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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/6602

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