Cursos Transversales - Universidad Pontificia Comillas

Cursos TransversalesT- 1 APLICACIÓN DE REDES NEURONALES ARTIFICIALES A LAPREDICCIÓN DE SERIES TEMPORALESProf. Dr. Antonio Muñoz San RoquePrimer semestre, curso 2007/2008, 3 créditosDESCRIPCIÓNLos avances realizados desde 1986 en el campo de las Redes NeuronalesArtificiales (RNA), han convertido estos modelos en una herramienta clave de laEstadística. Este curso presenta una revisión de técnicas y modelos depredicción de series temporales basados en RNA, incluyendo técnicas deanálisis multivariante, estimación de funciones de densidad, modelos deregresión no lineal, modelos lineales de series temporales (entre los que seincluye el ARIMA) y modelos no lineales. El curso tiene un marcado carácterpráctico, con el objetivo de dotar al alumno de la experiencia necesaria para laelección de uno u otro método de predicción. Para ello se complementan lassesiones teóricas con sesiones de laboratorio, donde se aplican distintasherramientas informáticas al ajuste de los modelos tratados.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo fundamental del curso es dotar al alumno de la capacidad necesariapara seleccionar las técnicas de análisis y los modelos de predicción másadecuados para cada caso, así como poner en práctica una metodologíarigurosa de análisis de series temporales.BIBLIOGRAFÍA• “Neural Networks”. Simon Haykin. IEEE Press 1994.• “Neural Networks for Pattern Recognition”. Christopher M. Bishop. Oxford Univ.Press 1995.• “Time Series Analysis: Forecasting & Control”. George Box, Gwilym M. Jenkins,Gregory Reinsel. 3rd Edition. Prentice Hall 1994• “Forecasting Methods and Applications ”. 3ª Ed. Spyros Makridakis et al. JohnWiley & Sons 1998.• “Time Series Analysis”. James D. Hamilton. Princeton Univ. Press 1994.MÉTODO DOCENTEEl método docente empleado es una combinación de:• Lecciones magistrales combinadas con sesiones prácticas• Planteamiento y resolución de problemas por el profesor con todo elgrupo• Trabajos en grupos reducidos propuestos a los alumnos• Atención individual a los alumnos para su seguimientoCRITERIOS Y MÉTODOS DE EVALUACIÓNEl criterio fundamental empleado para la evaluación de los alumnos consiste enun trabajo final que, basado en aspectos fundamentales del curso, exige unaaportación personal del alumno en algún tema específico que él escoge,permitiendo valorar tanto los conocimientos adquiridos a lo largo del curso como

su capacidad e iniciativa investigadora.La valoración de este trabajo se complementa con el seguimiento del grado deaprovechamiento de los alumnos por medio de la estrecha supervisión deltrabajo realizado en las sesiones prácticas y la valoración de la participaciónactiva en clase.T- 2 OPTIMIZACIÓNProf. Dr. Andrés Ramos GalánPrimer semestre, curso 2007/2008, 3 créditosDESCRIPCIÓNLas técnicas de optimización clásicas son ampliamente utilizadas en la toma dedecisiones en múltiples entornos en la empresa.En este curso se presentan y desarrollan los algunos métodos de programaciónlineal (método simplex y métodos de punto interior), de programación linealentera y de programación no lineal (cuasi-Newton, programación cuadráticasecuencial, penalización exterior o interior, gradiente reducido generalizado,lagrangiano aumentado, etc.). La presentación se hace cuidando formalmentelos aspectos matemáticos aunque sin perder de vista las aplicaciones y elsentido físico de los problemas abordados.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASComo potencial usuario de las mismas, el objetivo del curso es avanzar en elconocimiento de las técnicas de optimización más frecuentemente utilizadas.También se pretende conseguir que el alumno conozca los principiosmatemáticos en que se sustentan y la potencialidad de cada una para poderutilizarlas adecuadamente en diferentes contextos.BIBLIOGRAFÍA• Baíllo, A., Linares, P., Ramos, A., Sánchez, P., Sarabia, A. and Vitoriano B. (2003)Modelos matemáticos de optimizaciónhttp://www.doi.icai.upco.es/simio/apuntes/a_mmo1a.pdf• Nash, S.G. and Sofer, A. (1996) Linear and Nonlinear Programming. McGraw-Hill.• Bertsimas, D. and Tsitsiklis, J.N. (1997) Introduction to Linear Optimization. AthenaScientific.• Nemhauser, G.L., Wolsey, L.A. (1999) Integer and Combinatorial Optimization.John Wiley and Sons.• Wolsey, L.A. (1998) Integer Programming. John Wiley and Sons.• Bazaraa, M.S., Sherali, H.D. and Shetty, C.M. (1993) Nonlinear Programming.Theory and Algorithms. John Wiley and Sons.MÉTODO DOCENTEEl curso está basado en lecciones magistrales donde se hace una presentacióndetallada de los contenidos de la asignatura.CRITERIOS Y MÉTODOS DE EVALUACIÓNEl método de evaluación combina la actividad continua de los alumnos con untrabajo de contenido específico que cada alumno tiene que hacerindividualmente sobre un aspecto teórico o práctico de los temas de laasignatura. La actividad continua está registrada mediante un seguimiento de suasistencia así como mediante la valoración de su participación activa en la clase.

