En la última década las redes móviles celulares han experimentado un enorme crecimiento. Asimismo el aumento del número de servicios y el ancho de banda que requieren hace necesario un correcto modelado y gestión de recursos. Este trabajo pretende ser una contribución al desarrollo de modelos para el estudio y la evaluación de la gestión de recursos radio en redes móviles celulares. Más concretamente, se ha pretendido profundizar en el estudio de modelos de reintentos. Estos modelos son de gran utilidad para la caracterización de diferentes aspectos de funcionamiento. Tradicionalmente, se ha entendido por sistema de reintentos aquel sistema en que los usuarios que son bloqueados, tratan de acceder de nuevo, tras un tiempo de espera. Esta es una característica propia del comportamiento humano que no debe obviarse en el modelado de sistemas de comunicaciones, puesto que puede tener un gran impacto en las prestaciones ofrecidas por el sistema. Adicionalmente, en las redes móviles celulares, por su estructura y características propias, podemos encontrar este efecto no sólo debido al comportamiento humano, sino que también puede deberse a la gestión de los handovers. Este tipo de reintentos, incluido en el estándar de GSM, permite realizar un número máximo de reintentos consecutivos, mientras que el terminal se encuentra en el área de handover, sin que el usuario intervenga. Es posible encontrar otro tipo de sistemas de reintentos que caracterizan toda una serie de nuevas aplicaciones. Se trata de aplicaciones que, en caso de bloqueo, permiten reintentar el acceso disminuyendo el número de recursos solicitado. Así, aparecen las aplicaciones rate adaptive en que, según el grado de congestión, se ofrece un servicio de mayor o menor calidad. Este tipo de modelo resulta de especial interés para tratar aplicaciones como VoIP o servicios de videoconferencia para las que se han desarrollado codecs que permiten adaptar la tasa de servicio a las condiciones de la red. / Doménech Benlloch, MJ. (2009). Modelado y evaluación de la gestión de recursos en redes móviles celulares [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/8319

El presente estudio desarrolla un “Plan Estratégico de Marketing para un producto de la Industria Alimentaria” para el caso: Hot-dog de Pollo “San Armando”, que busca liderar el mercado a través de su producto. Para ello, este estudio relaciona conceptos: Plan Estratégico, Marketing Mix e Investigación Operativa al área de mercadotecnia de “San Armando”; a raíz de que la mencionada empresa no logra consolidar su producto en el mercado consumidor por la alta competencia de su principal competidora “La Favorita”. Dado que la administración del marketing o mercadotecnia comprende no sólo el planeamiento estratégico, sino también su implantación, es necesario guiarnos de indicadores como: comportamiento del consumidor, pronóstico de la demanda, y un sinnúmero de variables que son de nuestro interés. En este estudio aplicaremos el análisis de las Cadenas de Markov como herramienta de Investigación Operativa al comportamiento del consumidor. En el marco teórico presentamos los conceptos que nos permiten canalizar los objetivos del estudio, como lealtad hacia la marca, elevar las ventas, lograr posicionamiento y liderar el mercado a través del producto de la empresa, objeto de nuestro estudio. La información recopilada fue analizada para ser utilizada y alcanzar los objetivos planteados. Con respecto a la aplicación de la herramienta de Investigación Operativa se utilizaron datos estimados para observar el comportamiento del consumidor con relación a la lealtad de la marca en el largo plazo mediante Cadenas de Markov que contribuye como una de las diversas herramientas posibles de aplicar a estudios de investigación en marketing. El capítulo I trata sobre los antecedentes generales de la empresa, así como la definición y formulación del problema en estudio, su justificación e importancia y limitaciones del estudio respectivamente. El capítulo II plantea los objetivos generales y específicos del estudio. El capítulo III describe el ambiente teórico conceptual para aplicar un Plan Estratégico de Marketing y las Cadenas de Markov. El capítulo IV considera el desarrollo y análisis del estudio, aquí se profundiza el problema de marketing que existe en el interior de la empresa; asimismo, la importancia de la Investigación Operativa en el marketing en una aplicación de Cadenas de Markov. En el capítulo V señala el Planeamiento Estratégico de Marketing en base al análisis y resultados obtenidos en el capítulo IV. Ya en el capítulo VI se plantea las conclusiones del estudio desarrollado y sus alcances respectivamente. Finalmente, cabe señalar que uno de los objetivos de este estudio es presentar en forma didáctica los fundamentos de la Planeación Estratégica de Marketing y como se complementa con una herramienta de Investigación Operativa, a fin de motivar su aplicación.

