Universidad Tecnolgica Del Per filial Arequipa

Facultad De Ingeniera
Carrera Profesional
Ingeniera de Sistemas e Informtica

Anlisis e implantacin de un Sistema de Produccin que emplea una

herramienta Data Mining para el pronstico de produccin en la empresa
de calzados DUKE S.A.C. Arequipa, 2015

Presentado por:
Ventura Mamani Wily
Curso: Seminario de Tesis I
Dcimo Ciclo
Profesor asesor:
Ing. Adin Snchez Snchez

Arequipa Per
2015

1. TTULO DE LA INVESTIGACIN
DISEO E IMPLEMENTACIN DE UN SISTEMA DE PRONSTICO DE
VENTAS PARA TABLEROS SAC UTILIZANDO REDES NEURONALES
FRENTE A LA EXPERIENCIA DE LOS VENDEDORES AREQUIPA AO2015.

2. PROBLEMA DE INVESTIGACIN
2.1. Descripcion del Problema
La prediccion de ventas en la empresas ha sido una de las tareas mas
importantes puesto que las empresas nesecitan conocer los productos
que son mas vendidos o menos vendidos en un determinado tiempo
para evitar exeso o escases de productos, pero hasta ahora muchas de
las empresas llevan este control mediante algunas herramientas o la
experiencia de los vendedores. Se utilizan pronosticos en diferentes
areas de la empresa como ventas, compras, produccion, etc.
Sinembargo un error en la prediccin podra dejar a una empresa sin la
materia prima o los insumos suficientes para su produccion o podria
dejarle con un inventario demasiado grande, en cualquier situacion un
pronstico erroneo disminuye las utilidades de la empresa.
En la actualidad las consecuencias anteriores representan un grave
problema para muchas empresas ya que los pronosticos de ventas se
deben hacer para miles de productos.

2.2. Formulacin del problema

DISEO

IMPLEMENTACIN

DE

UN

SISTEMA

DE

PRONSTICO DE VENTAS PARA TABLEROS SAC UTILIZANDO

REDES NEURONALES FRENTE A LA EXPERIENCIA DE LOS
VENDEDORES AREQUIPA AO-2015

2.2.1 Interrogantes de Investigacin

Interrogante General:

Ser factible disear e implementar un sistema de

pronstico de ventas para TABLEROS SAC utilizando
redes

neuronales

frente

la

experiencia

de

los

vendedores?
Interrogantes Especficas:

Cmo son las variables que permiten cuantificadas los

productos para el pronstico?

Cul es la arquitectura de la red neuronal ms apropiada

para el pronstico de ventas?

Cmo es la tcnica de redes neuronales en la prediccin

de ventas?
Cmo es la experiencia de venta de los vendedores en la

prediccin de ventas?
Qu diferencias existen entre las tcnicas que permitan
descubrir la prediccin de ventas?

3. Objetivos de la Investigacin
3.1. Objetivo general

Disear e implementar un sistema de pronstico de ventas para

TABLEROS SAC utilizando redes neuronales frente a la
experiencia de los vendedores Arequipa ao- 2015.

3.2. Objetivos Especficos

Identificar las variables que permiten cuantificadas los productos

para el pronstico.
Desarrollar la arquitectura de la red neuronal ms apropiada para

el pronstico de ventas.
Aplicar la tcnica de redes neuronales para la prediccin de

ventas
Determinar la

prediccin de ventas.
Comparar las tcnicas que permitan descubrir la prediccin de

experiencia de venta de los vendedores en la

ventas.

4. Justificacin y delimitacin de la investigacin

4.1. Justificacin de la investigacin
La estimacin del comportamiento futuro de algunas variables puede
realizarse utilizando diversas tcnicas de pronstico. Cada una de las
tcnicas de proyeccin tiene una aplicacin de carcter especial que
hace de su seleccin un problema de decisin influido por diversos
factores, como por ejemplo, la validez y disponibilidad de los datos
histricos,

la

precisin

deseada

del

pronstico,

el

costo

del

procedimiento, los beneficios del resultado, los periodos futuros que se

desee pronosticar y el tiempo disponible para hacer el estudio entre
otros [Sapag Chain, 2010].
Las empresas actualmente no conoce la cantidad exacta y precisa de los
productos para vender en una determinada temporada, generndose en
ocasiones perdidas en la empresa. Muchas empresas cometen errores
pronosticando sus ventas esto podra dejar a la empresa desabastecida
o sobrepasar la materia prima o productos.
Se necesita un buen pronstico de para optimizar la planeacin de
ventas por tal motivo muy importante realizar un estudio para determinar
un acertado pronstico de ventas para la empresa TABLEROS SAC

utilizando una de las diferentes tcnicas que nos ayudan a predecir

furutas ventas, como es la tecnica de Redes Neuronales.