El trabajo individual es defendido públicamente por cada alumno ante el conjuntode la clase.T- 3 ANÁLISIS AVANZADO DE DATOSProf. Dr. Carlos Maté Jiménez y Prof. Dr. Eugenio Sánchez ÚbedaPrimer semestre, curso 2007/2008, 4 créditosDESCRIPCIÓNLas empresas y la ingeniería que se va a desarrollar durante el siglo XXI se vana caracterizar, entre otros aspectos, por la posibilidad de disponer o de registrarun elevado volumen de información en grandes bases de datos, lo que planteauna demanda cada vez mayor de herramientas para analizar y extraer el máximoconocimiento de dicha información.Este curso, de marcado carácter práctico, propone recorrer los distintosenfoques que actualmente se emplean en el análisis de datos. En primer lugar,el enfoque de las técnicas clásicas de análisis multivariante (como el análisis dela varianza y de la regresión, el análisis factorial, el análisis por conglomerados oel análisis discriminante), que facilita el establecimiento de relaciones entre lasvariables, o las tareas de agrupación y reducción de la información. En segundolugar, el enfoque moderno del descubrimiento del conocimiento a través de lastécnicas de “data mining” (como el reconocimiento de patrones, los árboles dedecisión o las redes neuronales), lo que permite un tratamiento alternativomediante el análisis inteligente de la información. Finalmente, se abordará laproblemática del análisis de datos simbólicos que constituye el planteamientomás avanzado y reciente, donde se incluyen una serie de métodos que puedenconsiderarse como una generalización de los métodos clásicos del análisismultivariante.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIAS• Dotar al alumno de la capacidad para seleccionar y aplicar el método deanálisis de la información más adecuado.• El alumno debe adquirir los fundamentos teóricos de las diferentestécnicas de análisis presentadas durante el curso, así como losconocimientos prácticos suficientes para poder la aplicar las mismas enproblemas reales.BIBLIOGRAFÍAPARTE I: TÉCNICAS CLÁSICAS DE ANÁLISIS MULTIVARIANTE• Hair, J. F.; Anderson, R. E.; Tatham, R. L.; and Black, W. C. (1999). AnálisisMultivariante. 5ª Edición. Prentice-Hall Iberia. Madrid.• Johnson, R. A. and Wichern, D. W. (1998). Applied Multivariate Statistical Analysis.Fourth Edition. Prentice-Hall, Inc. Englewood Cliffs, New Jersey.• Maté, C. (1995). Curso General sobre Statgraphics. Procedimientos. MétodosEstadísticos. Aplicaciones. Ejercicios Resueltos. Editorial Universidad PontificiaComillas. Madrid.• Morrison, D. F. (1990). Multivariate Statistical Methods. Third Edition, McGraw-Hill.New York.• Peña, D. (1994). Estadística: Modelos y Métodos. 2ª Edición. Editorial AlianzaUniversidad Textos. Madrid.• Rencher, A. C. (2002). Methods of Multivariate Analysis. Second Edition, JohnWiley & Sons. New York.

