Estas preguntas son para la  rubrica 3.2.1 se contestaran en la libreta

A. Métodos de procesos de clasificación supervisada

1. ¿Cómo influyen las superficies de separación en la precisión de la clasificación supervisada?

2. ¿Qué tipos de funciones discriminantes son más adecuadas para conjuntos de datos con alta dimensionalidad?

3. ¿Cuáles son las ventajas y desventajas del método del vecino más cercano en comparación con otros algoritmos de clasificación supervisada?

4. ¿Cómo se pueden optimizar las redes neuronales para mejorar su rendimiento en tareas de clasificación supervisada?

5. ¿Qué estrategias se pueden utilizar para evitar el sobreajuste en modelos de clasificación supervisada?

6. ¿Cómo se manejan los datos faltantes en los métodos de clasificación supervisada?

7. ¿Qué métricas son más relevantes para evaluar el rendimiento de un modelo de clasificación supervisada?

8. ¿Cómo se pueden combinar diferentes métodos de clasificación supervisada para crear un modelo más robusto?

9. ¿Qué papel juega la selección de características en el éxito de la clasificación supervisada?

10. ¿Cómo se adaptan los métodos de clasificación supervisada a datos no estructurados, como imágenes o texto?

11. ¿Cómo se pueden utilizar las superficies de separación para visualizar los resultados de la clasificación?

12. ¿Qué desafíos presenta la elección de la función discriminante adecuada para un problema específico?

13. ¿Cómo se determina el número óptimo de vecinos en el método del vecino más cercano?

14. ¿Qué técnicas se utilizan para entrenar redes neuronales profundas en tareas de clasificación supervisada?

15. ¿Cómo se pueden interpretar los resultados de un modelo de clasificación supervisada para obtener información útil?

B. Métodos de clasificación semi-supervisada

16. ¿En qué se diferencian las clases restringidas y libres en la clasificación semi-supervisada?

17. ¿Cuándo es más apropiado utilizar un enfoque de clasificación semi-supervisada en lugar de uno supervisado o no supervisado?

18. ¿Cómo se propaga la información de las etiquetas en los métodos de clasificación semi-supervisada?

19. ¿Qué técnicas se utilizan para seleccionar los datos no etiquetados más informativos en la clasificación semi-supervisada?

20. ¿Cómo se evalúa el rendimiento de un modelo de clasificación semi-supervisada?

21. ¿Cómo se pueden combinar las clases restringidas y libres para mejorar la precisión de la clasificación semi-supervisada?

22. ¿Qué desafíos presenta la elección de las etiquetas iniciales en la clasificación semi-supervisada?

23. ¿Cómo se adaptan los métodos de clasificación semi-supervisada a datos con ruido o valores atípicos?

24. ¿Qué aplicaciones prácticas se benefician del uso de la clasificación semi-supervisada?

25. ¿Cómo se pueden utilizar los métodos de clasificación semi-supervisada para descubrir nuevas clases o categorías en los datos?

C. Métodos de clasificación no supervisada

26. ¿Cómo funcionan los métodos de vínculo simple y vínculo completo en la clasificación no supervisada?

27. ¿En qué se diferencia el algoritmo ISODATA del algoritmo C-means?

28. ¿Qué tipo de criterios lógico-combinatorios se utilizan en la clasificación no supervisada?

29. ¿Cómo se determina el número óptimo de clusters en la clasificación no supervisada?

30. ¿Qué métricas se utilizan para evaluar la calidad de los clusters en la clasificación no supervisada?

31. ¿Cómo se pueden visualizar los resultados de la clasificación no supervisada?

32. ¿Qué desafíos presenta la elección del método de clasificación no supervisada adecuado para un problema específico?

33. ¿Cómo se adaptan los métodos de clasificación no supervisada a datos con alta dimensionalidad?

34. ¿Qué aplicaciones prácticas se benefician del uso de la clasificación no supervisada?

35. ¿Cómo se pueden utilizar los resultados de la clasificación no supervisada para generar hipótesis o descubrir patrones ocultos en los datos?

36. ¿Cuáles son las ventajas y desventajas de usar el vínculo simple frente al vínculo completo?

37. ¿Cómo maneja ISODATA la división y fusión de clusters?

38. ¿Qué tipos de criterios lógico-combinatorios son más efectivos para diferentes tipos de datos?