4.2. Delimitacin de la investigacin

El presente estudio se realizar acerca de la demanda del sector
Comercial de venta de productos de Ferreteria y servicio de cortes
especiales y canteado en Per, especificamente para una empresa
distribuidora localizada en la ciudad de Arequipa, El pronostico se llevar
a cabo para la linea de productos de Ferreteria.
La empresa en la que se desarrolla el estudio y las pruebas es
TABLEROS SAC, en un tiempo determinado de Abril a Diciembre del
Ao 2015.

2. Marco Terico
2.1. Redes Neuronales Artificiales
2.1.1. Introduccin
Si tuviramos que definir la principal caracterstica que nos separa del resto de
animales seguramente, la gran mayora de nosotros, responderamos la
capacidad de raciocinio. Esta capacidad nos ha permitido desarrollar una
tecnologa propia de tal manera que, en estos momentos, esta tecnologa se
orienta a descubrir su origen. Cmo funciona el cerebro? Se pueden
construir modelos artificiales que lo emulen? Se pueden desarrollar mquinas
inteligentes? Todas estas preguntas han conducido a un rpido desarrollo de
un campo multidisciplinar del conocimiento conocido como Inteligencia Artificial
(I.A.). Este campo se podra dividir en dos clases que podramos definir como
macroscpico y microscpico.
En el primero de ellos se intenta modelizar el funcionamiento del cerebro en
base a reglas del tipo si ocurre esto entonces..., el nombre de macroscpico
se debe a que no se toma en cuenta en ningn momento la estructura interna
del cerebro sino que modeliza su comportamiento en base a un funcionamiento
que podramos definir como global. En la segunda aproximacin se parte de la
estructura que presenta el cerebro de tal forma que se construyen modelos que
tienen en cuenta dicha estructura. De esta forma aparecen neuronas
artificiales que se combinan entre s para formar estructuras multicapas que,
a su vez, pueden combinarse para formar comits de expertos, etc. Esta
forma de combinacin recuerda la estructura en niveles del cerebro. Esta
aproximacin de la I.A conocida como redes neuronales ha sufrido, en los
ltimos aos, un incremento espectacular en publicaciones, aplicaciones
comerciales, nmero de congresos celebrados, etc.

2.1.2. REDES NEURONALES

Las redes neuronales artificiales (RN) son sistemas paralelos para el
procesamiento de la informacin, inspirados en el modo en el que las redes de
neuronas biolgicas del cerebro procesan informacin.
2.1.3. VENTAJAS DE LAS REDES NEURONALES
Acabamos de ver el desarrollo histrico de los sistemas conexionistas; se ha
comprobado que, es una ciencia multidisciplinar donde ingenieros, psiclogos,
mdicos, matemticos y fsicos tericos han aportado algn elemento a estas
teoras, pero, por qu ese inters en estos sistemas? qu tienen en especial
frente a otros que podramos denominar clsicos? en definitiva qu cosas
nuevas nos ofrecen?
Al principio de este captulo se ha comentado que la potencia computacional de
una red neuronal deriva, principalmente, de su estructura de clculo distribuido
paralelo. Esta estructura le permite la resolucin de problemas que necesitaran
gran cantidad de tiempo en ordenadores clsicos. Pero aparte de este hecho
aparecen otras propiedades que las hacen especialmente atractivas para ser
usadas en una gran cantidad de problemas prcticos:
a) Son sistemas distribuidos no lineales: Una neurona es un elemento no
lineal por lo que una interconexin de ellas (red neuronal) tambin ser
un dispositivo no lineal. Esta propiedad permitir la simulacin de
sistemas no lineales y caticos, simulacin que, con los sistemas
clsicos lineales, no se puede realizar.
b) Son sistemas tolerantes a fallos Una red neuronal, al ser un sistema
distribuido, permite el fallo de algunos elementos individuales (neuronas)
sin alterar significativamente la respuesta total del sistema. Este hecho
las hace especialmente atractivas frente a los computadoras actuales
que, por lo general, son sistemas secuenciales de tal forma que un fallo
en uno de sus componentes conlleva que el sistema total no funcione.
c) Adaptabilidad: Una red neuronal tiene la capacidad de modificar los
parmetros de los que depende su funcionamiento de acuerdo con los

