ejemplo db
DESCRIPTION
ejercicisoTRANSCRIPT
Breve discusión bibliográfica
Utilizando varias fuentes de información (por ejemplo 5 artículoso papers
diferentes) construir una discusión referenciando autores y sus aseveraciones tal
que se consideren los principales lineamientos y soluciones que la literatura indica
respecto del tema.
Se recomienda buscar artículos en www.scielo.cl
Importante se debe indicar la fuente.
Solo citar, no se debe concluir sobre lo descrito en la discusión bibliográfica.
(2-5 páginas máximo)
Un ejemplo de discusión bibliográfica es:
Esta sección considera los desarrollos en las diversas áreas relacionadas con el
tema propuesto, las cuales contemplan campos como los observadores lineales y no
lineales; así mismo, se considera el método de estimación de estados por horizonte
móvil utilizando aritmética por intervalos, el cual es el esqueleto central de esta
tesis. Este método se crea a partir del método de estimación de estados por
horizonte móvil, MHSE, donde ambos consideran un algoritmo de optimización,
aunque la diferencia entre ellos es el uso de un algoritmo globalmente convergente,
basado en análisis por intervalo, lo cual nos permitirá garantizar soluciones
óptimas (IMHSE). Cada uno de estos tópicos es brevemente presentado en esta
breve revisión bibliográfica.
Observadores lineales y no lineales
El diseño y aplicación de observadores en procesos, ha sido un área activa en las
últimas décadas (Doyle, 1997). La teoría de la estimación de estados fue
desarrollada primero para sistemas lineales por Wiener, quien derivó la solución
para la predicción del error de la media de los mínimos cuadrado en términos de
las funciones de autocorrelación de la señal y el ruido (Wiener, 1942). Una
derivación análoga del predictor lineal óptimo para sistemas de tiempo discretos
fue publicada por A. N. Kolmogorov (Kolmogorov, 1941).
A mediados de lo años 60, el observador de Luenberger fue desarrollado para
proveer estimaciones de las variables de estados para sistemas lineales con
parámetros conocidos (Luenberger, 1964). Una reformulación del observador de
Wiener, realizada por Kalman y Bucy, fue utilizado con un modelo de proceso en su
forma espacio-estado, lo cual ha permitido hasta hoy, al Filtro de Kalman (Kalman
y Bucy, 1961), ser una solución muy atractiva en términos computacionales debido
a su naturaleza recurrente (Aström, 1999). La teoría del filtro de Kalman es una
teoría establecida que obtiene estimaciones óptimas de los estados a través de
observaciones (Judd, 2003), esta clase de observador está basado en el perfecto
conocimiento de la estructura del modelo (Dochain, 2003).
El uso de este tipo de observadores (del observador Luenberger o Filtro de
Kalman), depende de si las perturbaciones son modeladas de forma determinista o
estocástica respectivamente. Además estos algoritmos son recursivos, es decir, con
cada nueva medida calculan el nuevo valor de las variables de estado de acuerdo a
una estimación precedente. Una característica fundamental de estos algoritmos es
su estabilidad y convergencia; cada nuevo cálculo es más cercano al valor exacto
(Kalman y Bucy, 1961), (Luenberger, 1964). Estos resultados estimularon la
investigación en los observadores adaptativos para plantas cuyos parámetros no
son conocidos (Kudva y Narendra, 1973; Kreisselmeier, 1977). Los observadores
adaptativos son usados para proveer estimaciones de los estados de las plantas y
estimaciones de los parámetros del sistema simultáneamente (Zhang y Guay,
2002). Aunque el diseño de los observadores adaptativos fue un campo activo de
investigación en los años setenta y ochenta, su análisis teórico puede fácilmente
llegar a ser altamente complejo (Dochain, 2003).
