TESIS
para optar el ttulo profesional de Ingeniero de Sistemas
AUTORES
Eybi Gil Zavaleta
Enith Rodrguez Collas
ASESOR
David Mauricio
Lima Per
2010
LIMA PER
Agosto, 2010
ii
iv
Este trabajo
en
nuestra
capacidad
de
AGRADECIMIENTOS
Al profesor David Mauricio por su orientacin y dedicacin brindada para que este
trabajo cumpla con los objetivos trazados.
A nuestras familias por apoyarnos a lo largo de la carrera y, ms an, a lo largo del
trabajo que representa la culminacin de la misma.
A todas aquellas personas que indirectamente nos ayudaron a cumplir este trabajo y
que constituyen un invalorable apoyo.
Y por encima de todo, damos gracias a Dios.
vi
NDICE
Lista de figuras
xii
Lista de tablas
xvi
CAPTULO 1: INTRODUCCIN
1.1. Antecedentes...........................................................................................................1
1.2. El problema.............................................................................................................2
1.3. Objetivos.................................................................................................................2
1.3.1.Objetivo principal...........................................................................................2
1.3.2.Objetivos especficos......................................................................................2
1.4. Justificacin.............................................................................................................3
1.5. Alcances y limitaciones...........................................................................................4
1.6. Propuesta.................................................................................................................4
1.7. Organizacin de la tesis...........................................................................................6
CAPTULO 2: PRONSTICO DE LA DEMANDA
2.1. Demanda...............................................................................................7
2.1.1. Definicin..................................................7
2.1.2. Elementos de la demanda..............................................8
2.2. Pronstico.................................................................................9
2.2.1. Definicin..........................................9
2.2.2. Enfoques de pronstico.................................................................9
2.2.3. Proceso de pronstico de la demanda.....................................................10
CAPTULO 3: REDES NEURONALES
3.1. Definicin .............................................................................12
3.2. Elementos bsicos.................................................12
3.3. Clasificacin de las RNAs.....................................................................13
3.4. Parmetros de la red..........................................................................14
3.5. Ventajas.............................................................................................15
3.6. Herramienta de aplicacin.....16
ix
xi
REFERENCIAS BIBLIOGRFICAS.....97
ANEXO A Ley general de Salud ......102
ANEXO B Herramienta MATLAB ..........106
ANEXO C Datos histricos de los productos RG y CH........111
ANEXO D Entrenamiento y validacin de la RNA...........120
ANEXO E Seleccin de las variables de entrada...........124
xii
Lista de figuras
Figura 1.1. Cuadro comparativo entre el valor real y el valor proyectado de la demanda de
agua
10
13
13
25
26
26
28
29
31
Figura 4.7. Representacin de la curva de carga observada y la ajustada por el modelo con
datos desconocidos.
32
37
41
Figura 5.1. Flujo de procesos propuesto para la resolucin del problema basado en el esquema del proceso de la demanda [Cox+02]
52
55
56
63
64
xiii
64
65
65
66
66
66
67
67
68
68
69
69
70
70
71
71
72
72
73
73
74
74
75
75
76
76
77
77
78
78
79
82
82
86
86
87
88
88
89
89
90
xv
Lista de tablas
30
31
32
33
33
34
35
36
37
37
37
38
38
44
46
47
50
51
51
53
54
58
xvi
59
60
62
62
79
80
81
83
83
83
Tabla 6.12. Cuadro comparativo (cantidades del experto vs. cantidades de la DF)
92
Tabla 6.13. Cuadro comparativo (cantidades del experto vs. cantidades de la RG)
93
Tabla 6.14. Cuadro comparativo (cantidades del experto vs. cantidades de la CH)
94
xvii
vii
viii
Captulo 1: Introduccin
UNMSM
Captulo 1
Introduccin
1.1. Antecedentes
La planeacin en toda industria es una necesidad, un punto vital. Se puede decir
incluso que el objetivo importante de la planeacin es tratar de prever lo que suceder en el
futuro a base de una recopilacin de hechos o sucesos acaecidos con anterioridad.
Los mtodos estadsticos convencionales usan en general determinados parmetros o
datos asociados a perodos de tiempo cuya relacin con la previsin de demanda es
complicada; la realidad es que muchos de los que toman decisiones en el campo de la
previsin de demanda lo hacen basndose en su instinto y experiencia. La realidad tambin
nos dice que la demanda se establece como un requisito primordial que debe soportar el
plan financiero o plan de ventas con lo que, la mayor parte de las veces, el proceso de
planificacin de la demanda est fuertemente condicionado por elementos que, en un
principio, tiene que ver con el mercado y los clientes [Serna03].
El mtodo usual de planeacin al interior de las empresas inicia con un proceso de
pronstico de la demanda, pronstico bien sea elaborado con un simple crecimiento sobre
resultados anteriores o mediante herramientas tecnolgicas que permiten efectuar
innumerables clculos para tratar de que el pronstico sea lo ms cercano a la realidad.
Muchas de estas herramientas son extremadamente costosas y, peor an, no son muchas las
personas que pueden efectuar un pronstico seguro a partir de los resultados de las mismas.
Inicialmente, los pronsticos en las empresas se elaboraban por expertos que
realizaban el anlisis de un simple crecimiento sobre resultados anteriores mostrados en
reportes histricos de ventas (instinto y experiencia). Luego, se pas a utilizar mtodos
estadsticos convencionales (lineales) tales como los modelos bsicos de regresin, el
Anlisis de Series de Tiempo, etc.; para hacer uso de este tipo de herramientas es comn
requerir informacin cuantitativa del comportamiento de la demanda a travs del tiempo,
es decir, una serie de tiempo, siendo el Anlisis de Series de Tiempo la tcnica estadstica
ms utilizada para estimar su comportamiento. Estos mtodos estadsticos convencionales
usan en general determinados parmetros o datos asociados a perodos de tiempo cuya
relacin con la previsin de demanda es complicada; la realidad es que muchos de los que
toman decisiones en el campo de la previsin de demanda lo hacen basndose en sus
instintos y experiencias, las cuales son utilizadas para valorar el impacto de campaas
promocionales, de introduccin de nuevos productos u otros. Por muchos aos, este tipo de
anlisis ha estado dominado por la utilizacin de mtodos estadsticos lineales que se
pueden implementar de manera conveniente; sin embargo, la existencia de relaciones no
lineales entre los datos muchas veces limitaron la aplicacin de estos modelos. Por este
motivo, se introdujo la idea de utilizar (RNA) en pronstico de Series de Tiempo que fue
aplicada por primera vez en 1964, cuando se utiliz una Red Neuronal Artificial lineal para
1
Captulo 1: Introduccin
UNMSM
1.2.
El problema
1.3.
Objetivos
1.3.1.
Objetivo principal
Objetivos especficos
Captulo 1: Introduccin
UNMSM
1.4.
