Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción
- Autores
- Bianchini, Germán; Caymes Scutari, Paola Guadalupe
- Año de publicación
- 2013
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- Existen diversos factores que dificultan y limitan el modelado y la implementación de fenómenos ambientales, y que impactan en la calidad de la predicción arrojada por la evaluación del modelo en función de los parámetros de entrada. Por su parte, existen diferentes métodos para la reducción de incertidumbre, los cuales permiten reducir los efectos negativos provocados por los aspectos no representables o cuantificables ya sea matemática o computacionalmente. En este trabajo se describe un método de reducción de incertidumbre basado en la estadística, la computación evolutiva y el paralelismo, denominado Evolutionary-Statistical System o ESS. El método es iterativo y dirigido por datos con solución múltiple solapada. Su potencia se basa en aumentar la predicción realizada por el modelo implementado en el simulador con la orientación de la búsqueda y la calibración de los resultados.
Fil: Bianchini, Germán. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; Argentina
Fil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; Argentina - Materia
-
Estadística
Incertidumbre
Algoritmos Evolutivos - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/6602
Ver los metadatos del registro completo
id |
CONICETDig_bcd68d424a597b63f7a1b1ebf789682e |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/6602 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicciónBianchini, GermánCaymes Scutari, Paola GuadalupeEstadísticaIncertidumbreAlgoritmos Evolutivoshttps://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1https://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1Existen diversos factores que dificultan y limitan el modelado y la implementación de fenómenos ambientales, y que impactan en la calidad de la predicción arrojada por la evaluación del modelo en función de los parámetros de entrada. Por su parte, existen diferentes métodos para la reducción de incertidumbre, los cuales permiten reducir los efectos negativos provocados por los aspectos no representables o cuantificables ya sea matemática o computacionalmente. En este trabajo se describe un método de reducción de incertidumbre basado en la estadística, la computación evolutiva y el paralelismo, denominado Evolutionary-Statistical System o ESS. El método es iterativo y dirigido por datos con solución múltiple solapada. Su potencia se basa en aumentar la predicción realizada por el modelo implementado en el simulador con la orientación de la búsqueda y la calibración de los resultados.Fil: Bianchini, Germán. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; ArgentinaFil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; ArgentinaAsociación Argentina de Matemática Aplicada, Computacional e Industrial2013-05info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/6602Bianchini, Germán; Caymes Scutari, Paola Guadalupe; Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción; Asociación Argentina de Matemática Aplicada, Computacional e Industrial; Revista MACI; 4; 5-2013; 441-4442314-3282spainfo:eu-repo/semantics/altIdentifier/url/https://asamaci.org.ar/wp-content/uploads/2021/06/MACI-Vol-4-2013.pdfinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:32:26Zoai:ri.conicet.gov.ar:11336/6602instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:32:26.42CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
title |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
spellingShingle |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción Bianchini, Germán Estadística Incertidumbre Algoritmos Evolutivos |
title_short |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
title_full |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
title_fullStr |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
title_full_unstemmed |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
title_sort |
Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción |
dc.creator.none.fl_str_mv |
Bianchini, Germán Caymes Scutari, Paola Guadalupe |
author |
Bianchini, Germán |
author_facet |
Bianchini, Germán Caymes Scutari, Paola Guadalupe |
author_role |
author |
author2 |
Caymes Scutari, Paola Guadalupe |
author2_role |
author |
dc.subject.none.fl_str_mv |
Estadística Incertidumbre Algoritmos Evolutivos |
topic |
Estadística Incertidumbre Algoritmos Evolutivos |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.1 https://purl.org/becyt/ford/1 https://purl.org/becyt/ford/1.2 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
Existen diversos factores que dificultan y limitan el modelado y la implementación de fenómenos ambientales, y que impactan en la calidad de la predicción arrojada por la evaluación del modelo en función de los parámetros de entrada. Por su parte, existen diferentes métodos para la reducción de incertidumbre, los cuales permiten reducir los efectos negativos provocados por los aspectos no representables o cuantificables ya sea matemática o computacionalmente. En este trabajo se describe un método de reducción de incertidumbre basado en la estadística, la computación evolutiva y el paralelismo, denominado Evolutionary-Statistical System o ESS. El método es iterativo y dirigido por datos con solución múltiple solapada. Su potencia se basa en aumentar la predicción realizada por el modelo implementado en el simulador con la orientación de la búsqueda y la calibración de los resultados. Fil: Bianchini, Germán. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; Argentina Fil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Tecnologica Nacional. Facultad Regional Mendoza. Departamento de Sistemas de Informacion. Laboratorio de Investigacion en Computo Paralelo/Distribuido; Argentina; Argentina |
description |
Existen diversos factores que dificultan y limitan el modelado y la implementación de fenómenos ambientales, y que impactan en la calidad de la predicción arrojada por la evaluación del modelo en función de los parámetros de entrada. Por su parte, existen diferentes métodos para la reducción de incertidumbre, los cuales permiten reducir los efectos negativos provocados por los aspectos no representables o cuantificables ya sea matemática o computacionalmente. En este trabajo se describe un método de reducción de incertidumbre basado en la estadística, la computación evolutiva y el paralelismo, denominado Evolutionary-Statistical System o ESS. El método es iterativo y dirigido por datos con solución múltiple solapada. Su potencia se basa en aumentar la predicción realizada por el modelo implementado en el simulador con la orientación de la búsqueda y la calibración de los resultados. |
publishDate |
2013 |
dc.date.none.fl_str_mv |
2013-05 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/6602 Bianchini, Germán; Caymes Scutari, Paola Guadalupe; Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción; Asociación Argentina de Matemática Aplicada, Computacional e Industrial; Revista MACI; 4; 5-2013; 441-444 2314-3282 |
url |
http://hdl.handle.net/11336/6602 |
identifier_str_mv |
Bianchini, Germán; Caymes Scutari, Paola Guadalupe; Método estadístico-evolutivo para la reducción de incertidumbre en procesos de predicción; Asociación Argentina de Matemática Aplicada, Computacional e Industrial; Revista MACI; 4; 5-2013; 441-444 2314-3282 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://asamaci.org.ar/wp-content/uploads/2021/06/MACI-Vol-4-2013.pdf |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Asociación Argentina de Matemática Aplicada, Computacional e Industrial |
publisher.none.fl_str_mv |
Asociación Argentina de Matemática Aplicada, Computacional e Industrial |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844614337825603584 |
score |
13.070432 |