Algoritmos de Optimización

Algoritmos de Optimización

• La optimización implica encontrar el mejor elemento dentro de un conjunto de alternativas.
• Un problema de optimización se define mediante una función objetivo ($f(x)$), variables ($x$) y restricciones ($g_i(x) \leq 0, h_i(x) = 0$).
• La solución óptima es el valor de $x$ que minimiza o maximiza $f(x)$, cumpliendo con las restricciones.

Clasificación de los Algoritmos de Optimización

• Según el conocimiento del problema:
  • Caja blanca: Conocimiento completo de la función objetivo y restricciones.
  • Caja gris: Conocimiento parcial de la función objetivo y restricciones.
  • Caja negra: Desconocimiento de la función objetivo y restricciones.
• Según la naturaleza del algoritmo:
  • Deterministas: Producen la misma solución para el mismo problema.
  • Estocásticos: Introducen aleatoriedad en la búsqueda de soluciones.
• Según la topología de la búsqueda:
  • Búsqueda local: Exploran en la vecindad de la solución actual.
  • Búsqueda global: Exploran de forma más amplia el espacio de soluciones.
• Según el uso de derivadas:
  • Gradiente: Utilizan el gradiente de la función para encontrar la solución.
  • Sin gradiente: No utilizan el gradiente de la función objetivo.
• Según la población:
  • Un solo individuo: Trabajan con una sola solución candidata.
  • Población: Trabajan con múltiples soluciones candidatas.
• Según la capacidad de adaptación:
  • Estáticos: Los parámetros del algoritmo no cambian.
  • Adaptativos: Los parámetros del algoritmo cambian durante la ejecución.

Algoritmos de Búsqueda Local

• Hill Climbing:
  • Comienza con una solución aleatoria y se mueve iterativamente a la mejor solución vecina.
  • Se detiene al no encontrar una mejor solución vecina.
  • Presenta problemas como máximos locales, mesetas y crestas.
• Simulated Annealing:
  • Inspirado en el enfriamiento de metales, inicia con una solución aleatoria y alta temperatura.
  • Se mueve iterativamente a soluciones vecinas aleatorias.
  • Acepta soluciones peores con una probabilidad que depende de la temperatura, reduciendo gradualmente la temperatura para escapar de los máximos locales.
• Búsqueda Tabú:
  • Similar a Hill Climbing, pero mantiene una lista de soluciones ya visitadas (lista tabú).
  • Evita ciclos y permite explorar nuevas áreas en el espacio de soluciones.

Algoritmos Evolutivos

• Inspirados en la evolución biológica, trabajan con una población de soluciones candidatas.
• Utilizan selección, cruce y mutación para generar nuevas soluciones.
• Las soluciones más aptas tienen mayor probabilidad de sobrevivir y reproducirse.
• Algoritmo Genético:
  • Representación binaria de las soluciones.
  • Operadores de cruce y mutación binarios.
• Estrategias Evolutivas:
  • Representación real de las soluciones.
  • Operadores de cruce y mutación real.
  • Énfasis en la auto-adaptación de los parámetros del algoritmo.
• Programación Genética:
  • Representación de las soluciones como programas de ordenador.
  • Operadores de cruce y mutación de programas.

Optimización Basada en el Comportamiento de Enjambres

• Inspirados en el comportamiento social de los animales, trabajan con una población de soluciones (partículas).
• Cada partícula se mueve en el espacio de soluciones, influenciada por su propia experiencia y la de las otras partículas.
• Optimización por Cúmulo de Partículas (PSO):
  • Cada partícula tiene una posición y velocidad.
  • La velocidad se actualiza según la mejor posición histórica de la partícula y la del enjambre.
  • Las partículas tienden a converger hacia las mejores soluciones.
• Optimización por Colonia de Hormigas (ACO):
  • Inspirado en el comportamiento de las hormigas para encontrar el camino más corto.
  • Las hormigas depositan feromonas, atrayendo a otras y señalando el camino más corto.
  • Se utiliza para problemas de optimización combinatoria.

