Cálculo de boleta m3 de agua mensual tarifa por tramos

 Boleta

El modelamiento de la realidad

 

La distinción fundamental entre representar la realidad y construir un modelo matemático de la realidad. Y hay un problema conceptual importante cuando alguien exige que un modelo reproduzca exactamente todos los puntos medidos.

En realidad, existen distintas maneras de abordar el problema.

1. La realidad es discreta; el modelo puede ser continuo

Supongamos que medimos diez puntos de una variable. Cada punto representa una observación real, pero no necesariamente conocemos qué ocurre entre ellos.

Podemos construir distintos modelos:

• Interpolación: construimos una curva que pasa exactamente por todos los puntos medidos.

• Regresión: construimos una curva que intenta representar la tendencia general, minimizando los errores.

• Ajuste mediante splines: construimos una curva continua y suave, que puede pasar por los puntos o aproximarse a ellos, dependiendo del método.

• Modelos físicos: incorporamos leyes y restricciones que pueden ser más importantes que la coincidencia exacta con las mediciones.

2. El problema de exigir que el modelo pase por todos los puntos

Imaginemos que tenemos mediciones que presentan pequeñas variaciones:

Ejemplo conceptual: puntos observados y una curva que representa su tendencia general.

Si obligamos a la curva a pasar por todos los puntos, podemos terminar construyendo una representación que reproduce incluso los errores de medición, las fluctuaciones circunstanciales y el ruido.

Es decir, podemos conseguir una representación perfecta de las observaciones y, paradójicamente, una representación deficiente del fenómeno que queremos comprender.

Esto se conoce como sobreajuste (overfitting).

3. Sobre los extremos es particularmente interesante

El modelo generalmente no pasa por el punto más alto, ni por el más bajo, ni necesariamente por los puntos extremos de izquierda y derecha.

Eso tiene una explicación matemática.

Cuando construimos una regresión, por ejemplo, buscamos minimizar una función de error. En una regresión por mínimos cuadrados:

\[ \min \sum_{i=1}^{n}(y_i-\hat y_i)^2 \]

El modelo no está intentando satisfacer individualmente cada observación. Está intentando encontrar una representación que, en conjunto, tenga el menor error cuadrático posible.

Por eso:

• Algunos puntos quedarán por encima del modelo.

• Otros quedarán por debajo.

• Los extremos pueden presentar diferencias importantes.

• La curva puede representar mejor el comportamiento general que cualquiera de los puntos individuales.

4. Hay una diferencia entre equivocarse respecto de un punto y equivocarse respecto de la realidad

Un modelo no necesariamente es malo porque no coincide con todas las observaciones. Es malo cuando no representa adecuadamente el fenómeno que pretende explicar o predecir.

Incluso puede suceder lo contrario: un modelo que pasa exactamente por todos los puntos puede ser menos útil para predecir nuevos valores que otro que no pasa por ninguno de ellos.

Eso sí, hay una salvedad: si los puntos son mediciones exactas, sin incertidumbre, y el objetivo es reconstruir la función que los generó, la interpolación puede ser perfectamente apropiada.

Hay una idea filosófica y científica detrás de esto que vale la pena rescatar:

La realidad no tiene la obligación de acomodarse a nuestro modelo, pero nuestro modelo tampoco tiene la obligación de reproducir cada fluctuación de nuestras observaciones. Tiene la obligación de explicar la realidad con la mayor fidelidad posible.

Y esa fidelidad no se mide exclusivamente por la distancia entre la curva y los puntos medidos. Se mide también por su capacidad explicativa, predictiva y de generalización.

Ejercicio para la vista

👁️ Ejercicios Visuales

Programa de entrenamiento ocular profesional

Seguimiento Horizontal

Sigue el punto rojo con tus ojos sin mover la cabeza. Este ejercicio mejora la coordinación ocular y la flexibilidad de los músculos oculares.

