00:00:29:27 Software Shop, la empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, les da la bienvenida a esta presentación. El día de hoy contamos con el acompañamiento del instructor Alexander Cortés Jans, ingeniero electrónico de la Universidad de St. Magister en Ingeniería Electrónica y de Computadores de la Universidad de los Andes en Colombia. Experiencia de diez años en docencia universitaria para pregrado y posgrado.

00:01:15:04 Cuenta con tres años de experiencia como director de programa en Ingeniería, además de 17 años en proyectos de la industria enfocados a la automatización de procesos industriales, sistemas aeronáuticos, telecomunicaciones y energías implementados y auditor interno de la Norma ISO 50.001 2018 para sistemas de Gestión de Energía. Bienvenidos. Muchas gracias Brisa. Y de nuevo les doy la bienvenida a este espacio, a esta charla que tenemos en el día de hoy para tratar algunos aspectos y herramientas que tiene el software desde la arquitectura orientado hacia el modelado de sistemas en toda la teoría de la dinámica de sistemas.

00:01:47:18 EM En el día de hoy queremos presentar una con los fundamentos e sobre la parte de calibración. EM Nosotros hemos venido hablando sobre modelos, sobre mapas mentales que llevábamos para modelar. Como podemos tener una orientación. Pero muchas veces esos modelos los queremos variar, los queremos verificar. Si realmente se acercan pues a la realidad, que es lo que lo que quisiéramos en el día de hoy.

00:02:17:28 Les voy a presentar unas herramientas que trae este la ARQUITEC para poder hacer esa comparación. Vamos a arrancar con ese concepto de comparación en que es como la definición básica de calibración. Entonces vamos a tener en esos cuatro temas que vamos a ir desarrollando en el transcurso de la charla. Vamos a hablar un poco de la construcción del modelo, de como traemos una forma de importar los datos.

00:02:51:02 Y esa importación de datos tiene que ver para poder comparar y poder definir unos un off en este, la arquitec del play off es no más que una función objetivo dentro del concepto de optimización. Y pues como Paidós está dentro de esa área de optimización, entonces lo que queremos es ajustar un conjunto de parámetros del sistema que nos permita cumplir o estar muy cercanos o ser el mejor, el valor a esa función objetivo.

00:03:31:16 Entonces ahí nos vamos a a estar discutiendo algunos de estos aspectos y con un ejemplo en el Sojo arranquemos por lo siguiente y es en el concepto de calibración. Entonces em, en en algunos aspectos, sobre todo en temas de ingeniería, se conoce la calibración como comparar con si yo quiero mirar que un equipo cierto, un sensor o algo que yo tenga lo quiero comparar con un equipo patrón si donde ese equipo CA patrón pues tiene algunas características de precisión, de repetibilidad, de reproducibilidad.

00:04:12:14 Aquí el concepto es muy parecido, sí. Entonces imagínense que el que nosotros hemos trabajado en la construcción del modelo y ese modelo y lo que queremos es que refleje un poco y una parte real si estamos trabajando para una toma de decisiones en cualquiera de las áreas. Ya lo hemos hablado en algunas otras charlas. Que se la quite tiene una versatilidad bien interesante para tomar decisiones desde unos temas técnicos, tecnológicos a los temas de políticas empresariales, pues queremos ver qué tanto podría yo estar cercano a esos datos, que hay sus datos reales.

00:04:20:23 Entonces lo que queremos es realmente que nuestro modelo sea representativo. Y cómo hacemos que sea representativo? Pues variando.

00:04:52:24 Y también queremos que ese modelo sí lo podamos ajustar y y ajustar su estructura para que tengamos un comportamiento adecuado. Entonces no hace parte de lo que vamos a ver en detalle, pero este, la arquitecto, digamos que a partir de lo que colocamos en el software vamos a tener entonces la posibilidad tener unos comportamientos a partir de la estructura de ahorita vamos a recordar un poco.

00:05:17:18 Entonces es básicamente lo que queremos es que el modelo sea representativo, que realmente dé respuesta a unos valores medidos y para poder ajustar vamos a poder ajustar algunos datos o algunos parámetros de nuestro sistema. Y por qué es necesario tener en cuenta el concepto de calibración. Y es básicamente que necesitamos revisar la validez, validación y verificación de nuestra muelle.

00:05:42:04 Ahora, si el modelo no se aproxima lo suficiente, pues nosotros también podemos rechazar o hacer cambios. Esa es una de las cosas que yo he planteado, un modelo y definitivamente no se acerca, no es lo que queremos entonces, pues también el modelo es un es un podemos trabajar en un rechazo teórico, es un eje y cómo lo hacemos?

00:05:42:08 -

00:06:11:05 Desconocido Y aquí es donde vamos a entrar un poco a la parte práctica del soft. Entonces necesitamos construir un modelo. Si vamos a construir un modelo, puede ser ese modelo que lo ajustemos con unos valores medidos. Entonces yo tengo un comportamiento del modelo y a partir de ese comportamiento que es un resultado gráfico cuantitativo, pues trabajo en la estructura de mi mueve después, entonces necesitamos manejar el concepto importación.