RECURSOS EN INTERNET• http://www.mvstats.com/• http://www.ucm.es/BUCM/est/0500.htm• http://www.math.montana.edu/~jimrc/stat_ed.html• http://lib.stat.cmu.edu/• http://www.kdnuggets.com/websites/index.htmlMÉTODO DOCENTELa estrategia de enseñanza utilizada se apoya básicamente en la lecciónexpositiva como técnica didáctica, si bien se utilizan distintos mediosaudiovisuales para ayudar al aprendizaje del alumno (transparencias,animaciones por ordenador, prácticas en laboratorio con ordenador, etc). Paramotivar al alumno y que éste adquiera los conocimientos y los procedimientosperseguidos se plantean y resuelven diferentes problemas con todo el grupo,realizándose trabajos en grupo propuestos fundamentalmente por los mismosalumnos. El planteamiento y resolución de estos trabajos son seguidos por losprofesores de forma individual para asegurar los objetivos perseguidos.CRITERIOS Y MÉTODOS DE EVALUACIÓNDado que el presente curso tiene un carácter fundamentalmente práctico,durante el transcurso de las clases se propondrán trabajos prácticos que podránrealizarse en grupos de dos personas (excepcionalmente tres). Sin embargo, semotivará a los alumnos para que ellos mismos propongan problemas en los queestén especialmente interesados. Estos trabajos deberán cubrir un númeromínimo de técnicas expuestas en clase, o bien profundizar en algún tipo detécnicas concretas, dependiendo del problema a estudiar. Inicialmente se realizauna evaluación previa (pequeña encuesta) para conocer la situación inicial decada uno de los alumnos en cuanto a las distintas técnicas. En la evaluaciónfinal también se tendrá en cuenta el grado de aprovechamiento de los alumnospor medio de pequeños trabajos o pruebas realizadas a lo largo del curso,valorándose la participación activa y la asistencia a clase.T- 4 SIMULACIÓNProf. Dr. Pedro Sánchez MartínSegundo semestre, curso 2007/2008, 3 créditosDESCRIPCIÓNEl contenido central de este curso son los fundamentos de la simulación, asícomo técnicas avanzadas en su uso. A lo largo del curso se mostrarán algunasaplicaciones de esta técnica en campos afines a la ingeniería (líneas deproducción en una fábrica, generación de energía eléctrica, regulación de tráficoferroviario, etc.)Durante su desarrollo se pretende establecer criterios para saber cuando espreferible o incluso indispensable utilizar la simulación, qué tipo de simulación,como hacer modelos de simulación, de qué forma validarlos, como analizar losresultados, etc. Más aún, se presentará como desarrollar todo un proceso desimulación con lo que esto conlleva: dominar el modelado, aprender lasdiferentes técnicas existentes, programar los modelos, comprender e interpretarel alcance de la simulación, etc. Se hará especial hincapié en los modelosdinámicos, discretos y estocásticos, introduciendo para analizar los resultadostécnicas estadísticas como las técnicas de reducción de la varianza y el diseño

de experimentos.En lo que corresponde a la programación de modelos de simulación, sepresentará el desarrollo de modelos en lenguajes de propósito general, se haráuna revisión de los distintos enfoques de los lenguajes de simulación, y unapresentación de un lenguaje específico (GPSS o Automod).OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo final de este curso es que el alumno aprenda a desarrollar porcompleto un modelo de simulación, así como analizar los resultados obtenidos.Debe aprender a reconocer cuándo ésta es la técnica más apropiada paraobtener un modelo, desarrollarlo y saber analizar los resultados que se obtienencon el modelo. Además, el alumno conocerá algunos campos de aplicación de lasimulación, como la producción, logística, etc.BIBLIOGRAFÍABÁSICA DEL CURSO:• Law, A.M., Kelton, W.D. (1999) Simulation Modeling and Analysis. 3rd editionMcGraw-Hill.• Ríos-Insua, D., Ríos-Insua, S., Martín, J. (1997) Simulación. Métodos yAplicaciones. Ra-Ma.De consulta:• Barceló, J. (1996) Simulación de Sistemas Discretos. Isdefe• Bratley, P.; Fox, B.L.; Schrage, L.E. (1987) A Guide to Simulation. 2ª Edición.Springer Verlag.• Hillier, F.S., Lieberman, G.J. (2001) Investigación de Operaciones. 7ª Edición.McGraw Hill.• Kleijnen, J. And Van Groenendaal, W. (1994) Simulation. A Statistical Perspective.John Wiley and Sons.• Naylor, T.H.; Balinfty, J.L.; Brudick, D.S.; Chu, K. (1982) Técnicas de Simulaciónen Computadoras. Limusa.• Pardo, L., Valdés, T. (1987) Simulación: Aplicaciones Prácticas en la Empresa.Díaz de Santos.• Rubinstein, R.Y. and Melamed, B. (1998) Modern Simulation and Modeling. JohnWiley and Sons.• Shannon, R.E. (1988) Simulación de Sistemas. Diseño, Desarrollo e Implantación.Trillas.• Taha, H.A. (1988) Simulation Modeling and Simnet. Prentice Hall.MÉTODO DOCENTEEl curso se plantea como una exposición de las técnicas más relevantes de lasimulación, tanto en el desarrollo de modelos como en el análisis de losresultados y en las herramientas para desarrollarlos. En cada tema se hace unaexposición de estas técnicas, y posteriormente se encarga como trabajo para eldía siguiente un problema o tarea a resolver directamente por los alumnos, quees recogida por el profesor y resuelta y comentada en clase, tanto para que elalumno aprenda y corrija errores, como para que el profesor sepa cuál es el nivelde conocimientos y destrezas adquiridas por los alumnos y se genere un debatesobre el enfoque adoptado y el uso de las herramientas.Al final del curso se planteará un trabajo final seleccionado por el propio alumnoen el cual deben demostrar su capacidad de análisis, diseño, modelado y uso delas técnicas para un sistema real. El informe del trabajo y el modelo seráentregado por escrito, y se hará una presentación oral en clase de cada trabajo.Durante el curso se van a utilizar transparencias para la exposición de los temas

