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).