00:06:36:16 En otra charla habíamos hablado de los diferentes procesos de importación como yo traigo datos de la ARQUITEC para que me sirvan de comprobación y esos datos son medidos. Entonces necesitamos ya después de tener el modelo, traemos nuestros datos. En este caso vamos a trabajar con datos que varían en el tiempo que vamos a tener. Es el concepto fundamental de la dinámica sistemas.

00:07:09:08 Datos que varían en el tiempo, varían en el tiempo. Tenemos el modelo. Después de eso, entonces trabajamos toda la definición de la función objetivo, el periodo a través de unos pesos, y vamos a trabajar, a mirar y a comparar y a definir diferentes escenarios a partir de ese período. Y optimizamos por un conjunto apropiado de parámetros. Entonces vamos a determinar si los parámetros se encuentra en unos límites que nosotros hemos establecidos o que nuestro sistema establece y cuánto se acerca en ese rango de tolerancia?

00:07:50:13 Es básicamente como el proceso que vamos a tener. Para ello vamos a trabajar. Este es un modelo básico que se utiliza mucho para la parte de enfermedades y lo que tiene que ver con infecciones y muertes de muchas enfermedades. Y se conoce como el modelo de infusión de base simple. Si en este caso vamos a traer unos datos de una organización de Estados Unidos que así como la el monitoreo de estos datos son unos datos, es un ejercicio que es toma de y se existen que es el fabricante.

00:08:21:28 El software es un modelo básico, pero que el puede permitir entender los conceptos que hemos planteado en esta charla. Listo, vámonos entonces. Ahora para el software, en este caso ya tengo aquí el modelo. Entonces lo primero que dijimos es trabajar en el modelo. Tenemos nuestro modelo de opción de base simple y aplicado también, no solamente en este caso es para unos datos que tienen que ver con el SIDA, sino puede ser otra enfermedad.

00:08:56:22 Tenemos entonces unos flujos que nos indica en esa parte inicial la población que esa población nueva que puede estar en riesgo, vamos a tener una población que no está infectada, una población que está infectada y vamos a trabajar con los datos de infecciones de sida y de muerte del SIDA. Fíjense que lo representamos en nuestro modelo como unos flujos flow que están a la entrada y a la salida.

00:09:34:02 Tenemos también unos convertidores que son los círculos que nos van a permitir introducir datos. En este caso una tasa de contacto, un porcentaje de infección. Una población inicia el infectada, un tiempo de supervivencia promedio en el momento en que las personas están infectadas, una tenía un promedio de tenencia de riesgo. Si es una estructura de modelo y la estructura del modelo es un poco el comportamiento aquí.

00:10:05:05 He traído en otra charla y se lo pueden encontrar también en en nuestra. En nuestra página web pueden revisar sobre los tipos de estructuras y los modelos de este. Si en el momento en que pueden conocer a partir de sus datos medidos un poco la forma o la respuesta de la estructura del modelo, dependiendo como yo coloque los diferentes elementos flujos en acumuladores.

00:10:52:01 Estos bloques convertidores. Pues puedo establecer algunos comportamientos entonces de la estructura. Pero ahora que interrumpo esta este momento estamos viendo también la diapositiva o experiencias del modelo. Ah ok muchas gracias, pero yo reviso a ver que pasó ok? Ok, es que no tenía con um ahí ya estas viendo otra tipos de estructuras en los modelos o que el perfecto le inspire disculpas que lo que hice fue presentar la presentación y no la pantalla para que nos movamos entre las diferentes conceptos.

00:11:52:25 Entonces les contaba que aquí tenemos el modelo que vamos a utilizar como ejemplo, si en donde tenemos unos acumuladores y tenemos unos flujos, los bloques tenemos unos convertidores que hacen parte de los elementos para poder establecer la estructura de nuestro modelo y tenemos entonces la entrada y la salida a estos acumuladores y hemos digamos que traído este modelo que es un ejemplo, digamos que que común o tradicional que se utiliza para poder explicar algunos de estos conceptos en temas de infecciones y riesgo de infección o infecciones y muertes de algunas enfermedades, no solamente digamos en este caso para la parte del sida, que son los datos que traemos, les contaba que la estructura, el comportamiento,

00:12:28:10 entonces nosotros podemos encontrar diferentes tipos de estructuras para poder digamos que tener una orientación, entonces podemos tener estructuras que son lineales. Y fíjense que tengo la respuesta, en este caso el acumulador A y B, y la forma en que lo puedo configurar en este, la parte. Entonces si coloco el flujo a la entrada, claro, el flujo. Recuerden que hace el símil de una llave que esta dejando pasar algún fluido al al acumulador, al tanque.

00:13:04:13 Pues entonces voy a tener que ese comportamiento va a ir subiendo en el ancho, o sea, como si estuviera llenándose de nivel. Al contrario, si el tanque coloco una válvula de drenaje, pues entonces voy disminuyendo. Esa es la cintura y la respuesta, el comportamiento, el que tenemos a mano izquierda, entonces podemos a través de algunas de estas orientaciones puede tener el concepto de como porque la pregunta sería bueno, yo hago el modelo, pero como plantea una estructura que me permita tener una respuesta, porque yo ya tengo unos datos más o menos establecidos, claro, eso son básicos.