y para la presentación de modelos reales, de modo que los alumnos podrándisponer de éstas antes de que sean utilizadas en la clase, así como unosapuntes desarrollados del curso. Todo el material del curso está disponible en laweb de la asignatura y para acceder a él el alumno debe matricularse en laasignatura y ser dado de alta por los profesores.Para la resolución de problemas, la construcción de modelos, y la revisión deprogramas comerciales, se utilizará además el ordenador del aula.CRITERIOS Y MÉTODOS DE EVALUACIÓNLa evaluación del conocimiento y capacidades adquiridas por los alumnos serealizará mediante dos vías:• la calificación de un trabajo individual que deberá ser realizado durante elcurso, y que consistirá en el desarrollo de simulación de un sistema real,el análisis de su eficiencia, y la propuesta de mejoras derivadas del usodel modelo. El trabajo deberá ser entregado por escrito en un informe, yser expuesto en clase. Su calificación constituirá un 60% de la nota final;• la participación en la clase, tanto de forma activa durante el desarrollocomo por la resolución y entrega de las tareas propuestas en la clase, demodo que se pueda tener un seguimiento del grado de aprovechamientode los alumnos, así como el alumno valorar su propia comprensión de lostemas tratados. Supondrá un 40% de la nota final.En caso de que mediante el sistema de evaluación anterior no se alcance elaprobado, el alumno estará obligado a presentarse a un examen final de laasignatura en el que se evaluará el aprendizaje de los conceptos teóricos, y lacapacidad de modelado y análisis de sistemas mediante simulación. Lacalificación final, en caso de realizar este examen, nunca será mayor delaprobado.T- 5 SISTEMAS DINÁMICOS EN INGENIERÍAProfª. Dra. Ángela Jiménez Casas y Prof. Dr. Santiago Cano Casanova.Segundo semestre, curso 2007/2008, 3 créditosDESCRIPCIÓNEstudio de sistemas no lineales en una dimensión: puntos fijos, estabilidad,bifurcaciones. Ejemplos: crecimiento de poblaciones, umbral láser, péndulosobreamortiguado. Sistemas lineales en dos dimensiones: planos de fase,trayectorias, ciclos límite, bifurcaciones y mapas de Poincaré. Ejemplos:Oscilador de Van der Pol, modelos econométricos. Introducción a caos yfractales.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo de este curso es el desarrollo de técnicas para analizar sistemasdinámicos asociados a diferentes fenómenos físicos. Se presentarán (1) la teoríaque estudia las bases matemáticas de los sistemas dinámicos, (2) los modelospatrones, donde determinadas situaciones se trasladan a modelos matemáticos,y (3) las aplicaciones, que ilustran el tipo de cuestiones que deben ser tomadasen consideración en una situación concreta.

BIBLIOGRAFÍA• Strogatz, S. H. 1994. Nonlinear dynamics and chaos: With applications to physics,biology, chemistry, and engineering. Reading, MA: Perseus Books, CambridgeMA.MÉTODO DOCENTE• Lección magistral• Planteamiento y resolución de problemas por el profesor con todo elgrupo• Trabajos individuales propuestos a los alumnos• Presentaciones públicas de los trabajos de los alumnos• Atención individual a los alumnos para su seguimientoCRITERIOS Y MÉTODOS DE EVALUACIÓN• Evaluación diagnóstica para valorar la situación inicial de los alumnos.• Seguimiento de la asistencia de los alumnos.• Valoración de la participación activa en clase.• Seguimiento del grado de aprovechamiento de los alumnos por medio depequeños trabajos o pruebas a lo largo del curso.• Presentaciones públicas de los trabajos individuales.T- 6 NUEVOS ENFOQUES DE LA INTELIGENCIA ARTIFICIALProf. Dr. Miguel Ángel Sanz BobiPrimer semestre, curso 2008/2009, 3 créditosDESCRIPCIÓNLa inteligencia artificial es una disciplina relativamente moderna, bajo cuyasombra han crecido diversas líneas de investigación para tratar y resolverdeterminados aspectos de emulación del comportamiento y del saber humano.Muchas son las técnicas de inteligencia artificial que se han consolidado comoinstrumentos eficaces de uso diario para resolver problemas reales. Hoy día lacomunidad científica que trabaja alrededor de la inteligencia artificial es muyamplia, hay muchas líneas de investigación que a veces se mezclan y seseparan, pues corresponden a disciplinas que mantienen un tronco común peroque se ramifican en función del tipo de problema que pretenden resolver.El curso ofrece una panorámica de las tendencias actuales de la inteligenciaartificial a través del análisis de la evolución de determinadas ramas de lamisma: percepción artificial, sistemas basados en conocimiento, paradigmas deaprendizaje automático, paradigmas de tratamiento de la incertidumbre, etc. Ellopermite poner delante del alumno una especie de mapa de líneas de trabajo eninteligencia artificial actualmente, con vistas a orientar su interés o su línea deinvestigación particular. Se hará especial énfasis, por ser tema de gran interésactual, en la cooperación entre diferentes técnicas de inteligencia artificial através de sistemas híbridos y en la distribución de la inteligencia artificial a travésde sistemas multiagentes, todo ello ilustrado con ejemplos de aplicaciones.

OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo del curso es que el alumno adquiera una visión amplia de lainteligencia artificial en cuanto a lo que ofrecen sus técnicas y tendenciasactuales, así como en qué campos se están utilizando y por dónde van losnuevos desarrollos. Este curso servirá tanto a aquellas investigaciones que seestén iniciando en el uso de alguna de las técnicas de inteligencia artificial, comoa aquéllas que ya se estén desarrollando en este ámbito, pues presentaalternativas diversas con sus ventajas e inconvenientes.BIBLIOGRAFÍA• European Comission DGXIII, Agents technology in Europe. Infowin 1999• Fogel, D.B., Evolutionary Computation. IEEE Press 1995• Gómez, A., Juristo, N., Montes, C., Pazos, J., Ingeniería del conocimiento. Ed.Centro de Estudios Ramón Areces 1997• Munakata, T., Fundamentals of the new Artificial Intelligence. Springer 1998• Nauck, D., Klawonn, F., Kruse, R.,Foundations of Neuro-Fuzzy Systems. JohnWiley & Sons 1997• Nikolopoulos, C., Expert Systems. Marcel Dekker, Inc., New York. 1997• Nilsson, N., Inteligencia Artificial. Una nueva síntesis. Mc Graw Hill. 1997• Orfali, R., Harkey, D., Edwards, J., Instant CORBA. John Wiley & Sons 1997• Pal, S.K., y Mitra, S., Neuro-Fuzzy Pattern Recognition. Wiley-Interscience 1999• Popovic, D., Bhatkar, V.P., Methods and Tools for Applied Artificial Intelligence.Marcel Dekker, Inc., New York, Basel, Hong Kong. 1994• Ray, E.T., Learning XML. O’Reilly & Associates 2001• Russel, S., Norvig, P.,Inteligencia Artificial. Un enfoque moderno. Prentice HallHispanoamericana, S.A. 1996MÉTODO DOCENTESe basa fundamentalmente en los siguientes puntos:• Lección magistral• Planteamiento y resolución de problemas por el profesor con todo elgrupo• Trabajos individuales propuestos a los alumnos• Presentaciones públicas de los trabajos• Atención individual a los alumnos para su seguimientoCRITERIOS Y MÉTODOS DE EVALUACIÓNLos criterios de evaluación seguidos son los siguientes:• Valoración inicial diagnóstica de conocimientos del alumno frente a losque se presentarán en el curso.• Seguimiento de la asistencia de los alumnos.• Valoración de la participación activa en clase.• Presentaciones públicas de los trabajos individuales desarrollados en elcurso.• Trabajo final que compendia los aspectos fundamentales y que permitevalorar los conocimientos y capacidades adquiridas por alumno en elcurso.

T- 7 OPTIMIZACIÓN ESTOCÁSTICAProf. Dr. Andrés Ramos GalánPrimer semestre, curso 2008/2009, 3 créditosDESCRIPCIÓNLa optimización estocástica permite la toma de decisiones considerandoexplícitamente la incertidumbre en los parámetros de un problema deoptimización. Estos problemas son motivados por la necesidad de tomardecisiones previas bajo futuro incierto. Conceptualmente se trata de problemasde planificación o de asignación óptima de recursos.En el contenido del curso inicialmente se presentan los conceptos asociados a laoptimización estocástica y su justificación. A continuación se presentan lasprincipales técnicas de optimización lineal estocástica. En particular: las dedescomposición de Benders, de Dantzig-Wolfe, relajación lagrangiana ydescomposición anidada. Finalmente se presentan brevemente algunas técnicasde simulación y de reducción de varianza que se utilizan en el contexto deoptimización estocástica.A lo largo del curso se comentan las aplicaciones más habituales de toma dedecisiones donde se emplean estas técnicas en diferentes sectores industrialesaunque con especial énfasis en el sector eléctrico.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo del curso es el estudio detallado de algunas de las técnicas deoptimización estocástica y sus aplicaciones en el campo de la toma dedecisiones en ingeniería.BIBLIOGRAFÍA• Ramos, A. and Cerisola, S. (2002) Optimización estocásticahttp://www.doi.icai.upco.es/simio/apuntes/a_sp.pdf• Birge, J.R. and Louveaux, F. (1997) Introduction to Stochastic Programming.Springer-Verlag.• Kall, P. and Wallace, S.W. (1995) Stochastic Programming. John Wiley and Sons.MÉTODO DOCENTEEl curso está basado en lecciones magistrales donde se hace una presentacióndetallada de los contenidos de la asignatura.CRITERIOS Y MÉTODOS DE EVALUACIÓNEl método de evaluación combina la actividad continua de los alumnos con untrabajo de contenido específico que cada alumno tiene que hacerindividualmente sobre un aspecto teórico o práctico de los temas de laasignatura. La actividad continua está registrada mediante un seguimiento de suasistencia así como mediante la valoración de su participación activa en la clase.El trabajo individual es defendido públicamente por cada alumno ante el conjuntode la clase.