39. ¿Cómo se pueden combinar diferentes métodos de clasificación no supervisada para obtener resultados más robustos?

40. ¿Qué papel juega la normalización de datos en la clasificación no supervisada?

D. Ejemplos de procesos de clasificación no supervisada

41. ¿Cómo utiliza Amazon la clasificación no supervisada para recomendar productos a sus clientes?

42. ¿Qué tipo de algoritmos de clasificación no supervisada utiliza Google para organizar y categorizar la información en la web?

43. ¿Cómo utiliza Facebook la clasificación no supervisada para agrupar a sus usuarios en comunidades y segmentar su publicidad?

44. ¿Qué otros ejemplos de aplicaciones de clasificación no supervisada se pueden encontrar en la industria tecnológica?

45. ¿Cómo se pueden adaptar los métodos de clasificación no supervisada utilizados por Amazon, Google y Facebook a otros dominios?

46. ¿Qué desafíos éticos plantea el uso de la clasificación no supervisada en aplicaciones como la publicidad y la recomendación de productos?

47. ¿Cómo se pueden utilizar los resultados de la clasificación no supervisada para personalizar la experiencia del usuario en plataformas como Amazon, Google y Facebook?

48. ¿Qué papel juega la privacidad de los datos en el diseño de algoritmos de clasificación no supervisada utilizados por grandes empresas tecnológicas?

49. ¿Cómo se pueden utilizar los métodos de clasificación no supervisada para detectar fraudes o anomalías en transacciones en línea?

50. ¿Qué tendencias futuras se vislumbran en el uso de la clasificación no supervisada en la industria tecnológica?

Estas preguntas son para los alumnos que no están exentos  de la rubrica 3.1.1 se contestaran en la libreta 

A. Aumentar el grado de asertividad

1. ¿Cómo crees que los cambios de vectores podrían influir en la precisión de un sistema de asertividad?

2. ¿De qué manera un cambio de algoritmos podría mejorar la capacidad de un sistema para responder de manera asertiva en diversas situaciones?

3. ¿Cómo afectaría la calidad y diversidad de un banco de imágenes al entrenamiento de un sistema de asertividad?

4. ¿Qué tipo de ajustes en el preprocesamiento de datos podrían optimizar el rendimiento de un sistema de asertividad?

5. ¿Cuáles son los principales desafíos al intentar aumentar el grado de asertividad en un sistema automatizado?

6. ¿Cómo se podría medir objetivamente el grado de asertividad de un sistema después de implementar cambios en sus componentes?

7. ¿De qué manera la retroalimentación humana podría utilizarse para mejorar continuamente la asertividad de un sistema?

8. ¿Qué consideraciones éticas deberían tenerse en cuenta al desarrollar sistemas de asertividad?

9. ¿Cómo se podría adaptar un sistema de asertividad para diferentes contextos culturales y sociales?

10. ¿Qué papel juega la inteligencia emocional en el desarrollo de sistemas de asertividad más efectivos?

B. Lógico combinatorio

1. ¿Cómo funciona el algoritmo ALVOT y en qué tipo de problemas lógicos combinatorios es más efectivo?

2. ¿Cuáles son las principales características del algoritmo KORA-Omega y cómo se diferencia de otros enfoques?

3. ¿En qué consiste el método CR+ y cuáles son sus ventajas y desventajas en comparación con otras técnicas?

4. ¿Cómo se pueden combinar diferentes algoritmos lógicos combinatorios para resolver problemas más complejos?

5. ¿Qué tipo de aplicaciones prácticas se benefician del uso de algoritmos lógicos combinatorios como ALVOT, KORA-Omega y CR+?

6. ¿Cuáles son los límites de los algoritmos lógicos combinatorios actuales y qué desafíos enfrenta su desarrollo futuro?

7. ¿Cómo se puede optimizar la eficiencia de los algoritmos lógicos combinatorios para resolver problemas a gran escala?

8. ¿De qué manera la teoría de la complejidad computacional influye en el diseño y análisis de algoritmos lógicos combinatorios?

9. ¿Qué papel juega la inteligencia artificial en el desarrollo de nuevos enfoques para la lógica combinatoria?