00:13:40:08 Tendríamos que empezar a trabajar aquí unos sistemas exponenciales. Entonces ya aquí introduzco también unos conceptos de realimentación positiva y negativa que me van a permitir que tenga una respuesta de forma exponencial en un sistema en forma de ese entonces voy a tener a la entrada de la sería flujos uno lazo de realimentación positivo y negativo. Básicamente lo que es lo que me está permitiendo es que voy a tener un momento si en algún tiempo y después lo estabilizo o en punto puede bajar.

00:14:03:25 Lo que si ponemos en este la arquitec como uno es después de refuerzo y estabilización, a partir también de los lazos de realimentación positivos y negativos. Sistemas oscilatorio de los sistemas oscilatorio es desde el punto de vista físico. Tiene que ver con la cantidad de elementos que pueden almacenar energía. Si desde el punto de vista físico en el.

00:14:30:27 Desde el punto de vista dinámica de sistemas, lo representamos a través de los acumuladores. Si los acumuladores son como esos elementos que me permiten acumular, que me permiten almacenar, no ya no energía, sino que me permiten almacenar numero de personas, me permiten almacenar personal que se contrata en la empresa, me permite almacenar e inscripciones de cotización sin almacenaje todo lo que permita almacenar.

00:15:06:01 En este caso tenemos dos elementos y conectados. De esta forma nos puede crear una respuesta de tipo oscilatorio sistemas oscilatorio espín. Entonces, a través del tiempo se amortiguan. Entonces fíjese que tenemos la respuesta y tenemos la estructura del modelo y sistemas de sobre disparo y colapso. Una forma también en que lo establecemos son como unas estructuras comunes o de orientación inicial para poder realizar nuestro modelo.

00:15:43:02 Entonces esa estructura que esta ahí, ustedes podrían tener esta orientación que les digo para poder empezar a armar el muelle a partir de una respuesta, fíjense, consejo entonces em, por el momento vamos a dejar el modelo de esta forma, entonces ya tenemos el modelo entendiendo que la estructura sea el comportamiento o esa respuesta, y en este caso pues hemos traído unos datos, entonces unos datos medidos a través de unos datos de la ciencia de Estados Unidos.

00:16:20:26 Esos datos si los vamos, los tengo en formato de txt, vamos a abrirlos em a través de una hoja de cálculo. Son unos datos muy sencillos, tenemos datos antiguos, pero no también digamos que representar unos datos de otra enfermedad en esa página simplemente vamos y los buscamos, los vamos a abrir, no en txt, sino los vamos a abrir con la hoja de cálculo.

00:16:54:13 Que pena que la ruta esta un poco larga aquí no me lo muestra, le digo todos los archivos y aparece como los datos. Vamos a abrir para podemos ver, bueno si simplemente aquí con el asistente para finalizar y estos son los datos, si, entonces lo que tenemos son datos de infección del SIDA, datos de infecciones, el SIDA y datos de muertes, sea a través de un horizonte de tiempo que va desde 1985 hasta 2001.

00:17:22:20 Esos son los datos que tenemos para la importación de datos. Bueno, se pueden importar de diferentes formas a este la arquitec. En este caso para la calibración les voy a presentar un método EM, pero no es el único. Entonces tenemos los datos. Si esos datos, pues vamos entonces a importar. Entonces tenemos CA en cada uno de los periodos de tiempo, datos para cada uno de estos dos parámetros.

00:18:12:02 Vamos a ir a este, la arquitec, si íbamos, entonces a tratar estos datos, entonces permítame que me muevo por acá en el para orientarme sobre la asistencia. En nuestro modelo tenemos dos gráficas y voy a cargar esos datos. Esos datos los podemos hacer a través del administrador de apps, que es el icono acá en la parte inferior que tenemos, que aparecen como unos, unos círculos apilados aquí es ese es nuestro administrador de apps, vamos a cargarlos, ese archivo que tenemos externamente, entonces en la parte inferior aparece el cargue datos de forma externa para ser persona.

00:18:44:00 Corrijo, entonces aquí me aparece una ventana en donde me permite importar los datos. Digamos que busco en la carpeta donde los tengo, que son los mismos que les mostraba y a que le vamos abrir le damos ok, si no aparecen trae ventana. Error Si me está diciendo que los datos están en el formato establecido eh? Bueno, digamos que cuando ustedes vayan a decir bueno, y cuál es el formato que conservan?

00:19:25:07 Lo tengo por filas. Si, y pues lo que tienen que hacer es un poco cuando tengan el modelo, generar la exportación de datos, en este caso de esas dos variables para que coincidan el formato de filas o columnas. Entonces por eso es que las traigo de esta forma por filas y no por columnas, pero simplemente cuando ustedes tengan el modelo y ejecutan una exportación de los datos de esa variable y conocen el formato, la forma, una sencilla aquí no me aparece ninguna ventana de algún warning, algún mensaje, simplemente los tengo acá para poder correr en el momento en que yo cierre esta ventana.

00:19:59:07 Fíjense que lo que me ha hecho en las gráficas de estos dos parámetros de infecciones y muertes es cargarme esos datos. Entonces tenemos los datos y aquí es simplemente digamos, 1989, cuando yo coloco el cursor sobre la gráfica 1989 me indica que tenia 42.989, 42 para infecciones, por lo que por ejemplo otro año 1996 para muertes, 1996 32.