Justificacin
Captulo 1: Introduccin
UNMSM
Podemos apreciar en la Figura 1.1 que el margen de error en el que incurren las
empresas debido al uso de tcnicas no apropiadas respecto a la demanda del agua es
relativamente alta.
Volumen al 15.07.2005
Volumen
almacenado al
15.05.2005
Proyectado
Real
243.48
229.1
205.38
% Error
11.5
1.5.
Alcances y limitaciones
1.6.
Propuesta
Captulo 1: Introduccin
UNMSM
Captulo 1: Introduccin
1.7.
UNMSM
Organizacin de la tesis
La tesis est organizada en siete captulos, los cuales se mencionan a continuacin:
En el captulo 4, se realiza el estudio del estado del arte del pronstico de la demanda
de productos en general, que consta de la clasificacin del problema, los mtodos,
modelos, algoritmos y aplicaciones existentes para su solucin.
UNMSM
Captulo 2
Pronstico de la demanda
La prediccin de eventos futuros siempre ha fascinado al gnero humano y se puede
decir que las tcnicas de prediccin existen desde que ste existe. Sin embargo, con el paso
del tiempo, estas tcnicas se han ido sofisticando y se han aplicado en distintas reas, con
fines cientficos y econmicos, como en la prediccin del tiempo, en la prediccin del
cambio entre monedas, productos en general, etc. Por lo cual, para el tomador de
decisiones es necesario conocer el comportamiento de la demanda de los productos en
general a travs del tiempo, es por eso que es necesario el anlisis de la demanda en el
tiempo, debido a que actualmente hay situaciones en las cuales se toma decisiones basadas
en la experiencia.
2.1.
Demanda
2.1.1. Definicin
Segn el padre del marketing, Philip Kotler, la demanda es el deseo que se tiene de
un determinado producto pero que est respaldado por una capacidad de pago. Se refiere
a las cantidades de un producto que los consumidores estn dispuestos a comprar a los
posibles precios del mercado. Aclarando, la demanda es la cantidad de bienes o
servicios que el comprador o consumidor est dispuesto a adquirir a un precio dado y en
un lugar establecido, con cuyo uso pueda satisfacer parcial o totalmente sus necesidades
particulares o pueda tener acceso a su utilidad intrnseca [Armstrong+06].
La administracin de la demanda implica reconocer fuentes de demanda para los
bienes y servicios de una empresa, predecir la demanda y determinar la manera como la
empresa satisfar esa demanda. Las predicciones de demanda pronostican la cantidad y
la duracin de los bienes y servicio de una empresa.
Las instalaciones no utilizadas, productos excedentes que quedan en el inventario,
etc., significan costos fijos excesivos que reducen la utilidad a menos de lo que es
posible. Por lo tanto, existen varias tcticas para igualar la capacidad con la demanda.
Los cambios internos incluyen el ajuste del proceso para un cierto volumen a travs
de:
UNMSM
El objetivo de la demanda es medir cules son las fuerzas que afectan los
requerimientos del mercado con respecto a un bien o servicio y determinar la
posibilidad de participacin del producto en la satisfaccin de dicha demanda. La
demanda es la funcin de factores tales como la necesidad del bien, su precio, el nivel
de ingreso de la poblacin, etc.
2.1.2.
Elementos de la demanda
Q = F(P,I,G,N,Ps,Pc)
Donde
2.2.
UNMSM
Pronstico
2.2.1.
Definicin
Enfoques de pronstico
Enfoque
Tipo de modelo
Descripcin
Preguntas hechas a un grupo de expertos para
recabar opiniones. Hace analogas con el
pasado de una manera razonada. Proceso de
grupo que permite la participacin con
votacin forzada.
Modelos cualitativos
Cualitativos
Modelos cuantitativos
exponencial
Modelos cuantitativos causales
UNMSM
1. Generacin de
2. Integracin de
un pronstico base
iniciativas
4. Comunicacin
3. Consenso
5. Medicin y
retroalimentacin
UNMSM
11
UNMSM
Captulo 3
Redes neuronales
Las primeras investigaciones sobre redes neuronales datan de principios del siglo XIX,
pero fue hasta la dcada de los cuarenta y cincuenta del siglo XX cuando el estudio de las
redes neuronales cobr mayor fuerza gracias al movimiento Conexionista. Este
movimiento sostena la premisa de que el secreto para el aprendizaje y el conocimiento se
halla en axiomas o verdades incuestionables y que el conocimiento es independiente de la
estructura que maneje los smbolos, y la representacin del conocimiento se hace desde el
estrato ms bsico de la inteligencia: el cerebro, especialmente en las neuronas y las
mltiples interconexiones entre ellas [Tawfiq+99].
3.1.
Definicin
3.2.
Elementos bsicos
Una RNA es muy parecida a lo que en matemtica discreta se estudia como "grafos".
En el caso ms simple, cada neurona tiene una serie de variables respecto a s misma. En
todo modelo artificial de neurona se tienen cuatro elementos bsicos [Tawfiq+99]:
Un sumador, que se encarga de sumar todas las entradas multiplicadas por las
respectivas sinapsis.
Un umbral exterior, que determina el umbral por encima del cual la neurona se
activa.
UNMSM
3.3.
13
UNMSM
3.4.
Parmetros de la red
UNMSM
3.5.
Ventajas
Las redes neuronales artificiales (RNAs) tienen muchas ventajas debido a que estn
basadas en la estructura del sistema nervioso, principalmente el cerebro. [Jaramillo+05]. A
continuacin, se mencionan las ms importantes:
Aprendizaje. Las RNAs tienen la habilidad de aprender mediante una etapa que
se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como
entrada, a su vez que se le indica cul es la salida (respuesta) esperada.
15
3.6.
UNMSM
Herramienta de aplicacin
LENGUAJE MATLAB
MATLAB es un lenguaje tcnico para aplicaciones computacionales que permite
integrar computacin, visualizacin y programacin en un ambiente fcil de usar y en
donde las soluciones son expresadas en notacin matemtica.
-
16
UNMSM
Captulo 4
Estado del arte
El presente captulo muestra lo existente en relacin al problema que resolver la
presente tesis, inicia con la taxonoma del pronstico, la cual permitir tener una mejor
visin del problema, luego se mencionan las reas en que estos problemas pueden ser
resueltos, as tambin algunas aplicaciones y casos de estudios que se han realizado hasta
el momento, seguidamente se muestran los mtodos utilizados para efectuar pronstico,
tanto los estadsticos como las RNAs.
4.1.
Taxonoma
Pronstico a corto plazo. Este tipo de pronstico tiene un lapso de hasta un ao,
pero es generalmente menor a tres meses. Se utiliza para planear las compras,
programacin de planta, niveles de fuerza laboral, asignaciones de trabajo, niveles
de produccin, resumiendo decisiones operativas; por ejemplo, la demanda
continua de cierto producto.
