La optimizacin es un campo muy especializado y tambin puede ser un rea

compleja. Como me ensearon desde el principio, un punto principal es que la

eleccin del algoritmo adecuado depende de la formulacin, as como la forma
de formularla dependen del algoritmo a utilizar.

Con esto, tratar de comenzar a responder a esta pregunta con mi perspectiva

y espero que otros, ms especializados que yo, puedan complementar esta
respuesta o dar a otros.

En la optimizacin determinstica los datos de entrada para el problema dado

se conocen con exactitud. Se considera, por ejemplo, en muchos problemas de
optimizacin estructural.

Hay un montn de problemas donde los datos de entrada para el problema

dado no se conoce con precisin. Luego, se elige la optimizacin bajo
incertidumbre, o optimizacin estocstica, de tal manera que la incertidumbre
se considere bajo la asuncin de una distribucin de probabilidad dada
(asumida supuestamente). Por ejemplo, es el caso donde el comportamiento
humano tiene influencia en el rendimiento que se optimiza como por ejemplo en
aplicaciones econmicas.

Existe un tipo especial intermedio de problema en el que se conocen

parmetros pero slo dentro de ciertos lmites. Para estos casos las tcnicas
de optimizacin robustas suelen ser ms adecuadas. Por ejemplo, casos en los
que una estructura se carga a veces de manera diferente en diferentes
escenarios, que no ocurren simultneamente. En la optimizacin robusta, es
como uno est buscando un compromiso entre diferentes ptimos que se
encuentran en cada escenario sin calcular necesariamente estos ptimos
diferentes.

No es inusual que uno consiga una clase de problemas que sean

computacionalmente muy muy duros. Entonces el tiempo empleado en los
clculos (por ejemplo, las tcnicas de bsqueda de lnea) no es adecuado y
hay algunas pruebas de que para estos problemas, las tcnicas de bsqueda
heurstica (por ejemplo, la aleatoriedad se utiliza para encontrar mejores
soluciones) son mejores mtodos. Ejemplos de mtodos de optimizacin
heurstica son el recocido simulado, el algoritmo gentico y los algoritmos
evolutivos.

Si los ejemplos mencionados son demasiado genricos, las aplicaciones

particulares de inters especfico se pueden encontrar fcilmente (con un poco
de tiempo) en la literatura de investigacin.
 ... Recomendar

o 3 Recomendaciones

Saleh Khosroabadi Universidad Tecnolgica de Sharif

Hola
Depende de sus reglas de optimizacin.
Si se utilizan pasos deterministas para encontrar la respuesta, ser una
optimizacin determinista y es la misma para el estocstico. Y creo que no hay
deferencia bsica entre optimizaciones estocsticas y heursticas.
La mejor pregunta es cul es el tipo de nuestro problema de optimizacin. Es
estocstico o determinista. Elegir el algoritmo de optimizacin depende
directamente del problema.

La estadstica es una rama de las matemticas que se ocupa de la coleccin, del anlisis,
de la interpretacin, de la presentacin, y de la organizacin de datos . [1] [2] Al aplicar
estadsticas a, por ejemplo, un problema cientfico, industrial o social, es convencional
comenzar con una poblacin estadstica o un proceso de modelo estadstico que se
estudie. Las poblaciones pueden ser temas diversos como "todas las personas que viven
en un pas" o "cada tomo que compone un cristal". Estadsticas trata de todos los
aspectos de los datos, incluida la planificacin de la recopilacin de datos en trminos de
diseo de encuestas y experimentos . [1]
Algunas definiciones populares son:

