• Presentaciones proyectos (1era parte)
• Repaso regresión lineal y aplicaciones en R
• Aplicaciones de la estadística en la innovación social y la política pública
• Conclusiones generales del curso

• Supongamos que tenemos un estudiante en Bogotá, del género masculino, que atiende a la Universidad Nacional. ¿Cuanto tiempo de estudio dedica este estudiante desde su casa durante los sábados y domingos?
• Recordemos que la edad no tiene un impacto relevante por lo que simplemente asumiremos que el estudiante tiene 22 años
• Usamos la función predict(), que permite además generar un intervalo de confianza para la predicción

• OR (Management Science): campo de estudio que emplea computadores, estadística y matemáticas para resolver problemas de negocios
• Emplea modelos matemáticos para ayudar en la toma de decisiones
• Define objetivo, variables que se pueden controlar, restricciones y optimiza la función objetivo (maximizar beneficios o minimizar costos)
• Muchas veces existe incertidumbre alrededor de los componentes de un modelo de este estilo
• Por lo que se puede emplear simulación para definir el modelo matemático

• Se cuenta con tres alternativas de proyectos
• Proyecto 1: Requiere inversión inicial de 250 millones, tiene una probabilidad de éxito de 90% y puede generar, de ser exitoso, entre 600 y 900 millones de ingresos
• Proyecto 2: Requiere inversión inicial de 650 millones, tiene una probabilidad de éxito de 70% y puede generar, de ser exitoso, entre 1.250 y 1.600 millones de ingresos
• Proyecto 3: Requiere inversión inicial de 700 millones, tiene una probabilidad de éxito de 80% y puede generar, de ser exitoso, entre 1.150 y 1.400 millones de ingresos
• Si se cuenta con un presupuesto de 1.200 millones, ¿qué proyectos se deben seleccionar para optimizar el beneficio total?

• Definir objetivo
• Definir variables de decisión (controlables)
• Definir restricciones
• Definir modelo matemático
• Asignar distribuciones (formas) y probabilidades
• Simular
• Optimizar

• Si seleccionamos los tres proyectos, la inversión total sería de 1600, por lo que estaríamos por encima de nuestro presupuesto
• El presupuesto es una restricción que no permite, en este caso, seleccionar más de dos proyectos a la vez
• Nuestra variable de decisión es entonces qué proyecto(s) seleccionar. ¿Uno o dos? y ¿Cuál(es)?
• Objetivo: Maximizar el beneficio esperado
• El espacio de decisión es pequeño (6), por lo que es posible maximizar "manualmente"
• Sólo es cuestión de definir supuestos (distribuciones) y SIMULAR el beneficio esperado

[1] "Alternativa P1 y P2: Profit esperado"

[1] 803.7731 804.6691
attr(,"conf.level")
[1] 0.95

[1] "Alternativa P1 y P3: Profit esperado"

[1] 709.1396 709.8127
attr(,"conf.level")
[1] 0.95

• Mejorar supuestos de distribuciones: triangular en lugar de discreta para el caso de mejor-peor-probable-escenario
• Análisis de sensibilidad
• Costo de no ejecutar presupuesto

• Teoría de filas (Queuing Theory)
• Gestión de proyectos (cuellos de botella)
• Modelado y optimización de procesos (BPM)

• Creciente flujo de información en diversos dominios
• Información compleja (no estructurada)
• Mayor importancia en la solución de problemas críticos
• Enfermedades
• Crimen
• Terrorismo
• Pobreza
• Poder computacional & métodos escalables de análisis de datos

• Machine Learning: Sistemas que mejoran su desempeño con la experiencia (aprendiendo de datos)
• Artificial Intelligence: Ciencia que estudia formas para automatizar comportamientos complejos como el conocimiento, el aprendizaje, la solución de problemas, y la toma de decisiones
• Data Mining: Aplicación de algoritmos para la extracción de información útil a partir de grandes conjuntos de datos

• Generación de conocimiento accionable a partir de información no estructurada
• Predecir y explicar
• Modelar estructuras complejas
• Detectar patrones

• Predicción (rule-based, case-based, model-based): Predecir variables de interés (elecciones, tasas de mortalidad)
• Modelaje (relaciones probabilisticas): Modelaje de sistemas complejos como ciudades o enfermedades para la gestión óptima
• Detección (anomalías, patrones): Muy usado en detección de contrabando, lavado de activos, evasión de impuestos, epidemias, ataques terroristas

• Patiño y Basto (2010): Recently Graduated Labor Market Dynamics in Colombia
• Base de datos del observatorio laboral (2001-2007)
• Algoritmos: C4.5 (Arbol de Clasificación) y Naive Bayes
• Clasificar: éxito en la búsqueda de empleo
• Origen privado: mejor predictor (nivel académico)
• Origen público: mejor predictor (región)

• Patiño y Quintero (2011): Economic Growth Outbreaks: Is Connectedness a Good Predictor?
• Visualización de redes de comercio internacional
• ¿Emerge el crecimiento económico a partir de comunidades de comercio?
• Análisis de redes sociales (de comercio en este caso)
• Algoritmos de segmentación
• "We find evidence of correlation between trade clusters and growth outbreaks"