Pronstico a largo plazo. Generalmente con lapsos de tres aos o ms, los
pronsticos a largo plazo se utilizan para planear nuevos productos, desembolsos de
capital, localizacin e instalaciones, la investigacin y el desarrollo, resumiendo
decisiones estratgicas; por ejemplo, para decidir la ampliacin de instalaciones
productivas.
4.1.2.
Pronsticos econmicos. Son aquellos pronsticos que marcan el ciclo del negocio
al predecir las tasas de inflacin, oferta de dinero, nuevas construcciones y otros
indicadores de planeacin.
17
UNMSM
Pronsticos tecnolgicos. stos tienen que ver con las tasas de progreso
tecnolgico, que pueden dar por resultado el nacimiento de productos novedosos
que requieren nuevas plantas y equipos.
Algunas clases de pronsticos pueden referirse a: una industria entera, una lnea de
productos, o una marca individual; tambin pueden aplicarse a la totalidad de un
mercado o segmento en particular [Edelman02].
El problema a resolver se ubica dentro del pronstico de la demanda a corto y
mediano plazo, ya que el horizonte de prediccin abarca la estimacin de la demanda de
un producto desde un determinado mes hasta 1 ao; por otro lado, se desea conocer la
demanda continua de un producto o de toda una lnea de productos para un segmento en
particular (Lima y Callao), por lo cual est orientado a una fraccin de poblacin
determinada.
4.2.
Aplicaciones
Ciencias ambientales.
Por ejemplo un hospital debe de predecir la demanda del nmero de pacientes. Esta
informacin se usa en la toma de decisiones operativas, como el nmero de personal
sanitario en los turnos, quirfanos o necesidad de medicamentos. Por otro lado un sistema
18
UNMSM
escolar debe de predecir la demanda del nmero de estudiantes, as podr prever el nmero
de profesores, aulas y servicios.
A continuacin, daremos a conocer algunos campos de aplicacin de los pronsticos de
la demanda de productos y de la energa elctrica.
4.2.1.
El propsito del presente estudio fue mostrar cmo una red neuronal artificial
(RNA) puede ser til para predecir el consumo de xtasis. 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:
-
Anlisis de sensibilidad
La eficacia de la RNA entrenada fue del 96.66%. El rea bajo la curva ROC
(Receiver operating characteristic) fue de 0.9944. Por otra parte, con dicho trabajo 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.
4.2.2.
demandas
de
producto
de
UNMSM
4.3
Mtodos de pronstico
20
UNMSM
Mtodos cuantitativos
Ventas:
78,7
63,5
89,7
93,2
92,1
21
UNMSM
La mayor desventaja al calcular el promedio es que hay que incluir como datos
todos los elementos individuales, ya que un nuevo perodo de pronstico implica
agregar los nuevos datos y eliminar los ms viejos. Para un promedio variable de tres
a seis semanas esto no es tan grave, pero sera enorme la cantidad de datos para
elaborar el grfico de un promedio de sesenta das para la utilizacin de cada uno de
los 20.000 artculos en inventarios.
4.3.1.3. Ajuste exponencial.
En los anteriores mtodos de pronsticos, el mayor inconveniente es que
siempre se debe acarrear una gran cantidad de datos. En estos mtodos, cada vez que
se aaden un nuevo dato, se elimina la observacin ms antigua y se calcula el nuevo
pronstico. Si es vlida la premisa, que la importancia de los datos disminuye
22
UNMSM
b=
Mtodos cualitativos
Proyeccin fundamental
Investigacin de mercado
Analoga histrica
23
UNMSM
Consenso de grupo
Mtodo Delphi
Modelos causales
Teniendo en cuenta que estos mtodos son tericamente para pronsticos, y que
debido al anlisis poco objetivo con el que se trabaja pueden no resultar eficientes, no
han sido utilizados para aplicaciones trascendentes en los pronsticos. Por tanto, estos
mtodo no son utilizados actualmente en las empresas para realizar sus pronsticos, si
se desea conocer en qu consisten estos mtodos revisar [Thompson+98].
Perceptrn multicapa
Red de Elman
RBF (Red de Base Radial)
Red de Jordan
Perceptrn multicapa
El control de procesos
24
UNMSM
La conduccin de vehculos
Todas las neuronas de la red (excepto las de la entrada, en general) llevan asociado
un umbral. Adems, cada neurona de una capa tiene conexiones con todas las de la capa
anterior, aunque puede suceder que en ciertos casos no sea as, y que el peso de una
conexin sea 0, es decir, que no exista. El entrenamiento de este tipo de redes, es decir,
su aprendizaje, se realiza utilizando el algoritmo de Retropropagacin.
4.4.2
Las redes Elman y Jordan, definidas por los investigadores del mismo nombre, son
redes parcialmente recurrentes, es decir, son redes con conexionado feed-fordward, a las
que se le han aadido algunas conexiones hacia atrs.
Tanto en la red Elman como en la Jordan, la arquitectura bsica de la red es
bsicamente una red feed-fordward, y, en concreto, una PM, dado que las activaciones
de todas las neuronas son saturantes. Sin embargo, de todas las entradas de las que se
dispone en la capa de entrada alguna son utilizadas para recoger la informacin que
disponan otras neuronas en el instante anterior. Estas neuronas se denominan entradas
de contexto, dado que hacer referencia al estado anterior de la red. En la Figura 4.2 se
muestra la arquitectura de la red de Elman.
25
UNMSM
26
UNMSM
Sin embargo, la principal diferencia de las redes BR con el resto de redes est en el
propio funcionamiento de las neuronas. Mientras que en las redes PM las funciones de
activacin son de carcter saturante, en las redes BR las funciones de activacin son
radiales, es decir, se define un centro para cada neurona de la capa oculta que hace que
la neurona tome un elevado valor de activacin cuando las entradas estn cerca de dicho
centro, y bajo cuando la distancia al centro sea mayor. Las neuronas de la capa de
salida, sin embargo, disponen de funciones de activacin lineales y actan como meros
sumadores.
El entrenamiento de las redes de BR consiste en distribuir las neuronas a lo largo
del espacio de entrada, de forma que entre todas sean capaces de generar la funcin,
pero cada una en el tramo que le corresponda. Para ello, existen algoritmos especficos
que calculan directamente los centros de las neuronas de la capa oculta, con el fin de
distribuirlas adecuadamente en el hiperespacio de entrada. Sin embargo, tambin es
posible utilizar tcnicas basadas en el algoritmo de Retropropagacin para entrenarlas,
dado que tambin constituyen redes feed-fordward.
En general, estas redes son ms rpidas de entrenar que las redes PM y pueden
constituir una buena eleccin en problemas con un nmero pequeo de entradas, dado
que, al disponer de una nica capa, si se eleva mucho el nmero de entradas, el nmero
de neuronas ocultas se incrementa exponencialmente.
4.5.
