Modelo De Bernoulli

Pueden ser modelos probabilísticos discretos o continuos. Los primeros, en su mayoría se basan en repeticiones de pruebas de Bernoulli. Los más utilizados son:

Modelo de Bernoulli

Modelo Binomial.

Modelo Geométrico.

Modelo Binomial negativo.

Modelo Hipergeométrico.

Modelo de Poisson.

En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es una distribución de probabilidad discreta, que toma valor 1 para la probabilidad de éxito ( ) y valor 0 para la probabilidad de fracaso ( ).

Si es una variable aleatoria que mide "número de éxitos", y se realiza un único experimentocon dos posibles resultados (éxito o fracaso), se dice que la variable aleatoria se distribuye como una Bernoulli de parámetro .

La fórmula será:

Su función de probabilidad viene definida por:

Un experimento al cual se aplica la distribución de Bernoulli se conoce como Ensayo de Bernoullio simplemente ensayo, y la serie de esos experimentos como ensayos repetidos.

Árbol de decisión

Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Dada una base de datos se construyen diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolución de un problema.

Un árbol de decisión tiene unas entradas las cuales pueden ser un objeto o una situación descrita por medio de un conjunto de atributos y a partir de esto devuelve una respuesta la cual en últimas es una decisión 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 más los valores discretos por simplicidad, cuando se utilizan valores discretos en las funciones de una aplicación se denomina clasificación y cuando se utilizan los continuos se denomina regresión.

Un árbol de decisión lleva a cabo un test a medida que este se recorre hacia las hojas para alcanzar así una decisión. El árbol de decisión suele contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un nodo interno contiene un test sobre algún 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 demás son cuadrados. Un nodo hoja representa el valor que devolverá el árbol de decisión y finalmente las ramas brindan los posibles caminos que se tienen de acuerdo a la decisión tomada.

En el diseño de aplicaciones informáticas, un árbol de decisión indica las acciones a realizar en función del valor de una o varias variables. Es una representación en forma de árbol cuyas ramas se bifurcan en función de los valores tomados por las variables y que terminan en una acción concreta. Se suele utilizar cuando el número de condiciones no es muy grande (en tal caso, es mejor utilizar una tabla de decisión).

árbol de decisión

De forma más concreta, refiriéndonos al ámbito empresarial, podemos decir que los árboles de decisión son diagramas de decisiones secuenciales nos muestran sus posibles resultados. Éstos ayudan a las empresas a determinar cuales son sus opciones al mostrarles las distintas decisiones y sus resultados. La opción que evita una pérdida o produce un beneficio extra tiene un valor. La habilidad de crear un opción, por lo tanto, tiene un valor que puede ser comprado o vendido.

Valor Esperado

El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de azar, debido a que los jugadores deseaban saber cual era su esperanza de ganar o perder con un juego determinado. Como a cada resultado particular del juego le corresponde una probabilidad determinada, esto equivale a una función de probabilidad de una variable aleatoria y el conjunto de todos los resultados posibles del juego estará representado por la distribución de probabilidad de la variable aleatoria. El valor esperado o esperanza es muy importante, ya que es uno de los parámetros que describen una variable aleatoria.

Sea X una variable aleatoria discreta con función de probabilidades f(x). Entonces, el valor esperado de la variable aleatoria X, el cual se representa por E(X), está definido por:

E(X) =  xi f(xi)

Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la variable aleatoria por la probabilidad que le corresponde y después se suman esos productos.

El valor esperado representa el valor promedio que se espera suceda, al repetir el experimento en forma independiente una gran cantidad de veces. El valor esperado se interpreta físicamente como el centro de masa o centro de gravedad de la distribución de probabilidad, por lo que es igual a la media o promedio aritmético, los cuales se representan con la letra .

De acuerdo a lo anterior podemos escribir que:

E(X) =  =  xi f(xi)

Los orígenes de las teorías sistémicas

Las teorías sistémicas se originan en diversos aportes científicos:

La Teoría General de Sistemas que surge en la biología con Ludwig Von Bertalanffi, que luego se difunde en la psicología estadounidense de los años 1950; su expectativa es la unificación de la ciencia con su concepto de isomorfismo.

La teoría estructural-funcionalista Talcott Parsons de los años 1950. Esta teoría conjuntamente con la teoría de los sistemas definen funcionalmente los procesos de cambio en la sociedad y la política.

Las teorías cibernéticas de los años 1950 que proveerán de

...