00:20:33:11 Entonces tengo los datos medidos, cargados para poder hacer esa comparación a lo que llamamos también calibración. Después entonces que hacemos esta importación de los datos? Si vamos a mirar un poco la configuración del Peyo, que es esa parte de calibración, antes de eso, simplemente entonces vamos a mirar, tengo unos datos médicos y voy a hacer una corría hoy hacía una simulación de mi modelo actual que pasa entonces?

00:21:04:26 Fíjense que lo que yo tengo es por allá, si se alcanza a notar voy a hacer un sol. Tengo unas líneas rojas de esa, mi primera corrida y está totalmente alejado, o sea, el comportamiento. No, no, no se parece para nada. Entonces muchas de las cosas que nosotros hacemos en Estela inicialmente o intuitivamente es ajustar en algunos de los convertidores o parámetros que tengamos para empezar a mirar un poco el comportamiento.

00:21:45:05 En este caso, para nuestro modelo, vamos a ajustar dos parámetros si ya cargamos los datos. Perdón, tiene una validez aparente? Todavía no lo sabemos. Para buscar una validez aparente vamos a empezar a ajustar la tasa de contactos y los e las personas infectadas inicialmente en esos parámetros de cinco. Entonces, aquí en la función de Life, vamos a empezar a mover, vamos a ajustar la tasa de contacto aproximadamente en 5000, presión y como lo alcance a establecer con el copete convertidor, simplemente pues moviéndome sobre esa perilla.

00:22:20:29 Entonces fíjense que ya el comportamiento tiene un algún impulso, una subida y pues va bajando y vamos a usar digamos que otro poquito eh? O en cinco, que son los parámetros iniciales. Entonces pues eso es lo que inicialmente uno empieza a hacer, como en este era como mirar y muy buenos, tomemos parámetros de cinco y cinco, depende también un poco del conocimiento y empieza como a parecerse.

00:22:56:25 La respuesta de esas dos variables no? Pero que fíjense que si uno empieza a hacer como prueba y error, digamos que el modelo no tiene la robustez suficiente o mejor aún, el proceso de validez y verificación no tendrían ese proceso, eh? Digamos que como robusto que necesitamos se parecen en esa primera validez. Todavía no podríamos decir si el modelo se aproxima, pero si el comportamiento claro comportamiento dado por la estructura no es totalmente descabellado.

00:23:56:06 Pero ahora en crecemos o creemos un poco al concepto de esa función objetivo en ese periodo. Entonces aquí hay un área un poco más grande, un poco más sombría del periodo, que es toda la parte de optimización. No, la optimización va a ser buscar procesos, sus mejores valores para unos parámetros del sistema. Aquí vamos a comparar y el peor va a ser en este caso, pues digamos que una puntuación es un mejores valores que se aplica a una ejecución de muere el concepto que les dije inicialmente sobre el periodo y necesitamos entonces es utilizar el concepto de comparación a partir de los datos de los datos que existen operadores que acabamos de descargar y pues

00:24:25:08 existen otras medidas. Pero entonces ahora vayamos un poco para la configuración de esa de ese periodo. Entonces acá vamos a irnos a la parte de edición de nuestro modelo, aquí en la parte arriba y aquí en la parte derecha inferior aparecen unos iconos, una llave, aparece un segundo icono y aparece el tercer. El tercero se conoce como herramientas de análisis de Muera.

00:25:01:11 Voy a dar clic ahí y me va a abrir la parte tres pestañas, sensibilidad. La parte superior, la parte de optimización 11 es esa parte inferior en la que vamos a utilizar. Entonces, conociendo que el peor vamos a ser por calibración, entonces aquí venimos y ajustamos calibración, estamos haciendo calibración, que es la comparación de los datos medidos con la respuesta de nuestro mueve y tenemos en la parte de abajo las variables que vamos a empezar a comparar.

00:25:56:19 Vamos a adicionar las frases inicialmente en la parte de infecciones. Si aquí abajo me aparece también otras indicaciones, la variable es infecciones y la variable en nuestro modelo es infecciones. Lo que menos que se coloque es como el nombre que estoy. Digamos que ajustando, pero es esa respuesta en nuestro modelo lo vamos a comparar con los datos medios que lo tengo en este archivo, que es lo importé que se llama aislado de esto, ya que aparece los tipos de comparación que es lo que tenemos aquí en esta parte, entonces ustedes saben que se utilizan pues diferentes métricas desde el punto de vista estadístico para poder ver el grado de significancia, los valores más alejados, la

00:26:41:19 precisión. Y aquí esta la arquitec, en la parte inferior en incorpora dos métricas para esa comparación. Entonces los errores al cuadrado que en lo que se suponen digamos que en temas estadísticos es que el error esta normalmente en distribuir. Si en dentro pues digamos que una desviación estándar, lo que manejemos de la de la desde la parte estadística y tenemos unos errores absolutos en donde la se va a penalizar las grandes desviaciones, los datos que estén más alejados, mas que las pequeñas desviaciones comúnmente, comúnmente.

00:27:10:20 Pero pues eso ya va a depender pues del análisis y la robustez que se es, pues se utiliza error cuadrado que aparece aquí en esta parte, en la parte inferior derecha que y cerro cuadrado y error absoluto. Eso son como las dos métricas que incorpora estelar. Ustedes saben que en temas de regresión lineal o cuando uno hace regresión lineal se utiliza otra métrica que tiene que ver con el nivel de significancia, las variables que se cuadrado.