Casos de estudio
4.5.1.
27
UNMSM
28
UNMSM
Arquitectura de la red
La red que se propone est compuesta por tres capas: Una de entrada, una oculta
y una de salida. En lo referente a la capa de entrada, se ubicaron en la misma seis
unidades que representarn cada uno de los factores explicativos seleccionados. La
capa de salida slo contar con una unidad, la cual indicar el valor de la carga
elctrica horaria asociado a cada vector de inputs presentado a la red. Finalmente, la
capa oculta contar con un nmero variable de neuronas. Esquemticamente, el
modelo de red neuronal artificial para la curva de carga tendra la siguiente forma
que se muestra en la Figura 4.5:
29
UNMSM
Datos de entrada
La informacin de las variables se presenta en la Tabla 4.1 que se muestra a
continuacin:
Entrenamiento de la red
El entrenamiento lo llevaron a cabo utilizando una muestra de 8760
observaciones, y para llegar a determinar el valor ptimo de los parmetros que
definen la red recurrieron al mtodo de ensayo y error.
UNMSM
31
UNMSM
UNMSM
Modelo
ingenuo.
Modelo
autoregresivo
de
primer
orden,
UNMSM
34
UNMSM
- Definicin de la salida.
Para la RNA se define una sola variable de salida, la cual puede tomar las
categoras enumeradas [0,1] indicando cada una el estado deficitario o no de la
vivienda: Dficit= 1; No Dficit = 0.
En la Tabla 4.7 se definen las variables de salida.
VARIABLE DE SALIDA
DESCRIPCIN
Viviendas en las que nmero de hogares
que habitan la vivienda es slo uno, la
tenencia de la vivienda es propia, no hay
hacinamiento, y la adecuacin y condicin
de la vivienda es adecuada y buena
respectivamente, para este caso se deben
cumplir todas y cada una.
Vivienda no deficitaria:
Representada en el conjunto de datos con
cero. Incluye todas las observaciones que
cumplan con todas y cada una de las
condiciones para considerar una vivienda
adecuada, sealadas en los apartados
anteriores.
Vivienda deficitaria:
UNMSM
36
UNMSM
37
UNMSM
4.6.
Normas legales
38
UNMSM
Criterios de comparacin
Costo
Los costos a considerar bsicamente son:
En tanto los costos para pronosticar un producto pueden ser: bajo, moderado o alto.
-
Precisin
Se sabe que para obtener ms precisin en el pronstico es necesario incurrir
en un mayor costo. Los procedimientos de elevada precisin utilizan ms datos,
dichos datos por lo general son ms difciles de obtener y los diseos tienen un
modelo ms costoso, son ms caros de poner en prctica y de operar.
Los pronsticos en cuanto a precisin pueden ser: alta, adecuada y variable.
Datos disponibles
Los datos disponibles corresponden a los datos que estn disponibles y que sean
relevantes para los pronsticos, ya que son un factor importante en la seleccin del
mtodo de pronstico.
UNMSM
Tiempo
En tiempo es el perodo en que el pronstico se llevar a cabo y esto depende de
la naturaleza del pronstico. Por lo tanto encontramos:
40
UNMSM
Patrn de datos
Los datos se pueden comportar de diferentes formas a travs del tiempo, puede
que se presente una tendencia, un ciclo; no tener una forma definida o aleatoria,
variaciones estacionales (anual, semestral, etc.).
Patrn de datos con tendencia. Son series cuyo valor medio cambia a lo largo de
tiempo, de forma que se espera que aumente o disminuya durante el perodo para el
que se desea hacer el pronstico.
Patrn de datos estacionales. Son series cuyo valor medio no cambia a lo largo de
tiempo, es decir, las series son relativamente estables.
Patrn de datos cclicos. Son oscilaciones de los datos alrededor de la tendencia,
es posible que los patrones no sean estables.
Una manera de detectar el patrn es trazar los datos sobre una grfica como se
muestra en la Figura 4.9.
Tipo de modelo
El tipo de modelo es importante, ya que definir la complejidad relacional
entre los parmetros involucrados. As, tenemos modelos lineales y no lineales.
En la Tabla 4.14 se lista los valores y el puntaje respectivo para cada criterio de
comparacin.
Hay 2 criterios que no hemos tomado en cuenta para la comparacin de eleccin del
mtodo para pronsticos de productos farmacuticos, que a continuacin justificamos:
41
UNMSM
4.7.2.
UNMSM
Con respecto al criterio de patrn de datos tenemos: los estacionales, a los que se
le asigna un puntaje de 0, ya que son series de comportamiento casi contante; los de
tendencia, a los que se le asigna un puntaje de 1, que es el comportamiento variado de
nuestro producto a pronosticar; y el patrn cclico, que le asignamos un puntaje de 1,
que si bien se pueden repetir en varios aos algunos datos, presenta patrones variables.
As, si el modelo acepta comportamiento estacional y tendencial, o estacional y cclico,
se le asigna un puntaje de 2; si acepta datos tendencial y cclico se le asigna un puntaje
de 3. Por tanto, si acepta los tipos de patrn de datos -tendencial, estacional, y cclicose le asigna un puntaje de 4.
Por ltimo, tenemos al criterio de tipo de modelo, el cual presenta dos valores: el
modelo lineal, al que se le asigna un puntaje de 1, debido a que la relacin de nuestros
datos no es lineal; y el modelo no lineal, con un puntaje de 2, ya que se acerca al
comportamiento de los datos.
En la Tabla 4.14 se muestra los puntajes de los criterios de comparacin:
Criterio
Costo
Precisin
Datos
disponibles
Valores
Descripcin
Puntaje
Bajo
Moderado
Alto
Variable
Adecuada
Alta
Muy bajo
Bajo
Alto
Corto plazo
Mediano
plazo
43
Tiempo
Amortiguacin
de ruidos
Patrn de datos
Tipo de
modelos
UNMSM
Largo plazo
El mtodo se implementa en ms de 3
aos.