cambios que se produzcan en su entorno de trabajo (cambios en las

entradas, presencia de ruido, etc...). Con respecto a la capacidad de
adaptacin hay que tener en cuenta que sta no puede ser tampoco
excesivamente grande ya que conducira a tener un sistema inestable
respondiendo a pequeas perturbaciones. Este es el problema conocido
como el dilema plasticidad-estabilidad.
e) Establecen relaciones no lineales entre datos. Las redes neuronales
son capaces de relacionar dos conjuntos de datos mediante relaciones
complejas.
f) Posibilidad de implementacin en VLSI: Esta posibilidad permite que
estos sistemas puedan ser aplicados en sistemas de tiempo real,
simulando sistemas biolgicos mediante elementos de silicio.
Todas estas ventajas hacen el uso de las redes neuronales especialmente
atractivo en un gran nmero de aplicaciones. Sin embargo antes de enunciar
algunas (no todas!) de estas aplicaciones pasaremos a describir los diferentes
modelos que nos podemos encontrar.
En el campo de las redes neuronales se conoce con el nombre de arquitectura
la forma en la que se unen los diferentes elementos, neuronas, mediante una
serie de conexiones, pesos sinpticos. En principio podemos distinguir tres
niveles, en cuanto a arquitectura se refiere, que los podemos definir como:

Microestructura: Este nivel hace referencia al elemento ms pequeo: la

neurona. Este es el nivel ms pequeo pero no por ello es el menos
importante; aqu se fijan caractersticas tan importantes como la funcin

de activacin que se explicar a continuacin.

Mesoestructura: Una vez sobrepasado el nivel neuronal llegamos a este
nivel donde se fija la forma de conexin y la disposicin de los

elementos explicados anteriormente.

Macroestructura: Las diferentes redes planteadas en el nivel anterior se
pueden combinar entre s para dar estructuras mayores alcanzndose
mejores prestaciones.

Veamos ms detenidamente todos estos niveles.

2.1.4. ARQUITECTURAS NEURONALES

Los elementos bsicos comentados anteriormente se pueden conectar entre s
para dar lugar a las estructuras neuronales o modelos conexionistas que
podramos clasificar de diferentes formas segn el criterio usado. As se
tendra:
2.1.4.1Segn el nmero de capas

Redes neuronales monocapas Se corresponde con la red neuronal ms

sencilla ya que se tiene una capa de neuronas que proyectan las
entradas a una capa de neuronas de salida donde se realizan diferentes
clculos. La capa de entrada, por no realizar ningn clculo, no se
cuenta de ah el nombre de redes neuronales con una sola capa. Una
aplicacin tpica de este tipo de redes es como memorias asociativas.

Redes neuronales multicapa Es una generalizacin de la anterior

existiendo un conjunto de capas intermedias entre la entrada y la salida
(capas ocultas). Este tipo de red puede estar total o parcialmente
conectada.

2.1.4.2. Segn el tipo de conexiones

Redes neuronales no recurrentes. En esta red la propagacin de las seales se
produce

en

un

sentido

solamente,

no

existiendo

la

posibilidad

de

realimentaciones.
Lgicamente estas estructuras no tienen memoria.
Redes neuronales recurrentes. Esta red viene caracterizada por la existencia
de lazos de realimentacin. Estos lazos pueden ser entre neuronas de
diferentes capas, neuronas de la misma capa o, ms sencillamente, entre una
misma neurona. Esta estructura recurrente la hace especialmente adecuada
para estudiar la dinmica de sistemas no lineales. La siguiente figura
representa el esquema de una red recurrente.

2.1.4.3. Segn el grado de conexin

Redes neuronales totalmente conectadas. En este caso todas las

neuronas de una capa se encuentran conectadas con las de la capa
siguiente (redes no recurrentes) o con las de la anterior (redes

recurrentes).
Redes parcialmente conectadas. En este caso no se da la conexin total
entre neuronas de diferentes capas.

Estas estructuras neuronales se podran conectar entre s para dar lugar a

estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexin
se puede llevar a cabo de diferentes formas siendo las ms usuales las
estructuras en paralelo y jerrquicas.
En la primera estructura se plantea un consenso entre las diferentes redes
para obtener la salida mientras que en la estructura jerrquica existen redes
subordinadas a otras que actan como elementos centrales en la salida final de
la red.
2.1.5. Parmetros de la red
Segn [Pino02] se consideran ciertos parmetros para la elaboracin de la red.
A continuacin, se mencionan las ms importantes:

Topologa de la red. La topologa de la red considera la cantidad y

definicin de las variables de entrada y salida del sistema a desarrollar,
as como el modelo de red a utilizar, los ms comunes son el perceptrn
multicapa, los mapas kohonen, etc., as mismo se define la cantidad de
neuronas y las funciones de activacin en cada capa de la red neuronal.
A continuacin, se mencionan los parmetros necesarios para la red.
Wij: Peso correspondiente de las neurona i hacia la neurona j
Wjk: Peso correspondiente de las neurona j hacia la neurona k
N: Nmero de neuronas en la capa de entrada