10. ¿Cómo se pueden utilizar los algoritmos lógicos combinatorios para modelar y resolver problemas en áreas como la biología, la economía y la ingeniería?

los tres archivos irán en la misma carpeta  con los siguientes nombres cada uno 

index.html

style.css

script.js

Realizar un resumen  y 25 preguntas abiertas y contestadas utilizando dos inteligencias artificiales del siguiente tema

Puedes usar chat gpt , deepseek, Copilot, Claude

** Obtiene un vector con las características que representan de la mejor manera al patrón original, aplicando las estrategias y procedimientos de selección variables, reduciendo la dimensionalidad de la información.

Patrones de características.

• Sensores de datos.

- Datos.

- Algoritmos.

• Sensores biológicos.

- Información.

- Proceso cognitivo.

• Patrones.

• Representación.

• Características.

Lee cuidadosamente cada una de las siguientes preguntas relacionadas con la adquisición de un banco de patrones, tanto de forma manual como por programación. Responde de manera desarrollada, es decir, con al menos 5 a 8 líneas por respuesta, explicando con tus propias palabras y dando ejemplos cuando sea posible.

en la libreta .

A. Adquisición de datos de forma manual

1. ¿Qué ventajas ofrece la obtención de patrones desde Internet para un banco de reconocimiento de rostros, objetos o caracteres?
   
   

2. ¿Qué criterios se deben considerar al seleccionar imágenes de Internet para que sean patrones válidos?
   
   

3. ¿Cómo influye la calidad de un escáner en la precisión de los patrones digitalizados?
   
   

4. ¿Qué diferencias existen entre capturar patrones con una cámara digital y con la cámara de un celular?
   
   

5. ¿Qué beneficios y limitaciones tiene el uso de una cámara web en la adquisición de patrones?
   
   

6. ¿Por qué es importante estandarizar las condiciones de iluminación al capturar patrones con cámaras?
   
   

7. ¿Qué papel juegan los ángulos de captura en el reconocimiento de patrones faciales?
   
   

8. ¿Cómo afecta la resolución de una cámara a la precisión de los patrones adquiridos?
   
   

9. ¿Qué pruebas se pueden aplicar para validar que un patrón obtenido manualmente es representativo?
   
   

10. ¿Cómo se pueden organizar y clasificar los patrones obtenidos de diferentes fuentes manuales?
    
    

11. ¿De qué manera se podría combinar la adquisición de patrones de Internet con los obtenidos de cámaras para enriquecer la base de datos?
    
    

12. ¿Qué errores comunes pueden ocurrir durante la adquisición manual de patrones y cómo evitarlos?
    
    

B. Adquisición de datos por programación

13. ¿Qué ventajas tiene programar la adquisición de patrones directamente desde Internet frente a la descarga manual?
    
    

14. ¿Qué técnicas se pueden usar en programación para filtrar imágenes irrelevantes de Internet al construir un banco de patrones?
    
    

15. ¿Cómo se puede automatizar la captura de imágenes desde una cámara web mediante programación?
    
    

16. ¿Qué librerías o lenguajes de programación resultan más útiles para la adquisición de patrones de rostros?
    
    

17. ¿Cómo puede la programación ayudar a mantener actualizado un banco de patrones en tiempo real?
    
    

18. ¿Qué desafíos técnicos existen al programar un sistema de captura continua con cámaras digitales o celulares?
    
    

19. ¿De qué manera se asegura la calidad de los patrones adquiridos automáticamente por programación?
    
    

20. ¿Qué protocolos de validación se pueden implementar para verificar la integridad de los patrones adquiridos?
    
    

21. ¿Cómo puede la programación facilitar la clasificación automática de los patrones adquiridos?
    
    

22. ¿Qué riesgos existen al adquirir datos de Internet mediante programación y cómo se pueden mitigar?
    
    

23. ¿Qué importancia tiene la estandarización de formatos (JPG, PNG, etc.) al adquirir patrones por programación?
    
    

24. ¿Cómo puede un algoritmo diferenciar entre un patrón válido y uno que no cumple con los criterios de reconocimiento?
    
    

25. ¿Qué ventajas aporta combinar la adquisición manual y la adquisición programada en la construcción de un banco de patrones?

Teoría: Preprocesado de los datos

El preprocesado de los datos es la primera fase en cualquier proyecto de analítica de datos o inteligencia artificial.
Su objetivo es preparar los datos para que puedan ser usados de manera eficiente en modelos de análisis, clasificación o visualización.

