Uncategorized

Índice BC de Calidad Democrática (Introducción)

Proyecto Colaborativo:
Creación del Índice BC (Bien Común) de Calidad Democrática
• Nabucco Center es una empresa que nació con el objetivo utilizar las herramientas de la Dinámica de Sistemas y de ciertas técnicas de análisis de datos en los sistemas complejos de tipo social, especialmente, con la intención de comprenderlos (estructura y dinamismo) para después plantear acciones transformativas eficaces de tal forma que el comportamiento del sistema se orientase hacia mayores cotas de solidaridad y justicia.

Read More

Piketty: Modeliza ¿por qué el capital se impone al trabajo?

La relación r > gPiketty-R-Versus-G

Según Piketty, cuyos datos sobre los ingresos y la riqueza abordan 300 años y 20 países, las fuerzas de convergencia (la extensión de conocimientos y habilidades, por ejemplo) son considerables, pero los datos de divergencia normalmente han sido mucho mayores. El eje de su argumento es la fórmula r > g , donde r representa la tasa media anual de rendimiento del capital (es decir, beneficios, dividendos, intereses y rentas) y g representa la tasa de crecimiento económico.

Read More

El inventor español que pasó a codearse en Nueva York con Edison y Tesla

Cuando Mónico Sánchez puso pie en Nueva York en 1904, a los 23 años, sólo sabía comunicarse en inglés escrito. Nunca lo había escuchado ni lo había hablado, pero había aprendido a leerlo y a escribirlo gracias a un curso de electricidad por correspondencia que había seguido desde Madrid con una academia inglesa.

Read More

Inferencia bayesiana

La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia. El teorema de Bayes se ha derivado del trabajo realizado por el reverendo Thomas Bayes. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión,1 visión artificial2 (simulación de la percepción en general)3 y reconocimiento de patrones por ordenador.

 

Read More

Grados de libertad y sistemas dinámicos

Podemos representar el estado de un sistema en un momento dado como un vector de N dimensiones formado por todos los valores de sus variables de estado:

( x1 … xN )

Sin embargo, debido a las restricciones impuestas, no todas las variables de estado pueden tomar cualquier valor: unas dependen de otras. Read More

Bellísimas reacciones

La belleza de las reacciones químicas en vídeo

 

Aplicación red neuronal

      A la hora de diseñar nuestra red neuronal para resolver un problema concreto es conveniente disponer de una herramienta software de diseño de ANN. Con una herramienta de éstas basta con pensar en términos de redes y no en programación de algoritmos en lenguajes de alto nivel. De esta manera todo el esfuerzo se debe dirigir al diseño de la arquitectura o estructura de la red y en la selección de los datos del conjunto de entrenamiento y de test.

red neuronal

Read More

Monte Carlo, el origen del método

       La invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una idea del resultado general del solitario haciendo pruebas múltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinación formalmente.

Read More

Simulación de Sistemas Estocásticos

Un sistema o proceso estocástico es el cual su comportamiento es no-determinístico. imagen proceso estocástico

Esto significa que el estado subsecuente del sistema se determina tanto por las acciones predecibles del proceso, como por un elemento aleatorio. La mayoría –si no todos- los sistemas de la vida real son estocásticos. Su comportamiento puede ser medido y aproximado a distribuciones y probabilidades, pero rara vez pueden ser determinados por un solo valor (por ende no-determinísticos).

Por ejemplo, el tiempo que un cajero de un banco requiere para procesar el depósito de un cliente depende de varios factores (algunos de ellos pueden ser controlados, otros no; algunos son medibles, otros no), pero al final, realizando un conjunto de observaciones del tiempo de procesamiento de cada depósito del cajero, puede permitir ajustar los tiempos a una distribución y ‘predecir’ cuál será el tiempo de proceso en un modelo de simulación por eventos discretos.

Historia redes neuronales

UN POCO DE HISTORIA

Desde la década de los 40, en la que nació y comenzó a desarrollarse la informática, el modelo neuronal la ha acompañado. De hecho, la aparición de los computadores digitales y el desarrollo de las teorías modernas acerca del aprendizaje y del procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales de los años cuarenta. Read More

Redes neuronales

Las redes neuronales son un elemento importante de las denominadas tecnologías de Inteligencia Artificial (IA).