O: Nmero de neuronas en la capa oculta

Y: Nmero de neuronas en la capa de salida

Algoritmo de aprendizaje. Los algoritmos ms comunes utilizados en el

desarrollo de las redes neuronales son el backpropagation y todas sus
variantes.
El algoritmo presenta dos fases que son las siguientes:
- Fase de Aprendizaje o Entrenamiento
- Fase de Recuerdo
La idea es actualizar los pesos de la capa escondida por lo cual se
retropropaga el error hacia las capa intermedia.

2.2. Red Backpropagation

2.2.1. Introduccin
Durante muchos aos no se obtuvo ningn tipo de xito en el diseo de
algoritmos de entrenamiento de redes multicapa. A partir de la comprobacin
de la severa limitacin de los sistemas de una capa, el mundo de la
computacin neuronal entr en un obscurecimiento y abandono casi general
durante dos dcadas.
La invencin del algoritmo Backpropagation ha desempeado un papel vital en
el

resurgimiento

del

inters

de

las

redes

neuronales

artificiales.

Backpropagation es un mtodo de entrenamiento de redes multicapa. Su

potencia reside en su capacidad de entrenar capas ocultas y de este modo
supera las posibilidades restringidas de las redes de una nica capa.
El concepto bsico de Backpropagation fue presentado en 1974 por Paul
Werbos e independientemente reinventado por David Parker en 1982, y
tambin presentado en 1986 por Rumelhart, Hinton y Willians. La duplicidad de
esfuerzos y trabajos es frecuente en cualquier disciplina, y ms en el mundo de
las ANN debido a su naturaleza interdisciplinaria.

2.2.2. Arquitectura de la Red Backpropagation

Las entradas se muestran a la izquierda, y a la derecha se encuentran
unidades que reciben la salida de la unidad procesadora situada en el centro
de la figura.
La unidad procesadora se caracteriza por realizar una suma ponderada de las
entradas llamada Sj, presentar una salida aj y tener un valor j asociado que se
utilizar en el proceso de ajuste de los pesos. El peso asociado a la conexin
desde la unidad i a la unidad j se representa por w ji, y es modificado durante el
proceso de aprendizaje.

Unidad Procesadora Bsica Backpropagation.

Normalmente, la Backpropagation utiliza tres o ms capas de unidades
procesadoras. La Figura (5.2) muestra la topologa backpropagation tpica de
tres capas. La capa inferior es la capa de entrada, y se caracteriza por ser la
nica capa cuyas unidades procesadoras reciben entradas desde el exterior.
Sirven como puntos distribuidores, no realizan ninguna operacin de clculo.
Las unidades procesadoras de las dems capas procesan las seales como se
indica en la figura. La siguiente capa superior es la capa oculta, y todas sus
unidades procesadoras estn interconectadas con la capa inferior y con la capa
superior. La capa superior es la capa de salida que presenta la respuesta de la
red.

Red Backpropagation completamente interconectada.

2.2.3. Algoritmo de Entrenamiento
Las redes Backpropagation tienen un mtodo de entrenamiento supervisado. A
la red se le presenta parejas de patrones, un patrn de entrada emparejado
con un patrn de salida deseada. Por cada presentacin los pesos son
ajustados de forma que disminuya el error entre la salida deseada y la
respuesta de la red.
El algoritmo de aprendizaje backpropagation conlleva una fase de propagacin
hacia adelante y otra fase de propagacin hacia atrs. Ambas fases se realizan
por cada patrn presentado en la sesin de entrenamiento.
2.2.4. Propagacin hacia Adelante.
Esta fase de propagacin hacia adelante se inicia cuando se presenta un
patrn en la capa de entrada de la red. Cada unidad de la entrada se
corresponde con un elemento del vector patrn de entrada. Las unidades de
entrada toman el valor de su correspondiente elemento del patrn de entrada y
se calcula el valor de activacin o nivel de salida de la primera capa. A
continuacin las dems capas realizarn la fase de propagacin hacia adelante
que determina el nivel de activacin de las otras capas.
La unidad procesadora j obtiene la cantidad Sj segn la ecuacin (5.1)
Sj = i ai wji

ec.(5.1)

y genera la salida o nivel de activacin segn la ecuacin (5.2)

Salida = f(Sj)

ec.(5.2)

La funcin f es una funcin umbral genrica, entre las que cabe destacar la
funcin Sigmoid y la funcin Hiperblica.
El valor de la salida de la unidad j es enviado o transmitido a lo largo de todas
las conexiones de salida de dicha unidad.
La Figura muestra la fase de propagacin hacia adelante.