En este punto se hace una selección de variables para dos propósitos principales:

 1. Selección de variables para la clasificación

 Definición:
Consiste en identificar qué atributos o características de los datos (variables independientes) son útiles para diferenciar y predecir una categoría o clase.

 Ejemplo:
Si tenemos un dataset de frutas con variables: color, peso, tamaño, textura, origen, y la clase a predecir es el tipo de fruta, no todas las variables son útiles.

• Útiles para clasificar: color, peso, tamaño, textura (porque diferencian manzana, plátano y naranja).
  
  

• No útiles: origen (importado o local no cambia la fruta).
  
  

 Importancia:

• Usar variables irrelevantes aumenta el ruido en los datos y hace que el modelo se confunda.
  
  

• Usar solo las variables relevantes mejora la precisión y eficiencia del modelo.
  
  

 Métodos comunes de selección de variables para clasificación:

1. Manual o por criterio experto → elegir variables según el conocimiento del problema.
   
   

2. Estadísticos → correlación, chi-cuadrado, ANOVA.
   
   

3. Automatizados en machine learning → algoritmos como Árboles de Decisión, Random Forest (importancia de variables), PCA (análisis de componentes principales).
   
   

 2. Selección de variables para la representación

 Definición:
Es la elección de variables que permiten visualizar los datos de manera clara, ya sea en gráficos, mapas de dispersión o diagramas.

 Ejemplo:

• Para representar frutas en una gráfica, puede bastar con peso y tamaño, coloreando los puntos según la clase de fruta.
  
  

• No siempre se necesitan todas las variables: con 2 o 3 bien escogidas ya se puede observar un patrón.
  
  

 Importancia:

• La representación gráfica ayuda a detectar relaciones entre variables.
  
  

• Permite observar tendencias, agrupaciones y anomalías antes de aplicar modelos de análisis.
  
  

Técnicas de representación más usadas:

1. Gráficos 2D/3D de dispersión (ejemplo: Peso vs Tamaño).
   
   

2. Histogramas y diagramas de barras (para ver distribución de una variable).
   
   

3. Diagramas de caja (boxplots) (para ver la variabilidad de los datos).
   
   

4. Reducción de dimensionalidad (PCA, t-SNE) cuando hay muchas variables.
   
   

 Diferencia entre clasificación y representación

• Clasificación → busca predecir o separar clases (¿qué fruta es?).
  
  

• Representación → busca visualizar y entender los datos (¿cómo se distribuyen las frutas?).
  
  

 Pasos generales en el preprocesado de datos

1. Revisión de los datos → detectar datos faltantes, inconsistencias o errores.
   
   

2. Selección de variables relevantes → elegir qué atributos son útiles y descartar los irrelevantes.
   
   

3. Normalización o estandarización (si se requiere) → ajustar las escalas de los datos (ejemplo: peso en gramos y tamaño en cm).
   
   

4. Codificación de variables categóricas → transformar variables no numéricas (ejemplo: “color = rojo, verde, amarillo” a valores numéricos).
   
   

5. Preparación para análisis → definir variables de entrada (X) y variable de salida (Y).
   
   

Resumen práctico para tu ejercicio

Cuando diseñes el ejercicio, ten en cuenta:

• Teoría básica a explicar:
  
  

  • Qué es preprocesado.
    
    

  • Qué significa selección de variables.
    
    

  • Diferencia entre selección para clasificación y representación.
    
    

• Aplicación en el ejercicio:
  
  

  • Da un dataset pequeño (como el de frutas).
    
    

  • Pide que seleccionen variables para clasificación (qué atributos sirven para identificar la fruta).
    
    

  • Pide que seleccionen variables para representación (qué atributos sirven para hacer una gráfica clara).

Ejercicio: Preprocesado de los datos

Contexto:
Tienes un pequeño conjunto de datos con información de frutas recolectadas en una tienda. El objetivo es clasificar el tipo de fruta y también representar visualmente sus características.

Pate A. Preprocesado de los datos

🔹 1. Selección de variables para la clasificación

Objetivo: determinar qué variables sirven para diferenciar a las frutas.

• Variables candidatas:
  
  

  • Color → ayuda a diferenciar (manzana roja/verde, plátano amarillo, naranja naranja).
    
    

  • Peso → sí ayuda (plátano es más ligero y largo, naranja más pesada).
    