Otros Algoritmos

• Algoritmos de Colonia Bacteriana (BCO)
• Algoritmos Meméticos (MA)
• Algoritmos de Búsqueda Armónica (HS)
• Algoritmos de Optimización Grey Wolf (GWO)

Metaheurísticas

• Estrategias de alto nivel para diseñar algoritmos de optimización.
• Proporcionan un marco general para la búsqueda de soluciones.
• Pueden combinarse con otras técnicas de optimización.
• Diversificación: Explorar diferentes áreas del espacio de soluciones.
• Intensificación: Explotar las mejores soluciones encontradas.
• Auto-adaptación: Ajustar los parámetros del algoritmo durante la ejecución.

Optimización Multiobjetivo

• Se optimizan múltiples funciones objetivo simultáneamente, que pueden estar en conflicto.
• La solución óptima es un conjunto de soluciones no dominadas (frente de Pareto).
• Algoritmos utilizados: NSGA-II, SPEA2, MOEA/D.

Optimización con Restricciones

• Se optimiza una función objetivo sujeta a restricciones que definen la región factible.
• Métodos empleados: Penalización, Reparación y algoritmos específicos.

Librerías de Optimización

• Python: SciPy Optimize, DEAP, PyGMO, Optuna
• MATLAB: Optimization Toolbox
• R: optim, GenSA

Consideraciones Finales

• La elección del algoritmo depende del problema específico.
• Es importante considerar la naturaleza de la función objetivo, las restricciones, el tiempo disponible y la precisión.
• La experimentación y comparación de diferentes algoritmos son fundamentales.

Regulación de la Expresión Génica

• La expresión génica es el proceso por el cual el ADN dirige la síntesis de proteínas (o ARN).
• Incluye la transcripción y la traducción.

Bacterias

• El control metabólico de una bacteria implica ajustar la actividad de las enzimas existentes y la expresión de los genes.
• La inhibición por retroalimentación ocurre cuando el producto final de una vía metabólica cierra la vía.

Modelo del Operón

• Un operón es la sección de ADN necesaria para la producción de enzimas para una vía metabólica, incluyendo el promotor, el operador y los genes.
• Promotor: donde la ARN polimerasa se une al ADN para comenzar la transcripción.
• Operador: un segmento de ADN que actúa como un interruptor para determinar si la ARN polimerasa puede unirse al promotor e iniciar la transcripción.
• Genes: la sección de ADN que codifica las proteínas.

Operón Represible

• Normalmente "encendido" pero puede ser "apagado".
• Ejemplo: operón trp.
• En ausencia de triptófano, el represor está inactivo y la ARN polimerasa transcribe.
• En presencia de triptófano, el triptófano se une al represor, que luego se une al operador, impidiendo la transcripción.

Operón Inducible

• Normalmente "apagado" pero puede ser "encendido".
• Ejemplo: operón lac.
• En ausencia de lactosa, el represor está activo y unido al operador, impidiendo la transcripción.
• En presencia de lactosa, la alolactosa se une al represor, que se desprende del operador, permitiendo la transcripción.

Regulación Génica Positiva

• El operón lac también está sujeto a control positivo a través de la proteína activadora de catabolitos (CAP).
• Cuando la glucosa escasea, CAP se activa al unirse con AMP cíclico (cAMP).
• CAP activado se une al promotor, aumentando la afinidad de la ARN polimerasa por el promotor, aumentando la transcripción.
• En presencia de glucosa, CAP se desprende del promotor, disminuyendo la transcripción.

Eucariotas

• La expresión génica diferencial es la expresión de diferentes genes por células con el mismo genoma.

Modificación de la Cromatina

• La acetilación de histonas afloja el ADN, permitiendo la transcripción.
• La metilación del ADN condensa el ADN, previniendo la transcripción.

Elementos de Control

• Son segmentos de ADN no codificante que sirven como sitios de unión para factores de transcripción.
• Los potenciadores son elementos de control distales.
• Los activadores se unen a los potenciadores e influencian la transcripción.