Fase de Propagacin hacia Adelante.

Conviene indicar que las unidades procesadoras de la capa de entrada no
realizan ninguna operacin de clculo con sus entradas, ni operaciones con
funciones umbrales, slo asumen su salida como el valor del correspondiente
elemento del vector de entrada.
Por otro lado, algunas redes backpropagation utilizan unidades llamadas bias
como parte de cualquiera de las capas ocultas y de la capa de salida. Estas
unidades presentan constantemente un nivel de activacin de valor 1. Adems
esta unidad est conectada a todas las unidades de la capa inmediatamente
superior y los pesos asociados a dichas conexiones son ajustables en el
proceso de entrenamiento. La utilizacin de esta unidad tiene un doble objetivo,

mejorar las propiedades de convergencia de la red y ofrecer un nuevo efecto

umbral sobre la unidad que opera.
2.2.5. Propagacin hacia Atrs.
Una vez se ha completado la fase de propagacin hacia adelante se inicia la
fase de correccin o fase de propagacin hacia atrs. Los clculos de las
modificaciones de todos los pesos de las conexiones empiezan por la capa de
salida y continua hacia atrs a travs de todas las capas de la red hasta la
capa de entrada. Dentro de los tipos de ajuste de pesos se puede clasificar dos
grupos, ajuste de unidades procesadoras de la capa de salida y ajuste de
unidades procesadoras de las capas ocultas.
Ajuste de Pesos de la Capa de Salida: el ajuste de estos pesos es
relativamente sencillo debido a que existe y se conoce el valor deseado para
cada una de las unidades de la capa de salida. Cada unidad de la capa de
salida produce un nmero real como salida y se compara con el valor deseado
especificado en el patrn del conjunto de entrenamiento.
A partir del resultado de la comparacin se calcula un valor de error j, segn la
ecuacin (5.3) para cada unidad de la capa de salida.
j = (tj _ aj) f_(Sj)

ec.(5.3)

siendo tj el valor de salida deseado y f_ la derivada de la funcin umbral f

La Figura muestra el clculo de los valores j de las unidades de la capa de
salida.

Clculo de los valores j de la Capa de Salida.

Ajuste de Pesos de las Capas Ocultas: estas capas no tienen un vector de
salidas deseadas y por tanto no se puede seguir el mtodo de propagacin de
error mencionado en el caso de unidades procesadoras de la capa de salida. El
valor de error calculado para este tipo de unidades procesadoras se obtiene a
partir de la ecuacin (5.4).
j = [kk wkj] f_(Sj)

ec.(5.4)

La Figura representa la obtencin del valor j para las unidades de las capas
ocultas.

Clculo de los valores j de las Capas Ocultas.

El ajuste de los pesos asociados a las conexiones se realiza a partir del valor ?
de cada unidad de proceso. Cada peso es ajustado segn la ecuacin (5.5)
conocida como la regla ? generalizada (Rumelhart y McClelland 1986)
wji = j ai

ec.(5.5)

La variable es el coeficiente de aprendizaje. Este coeficiente, normalmente

entre 0.25 y 0.75 refleja el grado de aprendizaje de la red. Algunas veces este
coeficiente es modificado de un valor inicial alto a valores progresivamente
menores durante la sesin del entrenamiento con el objetivo de lograr un mejor
aprendizaje.
Convergencia: en el proceso de entrenamiento o aprendizaje de la
Backpropagation es frecuente medir cuantitativamente el aprendizaje mediante
el valor RMS (Root Mean Square) del error de la red. Esta medida refleja el
modo en el que la red est logrando respuestas correctas; a medida que la red
aprende, su valor RMS decrece.
Debido a que los valores de salida de la red y los valores de salidas deseadas
son valores reales, es necesario definir un parmetro de corte o un valor
umbral del valor RMS del error de la red que permita decir que la red se
aproxima a la salida deseada y considerar que la respuesta es correcta.
La convergencia es un proceso en el que el valor RMS del error de la red
tiende cada vez ms al valor 0. La convergencia no siempre es fcil de
conseguirla porque a veces el proceso puede requerir un tiempo excesivo o
bien porque la red alcanza un mnimo local y deja de aprender.
2.2.6. VENTAJAS E INCONVENIENTES
La principal ventaja de la Backpropagation es su capacidad genrica de mapeo
de patrones. La red es capaz de aprender una gran variedad de relaciones de
mapeo de patrones. No requiere un conocimiento matemtico de la funcin que
relaciona los patrones de la entrada y los patrones de salida. La
Backpropagation slo necesita ejemplos de mapeo para aprender. La
flexibilidad de esta red es aumentada con la posibilidad de elegir nmero de