Corto mediano
MedianoLargo
No
Estacional
Tendencial
Cclicos
Estacional
y
tendencial
Estacional
y cclico
Tendencial
y cclico
Estacional,
tendencial
y cclico
Lineal
No lineal
44
UNMSM
45
UNMSM
Mtodo
cualitativos
Series de
Tiempo
Promedios
Mviles
Ajuste
Exponencial
Alto
Bajo
Bajo
Alto
Variable
Adecuada
Adecuada
Adecuada
Adecuada
Alta
Alta
Datos Disponibles
Alto
Alto
Bajo
Muy bajo
Alto
Alto
Ato
Tiempo
Largo
Corto y
mediano
Corto y
Mediano
Corto y
Mediano
Largo
Largo
No
No
No
No
No
No
Tendencial,
estacional y
cclico
Estacional,
tendencia
Tendencial
Tendencial
Lineal
Lineal
Lineal
Lineal
Criterio/Modelo
Costo
Precisin
Amortiguacin de
ruidos
Patrn de datos
Tipo de modelo
Lineal
Regresin
lineal
Anlisis de
regresiones
Alto
46
Modelos
causales
Lineal
Redes
Neuronales
Moderado
Mediano y
Largo
No
Estacional
Tendencial,
estacional y
cclico
No lineal
Criterio/Modelo
UNMSM
Mtodo
cualitativos
Series de
Tiempo
Promedios
Mviles
Ajuste
Exponencial
Costo
Precisin
Datos Disponibles
Tiempo
Amortiguacin de
ruidos
Patrn de datos
Regresin
lineal
Modelos
causales
Anlisis de
regresiones
Redes
Neuronales
2
3
0
Tipo de modelo
Total Puntaje
13
12
10
15
47
UNMSM
Convergencia
Complejidad de la red
48
UNMSM
Robustez
Tiempo de entrenamiento
49
Criterio
UNMSM
Valores
Descripcin
Puntaje
Alta
Baja
Alta
Baja
Menor
Menor
Bajo
Alto
Convergencia
Tasa de
minimizacin
del error
Complejidad de
la red
Mayor
Mayor
Robustez
Tiempo de
Entrenamiento
50
UNMSM
Las redes que se compararn en la Tabla 4.18 son aquellas que fueron
mencionadas en el captulo anterior con sus respectivas caractersticas [Parisi02].
Criterio/Modelo
Perceptrn
multicapa
(Back Propagation)
Red de Elman
RBF
Red de Jordan
(Back Propagation)
(Back Propagation)
(Back Propagation)
Convergencia
Alta
Alta
Alta
Alta
Minimizacin del
error
Alta
Alta
Alta
Alta
Complejidad de la
red
Mayor
Menor
Mayor
Menor
Robustez
Menor
Mayor
Mayor
Tiempo de
entrenamiento
Bajo
Alto
Bajo
Alto
Red de Elman
RBF
Red de Jordan
(Back Propagation)
(Retropropagacin)
(Retropropagacin)
(Retropropagacin)
Convergencia
Minimizacin del
error
Complejidad de la
red
Robustez
Tiempo de
entrenamiento
Total
16
14
15
11
Criterio/Modelo
Perceptrn multicapa
UNMSM
Captulo 5
Diseo de la RNA para
el pronstico
En este captulo daremos a conocer el diseo de la arquitectura de red
recomendable para nuestro problema tratado, el mismo que comprende la creacin y
validacin de la red neuronal artificial de prediccin de la demanda de productos
farmacuticos. Se mostrarn las razones de seleccin de la topologa de la red neuronal
como modelo de pronstico y el tipo de red neuronal ms adecuado para resolver
nuestro problema. Tambin se expondrn las herramientas necesarias que nos sern de
utilidad para la elaboracin de la red neuronal.
5.1.
Flujo de procesos
El siguiente esquema, Figura 5.1, muestra los pasos seguidos para la elaboracin
del sistema propuesto, del cual se mostrar el desarrollo del primer paso en este captulo
y lo restante ser desarrollado en el siguiente captulo que hace referencia a la
implementacin del sistema de pronstico.
Este esquema es un flujo de procesos para pronsticos usando Redes Neuronales,
en el captulo 3 se mostr un esquema con pasos utilizados para problemas de mtodos
estadsticos, por tanto dicho flujo no puede ser utilizado en esta tesis.
Recopilacin de la data histrica
normalizados
pruebas
normalizados
ms adecuada
Implementacin de la interfaz de
usuario (Mscara)
5.2.
UNMSM
Descripcin
DF
RG
CH
53
UNMSM
Variable
PP
Descripcin
Tipo
Codificacin
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
10
Noviembre
11
Diciembre
12
Soles
Precio en S/.
Agresiva
Moderada
No hay
N. de das
(1-7) das
Si hubo
No hay
Soles
Precio en S/.
Agresiva
Moderada
No hay
N. de das
(1-7) das
Si hubo
competencia
No hay
Mes
Promocin
TP
Tiempo de la promocin
PU
Publicidad
PPC
PC
TPC
PUC
54
UNMSM
Topologa de la red
UNMSM
56
UNMSM
Captulo 6
Sistema de pronstico
En este captulo se dar a conocer el desarrollo del software ideado para la solucin
del problema tratado en este trabajo. Se mostrarn los requerimientos mnimos de
hardware y software para su correcto funcionamiento, la recopilacin de los datos
histricos para obtener la informacin sobre las variables de entrada, las instancias de
prueba, la validacin de la red ms adecuada y la implementacin de la mscara del
software realizado con el IDE NetBeans 6.5 y la herramienta MATLAB 9.0.
6.1.
Configuracin
6.1.1.
6.1.2.
6.2.
Instancias de pruebas
UNMSM
2006
2007
Datos para la
fase de
entrenamiento
2008
Datos para la
fase de
validacin
2009
2010
Tabla 6.1. Datos totales para el entrenamiento y validacin
58
UNMSM
2006
2007
2008
2009
Tabla 6.2. Datos para la fase de entrenamiento
59
UNMSM
PP=53.83, indica que el precio del producto fue 53.83 nuevos soles (por caja).
6.2.2.
60
UNMSM
6.3.
Normalizacin de datos
Dn = Dato Normalizado
Ejemplo 2
UNMSM
6.4.
UNMSM
Fase de entrenamiento
Mtodo
El mtodo utilizado se basa en la creacin de una red neuronal
backpropagation haciendo uso del entorno del MATLAB TOOLOBOXES
NEWRAL NETWORK que provee una herramienta fantstica para la
63
UNMSM
Descripcin
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
- Rango de las entradas: 0 y 1
- Funcin de Entrenamiento: TRAINLM, funcin que actualiza los pesos y
las ganancias de acuerdo a la optimizacin de Levenberg-Marquardt.
- Funcin de Aprendizaje: LEARNGDM, funcin de aprendizaje de
gradiente descendiente con momentum de los pesos y bias.
- Funcin de Rendimiento: MSE, Funcin de rendimiento basado en el error
cuadrado medio.
- Numero de capas: 4 ( 1 de entrada, 2 ocultas y 1 de salida) Capa de
entrada reconocida automaticamente por el MATLAB.
- Nmero de neuronas por capa: La primera capa cuenta con 9 neuronas en
la capa de entrada, 6 neuronas en cada capa oculta y una neurona en la
capa de salida. Vase la Figura 6.2.
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.5, es el
performance o rendimiento que usa la funcin del error cuadrtico medio que
es el siguiente:
Error 0.0872
Mtodo
RNA backpropagation creado bajo el entorno del NEWRAL NETWORK.
Descripcin
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
- Rango de las entradas: 0 y 1
65
UNMSM
66
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.10., es el
performance o rendimiento que usa la funcin del error cuadrtico medio que
es el siguiente:
Error 0.164
Mtodo
RNA backpropagation creado bajo el entorno del NEWRAL NETWORK.
