Aproximación vía Q-Learning en problemas de consumo-inversión

Simple item page
dc.audiencegeneralPublices_MX
dc.contributorCruz Suárez, Hugo Adán
dc.contributor.advisorCRUZ SUAREZ, HUGO ADAN; 202875
dc.contributor.authorLópez Ríos, Ruy Alberto
dc.creatorLOPEZ RIOS, RUY ALBERTO; 660007
dc.date.accessioned2021-11-04T22:08:11Z
dc.date.available2021-11-04T22:08:11Z
dc.date.issued2021-08-25
dc.description.abstract“El control óptimo estocástico es un área de las matemáticas dedicada a resolver problemas de optimización cuya evolución en el tiempo es susceptible a ser influenciado por variables aleatorias. Los procesos de control de Markov (PCM) son problemas de control estocástico, también conocidos como procesos de decisión de Markov, procesos de Markov controlados. Los PCM aparecen en muchos campos, por ejemplo, ingeniería, economía, investigación de operaciones, estadística, administración de recursos, control de epidemias, etc. La técnica básica para resolver problemas de control de Markov es la programación dinámica, técnica creada por Richard Bellman en 1953, con el propósito de optimizar problemas complejos que pueden ser sincretizados y secuencializados. Sin embargo, se complica su utilidad al trabajar con espacios de inter ́es de grandes dimensiones, en la literatura esto se conoce como maldición de la dimensionalidad. Machine learning es el estudio de algoritmos computacionales que automáticamente mejoran a través de la experiencia. Los algoritmos machine learning construyen un modelo matemático sobre datos muestrales, conocido como training data, para hacer predicciones o tomar decisiones sin ser explícitamente programado para ello”.es_MX
dc.folio20210830164824-3967-Tes_MX
dc.formatpdfes_MX
dc.identificator1es_MX
dc.identifier.urihttps://hdl.handle.net/20.500.12371/15004
dc.language.isospaes_MX
dc.matricula.creator217570761es_MX
dc.publisherBenemérita Universidad Autónoma de Pueblaes_MX
dc.rights.accesopenAccesses_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subject.classificationCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRAes_MX
dc.subject.lccTeoría del control estocásticoes_MX
dc.subject.lccOptimización matemática--Programas para computadoraes_MX
dc.subject.lccProcesos de Markov--Modelos matemáticoses_MX
dc.subject.lccProgramación dinámicaes_MX
dc.subject.lccAprendizaje por refuerzoes_MX
dc.thesis.careerDoctorado en Ciencias (Matemáticas)es_MX
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactases_MX
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticases_MX
dc.titleAproximación vía Q-Learning en problemas de consumo-inversiónes_MX
dc.typeTesis de doctoradoes_MX
dc.type.conacytdoctoralThesises_MX
dc.type.degreeDoctoradoes_MX
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
20210830164824-3967-T.pdf
Size:
1.18 MB
Format:
Adobe Portable Document Format
Description:
Download
Name:
20210830164824-3967-CARTA.pdf
Size:
357.12 KB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis de Doctorado