capas, interconexiones, unidades procesadoras, constante de aprendizaje y

representacin de datos. Como resultado de estas caractersticas la red
Backpropagation es capaz de participar con xito en una amplia gama de
aplicaciones.
El mayor inconveniente es el tiempo de convergencia. Las aplicaciones reales
pueden llegar a tener miles de ejemplos en el conjunto de entrenamiento y ello
requiere das de tiempo de clculo. Adems la backpropagation es susceptible
de fallar en el entrenamiento, es decir, la red puede que nunca llegue a
converger.
Existe una variedad de tcnicas desarrolladas para disminuir el tiempo de
convergencia y evitar los mnimos locales. El trmino de "momentum" se utiliza
para aumentar la velocidad del proceso de convergencia. Otra forma de
mejorar la convergencia se basa en la variacin del parmetro de aprendizaje
comenzando con valores altos y adquiriendo progresivamente valores ms
pequeos. Entre las tcnicas utilizadas para evitar los mnimos locales
destacan cambiar la red, cambiar el conjunto de entrenamiento y aadir ruido
aleatorio a los pesos.

2.3 Antecedentes
Ttulo: Sistema de pronstico de la demanda de productos farmacuticos
basado en redes neuronales
Autores: Eybi Gil Zavaleta, Enith Rodrguez Collas
Ao: 2010
Procedencia: Universidad Nacional Mayor de San Marcos Lima-Per
Resumen: La supervivencia en los negocios altamente competitivos de hoy
requiere una visin precisa de la demanda para poner en marcha los planes de
produccin, inventario, distribucin y compra dentro de las empresas; el sector
farmacutico no es la excepcin, pues los efectos de las temporadas,
promociones, cambios de precios, publicidad, productos con bajo o alto nivel de
movimiento y datos atpicos en general afectan en la determinacin de la
misma. En este contexto, pronosticar por arriba de la demanda tiene entre sus
consecuencias el excesivo inventario de frmacos, obsolescencia o caducidad,
y por otro lado, pronosticar por debajo de la demanda tiene como consecuencia
la prdida de las ventas y un posible incremento en los costos. Por lo
mencionado, el tema se centra en el desarrollo de un sistema que usa las
tcnicas de redes neuronales artificiales para el pronstico de la demanda de
productos.
En este trabajo se propone el uso de una red neuronal (Perceptrn multicapa)
para el pronstico de la demanda de productos farmacuticos, la cual realizar
su fase de aprendizaje con el algoritmo backpropagation que brinda una taza
de error de 3.57% en el mejor caso encontrado; su implementacin se
desarrollar bajo la tecnologa de MATLAB para la construccin de la red
neuronal y del lenguaje JAVA para el diseo de la interfaz grfica de usuario.

Ttulo: Pronsticos en el mercado de derivados utilizando redes neuronales y

modelos ARIMA una aplicacin al Cete de 91 das en el MexDer.
Autor: Ivn Cruz Torres
Ao: 2008

Procedencia: Universidad Nacional Autnoma de Mxico

Resumen: El objetivo de esta tesis es proponer un modelo que permita
pronosticar la tendencia de la serie del futuro del Cete de 91 das en el MexDer
con vencimiento en diciembre de 2008, aplicando redes neuronales y series de
tiempo, y comparar los pronsticos obtenidos de esta forma con los que se
obtendra con un modelo ARIMA tradicional, con el fin de conocer que modelo
ajusta mejor los datos dentro de muestra y que modelo pronostica mejor los
datos fuera de muestra.
La principal aportacin es demostrar que el modelo propuesto basado en redes
neuronales es capaz de obtener buenas aproximaciones tanto en el ajuste
como en el pronstico, adems de observar que, en este caso en particular, la
aproximacin resulta mejor que la generada por medio de la metodologa
ARIMA. As tambin, la tesis contiene una propuesta metodolgica para la
aplicacin de las redes neuronales a las series de tiempo financieras.
Este trabajo se divide en dos partes: Parte I, Marco terico. Series de tiempo y
redes neuronales, en donde se establecen las bases tericas para el desarrollo
de la tesis. Parte II. Desarrollo y aplicacin del modelo propuesto y,
comparacin con la metodologa ARIMA, en la cual se muestran las hiptesis
de la investigacin, su desarrollo y los resultados obtenidos, a partir de los
cuales se presentan las conclusiones y algunas propuestas para futuras
investigaciones.

