Control del sistema en Windows 10: Opciones avanzadas

Cuando se desea controlar un ordenador de forma precisa, bajo el sistema operativo Windows 10, accediendo a los ajustes de personalización, ocultos normalmente al usuario normal, una forma rápida y sencilla es tecleando el siguiente procedimiento:

*Se crea una nueva carpeta y como nombre tecleamos el código: 

ID.{ED7BA470-8E54-465E-825C-99712043E01C} 

El resultado es que automáticamente accedemos a una carpeta que modifica el icono por defecto, y añade la etiqueta que hemos prefijado de nuestra identidad (ID), que frecuentemente suele aparecer en Internet como "Modo dios" o "GodMode", pero admite cualquier etiqueta que prefiera el usuario. 

Al final con un sola pulsación de ratón, obtenemos un acceso sencillo a toda una serie de opciones avanzadas de configuración, agrupadas en una pantalla.

Inteligencia Artificial y Entropía

La entropía puede ser definida como la cantidad de ‘microestados’ posibles para un ‘macroestado’ de un sistema. A la hora de cuantificar el proceso podemos calcularlo de muchas formas. Por ejemplo:
* H = k log(N), donde N es el número de microestados (equiprobables).
* H = -1*Suma (Pi log(Pi)), siendo Pi la probabilidad del microestado i-ésimo.
* H = Suma (mi*vi), donde mi y vi son la masa y velocidad de cada partícula.

Todas son equivalentes entre sí y se elige en cada caso dependiendo de los datos que disponemos en cada caso.

El concepto de "entropía a futuro" (Wissner-Gross & Freer, 2013) es cuando hacemos corresponder a la entropía en el espacio de todos los posibles futuros alcanzables (microestados), desde un estado inicial (macroestado), y asumiendo un segmento temporal (t) hacia ese futuro. El objetivo, de la programación por el método Monte Carlo de este tipo de metaheurísticos, es dar la apariencia de inteligencia en los sistemas.

Una conferencia más desarrollada, de lo que estamos describiendo, lo podemos visualizar en el siguiente vídeo en Youtube:

Referencias.
Wissner-Gross,A.D. & Freer,C.E. (2013).Causal Entropic Forces, Physical Review Letters, 110: 168702, 19 Apr. (formato pdf)

Simulación en R: Matrices de correlaciones

Brevemente presentamos un procedimiento de simulación en R, que tiene como objetivo la generación de números pseudoaleatorios relacionados de acuerdo a un patrón fijado de antemano por el investigador. 

Posteriormente se presenta de forma gráfica la estructura alcanzada.

----

Procedimiento general de simulación:

library(psych)

library(MASS)

PatCorr <- matrix(c(1, 0.8, -0.4, 0.2,

                   0.8, 1,   0.15, 0.3,

                  -0.4, 0.15,   1, 0.1,  

                   0.2, 0.3, 0.1,   1),nrow=4)

M <- mvrnorm(5000, mu=rep(0,4), Sigma = PatCorr,empirical = TRUE)

---

Procedimiento de resultados:

head(M)  
pairs.panels(M)
---
Obteniéndose en este caso simulado...
            [,1]        [,2]       [,3]        [,4]
[1,]  0.04508237  0.13164350 -0.4929757  0.37310566
[2,]  1.07220292  0.67510691 -0.9520928 -1.01714666
[3,]  0.41117075  0.38988280 -0.6533527 -0.21138061
[4,] -0.05390150 -0.04880109  0.1695599 -0.05594154
[5,] -0.54652194  0.32840506  0.7111292 -0.18216643
[6,] -1.23544943 -1.51118618 -1.0223330  0.92505704
....

En caso de ajustar el valor de p para múltiples contrastes usaremos el procedimiento:
datos<-as.data.frame(M)

corr.test(datos, y = NULL, 
use = "pairwise",method="pearson",adjust="holm",alpha=.05)

SPSS (CrowdSourcing)

El trabajo en la red, de forma cooperativa, es algo bien conocido en estos tiempos. Desde hace años, el SPSS incorpora un elemento que encaja dentro de esta filosofía. Concretamente la posibilidad de acceder a bases de datos que no están almacenadas en nuestras máquinas, sino en lo que se conoce como la nube. Posibilitando de esta forma el acceso a distintos investigadores sin tener la necesidad de almacenarlos en sus dispositivos.

La instrucción implementada en concreto:

SPSSINC GETURI DATA

En el ejemplo mostrado en la imagen siguiente podemos ver la pantalla de acceso a una base de datos:

Encaja en la filosofía de hacer público los datos (poner en línea los datos), como una forma de que otros sean capaces de avanzar rápidamente en la línea de investigación. Si hay algunas restricciones de confidencialidad, se deben retirar los elementos que puedan ayudar a la identificación de los encuestados.

Python & SPSS

Python es un lenguaje integrado dentro del programa IBM SPSS. De naturaleza intérprete, multiparadigmático (soporta orientación a objetos, programación imperativa y funcional).

Es útil, junto al R, a la hora de utilizar  tareas repetitivas, o bien en operaciones avanzadas no disponibles a través de los cuadros de diálogo. Es un complemento básico si usamos la sintaxis de IBM SPSS, permitiendo el acceso a estructuras complejas de programación.

En SPSS se programa de forma general en el editor de sintaxis, permitiendo su cifrado. Se puede proteger con una contraseña. Estos archivos solo se pueden abrir proporcionando la contraseña (extensión spsx).

Qcloud

El profesor Jeremy O’Brien de la Univ. de Bristol, ha anunciado el 6 de septiembre de 2013, el proyecto Qcloud. Permite el acceso a un simulador de su ordenador cuántico (tecnologías fotónicas), posibilitando que los algoritmos ejecutados de forma correcta en el simulador podrán solicitar  también el uso en su ordenador cuántico real, y de forma gratuita.

Para poder hacer uso de esta herramienta hay que registrarse en la web bristol.ac.uk/quantum-computing, donde también se encuentran los manuales y las guías de usuario del simulador.