La IA es “la disciplina científica y técnica que se ocupa del estudio de las ideas que permiten ser inteligentes a los ordenadores” (definición de H. Winston).

Otra posible definición de la IA sería: rama de la computación que se encarga, entre otras cosas, de los problemas de percepción, razonamiento y aprendizaje en relación con sistemas artificiales, y que tiene como áreas de investigación a los sistemas expertos y de conocimiento, la robótica, los lenguajes naturales y las redes neuronales.

Y a pesar de que el objetivo final de la IA, dotar de autentica inteligencia a las máquinas, queda todavía muy lejos (e incluso hay autores que defienden que esto nunca será posible), la ciencia de laInteligencia Artificial ha generado numerosas herramientas prácticas, entre las que se encuentran las redes neuronales.

Las redes neuronales, también llamadas “redes de neuronas artificiales“, son modelos bastante simplificados de las redes de neuronas que forman el cerebro. Y, al igual que este, intentan “aprender” a partir de los datos que se le suministran.Red neuronal Read More

Redes neuronales complejas

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:

  1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.
  2. Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
  3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]).

Con un paradigma convencional de programación en ingeniería del software, el objetivo del programador es modelar matemáticamente (con distintos grados de formalismo) el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas. En este sentido, el diseño de la red tiene menos que ver con cuestiones como los flujos de datos y la detección de condiciones, y más que ver con cuestiones tales como la selección del modelo de red, la de las variables a incorporar y el preprocesamiento de la información que formará el conjunto de entrenamiento. Asimismo, el proceso por el que los parámetros de la red se adecuan a la resolución de cada problema no se denomina genéricamente programación sino que se suele denominar entrenamiento neuronal.

Por ejemplo en una red que se va a aplicar al diagnóstico de imágenes médicas; durante la fase de entrenamiento el sistema recibe imágenes de tejidos que se sabe son cancerígenos y tejidos que se sabe son sanos, así como las respectivas clasificaciones de dichas imágenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podrá recibir imágenes de tejidos no clasificados y obtener su clasificación sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de características de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatómica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).

“Redes complejas: El mundo es un pañuelo”

«El mundo es un pañuelo», repite Bartolomé Luque, del Departamento de Matemática Aplicada y Estadística de la Universidad Politécnica de Madrid.

«La clave está en desentrañar el tamaño exacto de ese pañuelo», matiza el experto. Y claro, todo está en manos de los números.

La ponencia ‘Redes complejas: el mundo es un pañuelo’, con la que Luque continuó hace unos días el ciclo Matemáticas en Acción, desarrollado en el campus cántabro, tenía un experimento como base de su argumentación. «Un análisis con una población de más de 200 millones de personas desveló que tan solo hacían falta seis pasos intermedios para que dos personas que no se conocían de nada, conectaran. El experimento es real. Se entregó un sobre a una muestra de gente y se le dijo que tenía que llegar a otra persona. Pues tan solo hicieron falta seis pasos intermedios. El sobre paso solo por seis manos más antes de alcanzar al destinatario esperado», desvela el experto.

¿Qué aplicaciones podría tener esto? «Otro ejemplo claro lo tenemos con el modo en que funcionan las redes sociales. El mismo Facebook te ofrece posibilidades de ‘gente que quizá conozcas’. Y en los últimos años nos hemos dado cuenta de cómo funcionan estas redes de interrelación en Internet». La forma en que se propaga un virus virtual responde también a estas leyes matemáticas.

 

Fuente: Diario montañés

Summer Solstice 2013: Discrete Models Of Complex Systems

Complex systems are pervasive in many fields of science and we encounter them everyday and everywhere in our life. Their examples include financial markets, highway transportation networks, telecommunication networks, human economies, social networks, immunological systems, living organisms, ant colonies, ect. The key feature of a complex system is that it is composed of large number of interconnected and interacting entities exhibiting much richer dynamical properties on global scale than they could be inferred from the properties and behaviors of its individual entities. Complex systems are studied in many areas of natural sciences, social sciences, engineering and mathematical sciences. An important part of these interdisciplinary studies forms discrete modeling. These models can be seen as the simplest laboratories to study phenomena exhibited by complex systems like self-organization processes, pattern formation, cooperation, adaptation, competition, attractors, or multi-scaling phenomena. The objective of this conference is to bring together researchers working on discrete modeling of complex systems and to provide a forum for exchange of ideas and presentation of results of their research.

Contact Us