No hay comentarios.

CURSO:MODELOS DE DECISION BAJO INCERTIDUMBRE
TRADUCCION:DECISION MODELS UNDER UNCERTAINTY
SIGLA:IND3300
CREDITOS:05
MODULOS:02
CARACTER:OPTATIVO
TIPO:CATEDRA
CALIFICACION:ESTANDAR
PALABRAS CLAVE:MODELACION ESTOCASTICA,CADENAS DE MARKOV,PROBABILIDADES,SIMULACION
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

Este curso presenta los fundamentos de la toma de decisiones en contextos de incertidumbre. Se cubren temas asociados a probabilidades elementales, Cadenas de Markov en tiempo discreto, Cadenas de Markov en tiempo continuo, sistemas de espera, series de tiempo, optimizacion bajo incertidumbre, y ciencia de datos. Ademas, se discuten diversas aplicaciones y casos de estudio para ilustrar y profundizar los conceptos presentados. Al finalizar el curso, los alumnos seran capaces de analizar sistemas en contextos de incertidumbre y dise?ar modelos de toma de decisiones bajo incertidumbre.


II.RESULTADOS DE APRENDIZAJE

1.Comprender diferentes conceptos asociados a la representacion de procesos sujetos a incertidumbre.

2.Analizar distintos sistemas en contextos de incertidumbre.

3.Dise?ar modelos de toma de decisiones bajo incertidumbre.


III.CONTENIDOS

1.Introduccion a la Modelacion Estocastica
1.1.Motivacion
1.2.Conceptos basicos de probabilidades
1.3.Algunas distribuciones de probabilidades importantes
1.4.Simulacion de Montecarlo
1.5.Concepto de proceso estocastico
1.6.Caso de estudio

2.Cadenas de Markov en Tiempo Discreto
2.1.Definicion y propiedades
2.2.Simulacion del proceso estocastico
2.3.Clasificacion de estados
2.4.Analisis de largo plazo
2.5.Caso de estudio

3.Cadenas de Markov en Tiempo Continuo
3.1.La distribucion exponencial
3.2.Definicion y propiedades
3.3.Simulacion del proceso estocastico
3.4.Analisis de largo plazo
3.5.Caso de estudio

4.Sistemas de Espera
4.1.Proceso Poisson
4.2.Indicadores de desempe?o
4.3.La ecuacion de Little
4.4.Sistemas M/M/c/K
4.5.Caso de estudio

5.Series de tiempo
5.1.Conceptos basicos
5.2.Modelos autoregresivos unidimensionales
5.3.Variables aleatorias normales multivariadas
5.4.Modelos autoregresivos vectoriales
5.5.Estimacion de parametros
5.6.Prediccion
5.7.Caso de estudio

6.Optimizacion bajo Incertidumbre
6.1.Conceptos basicos
6.2.El problema del vendedor de diarios
6.3.Optimizacion estocastica en dos etapas
6.4.Optimizacion robusta
6.5.Caso de estudio

7.Ciencia de Datos
7.1.Conceptos basicos
7.2.Regresion lineal
7.3.Support vector machine
7.4.Clustering
7.5.Redes neuronales
7.6.Arboles de decision
7.7.Caso de estudio


IV.ESTRATEGIAS METODOLOGICAS

-Clases expositivas.

-Capsulas.

-Estudio de casos.

-Juegos y uso de softwares.


V.ESTRATEGIAS EVALUATIVAS

-Tarea 1: 25%

-Tarea 2: 25%

-Tarea 3: 25%

-Examen Final: 25%


VI.BIBLIOGRAFIA

Birge, J.R., and Louveaux, F.(2011).Introduction to Stochastic Programming. Second Edition. Springer.

Kulkarni, V.G.(2011).Introduction to Modeling and Analysis of Stochastic Systems. Second Edition. Springer.

Nielsen, A.(2019).Practical Time Series Analysis: Prediction with Statistics and Machine Learning. First Edition. O?Reilly Media.

Powell, W.B.(2019).Stochastic Optimization and Learning: A Unified Framework. First Edition. Wiley-Interscience.

Ragsdale, C.(2001).Spreadsheet Modeling and Decision Analysis. Third Edition. South-Western.

Ross, S.M.(2014).Introduction to Probability Models. Eleventh Edition. Academic press.

Theobald, O.(2017).Machine Learning for Absolute Beginners. Second Edition.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE INGENIERIA / AGOSTO 2005 / ACTUALIZADO MARZO 2024