Ttulo: Prediccin del consumo de xtasis a partir de redes neuronales

artificiales
Autor: Alfonso Palmer Pol
Procedencia: Universidad de las Islas Baleares Espaa
Resumen: El propsito del presente estudio fue mostrar cmo una red neuronal
artificial (RNA) puede ser til para predecir el consumo de xtasis (MDMA).

Ms especficamente, se trata de desarrollar una red neuronal del tipo

backpropagation capaz de discriminar entre quin consume xtasis y quin no,
a partir de las respuestas dadas por los sujetos a un cuestionario. La muestra
estaba compuesta por 148 consumidores y 148 no consumidores de xtasis.
Se explican las diferentes fases llevadas a cabo para desarrollar la RNA:
seleccin de las variables relevantes y preprocesamiento de los datos, divisin
de la muestra en grupo de entreno, validacin y test, entreno y evaluacin del
modelo de red, y anlisis de sensibilidad. La eficacia de la RNA entrenada fue
del 96.66%. El rea bajo la curva ROC (Receiver operating characteristic) fue
de 0.99440.0055 SE. Por otra parte, se pretende mostrar que las RNA no
representan una caja negra, sino que pueden dar informacin acerca del
grado de influencia que tiene cada variable predictora sobre el consumo de
xtasis.

Ttulo: Comparacin de prediccin basada en redes neuronales contra mtodos

estadsticos en el pronstico de ventas
Autores: Edgar Augusto Ruelas Santoyo y Jos Antonio Laguna Gonzlez
Ao: 2013
Procedencia: Mxico
Resumen: La intencin del presente artculo es realizar la comparacin y
seleccin de un mtodo para pronosticar las ventas de forma eficiente y que
beneficie a organizaciones que ofrecen sus productos al mercado ya que los
pronsticos de ventas son datos de entrada a diferentes reas de la empresa y
de ser imprecisos pueden generar gastos para la organizacin. El caso de
estudio en este artculo fue llevado a cabo dentro de la empresa Productos
Frugo S.A. de C.V., dedicada a la comercializacin de productos alimenticios.
Los mtodos y metodologas utilizados y posteriormente comparados al
pronosticar las ventas de la empresa antes mencionada son: Mtodo de Hold,
Winters, la metodologa Box Jenkins (ARIMA) y una Red Neuronal Artificial. Los
resultados muestran que la red neuronal artificial obtuvo un mejor desempeo
logrando el menor error cuadrtico medio, de esta forma es posible establecer

un panorama adecuado para el uso de la inteligencia artificial dentro de la

industria.
Ttulo: Evaluacin de pronsticos del tipo de cambio utilizando redes
neuronales y funciones de prdida asimtricas
Autores: Munir Andres Jalil y Martha Misas
Ao: 2007
Procedencia: Universidad Nacional de Colombia
Resumen: Se comparan especificaciones lineales y no lineales (estas ltimas
expresadas en redes neuronales artificiales) ajustadas a la variacin porcentual
diaria del tipo de cambio utilizando para ello funciones de costo tradicionales
(simtricas) y funciones de prdida asimtricas. Los resultados muestran que
las redes neuronales permiten obtener mejores pronsticos con ambos tipos de
funciones de costos. Sin embargo, es de anotar que cuando se evalan los
pronsticos con funciones asimtricas, el modelo no lineal supera ampliamente
a su contraparte lineal.

Ttulo: Metodologa para calcular el Pronstico de Ventas y una medicin de su

precisin en una Empresa Farmacutica: Caso de Estudio
Autor: GABRIELA GARDUO GARCA
Ao: 2011
Procedencia Instituto Politcnico Nacional Mxico
Resumen: En el presente trabajo se propone una metodologa para el clculo
del Pronstico de Ventas de una empresa de Sector Farmacutico que
contribuya a disminuir el abastecimiento excesivo que generalmente existe en
la compaa y con esto minimizar los costos, como el de almacenamiento de
productos terminados y materiales. Para lo cual, se evaluaron y compararon
diferentes mtodos cuantitativos de pronsticos, resultando ser el Mtodo
Winters el que mejor precisin ofrece para el clculo del pronstico de ventas
de la empresa de estudio.