Regulación Post-Transcripcional

• Procesamiento del ARN: empalme alternativo del ARN.
• Degradación del ARNm: La vida útil del ARNm determina la cantidad de síntesis de proteínas.
• Inicio de la traducción: Las proteínas reguladoras se unen al ARNm e impiden la unión de los ribosomas.
• Procesamiento y degradación de proteínas: escisión o modificación química, degradación selectiva.

Guía paso a Paso para Crear tu Propio Juego con IA

• La Inteligencia Artificial (IA) ha abierto un mundo de posibilidades en el desarrollo de juegos, permitiendo crear experiencias más inmersivas, desafiantes y personalizadas.
• Para crear tu propio juego con IA, necesitas conocimientos básicos de programación (Python), un motor de juegos (Unity o Godot), y herramientas de IA (TensorFlow o PyTorch).

Define tu Juego

• Género y Mecánicas: Elige un género (estrategia, puzzle, aventura) y define las mecánicas de interacción del jugador con el mundo.
• Historia y Personajes: Crea una narrativa y diseña personajes con roles, personalidades y habilidades definidas.

Implementación de la IA

• Tipos de IA:
  • IA Reactiva: Reacciona a estímulos inmediatos.
  • IA Proactiva: Toma decisiones basadas en objetivos a largo plazo.
  • Aprendizaje Automático: Aprende y se adapta a las acciones del jugador.
• Técnicas de IA:
  • Árboles de Decisión: Decisiones basadas en múltiples condiciones.
  • Algoritmos de Búsqueda (A*): Encontrar el camino más eficiente.
  • Redes Neuronales: Reconocimiento de patrones y aprendizaje complejo.

Integración con el Motor de Juego

• Scripting: Utiliza C# en Unity o GDScript en Godot para controlar personajes y objetos.
• Conecta la IA: Integra algoritmos de IA para que los personajes "piensen" y actúen.
• Optimización del Rendimiento: Asegura que la IA no consuma demasiados recursos.
• Balance: Ajusta la IA para un juego desafiante pero no frustrante.

Pruebas y Ajustes

• Testing: Prueba exhaustivamente e incorpora feedback de otros jugadores.
• Ajustes: Equilibra la dificultad y mejora gráficos, sonido e interfaz.

Ejemplo Práctico: Juego de Laberinto con IA

• El jugador escapa de un laberinto perseguido por un enemigo controlado por IA.
• La IA del enemigo usa el algoritmo A*, percibe al jugador en su campo de visión y patrulla si no lo ve.

Pasos de Implementación

1. Crea el laberinto.
2. Programa los movimientos del jugador.
3. Implementa la IA del enemigo con A*.
4. Ajusta el comportamiento del enemigo para equilibrar el juego.

Conclusión

• Crear un juego con IA requiere práctica, pero es una experiencia gratificante.
• Experimenta y da vida a tus propias ideas.

Lección 14: La Descomposición de Schur

• Cada matriz es similar a una matriz triangular superior.

Teorema

• Sea $A \in \mathbb{C}^{n \times n}$. Entonces existe una matriz unitaria $Q$ tal que $Q^* A Q = T$, donde $T$ es triangular superior.

Prueba

• Por inducción. El resultado es trivial para $n=1$.
• Suponga que el resultado es cierto para $n-1$. Sea $\lambda$ un valor propio de $A$ y sea $v_1$ el vector propio correspondiente con $||v_1||_2 = 1$. Sea $v_2, ..., v_n$ tal que ${v_1, v_2, ..., v_n}$ sea una base ortonormal para $\mathbb{C}^n$. Sea $V = [v_1, v_2, ..., v_n]$. Entonces $V$ es unitaria y $A V = [\lambda v_1, A v_2,..., A v_n]$, $V^* A V = \begin{bmatrix} \lambda & * \ 0 & A_2 \end{bmatrix}$ donde $A_2 \in \mathbb{C}^{(n-1) \times (n-1)}$.
• Por la hipótesis de inducción, existe una matriz unitaria $Q_2 \in \mathbb{C}^{(n-1) \times (n-1)}$ tal que $Q_2^* A_2 Q_2 = T_2$ es triangular superior. Sea $Q = V \begin{bmatrix} 1 & 0 \ 0 & Q_2 \end{bmatrix}$.
• Entonces $Q$ es unitaria y $Q^* A Q = \begin{bmatrix} 1 & 0 \ 0 & Q_2^* \end{bmatrix} V^* A V \begin{bmatrix} 1 & 0 \ 0 & Q_2 \end{bmatrix} = \begin{bmatrix} \lambda & * \ 0 & Q_2^* A_2 Q_2 \end{bmatrix} = \begin{bmatrix} \lambda & * \ 0 & T_2 \end{bmatrix}$.