En este trabajo se explica cómo funciona la transferencia de datos y qué políticas de control siguen los protocolos Aloha Puro y el Aloha Ranurado para evitar y gestionar las colisiones. Se realiza la programación de un modelo de cadenas de Markov para cada uno de los protocolos y con ayuda del programa SCILAB se simulan los rendimientos que éstos en diferentes escenarios. / Tesis

Este trabajo propone un Modelo de Regresión Cuantílica Semiparamétrico. Nosotros empleamos la metodología sugerida por Crainiceanu et al. (2005) para un modelo semiparamétrico en el contexto de un modelo de regresión cuantílica. Un enfoque de inferencia Bayesiana es adoptado usando Algoritmos de Montecarlo vía Cadenas de Markov (MCMC). Se obtuvieron formas cerradas para las distribuciones condicionales completas y así el algoritmo muestrador de Gibbs pudo ser fácilmente implementado. Un Estudio de Simulación es llevado a cabo para ilustrar el enfoque Bayesiano para estimar los parámetros del modelo. El modelo desarrollado es ilustrado usando conjuntos de datos reales. / Tesis

En este trabajo se presenta el Modelo Secuencial para datos politómicos ordinales de la teoría de respuesta al ítem y sus características. De forma específi ca se estudia el Modelo Secuencial Logístico de 2 parámetros (2PL-SM). La estimación de este modelo se realiza utilizando Métodos de Cadenas de Markov de Montecarlo (MCMC), los cuales fueron implementados en R y WinBUGS. Se realizó un estudio de simulación con el objetivo de estudiar la precisión en la recuperación de parámetros observándose resultados apropiados según los índices de precisión utilizados. El Modelo Secuencial en estudio fue luego aplicado a la prueba de escritura de la Evaluación Muestral 2013 del Ministerio de Educación, evaluación que fue aplicada a una muestra de 4327 estudiantes de sexto grado de primaria de todo el país. Con la aplicación del modelo a la prueba se pudo determinar que en general esta contiene ítems cuyas di ficultades son bajas y que, para los estudiantes, el enfrentarse a esta prueba no debería resultarles complicado. / Tesis

No description available.

El objetivo de la memoria es obtener la disponibilidad de servicio para una red enmallada DWDM (dense wave division multiplexer). Se entiende por disponibilidad la cifra por ciento que representa la fracción del tiempo que la red está disponible para entregar servicios de comunicaciones. Toda nueva tecnología presenta riesgos de tener una disponibilidad baja, debido a que en el proceso de puesta en marcha e inicio de operaciones la red puede fallar por el desconocimiento del comportamiento de equipos o bien de perturbaciones externas no consideradas en la planificación. Este es un escenario posible en el desempeño de la red DWDM con ROADM (reconfigurable optical add drop multiplexer): las componentes pueden fallar y este es el problema analizado en esta memoria sobre la base de distintas modelaciones. Se formula un modelo clásico basado en la normativa ETSI adaptado, esto es, se consideran interfaces STM-16/64 de altas velocidades (2,5 y 10 Gb/s) en el modelo de la ETSI. Con esto, es posible estimar una disponibilidad verdadera y útil para la red, pero invariante (es decir, que no tiene oscilaciones) en el tiempo. Los fundamentos analíticos de la normativa ETSI se rescatan para formular un segundo modelo que debido a su dificultad (NP-complejo) es sólo posible resolverlo con heurísticas. El modelo permite representar a la disponibilidad a través de la tasa de fallas como una cantidad variante en el tiempo. El diseño, que ocupa tabla lógicas para varias fallas simultáneas, permite analizar la tasa de fallas a través de tres zonas de tiempo, y permite llegar a valores medios de la disponibilidad de la red. La modelación usada es la Cadena de Markov apoyada en la hipótesis que caracteriza a la distribución de Weibull. Finalmente, la representación es contrastada con la anterior mejorando las proyecciones para una determinación más exacta de la disponibilidad. Se hacen cálculos para: redes grandes (más de 10 nodos); redes nacionales; y la red NTFS de Estados Unidos. De esta manera, se concluye que la red enmallada es más confiable que la red anillada primitiva y que usando la teoría de Markov es posible modelar este problema de manera simple y consistente.