00:00

Velocidad

Tamaño del Punto

Duración (seg)

Instrucciones:

• Mantén tu cabeza quieta
• Sigue el punto solo con los ojos
• Parpadea normalmente
• Si sientes molestia, detén el ejercicio

Redes neuronales, IA, son primos cerecanos del método de newton Rapson

Newton Rapson busca solución por iteraciones sucesivas

búsqueda de x de una función iterando

si lo que quiero es buscar un vector, es decir una incognita de mas dimensiones que solamente x, se utiliza el mismo método pero con una matriz

 lo que hace una red neuronal son primos hermanos conceptuales. De hecho, entrenar una red es literalmente aplicar un método iterativo de optimización que busca converger a un mínimo. Déjame mostrarte las analogías exactas.

📐 La analogía directa

En métodos numéricos resolvías Ax = b con métodos iterativos:

Método clásico	Condición de convergencia	Análogo en redes neuronales
Jacobi / Gauss-Seidel	Matriz A diagonalmente dominante	Initialization de pesos pequeña (Xavier/He)
Gradiente Conjugado	Matriz A simétrica definida positiva (SPD)	Función de pérdida convexa (o casi)
SOR (sobrerrelajación)	Parámetro ω ∈ (0, 2)	Learning rate η adecuado
Newton-Raphson	Hessiano no singular, buena aproximación inicial	Optimizadores tipo Adam, L-BFGS

🔍 ¿Qué es realmente "entrenar" una red?

Matemáticamente, entrenar es resolver:

${\min }_{\mathbf{𝑤}}𝐿(\mathbf{𝑤})=\frac{1}{𝑁}{\sum }_{𝑖=1}^{𝑁}\mathrm{\ell }({𝑓}_{\mathbf{𝑤}}({\mathbf{𝑥}}_{𝑖}),{𝑦}_{𝑖})$

Y aplicas gradiente descendente, que es un método iterativo idéntico en espíritu a los que viste:

${\mathbf{𝑤}}_{𝑘+1}={\mathbf{𝑤}}_{𝑘}-𝜂\mathrm{\nabla }𝐿({\mathbf{𝑤}}_{𝑘})$

Esto es exactamente lo mismo que la iteración de Jacobi escrita como: ${\mathbf{𝑥}}^{(𝑘+1)}={\mathbf{𝑥}}^{(𝑘)}+{𝐷}^{-1}(\mathbf{𝑏}-𝐴{\mathbf{𝑥}}^{(𝑘)})$

Solo que en vez de buscar la raíz de un sistema lineal, buscas el mínimo de una función escalar.

⚠️ La diferencia fundamental (y por qué es más difícil)

Aquí viene lo importante. En métodos numéricos clásicos:

• Problema lineal o convexo → un solo mínimo global
• Convergencia garantizada si se cumplen las condiciones de la matriz
• Velocidad de convergencia conocida (depende del número de condición κ(A))

En redes neuronales:

• Problema NO convexo → miles de mínimos locales y puntos de silla
• Convergencia NO garantizada a un mínimo global
• Velocidad de convergencia depende del paisaje de pérdida (que es caótico)

Visualízalo así:

Métodos numéricos clásicos:      Red neuronal:
                                 
    L(w)                             L(w)
     \                              /\    /\
      \    ← un solo valle         /  \  /  \  ← muchos valles
       \___                        /    \/    \___
          \___                    /              \___
              \___               /                   \___
                  \___          /                        \___
                     w         w1   w2   w3   w4   w5     w
                (convexo)              (no convexo)

🧮 Las "condiciones de la matriz" en redes neuronales

En métodos numéricos pedías que la matriz fuera SPD. En redes neuronales, la "matriz" relevante es el Hessiano de la función de pérdida:

${𝐻}_{𝑖𝑗}=\frac{{\mathrm{\partial }}^2𝐿}{\mathrm{\partial }{𝑤}_{𝑖}\mathrm{\partial }{𝑤}_{𝑗}}$