Notas

• La descomposición de Schur no es única.
• Los valores propios de $A$ aparecen en la diagonal de $T$.
• Si $A$ es real con valores propios reales, entonces $Q$ puede ser elegida como real ortogonal.
• Si $A$ es normal, entonces $T$ es diagonal, y la descomposición de Schur es la descomposición en valores propios.

Corolario

• Si $A$ es normal, entonces existe una matriz unitaria $Q$ tal que $Q^* A Q = \Lambda$ donde $\Lambda$ es una matriz diagonal de valores propios de $A$.

Teorema

• Sea $A \in \mathbb{C}^{n \times n}$. Entonces $A$ es normal si y solo si $A$ es diagonalizable unitariamente.

Estadística Descriptiva

• La Estadística Descriptiva se dedica a recopilar, organizar, analizar e interpretar datos para describir las características principales de un conjunto de datos, presentando la información de manera significativa.

Objetivos

• Recopilación de Datos: Obtener datos relevantes y confiables.
• Organización de Datos: Clasificar y ordenar los datos sistemáticamente.
• Presentación de Datos: Mostrar los datos de forma clara mediante tablas, gráficos y diagramas.
• Análisis de Datos: Calcular medidas estadísticas que resuman características principales.
• Interpretación de Datos: Extraer conclusiones y patrones significativos.

Tipos de Variables Estadísticas

• Variables Cualitativas: Expresan cualidades o características no numéricas.
  • Nominales: No tienen orden (Ej: color de ojos, estado civil).
  • Ordinales: Tienen un orden lógico (Ej: nivel de estudios, grado de satisfacción).
• Variables Cuantitativas: Expresan cantidades numéricas.
  • Discretas: Toman valores enteros (Ej: número de hijos, cantidad de automóviles).
  • Continuas: Pueden tomar cualquier valor dentro de un rango (Ej: altura, peso, temperatura).

Medidas de Tendencia Central

• Indican el valor típico o central de un conjunto de datos.
  • Media Aritmética: Suma de todos los valores dividida por el número total de valores. $\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}$
  • Mediana: Valor central que divide el conjunto de datos ordenados en dos partes iguales.
  • Moda: Valor que aparece con mayor frecuencia.

Medidas de Dispersión

• Indican la variabilidad o dispersión de los datos alrededor de la medida de tendencia central.
  • Rango: Diferencia entre el valor máximo y el valor mínimo.
  • Varianza: Promedio de los cuadrados de las diferencias entre cada valor y la media. $\sigma^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n}$
  • Desviación Estándar: Raíz cuadrada de la varianza. $\sigma = \sqrt{\frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n}}$

Representaciones Gráficas

• Diagrama de Barras, Histograma, Diagrama de Sectores (Circular), Diagrama de Dispersión

Aplicaciones

• Resumir datos de encuestas y experimentos, analizar datos de ventas y marketing, describir características de poblaciones, identificar patrones y tendencias, comunicar información.

Limitaciones

• No permite inferencias o generalizaciones más allá de los datos observados y no establece relaciones de causa y efecto entre variables.

Algorithmes de classification

• La classification est un problème d'apprentissage supervisé où l'objectif est de prédire la catégorie d'une nouvelle observation.
• L'apprentissage supervisé comprend la classification et la régression.
• L'apprentissage non supervisé comprend le clustering et la réduction de dimensionnalité.
• Les algorithmes de classification comprennent la régression logistique, les arbres de décision, les k-plus proches voisins (KNN), les machines à vecteurs de support (SVM), Naive Bayes, les réseaux de neurones.