Si el sistema es no lineal, como es a menudo el caso para los procesos industriales,
la situación es más complicada. Las aproximaciones tradicionalmente usadas son la
extensión de algoritmos lineales (Sargantinis y Karim, 1994), o algoritmos
específicos no lineales (Gauthier et. al., 1992; Farza et. al., 1998). Un ejemplo de la
primera aproximación, es la extensión del famoso filtro de Kalman, EFK (del inglés,
Extended KalmanFilter) el cual es una extensión de la teoría lineal para el dominio
no lineal a través de la linealización local (Judd, 2003 y sus referencias). El EFK
proporciona no sólo estimaciones de las variables de estado sino también de los
parámetros del sistema. Este sistema es un filtro recursivo que incorpora en la
estimación los valores estadísticos de los ruidos asociados a los estados y a las
medidas. Este observador presenta la ventaja de tratar el sistema de forma más
realista pero a su vez precisa de un mayor cálculo computacional. Este hecho se ha
estudiado en (Mora et. al., 2001), donde se destaca que una falla anticipada de este
método puede ser constituida por la aproximación local lineal del proceso. De
hecho, esta aproximación no garantiza la convergencia y estabilidad (Zhang y Guay,
2002). Es más, el EFK necesita del conocimiento estadístico (matrices de
covarianza) de los ruidos que actúan en los estados y en la salida, lo cual puede ser
difícil de obtener para los casos no lineales (Valdés-González et. al., 2003). Sin
embargo, muchas aplicaciones basadas en este tipo de observador se han
desarrollado recientemente (ver por ejemplo Cerveri et. al., 2003; Delgado y
Barreiro, 2003; Wang y Papageorgiou, 2005).
Los diseños del observador no lineal han sido propuestos para varias clases
especiales de sistemas no lineales (ver por ejemplo Zhang y Guay, 2002; Zambare
et. al., 2003; Cao y Soh, 2004; Hu y Ersson, 2004). Este tipo de observadores está
caracterizado por el hecho que la convergencia y la estabilidad de estos algoritmos
pueden ser establecidas, pero éstos necesitan desarrollos que pueden ser
complicados desde un punto de vista matemático, a menudo excediendo la
capacidad de ingenieros o de aquellos que no son especialistas en el control de
procesos (Valdés-González et. al., 2003; Judd, 2003; Romanenko y Castro, 2004).
Otro Ejemplo:
La gestión del conocimiento tiene una fuerte correlación con el crecimiento de las
Pymes, Si las Pymes quieren mejorar su nivel de crecimiento, tendrán que
implementar entre otros factores, estrategias empresariales tendientes a gestionar
adecuadamente el conocimiento existente en la organización (MALDONADO
GUZMAN & MARTINEZ SERNA, 2012)
Uno de los principales fines de la computación desde sus orígenes ha sido
presentarse como una herramienta de apoyo que proporcione ahorro de tiempo
eliminando tareas repetitivas, para redistribuirlo en actividades de mayor
importancia, e influyendo significativamente en la innovación y evolución
tecnológica. El manejo de los datos se convirtió en un elemento clave para la
extracción de información, de tal forma que el individuo pueda mantenerse
enterado de la situación que éstos presenten. La información se ha convertido en
un recurso muy valioso y desde hace tiempo atrás se usan las bases de datos como
mecanismo para guardar la información dentro de su arquitectura. La tendencia
del manejo de información está orientada y focalizada principalmente hacia la
inteligencia de negocios y precisamente temas como este, que anteriormente muy
poco se trataba y se desconocía gran parte del mismo, ahora está en las mentes de
todos y tomando cada vez más fuerza. (SALCEDO PARRA & GALEANO, 2010)
Es así que las organizaciones están comprendiendo la importancia de la gestión de
la información y las ventajas competitivas que implica su uso. Este proceso de
gestión consiste en lograr de una manera eficiente el análisis de distintos tipos de
datos de la empresa y su entorno, a través de la explotación de la información por
medio de las tecnologías de la información (TI), facilitando la adaptación de
aplicaciones para la inteligencia de negocios (business intelligence) (FUENTES
TAPIA, 2010)
La inteligencia de negocios (BI) es un enfoque estratégico para orientar
sistemáticamente el seguimiento, la comunicación y la transformación relacionada
al débil conocimiento de la información procesable en la cual se basa la toma de
decisiones (FUENTES TAPIA, 2010)
La razón por la que los sistemas de BI ayudan a en la toma de decisiones es
principalmente porque permiten tener acceso a datos de la empresa, los analizan y
muestran de manera que las personas encargadas de tomar decisiones cuenten con
información más pulida y más procesada. Esto produce que los tomadores de
decisiones guíen la administración de la organización basada en evidencias
(Lecaros, 2013).
La Inteligencia de negocios es un concepto asociado a la capacidad de un negocio de
pensar, razonar y sentir. Pues precisamente es eso lo que se quiere obtener: que el
razonamiento empresarial, en términos de toma de decisiones, sea efectivo y
eficiente. Es posible de lograr si se utilizan herramientas tecnológicas para la
integración de sistemas de información, la transformación de datos en información
y de información en conocimiento, y la explotación de sistemas gerenciales y de
decisiones para un proceso de toma de resoluciones fundamentado (Araníbar,
2003).