Descripcin
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
- Rango de las entradas: 0 y 1
67
UNMSM
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.15., es el
performance o rendimiento que usa la funcin del error cuadrtico medio que
es el siguiente:
Error 0.0277
Mtodo
RNA backpropagation creado bajo el entorno del NEWRAL NETWORK.
Descripcin.
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
- Rango de las entradas: 0 y 1
69
UNMSM
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.20., es el
performance o rendimiento que usa la funcin del error cuadrtico medio
que es el siguiente:
Error 0.101
Configuracin 5
Mtodo
RNA backpropagation creado bajo el entorno del NEWRAL NETWORK
Descripcin
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
- Rango de las entradas: 0 y 1
71
UNMSM
72
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.25., es el
performance o rendimiento que usa la funcin del error cuadrtico medio
que es el siguiente:
Error 0.0518
Mtodo
RNA backpropagation creado bajo el entorno del NEWRAL NETWORK
Descripcin
La red neuronal creada muestra la siguiente configuracin:
- Tipo de red: backpropagation
73
UNMSM
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.30., es el
performance o rendimiento que usa la funcin del error cuadrtico medio
que es el siguiente:
Error 0.107
UNMSM
76
UNMSM
Resultado
El resultado que nos muestra el entrenamiento, Figura 6.35, es el
performance o rendimiento que usa la funcin del error cuadrtico medio que
es el siguiente:
Error 0.054
UNMSM
UNMSM
Error 0.0300
Resultados Obtenidos
Capas ocultas
Red Neuronal
pocas
ECM
12
0.0872
25
0.1640
0.0277
Pronosticador_4
Pronosticador_5
Pronosticador_6
0.1010
7
7
7
7
7
0
1000
2000
0.0518
0.1070
Pronosticador_7
3000
0.0540
Pronosticador_8
1500
0.0300
Capa 1
Capa 2
Capa 3
Pronosticador_1
Pronosticador_2
Pronosticador_3
79
UNMSM
pocas
ECM
12
0.0642
39
0.0637
0.1150
12
0.0534
7
7
7
7
7
0
1000
1245
0.2110
0.0892
Pronosticador_7
3465
0.0285
Pronosticador_8
1500
0.111
Capa 1
Capa 2
Capa 3
Pronosticador_1
Pronosticador_2
Pronosticador_3
Pronosticador_4
Pronosticador_5
Pronosticador_6
80
UNMSM
pocas
ECM
15
0.00044
100
0.00540
1500
0.01258
71
0.01736
Pronosticador_5
Pronosticador_6
7
7
7
7
7
0
1000
500
0.03621
0.05840
Pronosticador_7
36
0.36520
Pronosticador_8
1000
0.20650
Capa 1
Capa 2
Capa 3
Pronosticador_1
Pronosticador_2
Pronosticador_3
Pronosticador_4
6.5.
Fase de validacin
81
UNMSM
Figura 6.41. Simulacin con los datos de validacin para la red PRONOSTICADOR_8
Donde:
Ec = Error cuadrtico.
N = Nmero de muestras en la validacin.
Y i = Salida objetivo de la red para la muestra i.
S i (w) = salida estimada de la red para la muestra i.
En nuestro caso el valor de N es igual a 12 de acuerdo a los datos de la Tabla
6.5. (instancias para la fase de validacin 9 meses del ao 2009 y primer
trimestre del ao 2010). A continuacin en la Tabla 6.9. se observan los
reultados obtenidos:
82
UNMSM
ECM
Capa 1
Capa 2
Capa 3
Pronosticador_3
0.10500
Pronosticador_5
0.08020
Pronosticador_8
0.01080
El proceso de validacin es similar al del producto DF. En este caso las redes
neuronales seleccionadas en la seccin anterior son: PRONOSTICADOR_2,
PRONOSTICADOR_4 y PRONOSTICADOR_7. Para este producto se ha realizado la
validacin con 6 registros, de acuerdo a los datos del anexo E. (instancias
correspondientes a los 3 meses del ao 2009 y primer trimestre del ao 2010). A
continuacin en la Tabla 6.10. se observan los reultados obtenidos:
Resultados Obtenidos Producto RG
Capas Ocultas
Red Neuronal
ECM
Capa 1
Capa 2
Capa 3
Pronosticador_2
0.7822
Pronosticador_4
0.0562
Pronosticador_7
0.0236
Validacin Producto CH
El proceso de validacin es similar al del producto DF. En este caso las redes
neuronales seleccionadas en la seccin anterior son: PRONOSTICADOR_1,
PRONOSTICADOR_2 y PRONOSTICADOR_3. Para este producto se ha realizado la
validacin con 6 registros, de acuerdo a los datos del anexo E. (instancias para la
fase de validacin primer semestre del ao 2008). A continuacin en la Tabla
6.11. se observan los reultados obtenidos:
Resultados Obtenidos Producto CH
Capas Ocultas
Red Neuronal
ECM
Capa 1
Capa 2
Capa 3
Pronosticador_1
0.00221
Pronosticador_2
0.02645
Pronosticador_3
0.01800
6.6.
UNMSM
Sistema de pronstico
En esta ltima etapa el software, que ser utilizado por el usuario encargado de las
previsiones, est implementado con el IDE de JAVA, NetBeans 6.5, J.D.K. 5.0. ya que
esta version provee las herramientas necesarias para la creacin de una interfaz grfica
amigable para el usuario.
6.6.1.
JmatLink.
Es una librera que contiene clases predefinidas para ejecutar comandos en
MATLAB desde una aplicacin de Java. Cuenta con 3 clases especiales:
-
jmatlink.
corejmatlink
jmatlinkexception.
Ejemplo:
import jmatlink.*; // Se importa la clase jmatlink con todos sus componentes
class Prueba
{
private JMatLink conMatlab; // Se declara una variable de conexin
Prueba()
{
conMatlab = new JMatLink(); // Se crea una instancia de la clase JmatLink
}
public void conectarMatlab()
{
conMatlab.engOpen();
// Se abre la conexin
conMatlab.engEvalString("surf(peaks)"); // Se ingresa un comando a ejecutar
conMatlab.engClose(); // Se cierra la conexin
}
public static void main(String[] args)
{
Prueba p = new Prueba();
p.conectarMatlab();
}
}
84
UNMSM
6.6.2.
Interfaz de usuario
Acceso al sistema
El acceso al sistema (Vase la Figura 6.43.) esta diseado para poder
diferenciar los dos tipos de usuarios que existen en el sistema, usuario operador
y usuario administrador. Acontinuacin se detallan estos dos tipos.
-
Funciones:
o Elegir el producto.
o Ingresar los parmetros para el pronstico.
o Obtener la cantidad pronosticada.