    

  • Tamaño → útil para distinguir entre frutas largas (plátano) y redondas (manzana/naranja).
    
    

  • Textura → útil (naranja es rugosa, manzana y plátano no).
    
    

  • Origen → no aporta mucho (local/importado no cambia la clase de fruta).
    
    

 Variables seleccionadas: Color, Peso, Tamaño, Textura.
Variable descartada: Origen.

🔹 2. Selección de variables para la representación

Objetivo: elegir variables fáciles de graficar en 2D o 3D para visualizar el dataset.

• Opción 1: Graficar Peso (eje X) vs Tamaño (eje Y).
  
  

  • Los puntos se colorean según la clase de fruta (manzana, plátano, naranja).
    
    

• Opción 2: Representar Peso y Tamaño y usar el color de la fruta como atributo visual.
  
  

 Variables seleccionadas para representación: Peso, Tamaño, Color (para diferenciar en la gráfica).

 Actividad para los alumnos

1. Observa la tabla de datos.
   
   

2. Selecciona las variables que consideres útiles para clasificar las frutas. Explica por qué.
   
   

3. Selecciona las variables que usarías para representar los datos en una gráfica. Explica tu elección.
   
   

4. (Opcional si usan software) Haz un gráfico de dispersión con Peso vs Tamaño y colorea cada fruta por su clase.
   
   

 Con esto ya tienes un ejercicio completo del punto A: incluye dataset, variables candidatas, selección, justificación y actividad final.

Unidad: Aplicación de métodos para la adquisición de datos dentro del proceso de modelado

1. Etapas del proceso de modelado de datos

El proceso de modelado de datos es un conjunto de pasos que permiten transformar información del mundo real en representaciones estructuradas y útiles para análisis, predicción o reconocimiento. Las etapas principales son:

1. Adquisición de datos – Obtener la información necesaria.

2. Pre-procesamiento – Limpiar y preparar los datos.

3. Extracción de características – Seleccionar las variables más relevantes.

4. Reconocimiento – Usar modelos o algoritmos para identificar patrones.

Cada etapa es crucial: si se falla en una, las siguientes se verán afectadas.

2. Adquisición de datos

Es la fase inicial en la que se recopila la información que servirá como materia prima para el modelado.
Fuentes de datos:

• Sensores físicos (cámaras, micrófonos, sensores de temperatura, etc.)

• Bases de datos existentes (registros médicos, financieros, industriales)

• API y servicios web (Twitter API, Google Maps API)

• Captura manual (encuestas, formularios, entrevistas)
  
  

Aspectos clave:

• Definir qué datos son relevantes para el problema.

• Garantizar la calidad (evitar datos incompletos o erróneos).

• Respetar normativas de privacidad y ética.

Ejemplo: En un sistema de reconocimiento facial, la adquisición implica tomar fotografías o videos de los rostros desde diferentes ángulos.

3. Pre-procesamiento

Consiste en preparar los datos para que puedan ser procesados por los algoritmos de modelado.

Tareas comunes:

• Limpieza de datos: Eliminar valores nulos, duplicados o inconsistentes.

• Normalización: Escalar valores para que estén en rangos comparables.

• Filtrado: Eliminar ruido o información irrelevante.

• Conversión de formatos: Unificar tipos de archivo (por ejemplo, convertir imágenes a un mismo tamaño y formato).
  
  

Ejemplo: En el reconocimiento de voz, filtrar el ruido de fondo antes de extraer características.

4. Extracción de características

En esta etapa se seleccionan o calculan los atributos más representativos que describen los datos.

Objetivo: Reducir la complejidad y conservar la información más útil para el modelo.

Métodos comunes:

• Análisis estadístico (media, desviación estándar, correlaciones).

• Transformaciones matemáticas (Fourier, Wavelet).

• Técnicas de reducción de dimensionalidad (PCA, LDA).

• Identificación de patrones clave (bordes, colores, frecuencias).

Ejemplo: En visión por computadora, detectar bordes y contornos para identificar objetos.

5. Reconocimiento

Es la fase donde se aplican modelos o algoritmos para identificar patrones, clasificar datos o hacer predicciones.

Técnicas:

• Modelos estadísticos (regresión, Bayes)

• Aprendizaje automático (árboles de decisión, SVM, redes neuronales)

• Comparación con bases de datos (matching de huellas, reconocimiento facial)
  
  

Ejemplo: Un sistema biométrico compara una huella digital recién capturada con una base de datos para autenticar a un usuario.