00:27:56:27 Si, y aun estimamos que aquí es es como con un concepto general de los cuadrados que y pues digamos que hay otro segmento, los mínimos cuadrático también para encontrar el error cuadrado vamos a dejarlo atrás. Entonces, em, es. Es como 1/1. Si, entonces venimos calibración las variables los comparamos con los datos medios y aparece el tipo de métrica que vamos a utilizar que es error cuadrático y aquí aparece algo de peso, el peso si del peor, pues este proceso de calibración lo vamos a calcular con la varianza de los datos que tenemos.

00:28:56:00 Si vamos a calcular el peso para cada una de nuestras variables como uno sobre la varianza, entonces lo que tenemos de nuestros datos, si aquí tenemos nuestros datos de la función, este muestra datos de muertes, entonces podemos utilizar en Excel la varianza de toda la población, apariencia, fe. Yo tengo digamos un universo de datos y los puedo utilizar todos si voy a utilizar solamente una muestra que utilizo para punto ese y aquí pues todos los datos que tengo de la variable de inflexiones en si es yo calculo propiamente si y me dice que el peso que puedo inicialmente utilizar, que la varianza tiene que ver con la desviación estándar, básicamente, que también es una medida

00:29:36:17 de la dispersión de los valores para ese peso. Entonces me dice que sería uno sobre la parte de la varianza que tengo. Lo mismo vamos a hacer para la parte de muertes de los datos que tengo arriba. Simplemente arrastro aquí rápidamente para obtener los valores y voy a tener lo voy a quitar algunas cifras de precisión y voy a tener para las infecciones un peso de 0.03 y y para las muertes un peso es 0.05.

00:30:28:13 Eso es pesos. Entonces los vamos a ajustar aquí. Inicialmente para ese primer escenario voy a tener para las infecciones que es el primero 0.003 0.003. Dice entonces que me lo tomo y me falta porque hermana de configurar mi segunda variable de comparación que son las muertes, entonces aquí esta es la variable de mi modelo. Selecciono entonces también los datos medidos, el error cuadrado y para el peso va a ser 0,005.

00:31:34:11 Si con esos pesos, que es a partir de los datos medios que tienen, pues podemos arrancar inicialmente nuestra em nuestra calibración. Bueno, listo para terminar nuestra configuración, necesitamos configurar en que limites estarían los parámetros también. Yo tengo diferentes convertidores en mi modelo y por el conocimiento de lo que el sistema como tal, el sistema es real. Yo digo que la tenencia de riesgo va a ser entre 1.1 a 20, el tiempo de sobrevivencia pase a 20, o sea, yo necesito contemplar un rango en donde el el, el sistema de optimización o el sistema de calibración se pueda mover.

00:32:14:15 Y eso digamos que necesito establecer para establecer de esos parámetros. Voy a que la parte de optimización y en aquí en la ventana un poco más grande aparece en sus parámetros de optimización. Entonces yo he dicho que el promedio de tenencia de riesgo si se me insiste en ese riesgo y aquí aparecen los mínimos valores, entonces vamos a decir que 0.1 y 20 0.1 a 20 en eso, en ese, en esa, en ese rango se va a mover.

00:33:39:27 O sea, entonces para buscar ese mejor punto, pues es tiempo de sobrevivencia, ese tiempo de sobrevivencia 0.1 a 20 va a ser un rápidamente vamos en carro 0.20 la tasa de contacto, la tasa de contacto la vamos a tener 0.540 el máximo valor 40 de esto tenemos entonces la siguiente que es que inicial a operación vamos a decir que es de 0.0 a 100000 e tenemos entonces la 5.ª que seria new y la tenemos entonces en 10.000 desde cero que es el numero de personas en riesgo y tenemos por último la población inicial infectada y vamos a tener un valor o no, la no la configuran.

00:34:11:13 Perdón, pero vamos a decir que es decir que cero así si ese me faltó me lo como, pero bueno, entonces tenemos la parte peor que tenemos por calibración, las variables que vamos a comparar con los datos medios, utilizamos la métrica de error cuadrado, utilizamos entonces el peso a partir de la varianza, establecemos entonces los rangos de nuestras valía, de nuestras variables y nos faltaría.

00:34:45:00 Por ultimo, bueno, aquí aparecen otras cosas que no vamos a entrar en detalle, que son los métodos de optimización. Si en el caso Estela e Incorporados me incorpora, todos hablamos de e incorpora. Para este caso podríamos utilizar por bueno diferencia. En Evolution aparece también otro negrilla y discretas no? Y Power Voice como los de los métodos de optimización como más rápido que tiene que se puede utilizar abajo.

00:36:12:05 Nos aparecen un poco las simulaciones o las iteraciones. Cabría que harían pues de nuestro sistema vamos a tiene 5000 por default, vamos a colocarle 25.000 de pronto en 5000 es muy corto para compartir las iteraciones y ya después de ajustar la parte dpi of y la parte de optimización, entonces podemos empezar a hacer nuestra simulación. Entonces por el momento simplemente hacemos pues una corría o Trumpet saca el negocio nuestro aparte un como inversión, pero de pronto ya es abrir el archivo con el que estaba trabajando, que son los mismos parámetros que hemos venido ajustando.

