formulacion de un problema de investigacion

SOLUCION TERCER MODULO
1) Elija un tema de investigación que reúna las características vistas en el texto.
Solución:
Tema: MODELOS GRÁFICOS PROBABILÍSTICOS
2) Presente por escrito.
PLANTEAMIENTO DEL PROBLEMA
Nunca podemos predecir ciertamente que ocurrirá en el futuro e incluso el pasado y el presente muchos aspectos importantes no se observan con certeza. La teoría de la probabilidad nosda una base para modelar nuestras creencias sobre los diferentes posibles estados del mundo y actualiza esas creencias cuando encontramos nuevas evidencias. Estas creencias pueden ser combinadas con unas preferencias individuales para guiar nuestras acciones e incluso seleccionar las observaciones que hacemos. Nuestra capacidad para utilizar la teoría de la probabilidad es real debido aldesarrollo del marco de trabajo llamado modelos gráficos probabilísticos. Este campo, que abarca métodos como el Bayesian Networks y el Markov random fields, usa ideas de la estructura de datos discreta en ciencias de la computación para codificar y manipular correctamente la distribución de la probabilidad en espacios de grandes dimensiones, incluyendo miles de variables. Los campos de aplicación deestos conocimientos son muy diversos, desde la búsqueda en la web, la medicina o la comprensión de imágenes hasta el procesamiento natural del lenguaje, decodificación de mensajes o navegación robot.

PREGUNTA PROBLEMA: ¿es la teoría de los modelos gráficos probabilísticos importante y útil para predecir y analizar fenómenos que puedan ocurrir?







OBJETIVOS
GENERAL
Describir lautilidad de los modelos gráficos probabilísticos en la predicción y toma de decisiones ante un fenómeno que pudiese ocurrir.
ESPECÍFICOS
Identificar los aspectos teóricos fundamentales de los MGPs, en lo concerniente a representación, aprendizaje y razonamiento.
Reconocer las aplicaciones más destacadas de los MGPs en la ciencia y la industria.
Conocer el desarrollo de nuevas técnicas y laresolución de problemas usando MGPs.

JUSTIFICACION
En las últimas dos décadas, los modelos gráficos probabilísticos (en adelante MGPs) se han convertido en una herramienta fundamental para el tratamiento de la incertidumbre en problemas que requieren el manejo de grandes cantidades de información, como son la Inteligencia Artificial y la Minería de Datos. Cada vez son más numerosas las empresas ycentros de investigación que demandan investigadores con una sólida formación en las citadas técnicas, con un alto nivel de comprensión matemática y estadística, y con capacidad de implementación de sistemas basados en modelos probabilísticos. Esto es una consecuencia de los avances tecnológicos que han permitido el almacenamiento y procesamiento de grandes volúmenes de datos, que potencialmente puedenser empleados para la toma de decisiones. Algunos sectores empresariales en los que se están empleando técnicas basadas en MGPs son la banca (concesión de créditos), seguros (determinación de riesgos), consultoría (ayuda a la decisión, inversiones, etc.), sistemas informáticos (detección de fallos), etc. La demanda empresarial de estas técnicas ha motivado la formación de empresas que desarrollansoftware específico para la implementación de MGPs.
Agenda de trabajo:
Bibliografía y fuentes utilizadas:
Barber, D. Bayesian Reasoning and Machine Learning. Cohen, P. R.
Empirical Methods for Artificial Intelligence. The MIT Press. 1995.
Bishop, C. M. Pattern Recognition and Machine Learning. Springer.
Halpern, J. Reasoning about uncertainty. The Mit Press. 2003.
Koller, D. and Friedman,N.. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009.
Moore, A. Statistical Data Mining Tutorials.
Neapolitan, R. Learning Bayesian Networks. Prentice Hall. 2003
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference.

4) Lea cuidadosamente el caso que aparece a continuacion y presente:
Planteamiento del problema...