Resumen gráfico de flujo de trabajo:

1. Adquisición → 2. Pre-procesamiento → 3. Extracción de características → 4. Reconocimiento

Sistema físico modelado por especialista

El sistema físico es la representación real del fenómeno, proceso o entorno que se busca modelar. El especialista cumple un papel esencial, ya que identifica qué elementos son relevantes para la construcción del modelo.

1. Relaciones
   
   

   • El especialista determina las interacciones entre los elementos del sistema físico.
     
     

   • Estas relaciones pueden ser:
     
     

     • Causales: una variable afecta directamente a otra (ejemplo: temperatura → expansión de un material).
       
       

     • Correlativas: los valores cambian de forma conjunta, aunque sin relación de causa-efecto directa.
       
       

     • Jerárquicas: cuando existen niveles de organización (ejemplo: empresa → departamento → empleados).
       
       

2. Datos obtenidos
   
   

   • El especialista recopila los datos relevantes para describir el comportamiento del sistema.
     
     

   • Los datos pueden ser:
     
     

     • Cuantitativos: valores numéricos como medidas de peso, temperatura, tiempo, velocidad.
       
       

     • Cualitativos: descripciones categóricas como tipo de objeto, condición de un proceso, atributos de un usuario.
       
       

   • Se evalúa su representatividad, es decir, que realmente describan el fenómeno que se busca modelar.
     
     

 Sistemas de medición

Los sistemas de medición son el conjunto de instrumentos, métodos y procedimientos que permiten capturar los datos de manera objetiva y confiable. Estos complementan al trabajo del especialista.

1. Datos obtenidos
   
   

   • Provienen de sensores, instrumentos de laboratorio, cuestionarios, registros digitales o bases de datos existentes.
     
     

   • Se clasifican según su origen:
     
     

     • Primarios: recolectados directamente del fenómeno (ejemplo: medición con sensores de humedad en un invernadero).
       
       

     • Secundarios: obtenidos de fuentes ya existentes (ejemplo: estadísticas gubernamentales).
       
       

2. Validación de los datos
   
   

   • Es el proceso de asegurar que los datos capturados sean confiables, completos y consistentes.
     
     

   • Incluye:
     
     

     • Detección de valores atípicos o erróneos.
       
       

     • Revisión de la calibración de los instrumentos.
       
       

     • Comparación con fuentes de referencia.
       
       

3. Definición del modelo a seguir: personas, objetos y caracteres
   
   

   • Se identifican los elementos del modelo según el objetivo del estudio:
     
     

     • Personas: roles, características demográficas, comportamientos.
       
       

     • Objetos: máquinas, herramientas, productos o cualquier entidad física.
       
       

     • Caracteres: atributos cualitativos o cuantitativos que describen a personas u objetos (ejemplo: edad, género, tamaño, color, capacidad).
       
       

4. Funcionalidad
   
   

   • Se determina cómo los datos obtenidos serán utilizados dentro del modelo.
     
     

   • Ejemplos:
     
     

     • Predecir comportamientos (modelos predictivos).
       
       

     • Optimizar procesos (modelos de eficiencia).
       
       

     • Simular escenarios (modelos de simulación).
       
       

   • La funcionalidad asegura que los datos recolectados no sean solo información aislada, sino que contribuyan directamente a la finalidad del modelado.

Ejemplo de Entrega

Alumno: Juan Pérez Ramírez 

Materia: Reconocimiento de patrones 
Trabajo: Proceso de Modelado de Patrones
Fecha: 26/08/2025

1. Diagrama de flujo del proceso de modelado de patrones

(Representado en texto, pero en la entrega real sería un gráfico con símbolos de flujo)