00:37:03:29 Aquí tenemos los parámetros medios, tenemos entonces la ejecución, ahora aquí ya aparece cinco y cinco en el nuestro modelo, que fueron dos parámetros iniciales mínimos. Entonces acá a nuestro peor, aquí tenemos entonces nuestros pesos y de pronto aquí es 0.03 de alguna revisión, 0.5 perfecto y y vamos a la parte de optimización, si por el periodo optimización aquí todavía no voy a hablar de esto, tengo la tolerancia, tengo la cantidad de simulaciones, tengo mis diferentes 20.

00:37:47:29 El dato de la población inicial infectada listo. Y hago entonces mi simulación con esos parámetros, no sé si lo alcanzan a ver, pero muy aquí hace un zoom. Cuando ya hago toda la configuración, lo que me permite o bloquea es Estela o es buscar los valores de parámetros con esos pesos de pago que hemos dado? Si, entonces aquí en la parte de herramientas de análisis, en la parte optimización aparece un botón de run.

00:38:19:19 Si para correr con esos parámetros despegar verdad? Para que se vean como se mueven los parámetros en este caso pues ya nos encontró. Si entonces me arroja un log en donde tengo algunos datos del proceso keys entonces me dice que el método utilizado Powell se utilizó en las iteraciones desde 25. La forma en que busca esa función objetivo estamos utilizando eye of.

00:38:48:17 La intención es mining y saber pues los parámetros. El error cuadraban esos datos de configuración y me aparecen para cada uno de los parámetros. Los rangos establecidos, o sea el mínimo valor y el máximo valor. Y tengo el resultado de esa calibración que el ISO en tema en términos de los números para cada uno de los parámetros, entonces arranco en 3.76.

00:39:23:05 La tendencia de riesgo terminó después de 81 simulaciones, o sea 81 iteraciones en 3.74. Y así para los diferentes parámetros que yo he configurado y que estoy buscando es el mejor dato. Si, ese mejor a partir de esos PC, entonces ese es como la información que me da en este logro y desde el punto de vista de la gráfica estoy con la número cuatro, voy a cerrar esto aquí para poder verlo.

00:39:57:06 Fíjense que la de color verde y la de color rojo punteada fue la que nosotros ajustamos como sus parámetros iniciales cinco y cinco sin, así como la configuración de calibración cuando hacemos entonces la corrida, que es la simulación número cuatro, aparece en el caso de las inversiones un poco por debajo de lo que tenemos y en la parte muerte es un poco por encima.

00:40:55:25 Pero fíjense que si se aproxima un poco más, si se aproxima un poco más de esa, de ese escenario que que planteábamos inicialmente, ahí bien podría empezar a mirar y jugar un poco con la parte de los pesos, no? Por ejemplo, vengo aquí a peor y puedo decir que para el tema infecciones lo voy a disminuir diez veces 0,003, sino que en ese peso hacemos otra simulación, vamos a mirar a ver que aparecen los datos desde el punto de vista gráfico que tenemos, que es la número cinco, la parte en naranja y en el caso de las infecciones, antes de subir y encajar un poco más baja aquí en relación con la número cuatro, la

00:41:34:24 verde, pero en la parte muertes si encaja un poco más, no? Entonces fíjense que lo que hago aquí es alejar un poquitico de los datos medios de infecciones, pero aproximarme un poco a los datos de Aisha en sus datos mayor de muerte. Miremos y hagamos el caso contrario. Vamos a dejar la parte del paso de infecciones igual del cálculo de varianza que pues es nuestro nuestro paso inicial y aumentemos en cinco la parte del peso, o sea 0.005 la parte de muertes.

00:42:11:00 Vamos a hacer entonces en nuestra simulación cerramos el log. Por el momento queremos hacer la comparación desde el punto de vista gráfico y aparece la número seis. Si que pasa lo contrario, sea en baje el peso en muertes, pero en este caso se aproxima a esta para ser valores de infección en los valores médicos que es la parte morada, pero en la parte de muertes que a muy por encima, o sea se alejan bastante.

00:43:00:09 La pregunta aquí es en ese modelo realmente representa lo que queremos? Pues es pues ya tiene que ver con el numerador y con la parte digamos de que necesitamos para hacer aquí un poco de tema empiezan a hacer se acercando a la osea esta última simulación que lo que tenemos estos son con los datos del modelo como tal y la última que hicimos, fíjense que ahí se demora un poco, está iterando, me arroja el log y esta fue la última que planteamos porque ya teníamos como oficial mis mediciones y si se aproxima a los datos medios de infecciones, pero a la parte de muertes no tanto.

00:43:32:17 En esto y podríamos digamos que hay seguir como mirando y pues empezar a mirar si realmente se aproxima. Hay otra cosa, si dentro del tema del more, de la parte estadística y es el nivel de confianza no? Entonces A no lo hemos ajustado, pero podríamos ajustarlo para hacer nuestro modelo mucho más robusto. Desde ese punto de vista de las características del modelo, con la parte de los límites de confianza.