Usuario administrador. Es la persona encargada del mantenimiento de las
redes para los respectivos pronsticos.
Funciones:
o Crear nuevas redes de acuerdo al contexto de los nuevos datos de los
productos.
o Entrenar dichas redes para la obtencin de las redes ms adecuadas
por cada producto seleccionado.
o Validar el funcionamiento de la red de acuerdo a los datos del
producto.
o Realizar pronsticos de los productos registrados.
o Configurar los valores mximos de los parmetros indicados para el
entrenamiento de la RNA (entradas de la red).
85
UNMSM
Producto
Elegido
Red Neuronal
elegida
Parmetros
de la red
Salida
Pronosticada
86
UNMSM
Similar a la interfaz
presentada para el
usuario operador
Productos a pronosticar
Parmetros de
entrada para el
pronstico
Salida pronosticada
por la red neuronal
87
Red neuronal
encargada del
pronstico
UNMSM
Valores mximos de
los parmetros de la
red configurados por
el Administrador
Parmetros de la red
Parmetros para
el entrenamiento
Performance de la red
entrenada y cantidad
de pocas realizadas
Red creada y
entrenada, lista
para ser guardada
88
UNMSM
Resultados de la
Validacin de la RED
Error (difrencia de resultados) y
performance (funcin error
cuadrtico medio) de la validacin
89
UNMSM
Parmetros de entrada.
-
90
UNMSM
91
UNMSM
Mes
Abril - 2009
Mayo - 2009
Junio - 2009
Julio - 2009
Agosto - 2009
Setiembre - 2009
Octubre - 2009
Noviembre - 2009
Diciembre - 2009
10
Enero - 2010
11
Febrero - 2010
12
Marzo - 2010
TOTAL
Cantidad
prevista por
el experto
Cantidad
pronosticada
por la RN
Demanda
real
Error del
experto
Error
de la
RN
4782
2673
2885
1897
212
3904
2530
2423
1481
107
2657
3789
3772
1115
17
3027
3466
3534
507
68
3243
3512
3487
244
25
3598
2788
2698
900
90
3240
2468
2520
720
52
2902
3803
3803
901
3007
2012
2012
995
2778
3924
4051
1273
127
3289
4893
4194
905
699
3419
5084
5135
1716
51
39846
40942
40514
12654
1448
31,23 %
3,57%
UNMSM
Mes
Octubre - 2009
Noviembre - 2009
Diciembre - 2009
Enero - 2010
Febrero - 2010
Marzo - 2010
TOTAL
Cantidad
prevista por
el experto
Cantidad
pronosticada
por la RN
Demanda
real
Error del
experto
Error
de la
RN
4746
9475
9244
4,498
231
6395
10206
9758
3,363
448
8011
5265
5817
2,194
552
6606
7464
7661
1,055
197
5745
7282
6775
1,030
507
4084
5365
5647
1,563
282
35586
45057
44902
13703
2217
30,52 %
4,93%
93
UNMSM
Mes
Julio - 2008
Agosto - 2008
Setiembre - 2008
Octubre - 2008
Noviembre - 2008
Diciembre - 2008
TOTAL
Cantidad
prevista por
el experto
Cantidad
pronosticada
por la RN
Demanda
real
Error del
experto
Error de la
RN
12962
15958
15034
2072
924
13653
15608
14294
641
1314
14039
13921
15707
1668
1786
15012
13970
13075
1937
895
14359
15438
16196
1837
758
14993
15426
15477
484
51
85016
90321
89783
8640
5728
9,623 %
6,380 %
94
UNMSM
Captulo 7
Conclusiones y trabajos futuros
7.1. Conclusiones
Los resultados obtenidos son buenos ya que con la poca cantidad de datos
histricos se lleg a un margen de error del producto DF del 3,57 % que comparado
con el error del 31,23% de la persona encargada de las compras (error experto
mediante un sistema) es bastante menor. As mismo los mrgenes de error del 4,93
% y 6,38 % correspondientes a los producto RG y CH respectivamente son menores
a los errores del experto.
95
UNMSM
Se deseara realizar una lectura de datos desde una base de datos para
almacenarlos debidamente. De igual forma se esperara extender el sistema para la
creacin de nuevas redes que pronostiquen la cantidad demandada de los productos
restantes mencionados en el aporte terico.
96
Referencias bibliogrficas
[Armstrong+06] J. Scott Armstrong, Kesten C. Green, Demand Forecasting: Evidencebased Methods, Department of Econometrics and Business Statistics,
Monash University, 13/01/2006
[Barrientos+07] Andrs Felipe Barrientos, Javier Olaya, Victor Manuel Gonzles, A
Spline Model for Electricity demand Forecasting, Revistas Colombiana
de Estadstica, V. 30, n. 2, 2007, pp 187-202.
[Broomhead+88] D.S. Broomhead, D. Lowe, Multivariate functional interpolation and
adaptiveNetworks. Complex Systems 2, 1988, pp.321-355.
[Cox+02] 671 Louis A. Cox Jr., Douglas A. Popke, A hybrid system-identification
method
for
forecasting
telecommunications
product
demands,
Har
Conocimiento- Argentina,2002
[Ofir87] Ofir, C., Raveh, A., "Forecasting demand in international markets: the case of
correlated time series", Journal of Forecasting, v. 6 n. 1, 1987, pp. 41-92.
[Padmakumari+99] K. Padmakumari, K. P. Mohandas, S. Thiruvengadam, Longterm
distribution demand forecasting using neuro fuzzy computations,
International Journal of Electrical Power & Energy Systems, Volume 21,
Issue 5, June 1999, Pages 315-322
98
[Palmer+05] Palmer Pol, A., Montao Moreno, J.J , Calafat Far, A. Prediccin Del
Consumo de Frmacos A Partir De Redes Neuronales Artificiales
Facultad de Psicologa. Universidad de las Islas Baleares. Espaa.
[Parisi02] Antonio Parisi F. Evaluacin de Modelos de Redes Neuronales de
prediccin del signo de la variacin del IPSA, Estudios de
Administracin, v.9, n1, 2002.
[Parker85] D.B. Parker, Learning-logic: Casting the cortex of the human brain in silicon
Tech. Rep. TR-47, Center for Computational Research in Economincs
and Management Science, MIT, Cambridge, MA, 1985.
[Parker87]D.B. Parker, Optimal algorithms for adaptive networks: Second order
backpropagation, second order direct propagation and second order
Hebbian learning IEEE 1st Int. Conf. on Neural Networks, vol.2, 1987,
pp.593-600.
[Petrovic+06] Dobrila Petrovic, Ying Xie y Keith Burnham, Fuzzy decision support
system for demand forecasting with a learning mechanism, Fuzzy Sets
and Systems, Volumen 157, Serie 12, Paginas 1713-1725, 2006
[Pino02] R. Pino, D. De la Fuente,Aplicacin de Redes Neuronales Artificiales a la
Previsin de Series Temporales No estacionarias o no Invertibles,
Universidad de Oviedo, Q UESTIIO, vol. 26, 3, 2002
[Powell85] M.J.D. Powell, Radial basis functions for multivariate interpolation:A
review IMA Conf. on Algorithms for the approximation of functions and
Data, 1985, pp.143-167.