T- 8 MODELOS Y MÉTODOS DE DECISIÓN: RIESGO, ESTRATEGIA YCRITERIOS MÚLTIPLESProf. Dr. Pedro Linares LlamasPrimer semestre, curso 2008/2009, 4 créditosDESCRIPCIÓNEn este curso se da una visión general de los distintos contextos que pueden serconsiderados de decisión en un sentido amplio, es decir, decisión conincertidumbre y riesgo (juegos frente a la naturaleza), teoría de juegos (juegos deestrategia) y decisión multicriterio. Se revisan las técnicas de decisión y susprincipales aplicaciones a través de un enfoque eminentemente práctico,mediante la presentación de problemas reales y el análisis de las técnicas másapropiadas para abordarlos e interpretarlos.Dentro de la decisión con incertidumbre o riesgo se comentarán los distintoscriterios para valorar una decisión en estos contextos en que las consecuenciasde una decisión no son conocidas con seguridad, el uso de una función deutilidad y sus propiedades, y los procesos polietápicos.Respecto a la teoría de juegos, responde a la situación en que hay un conflictode intereses entre diversos decisores o jugadores. En el curso se presentaránlos posibles planteamientos dentro de la teoría de juegos, los conceptos desolución en cada uno de ellos y la formulación para obtener las soluciones. Eneste sentido, se verá principalmente una introducción de los posibles juegos, quese ampliará y se verá aplicado a un contexto como el de los mercados deenergía, en el curso “Estrategias en los mercados energéticos desde laperspectiva de la teoría de juegos” que se verá posteriormente.Las técnicas de decisión multicriterio son las técnicas de ayuda a la decisión másinteresantes para la gran mayoría de problemas del mundo real, es decir,aquellos en que no se pretende tomar una decisión según un único objetivo, sinoque se pretende buscar un equilibrio entre un conjunto de objetivos en conflicto,o satisfacer en la medida de lo posible unas metas igualmente conflictivas.Además, estas técnicas permiten incorporar al proceso de decisión a decisorescon distintos intereses y puntos de vista, y evaluar el nivel de consensoexistente. El campo de aplicación de la decisión multicriterio es, evidentemente,amplísimo: finanzas, inversiones, control de calidad, localización, planificación,técnicas de mercado, ingeniería, producción, recursos humanos, medioambiente, etc.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASEl objetivo final de este curso es que el alumno amplíe sus opciones y aprenda ahacer un análisis sistemático cuando se enfrenta a una situación de decisión. Elalumno al final debe reconocer una situación de decisión y saber cuáles son lastécnicas más apropiadas para hacer un análisis completo y científico delproblema que se le plantea. Además se pretende que el alumno se familiaricecon campos propios de aplicación de estas técnicas, y hacer una introducción altema de juegos de estrategia que en el curso “Estrategias en los mercadosenergéticos desde la perspectiva de la teoría de juegos” será desarrollado yaplicado para un contexto más específico.BIBLIOGRAFÍABásica del curso• Gibbons, R. Un primer curso de teoría de juegos. Antonio Bosch, 1993

• Romero, C. Teoría de la decisión multicriterio: conceptos, técnicas y aplicaciones.Alianza Editorial, Madrid, 1993.De ampliación• Arrow, K.J., H. Raynaud. (1989) Opciones sociales y toma de decisiones mediantecriterios múltiples. Alianza Editorial, Madrid.• Barba-Romero, S., J.C. Pomerol. (1997) Decisiones multicriterio. Fundamentosteóricos y utilización práctica. Servicio de Publicaciones de la Universidad deAlcalá, Madrid.• Brans, J.P., P. Vincke, B. Mareschal. (1986) How to select and how to rankprojects: the PROMETHEE methods. European Journal of Operational Research,24: 228-238.• DeGroot, M.H. (1970) Optimal Statistical Decisions, McGraw Hill, New York• French, S. (1986) Decision Theory: An introduction to the mathematics ofrationality, Ellis Horwood, Chichester.• Ignizio, J.P. (1976) Goal programming and extensions. Lexington Books,Massachussets.• Keeney, R.L., H. Raiffa. (1976) Decisions with multiple objectives: Preferences andvalue trade-offs. John Wiley and Sons, New York.• Klemperer, P. D. (2000) Economic theory of auctions, Edward Elgard,Massachusetts.• Klemperer, P. D. (2002) What really matters in auction design, Journal of EconomicPerspectives• Klemperer, P. D. (2002) Why every economist should learn some auction theory, inDewatripont, M., Hansen, L, and Turnovsky, S. (eds.) Advances in economics andeconometrics: Theory and applications, Eight world congress of the econometricsociety.