Merriam-Webster diccionario define las estadsticas como "una rama de las

matemticas que se ocupan de la recopilacin, anlisis, interpretacin y presentacin
de masas de datos numricos" [3] .
El estadstico Sir Arthur Lyon Bowley define las estadsticas como "las declaraciones
numricas de los hechos en cualquier departamento de investigacin colocado en
relacin entre s [4] ".
Cuando los datos del censo no pueden ser recolectados, los estadsticos recopilan datos
mediante el desarrollo de diseos de experimentos especficos y las muestras de
la encuesta. El muestreo representativo asegura que las inferencias y las conclusiones
pueden extenderse con seguridad de la muestra a la poblacin en su conjunto. Un estudio
experimental consiste en tomar mediciones del sistema en estudio, manipular el sistema y
luego tomar mediciones adicionales usando el mismo procedimiento para determinar si la
manipulacin ha modificado los valores de las mediciones. En contraste , un estudio
observacional no implica manipulacin experimental.
En el anlisis de los datos se utilizan dos mtodos estadsticos principales : la estadstica
descriptiva , que resume los datos de una muestra utilizando ndices como la media o la
desviacin estndar y la estadstica inferencial , que saca conclusiones de los datos
sujetos a variacin aleatoria (por ejemplo, Variacin muestral). [5] Las estadsticas
descriptivas se refieren ms a menudo a dos conjuntos de propiedades de
una distribucin (muestra o poblacin): la tendencia central (o ubicacin) busca
caracterizar el valor central o tpico de la distribucin , mientras que
la dispersin (o variabilidad ) caracteriza el grado en que Los miembros de la distribucin
parten de su centro y entre s. Las inferencias sobre la estadstica matemtica se realizan
bajo el marco de la teora de probabilidades , que trata del anlisis de fenmenos
aleatorios.
Un procedimiento estadstico estndar implica la prueba de la relacin entre dos conjuntos
de datos estadsticos, o un conjunto de datos y datos sintticos extrados de un modelo
idealizado. Se propone una hiptesis para la relacin estadstica entre los dos conjuntos
de datos, y esto se compara como una alternativa a una hiptesis nula idealizada de
ninguna relacin entre dos conjuntos de datos. Rechazar o refutar la hiptesis nula se
realiza mediante pruebas estadsticas que cuantifican el sentido en el que el nulo puede
demostrarse falso, dados los datos que se utilizan en la prueba. Trabajando desde una
hiptesis nula, se reconocen dos formas bsicas de error: Errores de tipo I (hiptesis nula
falsamente rechazada dando un "falso positivo") y errores de tipo II (no se rechaza la
hiptesis nula y se pierde una diferencia real entre poblaciones) Un "falso
negativo"). [6] Varios problemas han venido a estar asociados con este marco: van desde la
obtencin de un tamao de muestra suficiente para especificar una hiptesis nula
adecuada. [ Cita requerida ]
Los procesos de medicin que generan datos estadsticos tambin estn sujetos a
errores. Muchos de estos errores se clasifican como aleatorios (ruido) o sistemticos
( sesgo ), pero tambin pueden ser importantes otros tipos de errores (por ejemplo, error,
como cuando un analista informa de unidades incorrectas). La presencia
de datos faltantes y / o la censura puede resultar en estimaciones sesgadas y se han
desarrollado tcnicas especficas para abordar estos problemas.
Se puede decir que las estadsticas han comenzado en la civilizacin antigua,
remontndose al menos al siglo V a. C., pero no fue hasta el siglo XVIII que empez a
extraer ms de la teora del clculo y de la probabilidad . Las estadsticas continan siendo
un rea de investigacin activa, por ejemplo sobre el problema de cmo analizar grandes
datos