Régression logistique

• La régression logistique est un modèle linéaire utilisé pour la classification binaire, utilisant la fonction sigmoïde pour prédire la probabilité d'appartenance à une classe.
• Modèle linéaire : $\hat{y} = w^T x + b$.
• Fonction sigmoïde : $\sigma(z) = \frac{1}{1 + e^{-z}}$.
• Prédiction : $P(y=1|x) = \sigma(\hat{y})$.
• Seuil : Si $P(y=1|x) \geq 0.5$, alors classe 1, sinon classe 0.
• Fonction de coût : Entropie croisée (cross-entropy) $J(w) = -\frac{1}{m} \sum_{i=1}^{m} [y^{(i)} log(\hat{y}^{(i)}) + (1 - y^{(i)}) log(1 - \hat{y}^{(i)})]$.

Arbres de décision

• Un arbre de décision est un modèle de classification qui divise l'espace des caractéristiques en régions en fonction des valeurs des caractéristiques.
• Structure : Arbre binaire.
• Nœuds :
  • Racine : Nœud de départ.
  • Interne : Test sur une caractéristique.
  • Feuille : Classe prédite.
• Division :
  • Critère : Entropie, coefficient de Gini.
  • Caractéristique : Celle qui maximise le gain d'information.
  • Valeur : Celle qui sépare le mieux les classes.

K-plus proches voisins (KNN)

• KNN prédit la classe d'une observation en fonction de la classe majoritaire de ses k plus proches voisins.
• Principe : Les observations proches ont tendance à avoir la même classe.
• Paramètre : k (nombre de voisins).
• Distance : Euclidienne, Manhattan, Minkowski.
• Prédiction : Classe majoritaire des k plus proches voisins.

Machine à vecteurs de support (SVM)

• SVM cherche à trouver l'hyperplan qui maximise la marge entre les classes.
• Hyperplan : Séparateur linéaire entre les classes.
• Marge : Distance entre l'hyperplan et les observations les plus proches (vecteurs de support).
• Objectif : Maximiser la marge.
• Noyau (kernel) : Fonction pour projeter les données dans un espace de plus grande dimension. Exemples : Linéaire, polynomial, RBF (Radial Basis Function).

Naive Bayes

• Naive Bayes est un algorithme de classification probabiliste basé sur le théorème de Bayes, supposant que toutes les caractéristiques sont indépendantes.
• Théorème de Bayes : $P(y|x) = \frac{P(x|y)P(y)}{P(x)}$.
• Hypothèse naïve : Les caractéristiques sont indépendantes. $P(x|y) = \prod_{i=1}^{n} P(x_i|y)$.
• Prédiction : Classe qui maximise la probabilité a posteriori $P(y|x)$.

Réseaux de neurones

• Les réseaux de neurones sont des modèles de classification complexes inspirés du fonctionnement du cerveau humain.
• Structure : Couches de neurones connectés entre eux.
• Neurone : Unité de calcul qui reçoit des entrées, les pondère, les somme et applique une fonction d'activation.
• Fonction d'activation : Sigmoïde, ReLU, Tanh.

Algèbre Linéaire y Geometría Vectorial

Vectores en $\mathbb{R}^n$

• $\mathbb{R}^n$ es un espacio vectorial real, cuyos elementos son vectores. Ejemplos: $\mathbb{R}^1 = \mathbb{R}$, $\mathbb{R}^2$, $\mathbb{R}^3$.

Operaciones Vectoriales

• Suma Vectorial: Dados $\mathbf{u}, \mathbf{v} \in \mathbb{R}^n$, su suma es $\mathbf{u} + \mathbf{v} = (u_1 + v_1, u_2 + v_2, \dots, u_n + v_n)$.
• Multiplicación Escalar: Dado $\mathbf{u} \in \mathbb{R}^n$ y $c \in \mathbb{R}$, el producto escalar es $c\mathbf{u} = (cu_1, cu_2, \dots, cu_n)$.
• Propiedades: Conmutatividad, asociatividad, existencia de vector nulo e inverso aditivo, distributividad escalar y asociatividad escalar.

Combinaciones Lineales

• Un vector $\mathbf{v}$ es una combinación lineal de $\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_k$ si existen escalares $c_1, c_2, \dots, c_k$ tales que $\mathbf{v} = c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \dots + c_k\mathbf{v}_k$.