• Ríos, S., M.J. Ríos-Insúa, S. Ríos-Insúa. (1989) Procesos de Decisión Multicriterio.Eudema, Madrid.• Romero, C. (1991) Handbook of critical issues in goal programming. PergamonPress, Oxford.• Roy, B. (1991) The outranking approach and the foundations of ELECTREmethods. Theory and Decision, 31: 49-73, 1991.• Saaty, T. (1988) The Analytic Hierarchy Process. McGraw-Hill, New York.• Thomas, L.C. (1986) Games, theory and applications. Ellis Horwood, Chichester.• Yu, P.L. (1985) Multiple criteria decision making: Concepts, techniques andextensions. Plenum, New York.• Zeleny, M. (1982) Multiple criteria decision making. McGraw-Hill, New York.MÉTODO DOCENTEEl curso se plantea como una exposición de las técnicas más interesantes dedecisión bajo incertidumbre, juegos y decisión multicriterio. Para cada una de lastécnicas, se plantea un problema tipo, que será resuelto por el profesor junto conlos alumnos. Posteriormente se encarga como trabajo para el día siguiente unproblema a resolver directamente por los alumnos.Al final del curso se plantea un trabajo final en el que los alumnos debendemostrar su capacidad de selección y utilización de las técnicas analizadas.Durante el curso se van a utilizar transparencias para la revisión de las técnicasde decisión y para la presentación de problemas reales, de modo que losalumnos podrán disponer de éstas antes de que sean utilizadas en la clase, asícomo unos apuntes desarrollados del curso. Todo el material del curso estádisponible en la web de la asignatura y para acceder a él el alumno debematricularse en la asignatura y ser dado de alta por los profesores.Para la resolución de problemas, la construcción de modelos, y la revisión deprogramas comerciales, se utilizará además el ordenador del aula.

CRITERIOS Y MÉTODOS DE EVALUACIÓNLa evaluación del conocimiento adquirido por los alumnos se realizará mediantedos vías:• la calificación de un trabajo que deberá ser realizado por parejas duranteel curso, y que consistirá en la caracterización de un problema real, y suresolución mediante alguna de las técnicas expuestas durante el curso.El trabajo deberá ser expuesto en clase. Supondrá un 40% de la notafinal.• la participación en la clase, tanto de forma activa durante el desarrollocomo por la resolución y entrega de los problemas propuestos en laclase. Supondrá un 60% de la nota final.En caso de que mediante el sistema de evaluación anterior no se alcance elaprobado, el alumno estará obligado a presentarse a un examen final de laasignatura en el que se evaluará el conocimiento de los conceptos teóricos, y lacapacidad de resolución de problemas prácticos. La calificación final, en caso derealizar este examen, nunca será mayor del aprobado.T- 9 LOGICA BORROSA Y ALGORITMOS METAHEURISTICOSProf. Dr. Ángel Sarabia Viejo y Prof. Dr. José Villar ColladoSegundo semestre, curso 2008/2009, 4 créditosDESCRIPCIÓNEl curso está dividido en dos grandes bloques temáticos. Un primer bloque, quecomienza con una introducción a la teoría de conjuntos borrosos, para acontinuación presentar un conjunto de situaciones susceptibles de sermodeladas mediante herramientas basadas en dicha teoría. En particular seexaminarán aplicaciones en los campos de la optimización y toma de decisiones,mantenimiento y control de procesos, y análisis de datos. El segundo bloqueintroduce a los denominados métodos inteligentes (o metaheurísticos) deoptimización (algoritmos genéticos, búsqueda tabú, “simulated annealing”, etc.),haciendo especial hincapié en sus posibles aplicaciones en el campo de laindustria.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASLos objetivos principales del curso son familiarizar al alumno con la aplicación enproblemas reales de técnicas alternativas de representación de incertidumbre yoptimización, que le permitan resolver problemas de decisión demasiadocomplejos cuando se abordan con otras técnicas matemáticas más tradicionales.BIBLIOGRAFÍA• Fuzzy Sets and Fuzzy Logic, Theory and Applications, Prentice Hall, George J.Klir, Bo Yuan, 1995.• Fuzzy Sets and Systems: Theory and Applications, Mathematic in science andengineering vol 144, Didier Dubois, Henri Prade, 1980.• Fuzzy Cluster Analysis, Wiley & Sons, Frank Hoppner, Frank Klawonn, RudolfKruse, Thomas Runkler, 2000.• Fuzzy Control, Addison-Wesley, Kevin M. Passino, Stephen Yurovich, 1997.• Handbook of Genetic Algorithms, Davis, Van Nostrand Reinhold, New York, 1991.• Genetic Algorithms in Search, Optimization and Machine Learning, Goldberg,Addison-Wesley, Reading, Massachussets, 1988.• Intelligent Optimisation Techniques, Pham, D.T. y Karaboga, Springer Verlag,Londres, U.K., 1998.