Inicio

   ↓

Definición del problema

   ↓

Sistema físico modelado por especialista

   • Definición de variables

   • Establecimiento de relaciones

   ↓

Diseño del sistema de medición

   • Selección de instrumentos

   • Calibración

   • Validación

   ↓

Identificación de datos

   • Fuentes y tipos de datos

   ↓

Estandarización de datos obtenidos

   • Formatos y unidades

   ↓

Preprocesamiento de datos

   • Limpieza y detección de errores

   ↓

Análisis de datos

   • Exploración

   • Modelado estadístico / Machine learning

   ↓

Identificación de resultados

   • Interpretación de métricas

   • Validación de hipótesis

   ↓

Análisis Spin-off

   • Nuevos usos y mejoras del modelo

   ↓

Comunicación de hallazgos

   ↓

Fin

2. Reporte de investigación

2.1 Introducción

El modelado de patrones permite comprender y predecir el comportamiento de un sistema mediante datos obtenidos de un sistema físico y medidos a través de instrumentos adecuados. Este reporte presenta la identificación de datos, el análisis aplicado y los resultados obtenidos, con el objetivo de mostrar un proceso estructurado de modelado de datos.

2.2 Sistema físico modelado por especialista

El sistema elegido es el consumo eléctrico de un motor trifásico industrial. El especialista define que las variables principales son: voltaje, corriente, potencia activa, potencia reactiva y temperatura. Las relaciones entre estas variables permiten establecer un modelo de eficiencia energética.

2.3 Sistemas de medición

Se utilizan sensores calibrados de voltaje y corriente, un medidor de potencia y un sensor de temperatura con control de precisión ±0.5 °C. La validez de los datos depende de la calibración y de la frecuencia de muestreo.

2.4 Identificación de datos

• Fuentes: Sensores conectados a motor, registros de mantenimiento y consumo eléctrico histórico.
  
  

• Tipos: Datos cuantitativos continuos (voltaje, corriente, temperatura), categóricos (modo de operación).
  
  

• Criterios de calidad: Precisión de medición, ausencia de valores perdidos, coherencia temporal.
  
  

2.5 Análisis de datos

1. Preprocesamiento: Se eliminan registros con fallos de sensor (<2%).
   
   

2. Exploración: Gráficas de tendencia y correlación entre potencia activa y temperatura.
   
   

3. Modelado: Se ajusta un modelo de regresión múltiple para predecir eficiencia en función de temperatura, voltaje y corriente.
   
   

4. Validación: Se utiliza 70% de datos para entrenamiento y 30% para prueba; el R² = 0.89 indica buen ajuste.
   
   

2.6 Identificación de resultados

• El aumento de temperatura reduce la eficiencia del motor en un 0.4% por cada grado adicional.
  
  

• El voltaje estable es la variable crítica para mantener la eficiencia.
  
  

• Se detectaron anomalías en 5% de las lecturas que podrían indicar fallos incipientes.
  
  

2.7 Conclusiones

El modelo desarrollado permite anticipar condiciones de pérdida de eficiencia en el motor. Se recomienda instalar un sistema de alerta temprana que avise cuando la temperatura sobrepase los 60°C.

3. Relación de elementos indispensables por etapa del proceso de modelado

• Definición del problema: objetivo, alcance, variables principales.
  
  

• Sistema físico: supuestos, parámetros críticos, relaciones definidas.
  
  

• Sistemas de medición: selección de instrumentos, calibración, protocolos.
  
  

• Identificación de datos: fuentes confiables, diccionario de datos.
  
  

• Preprocesamiento: limpieza, estandarización, detección de atípicos.
  
  

• Análisis: selección de técnica, métricas de validación.
  
  

• Resultados: interpretación clara, comunicación y recomendaciones.
  
  

4. Relación de elementos complementarios

• Relaciones: correlación entre voltaje y temperatura; dependencia de eficiencia respecto a variables eléctricas.
  
  

• Estandarización de datos obtenidos: normalización de unidades (kWh, °C), formatos homogéneos (CSV, SQL).
  
  

• Análisis spin-off:
  
  

  • Posible aplicación del modelo para detectar fallos eléctricos en otros motores.
    
    

  • Uso del mismo sistema de medición para crear un tablero de monitoreo en tiempo real.
    
    

  • Extender el análisis a consumo energético total de la planta.
    
    

5. Referencias (ejemplo APA)

• Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers. Wiley.

• ISO 50001:2018 – Energy management systems.

• Smith, J. (2022). Data Preprocessing Techniques in Industrial Monitoring. IEEE Transactions on Industrial Informatics.

 Con este ejemplo el alumno cubre:

• Diagrama de flujo (con lógica y bloques requeridos).

• Reporte con las tres partes clave (datos, análisis, resultados).

• Relación de elementos indispensables y complementarios.

• Citas y redacción correcta.