00:44:14:03 Entonces, a partir de los datos que tenemos, entonces serán rarísimos, como aquí es, este es el que estamos trabajando, volvemos aquí en esta configuración de Peyo. Entonces tenemos los pasos, vamos a dejar nuestros pesos inicialmente con el cálculo de las varianzas y la parte del nivel de confianza a la como la podemos establecer acá como un valor de porcentaje o como un valor también de pago, muchas veces utilizando niveles de confianza, aun desde el punto de vista del porcentaje.

00:44:54:22 El nivel de confianza me garantizan si que de 100 datos medios 95 se encuentren dentro de un rango si, y lo que hace eso es mejorar un poco la precisión. Vamos a ajustar para este próximo análisis nivel de confianza en 95 y hacemos otra simulación. Nos arroja entonces nuestro log. Vamos a aplicarlo un poco acá, pero lo segundo que se creo no es de la simulación de salud del equipo.

00:45:35:12 Disculpen, por favor. Por qué? Entonces aquí tenemos nuestro log en donde tenemos los datos ya inicialmente vistos. El metodo de optimización que utiliza estera para ello y los pesos para las variables a partir de los datos medidos. La métrica que utilizamos error cuadrado. Aparece entonces la cantidad de simulaciones que hizo en este caso 4264 y para cada uno de los de los parámetros que queremos buscar el mejor valor y nos establece un rango.

00:46:04:15 Si, en donde fíjense, aquí voy a señalar los. Me dice que los limites de confianza para un 95% se encuentran dentro de estos límites. Entonces que para la tenencia de riesgo, el límite inferior y el límite superior y tenemos ese rango. O sea que el 95 por de los datos que nos acaba de arrojar va a estar entre tres y 3.74.

00:46:43:22 Para este caso estableció 3.38. Entonces tenemos lo mismo, el rango en donde tenemos un nivel de confianza del 95% para la. Para la tasa de contacto y aquí hay algo bien particular en este modelo. Y es que para la población el riesgo inicial aparece en unos asteriscos mostrados. Que significa eso? Que el el el punto, el parámetro que tiene configurado actualmente es el mejor que se puede obtener, o sea, no logra un mejor valor para ese para esa variable que tenemos en el sistema.

00:47:20:05 Eso es lo que significan los puntos. Si que es muy plana en términos de optimización para encontrar esos esos puntos es fácil sin que mi sistema pues ya tenga una robustez en mi modelo, tenga una mayor robustez y en términos gráficos Que Nuestra Última Corrida Que se entendre tendríamos entonces la número 4,6 está un poco por debajo acá, sin Que se lamenten con respecto las tres, que es la de color violeta.

00:47:50:06 Entonces un poco por debajo, y en este caso se aproxima un poco mejor. Entonces fíjense que el resultado en el anterior, sin tener niveles de confianza, se aproximaba un poquito a que habíamos también cambiado los pesos, no? Entonces, en este caso para nuestra final lo que tenemos es la parte de los pesos, configurados también el nivel de confianza.

00:48:52:05 Vamos entonces acá a hacer las últimas gráficas, tenemos nuestros valores medios que hemos importado, si que aquí en esta simulación lo que tenemos es los valores iniciales para que se pareciera el comportamiento a partir de la estructura. Los ajustamos con ensayo y error y hemos logrado entonces nuestra calibración con la configuración, nivel de confianza, pesos. Y fíjense que aquí también el computador hay que darle un poquito de espacio, eso que es este es muy, muy buen equipo, cómputo, pero ahí se demora como un poquito en terminar, porque es en ese caso y son 16.393 simulaciones o iteraciones para encontrar los datos que me establecieron, el siguiente resultado francés, que es la de color violeta o

00:49:41:04 morado o fucsia. Entonces ese es como el la mejor curva que se aproxima a partir del proceso de calibración que hemos planteado. Si un bueno, yo creo que será como el objetivo de la charla el día de hoy presentar estos conceptos, esas configuraciones son fundamentos básicos, porque este es un test. También es un análisis estadístico en los conceptos de optimización, que es no por temas de tiempo no alcanzamos a entrar en detalle en básicamente que el nivel de confianza también nos permiten revisar los algunos conceptos de sensibilidad que tan cerca esta de los límites si y que tan sensible es?

00:50:14:13 Pues es que es un sistema que o es un parámetro que no es un sensible, pues entonces no es no, digamos que sería como lo mejor para el sistema y bueno, en ese momento, entonces de pronto hacemos espacio para algunas inquietudes, algunas preguntas que puedan tener. Claro que si Alexander, muchas gracias por tu presentación Wallet algunas consultas para que puedas dar respuesta a ellas de las métricas utilizadas por Estela.

00:50:51:25 Cuál es la más recomendada para la calibración de datos irregulares? Digamos que el error cuadrático es como la más utilizada, la más común, y es por lo que plantean que en a quienes este concepto si y es que suponemos recuerden que pues también digamos que aquí hay unos temas de hipótesis y nuestra hipótesis para el error cuadrado es que el error esta normalmente normalmente distribuido, no yéndonos a temas estadísticos de una función de distribución normal.

00:51:13:13 Otra opción entonces pues realmente con error al cuadrado se pueden aproximar y pues es el más común, ya he para un análisis un poco más detallado, pues tocaría mirar si el error absoluto podría funcionar o tan bien como digamos, el modelo está sujeto a diferentes escenarios. Pues mira que pasa con las dos métricas, pero el más común que se utiliza es el error.