Producto Escalar y Ortogonalidad

• Producto Escalar: Dados $\mathbf{u}, \mathbf{v} \in \mathbb{R}^n$, el producto escalar es $\mathbf{u} \cdot \mathbf{v} = u_1v_1 + u_2v_2 + \dots + u_nv_n$.
• Propiedades: Conmutatividad, distributividad, asociatividad escalar, positividad.
• Norma de un Vector: La norma es $|\mathbf{u}| = \sqrt{\mathbf{u} \cdot \mathbf{u}}$.
• Distancia entre Vectores: La distancia es $d(\mathbf{u}, \mathbf{v}) = |\mathbf{u} - \mathbf{v}|$.
• Vectores Ortogonales: Dos vectores son ortogonales si su producto escalar es cero.

Understanding the Concepts

• Statistical Arbitrage: Se explotan las diferencias de precios temporales en el mercado.
• Pairs Trading: Es un tipo específico de arbitraje estadístico donde dos activos con correlación histórica son negociados cuando su relación de precios se desvía.
• Cointegration: Relación estadística a largo plazo entre dos o más series de tiempo.
• Stationarity: Las propiedades estadísticas de una serie de tiempo, no cambian con el tiempo.

Pasos para Pairs Trading

1. Seleccionar un par de acciones.
2. Determinar el diferencial (Spread).
3. Evaluar la cointegración.
4. Evaluar la estacionariedad.
5. Estrategia de Negociación.

1. Seleccionar un par de acciones

• Seleccionar dos acciones que se muevan juntas usando enfoques: Basado en el sector o Basado en la correlación.

2. Determinar el diferencial (Spread)

• Método del coeficiente de precios: $Spread_{t} = \frac{P_{1,t}}{P_{2,t}}$, donde $P_{1,t}$ y $P_{2,t}$ son los precios de las acciones.
• Método de combinación lineal: $Spread_{t} = P_{1,t} - \beta * P_{2,t}$, donde $\beta$ es el ratio de cobertura estimado por análisis de regresión.

3. Evaluar la cointegración

• Confirma la relación estadística a largo plazo entre las acciones usando el método de Engle-Granger.
  1. Regresión: $P_{1,t} = \alpha + \beta * P_{2,t} + \epsilon_{t}$.
  2. Prueba ADF: Verificar la estacionariedad de los residuos $\epsilon_{t}$.

4. Evaluar la estacionariedad

• Implica que el diferencial tiene una media y varianza constantes, haciendo la serie predecible, con la prueba de Dickey-Fuller Aumentada (ADF).

5. Estrategia de Negociación

• Se basa en las desviaciones del diferencial de su:
  • Calcular la puntuación Z: $Z_{t} = \frac{Spread_{t} - \mu}{\sigma}$, donde $\mu$ es la media y $\sigma$ es la desviación estándar.
  • Reglas de Negociación:
    • Posición larga (Comprar la acción de bajo rendimiento y vender la de alto rendimiento) con puntuación Z menor al umbral.
    • Posición corta (Vender la acción de alto rendimiento y comprar la de bajo rendimiento) con puntuación Z mayor al umbral.
    • Salir cuando la puntuación Z retorna a cero o un nivel predefinido.

Agente de Teoría Algorítmica

• La teoría de juegos es un estudio de modelos matemáticos de interacciones estratégicas entre agentes racionales.
• La teoría de juegos aborda la interacción estratégica en muchos campos, incluyendo la economía, la ciencia política, la psicología, la lógica y la informática.

Dilema del Prisionero

• Con dos sospechosos arrestados por un crimen, la policía necesita que uno de los dos testifique para poder encarcelarlos.
• Cada uno recibe un acuerdo que incluye salir libre si testifica y el otro no, o 5 años en la cárcel si ambos testifican.
• La estrategia dominante para ambos jugadores es "testificar", aunque ambos estarían mejor si no lo hicieran.

¿Qué es la Teoría Algorítmica de Juegos?