La metodologa propuesta tiene la particularidad de aplicarse a problemas de

pronsticos en industrias farmacuticas en donde la base de datos no est
constituida de una cantidad considerable de observaciones para poder aplicar
otras tcnicas de series de tiempo como los modelos ARIMA. En el trabajo se
presenta una tcnica para realizar recorridos de evaluacin en los parmetros
del mtodo de Winters, de tal forma que en lugar de realizar una sola
evacuacin como lo hacen los paquetes estadsticos, se genera un recorrido de
100,000 generaciones de los parmetros distribuidas en un hipercubo
(hypercube). En cada terna se emplea el mtodo de Winters y al final se elige
la terna que da menor medida de dispersin entre los valores pronosticados y
los valores reales.
Adems, el modelo propuesto permite calcular el riesgo que existe en
situaciones extremas de ventas con la finalidad de fortalecer el anlisis y
evaluacin de los pronsticos obtenidos a travs de la metodologa propuesta
como apoyo para la toma de decisiones de la organizacin.

2.2.4. Hiptesis
El diseo e implementacin de un sistema que utilice la tcnica de redes
neuronales artificiales es posible obtener un pronstico de ventas ms
aceptado comparado con la experiencia de los vendedores.

Variable Dependiente
Pronostico de ventas

Variable Independiente
Redes Neuronales

Indicadores
Ajuste de la cantidad de productos
Cantidad de Bienes o Servicios
Compradores o Consumidores
Disposicin a adquirir el producto o servicio
Capacidad de pago
Precio dado

Indicadores
Peso correspondiente de las neuronas
Nmero de neuronas en la capa de entrada
Nmero de neuronas en la capa oculta
Nmero de neuronas en la capa de salida

Diagrama de Flujo:
Proceso del Area de Ventas

Flujo de Procesos del Proyecto

2.2.5. Estudio de Factibilidad

2.2.5.1. Factibilidad Tcnica

Requerimiento de Software
Windows 8.1
Office 2010 (Word, Excel)
Antivirus NOD 32
Netbeans 8.0
Matlab 9.0

Requerimiento de Hardware

Motherboard GIGABITE S2H DDR3 VD/SN/NW Micro-ATX

Procesador Intel Core I5- 3.06 GHz, 4MB Total Intel Smart Cache,
LGA1156, 32nm.

Memoria KINGTON 4 GB DDR3-1333MHz PC 3-10600 Exp. A 16

GB

Disco Duro de 1TB (7200 RPM) s-Ata. SEAGATE

Grabador de DVD 24X RE-Writer Negro Dual layer-LG

Lector de Memorias 5 en 1

Mouse ptico de dos botones y scroll GENIUS

Teclado en Espaol Multimedia

Monitor LED 18.5 LG o SAMSUNG

Tarjeta de Video Pci Express Integrado

Tarjeta de sonido incorporado de 8 canales

Tarjeta de Red 10/100/1000 Incorporada

Estabilizador de 100W

Case ATX- Doble tobera BOOMER

Requerimiento de Personal

Jefe de Proyecto

Analista

Diseador

Programador

2.2.5.2. Factibilidad Operativa

Configuracin de nuevas Redes

Configuracin de los parmetros solicitados por la red
Configuracin de los pesos de la red
Entrenar nuevas Redes
Pronosticar la venta de los productos por temporada

2.2.5.3. Factibilidad Econmica

COSTOS DE MATERIAL DE OFICINA Y PAPELERIA

GASTOS GENERALES

COSTO (S/.

Material de oficina

50.00

Papel

30.00

Tner de impresora
TOTAL
COSTOS DE PERSONAL
RECURSOS HUMANOS
Jefe de Proyecto es
Programador
Diseador
Analista
TOTAL

120.00
200.00
COSTO (S/.
el

2000.00
1500.00
1500.00
5000.00

) 5 Meses

COSTOS DE HARDWARE Y SOFTWARE

TOTAL GENERAL
7929.54
HARDWARE
COSTO
(S/.
Computadora Personal
1590.60
SOFTWARE
Sistema operativo

500.00

Windows 8.1
Office 2010
Nod 32
Matlab 10.0
Netbeans Java
TOTAL

313.97
44.62
280.35
0.00
2729.54

2.2.5.4. Anlisis Costo Beneficio

Beneficios Tangibles:

Espacios de Almacenes Disponibles

Productos necesarios y disponibles para las ventas
Reduccin de tiempo en el pronstico
TOTAL

S/. 1200.00
S/. 500.00
S/. 200.00
S/. 1900.00

Beneficios Intangibles:

Hacer un ptimo uso de los espacios disponibles en el rea de

almacn, reduciendo espacios ocupados innecesarios.

Conocimiento de los productos pronosticados en el tiempo.

1 - 8 mes

9mes

10mes

11mes

12mes

13 mes

1900.00

1900.00

1900.00

1900.00

4129.54

2229.54

329.54

Costo
S/. 7929.54
Beneficios
(S/.)
Costo/Beneficio
(S/.)

1900.
00
6029.
54

-1570.46

2.2.5.5. Costo/Beneficio.