos un parmetro determinista del problema se expresa como una distribucin aleatoria y se simula dicha distribucin. Un ejemplo sera el famoso problema de las Agujas de Bufon.

El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'', al tomar una ruleta como un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo data aproximadamente de 1944 con el desarrollo de la computadora electrnica. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones anteriores a 1944. El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, viene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este trabajo involucraba la simulacin directa de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones aleatorios en material de fusin. An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los mtodos``de divisin''. Sin embargo, el desarrollo sistemtico de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948. Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores para los valores caractersticos de la ecuacin de Schrdinger para la captura de neutrones a nivel nuclear. Los mtodos de Montecarlo abarcan una coleccin de tcnicas que permiten obtener soluciones de problemas matemticos o fsicos por medio de pruebas aleatorias repetidas. En la prctica, las pruebas aleatorias se sustituyen por resultados de ciertos clculos realizados con nmeros aleatorios. A lo largo de varias pginas se estudiar el concepto de variable aleatoria y la transformacin de una variable aleatoria discreta o continua. Empezaremos a estudiar esta tcnica por los ejemplos ms sencillos: el mecanismo bsico de la difusin y el establecimiento del equilibrio trmico entre dos sistemas que se ponen en contacto a distinta temperatura. Estos dos ejemplos nos mostrarn el significado de proceso irreversible y fluctuacin alrededor del estado de equilibrio. Se incluyen entre otros ejemplos, la explicacin de la ley exponencial decreciente en la desintegracin de una sustancia radioactiva en otra estable. Comprender, a partir de un modelo simple de ncleo radioactivo, que su desintegracin es un suceso aleatorio, con mayor o menor probabilidad dependiendo de la anchura de las barreras de potencial que mantienen confinadas a las partculas que componen el ncleo. Otros ejemplos relevantes son: el estudio de un sistema con un nmero pequeo de estados como paso previo al estudio del comportamiento de un material paramagntico bajo la accin de un campo magntico y a una determinada temperatura, dos ejemplos de aplicacin de la transformacin de una variable discreta. Por ltimo, estudiaremos el comportamiento de un material dielctrico como ejemplo de aplicacin de transformacin de una variable aleatoria continua.

CONCLUSIN

La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo-aleatorios y Automatizar clculos. El desarrollo de rboles de decisin beneficiado analista en dos formas. Primero que todo, la necesidad de describir condiciones y acciones llevan a los analistas a identificar de manera formal las decisiones que actualmente deben tomarse. Los rboles de decisin no siempre son la mejor herramienta para el anlisis de decisiones. El rbol de decisiones de un sistema complejo con muchas secuencias de pasos y combinaciones de condiciones puede tener un tamao considerable. Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible aleatorio multiplicado por el valor de dicho suceso.