• Es un área que combina teoría de juegos y ciencias de la computación.
• Diseña algoritmos para entornos estratégicos y analiza aspectos computacionales de juegos, mecanismos y conceptos de solución.

Temas Clave en la Teoría Algorítmica de Juegos

1. Diseño de Mecanismos: Diseñar reglas de un juego para lograr un resultado deseado.

2. Precio de la Anarquía: Mide la degradación de la eficiencia debido al comportamiento egoísta de los agentes.

   $$ PoA = \frac{\text{Costo del peor equilibrio de Nash}}{\text{Costo Óptimo}} $$

3. Aspectos Computacionales de los Equilibrios: Complejidad de encontrar conceptos de solución como el equilibrio de Nash.

Ejemplos: Subastas de Búsqueda Patrocinadas

• Se utiliza para vender espacio publicitario, con anunciantes pujando por palabras clave.
• Mecanismo: Subasta generalizada de segundo precio.
• Objetivos: Maximizar ingresos, eficiencia y satisfacción del usuario.
• Desafíos: Los anunciantes pueden hacer pujas estratégicas y la asignación a los anunciantes debe hacerse en tiempo real.

Farmacología Autonómica

Introducción

• El sistema nervioso autónomo (SNA) regula funciones corporales como la frecuencia cardíaca.
• El SNA tiene dos divisiones principales: el sistema nervioso simpático (SNS) y el sistema nervioso parasimpático (SNP).
• Utiliza neurotransmisores incluyendo acetilcolina (ACh) y norepinefrina (NE).

Receptor

• ACh es utilizada por neuronas pregangliónicas, neuronas postgangliónicas parasimpáticas y algunas simpáticas (glándulas sudoríparas).
• NE es utilizada por las neuronas postgangliónicas simpáticas.
• Los principales receptores son los colinérgicos (nicotínicos y muscarínicos) y los adrenérgicos ($\alpha$ y $\beta$).

Farmacología Colinérgica

• Los agonistas colinérgicos (parasimpaticomiméticos) imitan la acetilcolina.

Agonistas de acción directa:

• Se unen directamente a los receptores colinérgicos.
• Betanecol (Retención urinaria).
• Pilocarpina (Glaucoma y Xerostomía).

Agonistas de acción indirecta (Inhibidores de la colinesterasa):

• Inhiben la degradación de la acetilcolina.
  • Inhibidores Reversibles: Edrofonio, Neostigmina, Piridostigmina.
  • Inhibidores Irreversibles: Organofosfatos (Insecticidas y gases nerviosos).

Antagonistas colinérgicos

• Bloquean los efectos de la acetilcolina.

Antagonistas muscarínicos:

• Atropina, escopolamina, ipratropio, oxibutinina.

Antagonistas nicotínicos:

• Bloqueadores ganglionares (Hexametonio).
• Bloqueadores neuromusculares (Succinilcolina, Tubocurarina).

Farmacología Adrenérgica

Agonistas adrenérgicos (Simpaticomiméticos)

• Imita los efectos de epinefrina y norepinefrina.
  • Agonistas selectivos:
    • $\alpha_1$: Fenilefrina.
    • $\alpha_2$: Clonidina.
    • $\beta_1$: Dobutamina.
    • $\beta_2$: Albuterol.
  • Agonistas no selectivos:
    • Epinefrina (Receptores $\alpha_1$, $\alpha_2$, $\beta_1$, y $\beta_2$).

Agonistas de acción indirecta:

• Agentes liberadores (Anfetamina).
• Inhibidores de la recaptación (Cocaína).
• Inhibidores de la monoamino oxidasa (MAOIs).

Antagonistas Adrenérgicos (Simpatolíticos)

• Bloquean los efectos de la epinefrina y la norepinefrina.
  • Antagonistas $\alpha$-adrenérgicos:
    • No selectivos (Fenoxibenzamina, Fentolamina).
    • Selectivos $\alpha_1$ (Prazosina).
  • Bloqueantes $\beta$-adrenérgicos (Betabloqueantes):
    • Propranolol.
    • Metoprolol.
  • Bloqueadores $\alpha$ y $\beta$:
    • Labetalol.