Las condiciones análogas son:

Condición	Significado	Cómo se cumple en la práctica
Hessiano definido positivo (localmente)	La función es convexa en la región	Arquitecturas bien diseñadas + datos suficientes
Número de condición κ(H) acotado	No hay direcciones "muy elongadas"	Normalización (BatchNorm, LayerNorm)
Gradiente Lipschitz continuo	El gradiente no cambia bruscamente	Learning rate pequeño, gradient clipping
Inicialización cercana al mínimo	Empezar en buena región	Inicialización He/Xavier, pre-entrenamiento

🎓 El teorema que une ambos mundos

El teorema de convergencia del gradiente descendente dice:

Si $𝐿$ es L-smooth (gradiente Lipschitz con constante L) y μ-fuertemente convexa, entonces con $𝜂=1\mathrm{/}𝐿$: $𝐿({\mathbf{𝑤}}_{𝑘})-𝐿({\mathbf{𝑤}}^{\ast })\le {(1-\frac{𝜇}{𝐿})}^{𝑘}[𝐿({\mathbf{𝑤}}_0)-𝐿({\mathbf{𝑤}}^{\ast })]$

Esto es idéntico al teorema de convergencia del gradiente conjugado, donde la razón $𝜇\mathrm{/}𝐿=1\mathrm{/}𝜅(𝐴)$ gobierna la velocidad.

💡 En resumen

Pregunta	Respuesta
¿Es lo mismo?	Sí en espíritu: ambos son métodos iterativos que convergen a una solución.
¿Las condiciones son iguales?	Análogas: diagonal dominante ↔ inicialización buena; SPD ↔ convexidad; ω de SOR ↔ learning rate.
¿Por qué es más difícil en redes?	Porque el paisaje es no convexo y de alta dimensión (millones de pesos).
¿Converge siempre?	No garantizado, pero en la práctica converge a "buenos mínimos" si se configura bien.

🛠️ Lo que hicimos en el programa anterior

Cuando ajustabas el learning rate y las neuronas ocultas, estabas haciendo exactamente lo que hacías en métodos numéricos:

• Learning rate alto → como ω muy grande en SOR: diverge (la red se vuelve inestable).
• Learning rate bajo → como ω muy pequeño: converge pero lentísimo.
• Muchas neuronas ocultas → como aumentar el tamaño del sistema: más capacidad pero más riesgo de mal condicionamiento.
• Reiniciar la red → como cambiar la aproximación inicial en Newton-Raphson.

🏔️ Paisaje de Pérdida 3D - Convergencia del Gradiente Descendente

Visualización del paisaje de la función de pérdida L(w₁, w₂) con múltiples mínimos locales (puntos verdes reales). Clic izquierdo para colocar la esfera roja. Clic derecho + arrastrar para rotar la vista.

MODO: COLOCAR ESFERA

Superficie de pérdida L(w₁, w₂)

Trayectoria del gradiente

Mínimos locales (calculados)

⚙️ Control

Learning rate (η): 0.10

Momentum (β): 0.00

📊 Estado

Iteración:0

Pérdida actual:—

Posición w₁:—

Posición w₂:—

Mínimo más cercano:—

📐 Analogía con Métodos Numéricos

w_{k+1} = w_k - η∇L(w_k)

Comparación directa:
• Learning rate η ↔ Parámetro ω de SOR
• Momentum β ↔ Sobrerrelajación
• Mínimos locales ↔ Múltiples raíces en sistemas no lineales
• Convergencia ↔ Depende del Hessiano (análogo a la matriz A)

Instrucciones:
• Clic izquierdo en el canvas → colocar esfera roja
• Clic derecho + arrastrar → rotar vista 3D
• Presiona ▶ Iniciar → la esfera rueda hacia un mínimo
• Prueba diferentes puntos iniciales y learning rates