00:51:56:15 El cuadrado. Gracias Alexander. Se puede trabajar la optimización multi objetivo en Excel? Sí, en la optimización multi objetivo la pueden utilizar a partir de el el método de evolución. Diferenciar sí. Entonces digamos que lo pueden encontrar en la herramienta y nosotros utilizamos power porque ese es uno de los más rápidos. Es una función de medición en un solo objetivo, pero evolución diferencial soporta, digamos, múltiples objetivos.

00:52:11:06 Ok, como decir los valores a configurar en el proceso de optimización según los datos, para que la simulación no converja en un mínimo local.

00:52:35:19 Bueno, digamos que aquí lo que estamos buscando también son mínimos locales o el lo que busca son mil mínimos mínimos locales en EM. Por eso es que vamos a ir rápido, entonces se encuentra el principal mínimo local. Pero bueno, lo que pasa es que ahí tendríamos que hay que empezar a mirar un poco también el comportamiento del sistema, no?

00:53:17:03 Yo tengo una estructura y la estructura y así que yo tenga una intuición o un momento y si no me hay, digamos que el conocimiento del comportamiento en este caso, digamos que el comportamiento es que la lógica gráfica sube siendo igual de baja en el momento en que tuviera, digamos, un comportamiento que tuviera, como varios, digamos que varios mínimos o máximos, entonces tendría que hacer un análisis un poco más profundo, pero a depender también un poco de la estructura antes de los parámetros cierto de la estructura que tenga.

00:53:58:12 Tendríamos que saber que como, como espacio más a los conceptos de optimización que en el de calibración, en donde podríamos es efectivamente contemplar que no se busque, pues digamos que el mínimo o el máximo local, sino los mínimos y máximos globales. Pero tendríamos que y si con base en los conceptos de optimización, en este caso, en ese modelo, pues por para, para que se entienda un poco como incorporar los parámetros, pues trajimos una gráfica en el que realmente digamos que no tenemos por el momento ese es el problema de varios mínimos o máximo locales, pero eso digamos que tendrá que ver con con más cuidado.

00:54:28:27 Perfecto. Alexander, en este momento voy a poner en pantalla la encuesta. Muchos asistentes les pido por favor la puedan diligenciar e igualar. Un comentario que nos deja Juan Carlos no es una pregunta, nos dice doctor Alexander. Este modelamiento por dinámica de sistemas muestra muy buenos ajustes con las simulaciones y facilita ese fin, dado que si un matemático se somete a un solo modelo, tal vez esos impulsos en calibración no se obtengan si se logra un buen ajuste en la calibración.

00:54:56:05 Los ensayos diagnósticos para una enfermedad mejora notablemente la confianza mejora un buen escenario para una validación estadística de un método de diagnóstico. Bueno, pues muchas gracias, muchas gracias. Sí, creo que que este tipo de herramientas que ha incorporado Estela, porque anteriormente no se hacía, se plantearon como los modelos, por decirlo, me disculpan la expresión como muy de bajo nivel tocaba como armarlos.

00:55:24:01 Me parece que ahora si estas herramientas de calibración por y algunos conceptos de optimización no incorporan todos los métodos de optimización, se basa en que el área optimización es muy grande. Tarea de optimización Incorporar temas de lineales y no lineales a digamos aquí no incorpora programación lineal, pero digamos que para algunos modelos sí es un muy buen, muy buena herramienta que permite también paliar los datos.

00:55:54:24 Nosotros hemos trabajado y hemos realizado varias en varios charlas sobre modelado, entienden un poco el concepto, pero básicamente que uno lo que quiere realmente, que esos datos tengan una validación, o sea, mi modelo es realmente se aproxima al modelo real? Esa es una pregunta muy interesante, y esas herramientas que tienen estela son una, una facilidad, un camino en en donde se puede empezar a explorar y para empezar a revisar y muy probablemente vamos a tener un modelo ajustado.

00:56:21:26 Si un modelo me más aproximado a nuestro sistema real. Perfecto. Alexander Bueno, muchísimas gracias. En esta mañana contamos con más preguntas solamente agradecerte por el tiempo, por esta presentación igual a nuestros asistentes. Gracias por habernos acompañado. Les estaremos enviando información a través de correo electrónico a cercanos con próximos eventos y en el chat dejo el enlace por el cual puedan acceder la próxima semana.

00:56:53:22 Revisar esta presentación y otras que se han realizado de la mano de Alexander. También sobre este software también nos pueden escribir al correo electrónico de entrenamientos arroba software orión shop punto com Para mayor información de capacitación o licenciamiento. Alexander Muchas gracias, muchas gracias Lisa. Muchas gracias a todos los asistentes e invitados. Espero que les haya ayudado en la claridad de algunos conceptos con respecto a la calibración y comparación de datos medidos con los modelos.

00:57:15:27 En este Laffite hasta una nueva oportunidad. Feliz día. Muchas gracias. Para mayor información respecto al software o en temas relacionados, no dude en contactarnos a través del correo electrónico, entrenamientos a software Ya.com o visitar nuestra página web triple OLE o Punto Software Guión Ya.com.