• Practical Genetic Algorithms, Randy L. Haupt, Sue Ellen Haupt, John Wilwy &Sons, 1998.• Tabu Search , Glover, F. y Laguna, M., Kluwer Academic Publishers, Norwell,Massachussets, 1997.MÉTODO DOCENTEEL método docente empleado es una combinación de:• Lecciones magistrales• Planteamiento y resolución de problemas por el profesor con todo el grupo• Trabajos individuales y en grupo propuestos a los alumnos• Presentación pública de los trabajos• Atención individual a los alumnos para su seguimientoCRITERIOS Y MÉTODOS DE EVALUACIÓNEl criterio fundamental empleado para la evaluación de los alumnos consiste enun trabajo final que, basado en aspectos fundamentales del curso, exige unaaportación personal del alumno en algún tema específico que el escoge,permitiendo valorar tanto sus conocimientos adquiridos a lo largo del curso comosu capacidad e iniciativa investigadora.El trabajo se presenta previamente en público, y tras la incorporación de lasmejoras y sugerencias que puedan surgir durante su presentación, se entrega alos profesores para su valoración final.La valoración de este trabajo se complementa con la valoración de laparticipación activa en clase de los alumnos.T- 10 IDENTIFICACIÓN DE SISTEMASProf. Dr. Juan Luis Zamora MachoSegundo semestre, curso 2008/2009, 3 créditosDESCRIPCIÓNLa “Identificación de Sistemas” trata de la obtención de modelos matemáticos desistemas físicos mediante la observación o medida de sus variables de salida(respuesta) y entrada (excitación). Puede ser considerada una parte de laIngeniería de Control Automático, pero tiene aplicación en otras áreas de laingeniería (Eléctrica, Electrónica, Mecánica, Química) y en otros campos como laeconomía y la medicina. El objetivo de este curso es dar una introducción altema, tratar los métodos de identificación y estimación de parámetros másusados, dando un carácter fundamentalmente práctico a la presentación.OBJETIVOS, RESULTADOS DEL APRENDIZAJE Y COMPETENCIASLos objetivos del curso son:• Justificar la importancia de la Identificación de Sistemas comoherramienta fundamental de modelado.• Presentar las diferentes técnicas de identificación disponibles, poniendoespecial énfasis en sus aspectos prácticos.• Introducir al uso de una potente herramienta informática para laaplicación de las técnicas anteriores como es la Toolbox de Identificaciónde Sistemas de MATLAB.

BIBLIOGRAFÍA• L. Ljung. System Identification: Theory for the User. Prentice Hall. EnglewoodCliffs, New Jersey, 1987.• T. Söderström y P. Stoica. System Identification. Prentice Hall, Englewood Cliffs,New Jersey, 1989.• J.P. Norton. An Introduction to Identification. London: Academic Press. London,1986.MÉTODO DOCENTE• Lección magistral• Planteamiento y resolución de problemas por los alumnos con todo elgrupo• Trabajos individuales propuestos a los alumnos• Presentaciones públicas de los trabajos• Atención individual a los alumnos para su seguimientoCRITERIOS Y MÉTODOS DE EVALUACIÓN• Evaluación diagnóstica para valorar la situación inicial de los alumnos.• Seguimiento del grado de aprovechamiento de los alumnos por medio depequeños trabajos o pruebas a lo largo del curso.• Presentaciones públicas de los trabajos individuales o en grupo.• Trabajo final que compendia los aspectos fundamentales y que permitevalorar los conocimientos y capacidades adquiridas por alumno en elcurso.