La palabra estocstico es un adjetivo en ingls que describe algo que fue determinado al
azar. [1] La palabra apareci por primera vez en ingls para describir un objeto matemtico
llamado proceso estocstico , pero ahora en matemticas los trminos proceso estocstico
y proceso aleatorio se consideran intercambiables. [2] [3] [4] [5] [6] La palabra, con su definicin
actual que significa al azar, vino del alemn, pero originalmente vino de la
palabra griega ( stokhos , "objetivo"). [1]
El trmino estocstico se utiliza en muchos campos diferentes, particularmente cuando se
usan procesos estocsticos o aleatorios para representar sistemas o fenmenos que
parecen cambiar de manera aleatoria. Ejemplos de estos campos incluyen las ciencias
fsicas como la biologa , la qumica , la ecologa , la neurociencia y la fsica , as como los
campos de la tecnologa y la ingeniera , como el procesamiento de imgenes , el
procesamiento de seales , [12] teora de la informacin , [13] ciencias de
la computacin , [14]criptografa [15] y telecomunicaciones . [16] Tambin se utiliza, debido a los
cambios al azar aparentemente en mercados financieros en finanza

eterminismo es la posicin filosfica que para cada evento existen condiciones que no
podran causar ningn otro evento. "Hay muchos determinismos, dependiendo de qu
condiciones previas se consideran determinantes de un evento o accin". [1] Las teoras
deterministas a lo largo de la historia de la filosofa han surgido de motivos diversos y, a
veces, traslapados y consideraciones. Algunas formas de determinismo pueden ser
probadas empricamente con ideas de la fsica y la filosofa de la fsica . Lo contrario del
determinismo es una especie de indeterminismo (tambin llamado no determinismo ). El
determinismo a menudo se contrasta con el libre albedro . [2]
Determinismo a menudo se toma para significar el determinismo causal , que en la fsica
se conoce como causa-y-efecto. Es el concepto de que los eventos dentro de
un paradigma dado estn vinculados por causalidad de tal manera que cualquier estado
(de un objeto o evento) es completamente determinado por estados anteriores. Este
significado puede distinguirse de otras variedades de determinismo que se mencionan a
continuacin.
Otros debates a menudo se refieren al alcance de determinados sistemas, algunos
sosteniendo que el universo entero es un nico sistema determinado y otros que
identifican otros sistemas determinados ms limitados (o multiverso ). Numerosos debates
histricos implican muchas posiciones filosficas y variedades de determinismo. Incluyen
debates sobre determinismo y libre albedro , tcnicamente denotados
como compatibilistas ( permitiendo que los dos coexistan ) e incompatibilistas (negar su
coexistencia es una posibilidad).
El determinismo no debe confundirse con la autodeterminacin de las acciones humanas
por razones, motivos y deseos. El determinismo rara vez requiere que
la prediccin perfecta sea prcticamente posible.

Las heursticas son estrategias derivadas de la experiencia con problemas similares,

utilizando informacin accesible, aunque libremente aplicable, para controlar la resolucin
de problemas en seres humanos, mquinas y cuestiones abstractas. [1] [2]
La heurstica ms fundamental es el ensayo y el error , que puede utilizarse en todo, desde
hacer coincidir las tuercas y tornillos hasta encontrar los valores de las variables en los
problemas de lgebra.
Aqu estn algunas otras heursticas de uso comn, del libro de George Plya de
1945, How to Solve It : [3]

Si tiene dificultades para entender un problema, trate de dibujar una imagen.

Si usted no puede encontrar una solucin, intente asumir que usted tiene una solucin
y ver lo que usted puede derivar de eso ("trabajando hacia atrs").
Si el problema es abstracto, trate de examinar un ejemplo concreto.
Intente primero resolver un problema ms general (la " paradoja del inventor ": el plan
ms ambicioso puede tener ms posibilidades de xito).

En la psicologa , las heursticas son reglas simples, eficientes, aprendidas o codificadas

por procesos evolutivos, que se han propuesto para explicar cmo las personas toman
decisiones, llegan a juicios y resuelven problemas tpicamente cuando enfrentan
problemas complejos o informacin incompleta. Los investigadores prueban si la gente usa
esas reglas con varios mtodos . Estas reglas funcionan bien en la mayora de las
circunstancias, pero en ciertos casos llevan a errores sistemticos oa sesgos cognitivos . [4]

Historia [ editar ]