Publicación a texto completo no autorizada por el autor / Estudia la imputación múltiple propuesta por Rubín (1987), basada en simulación de Montecarlo y cadenas de Markov, que permite analizar bases de datos incompletas cuando se presentan encuestas por muestro con una alta tasa de no respuesta parcial. Para la aplicación se contó con una base de datos del Instituto Nacional de Estadística e Informática (INEI), Encuesta Permanente de Empleo en Lima Metropolitana – 2016. Se considera las siguientes variables en la encuesta: edad en años, años de estudio, número de personas que laboran en el trabajo, total de horas trabajadas, ingreso total mensual. / Trabajo de suficiencia profesional

Conocer cómo interactúan los genes en las células es un objetivo importante en biología y medicina. Este conocimiento permitiría la creación de terapias celulares precisas para corregir disfunciones de los mecanismos moleculares detrás de condiciones patológicas como el cáncer [1,2]. El estudio de estas interacciones ha sido realizado tradicionalmente por medio de experimentos que involucran perturbaciones a los sistemas celulares, y con ello una alta demanda de tiempo y mano de obra. La premisa común para realizar estos costosos experimentos de intervención es que ellos permiten detectar relaciones de causalidad entre genes sin ambigüedad, a diferencia de realizar únicamente observaciones en los sistemas celulares que no permitirían distinguir de forma confiable relaciones causales de correlaciones estadísticas generadas indirectamente por mecanismos no observados. En redes génicas, es necesario distinguir entre una causa de un efecto y el efecto de una causa, ya que esto permitiría saber cómo funciona la regulación génica en las células. No obstante, Maathius et al. [6] demostró que inferir relaciones causales en redes moleculares es posible usando datos de observaciones de los componentes del sistema (genes) y una metodología de análisis de datos. Estos trabajos generaron interés en el tema motivando diversos trabajos en consecuencia con el enfoque de estadística inferencial y causalidad. Sin embargo, las metodologías propuestas incorporan fuertes consideraciones en los modelos, como aciclicidad de las interacciones y gausianidad en los niveles de expresión de los genes, consideraciones que son biológicamente cuestionables, así como un elevado costo computacional para su procesamiento. Es en dicho contexto donde el presente proyecto propone aplicar un enfoque basado en Aprendizaje Máquina (AM). Este campo estudia cómo generar modelos que aprendan a discriminar objetos o instancias en categorías o clases conocidas, con base a un conjunto de instancias ya clasificadas (datos de entrenamiento). La idea de usar Aprendizaje Máquina en la detección de interacciones causales entre genes es aprender las diferencias mínimas que puedan existir dentro de las observaciones temporales de las expresiones de los genes que pueden caracterizar comportamientos causales entre genes. Sin embargo, al aplicar Aprendizaje Máquina en problemas de alta dimensionalidad como el descrito, es común hallar un alto costo computacional para su ejecución, lo cual genera la necesidad de métodos de reducción de dimensionalidad. En el presente proyecto se propone investigar un enfoque basado en el concepto de Manto de Markov (MM), cuyos estimadores han probado ser teóricamente óptimos para la detección del conjunto de variables causalmente relevante respecto a una variable de interés.

Debido al ambiente competitivo en las industrias peruanas del sector consumo masivo, es de gran interés poder determinar las preferencias de los consumidores para poder estimar de manera más eficiente sus necesidades. Es en este punto importante el uso de las Herramientas Estocásticas para el desarrollo de predicciones a largo plazo, evaluar posibles estados de movimiento entre marcas y determinar factores claves en el proceso de elección del consumidor. Este análisis se hace posible mediante el uso de modelos Estocásticos, pues se basan en Probabilidades, útiles al estimar las decisiones de los potenciales clientes. Este documento tiene como objetivo desarrollar a fondo y presentar los modelos ocultos markovianos, con la finalidad de orientar el análisis hacia los Procesos Estocásticos de tiempo discreto, que son las Cadenas de Markov, con la evidencia del supuesto de la optimización del análisis a través del reconocimiento de Estados Ocultos, difíciles de definir y que en los modelos markovianos ocultos, son el pilar para obtener los resultados deseados. Se tocarán temas relacionados y se explicarán los conceptos necesarios para poder entender las Cadenas Ocultas de Markov y su aplicación directa al sector consumo masivo. Finalmente, se demostrará su directa aplicación al tema de preferencias y los aportes para futuros estudios relacionados. En cuanto a la aplicación al tema de preferencias de los consumidores, especialmente en el mercado cervecero, cada vez cambiante, se eligieron las principales dos variables críticas que afectan de manera determinante y que además alimentan la situación de incertidumbre por la que una modelación matemática - estocástica es una de las soluciones más convenientes. Estas dos variables son: el Volumen de Ventas de cada empresa (de manera estimada) y las Transiciones entre marcas representativas por empresa. Para esas dos variables entonces, nuestro análisis tratará de poner a prueba al Modelamiento Clásico de Markov contra el Modelamiento Oculto.