[Rumelhart+86] D.E. Rumelhart, G.E. Hinton, R.J. Willliams, Learning representations
by back-propagating errors Nature (London), 323, 1986., pp.533-536.
[Salazar+05] Maria Anglica Salazar, Mauricio cabrera Ros ,Pronostico de la demanda
por medio de redes neuronales en la Industria de
Telecomunicaciones,
Chang, C.S.
100
Anexos
101
Anexo A
Ley general de salud
102
EL CONGRESO DE LA REPUBLICA;
Ha dado la ley siguiente:
Ley N 26842
LEY GENERAL DE SALUD
CONTENIDO
Captulo III
De los Productos Farmacuticos y Galnicos,
y de los Recursos Teraputicos Naturales
103
Fuente: http://www.congreso.gob.pe/Leyes/26842.pdf
105
Anexo B
Herramienta MATLAB
106
Newff
Crea una red tipo Backpropagation, requiere que le sean especificados los
siguientes parmetros
newff: (PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR : Rx2 Matriz de valores mximos y mnimos de cada uno de las R neuronas
de entrada.
Si : Nmero de neuronas para cada una de las capas.
TFi : Funcin de transferencia a utilizar en cada una de las capas, por defecto
utiliza tansig
BTF : Algoritmo de entrenamiento a utilizar, por defecto utiliza trainlm
BLF : Funcin de actualizacin de los pesos, por defecto utiliza learngdm.
PF : Funcin para evaluar el desempeo de la red, por defecto utiliza mse.
Traingd
Algoritmo de pasos descendientes, que actualiza pesos y ganancias
varindolos en la direccin negativa del gradiente de la funcin del error. Es un
algoritmo de aprendizaje muy lento, que requiere de la siguiente sintaxis:
Traingdm
Equivale al algoritmo tradicional, ms un nuevo coeficiente de momentum,
que interviene en el proceso de actualizacin de los pesos. Si el error de la red en
una iteracin dada, excede el valor del error en la iteracin anterior, en un valor
mayor al definido por un radio de cobertura dado el que puede determinarse por
medio de la funcin max_perf_inc y que est tpicamente alrededor de 1.04, los
nuevos pesos y ganancias son descartados y el coeficiente de momentum mc es
fijado en cero.
La sintaxis de este algoritmo es igual a la utilizada para el algoritmo
traingd, ms un nuevo comando que permite modificar el coeficiente de
momentum
Traingda
Algoritmo de Gradiente Descendiente, que emplea una rata de aprendizaje
adaptiva durante el proceso de entrenamiento. La rata de aprendizaje vara entre
0.01 y 1, una rata de aprendizaje muy pequea torna lento el aprendizaje, pero si
se incrementa demasiado el aprendizaje puede tornarse inestable y crear
divergencia, por esto la funcin traingda vara la rata de aprendizaje tratando de
sacar provecho de la inclinacin del gradiente en cada momento; su gran
desventaja es que los pesos iniciales varan muy poco as se encuentren distantes
de los valores de convergencia. La sintaxis de este el algoritmo es la siguiente:
La sintaxis de este algoritmo se resume a continuacin:
Trainrp
Las redes multicapa, utilizan tpicamente una funcin de transferencia
sigmoidal (ver captulo 1) en las capas ocultas, estas funciones comprimen un
infinito rango de entradas, dentro de un finito rango de salidas, adems se
caracterizan porque su pendiente tendera cada vez ms a cero, mientras ms
grande sea la entrada que se le presenta a la red, esto ocasiona problemas cuando
108
Trainbfg
Algoritmo alternativo que emplea la tcnica del gradiente conjugado, su
expresin matemtica se deriva del mtodo de Newton, con la ventaja de que no
es necesario computar las segundas derivadas; este algoritmo requiere mas
capacidad de almacenamiento que el algoritmo tradional, pero generalmente
converge en menos iteraciones. Requiere de un clculo aproximado de la matriz
Hessiana, la cual es de dimensiones n2 x n2, donde n la cantidad de pesos y
ganancias de la red; para redes que involucren una gran cantidad de parmetros
es preferible emplear el algoritmo trainrp.
Trainlm
Algoritmo que actualiza los pesos y las ganancias de acuerdo a la
optimizacin de Levenberg-Marquardt. Es el algoritmo ms rpido para redes
Backpropagation; tiene la desventaja de requerir de un set de entrenamiento lo
ms estndar posible, pues de otra forma solo aproximar correctamente valores
que se encuentren dentro de los patrones de aprendizaje. Si el set de
entrenamiento es muy extenso, se recomienda reducir el Jacobiano.
La sintaxis de este algoritmo es la siguiente:
110
Anexo C
Datos histricos de los productos
RG y CH
111
2006
2007
2008
2009
2010
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
M
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
PP
9.14
9.99
9.16
9.56
10.72
10.54
9.83
9.70
9.82
9.60
9.72
9.59
9.88
10.01
9.99
9.86
10.87
11.43
11.84
11.80
12.08
12.57
12.07
12.46
12.39
12.43
12.39
12.32
12.51
12.46
12.33
12.24
12.23
12.12
12.45
12.28
13.37
14.27
13.66
14.41
14.48
14.46
15.55
16.15
14.70
14.25
14.46
13.22
15.39
12.82
14.14
P
0
0
1
2
0
2
2
1
0
0
1
0
1
0
0
0
1
2
1
2
0
1
1
0
0
1
2
1
1
0
2
1
0
0
0
1
1
0
1
2
2
0
0
0
1
1
1
0
1
0
1
TP
0
0
2
5
0
3
4
3
0
0
4
0
4
0
0
0
7
2
2
6
0
1
5
0
0
3
1
1
1
0
2
1
0
0
0
1
2
0
3
1
6
0
0
0
1
2
4
0
3
0
1
PU
1
1
1
1
1
0
0
1
1
0
1
1
1
0
1
1
1
0
1
1
0
1
0
1
1
0
0
0
1
1
1
0
1
1
1
0
0
1
0
1
1
1
0
1
0
1
1
0
1
1
0
PPC
8.35
7.56
7.98
7.75
8.05
8.12
7.98
8.23
7.34
7.34
7.23
7.67
7.95
7.68
7.99
8.07
8.26
8.16
9.31
8.47
9.28
8.72
8.91
8.85
9.51
7.73
8.13
8.92
9.15
8.29
8.95
7.39
7.64
7.53
7.82
7.63
7.90
8.12
7.24
9.15
11.25
9.08
9.37
9.56
9.45
8.99
8.76
8.75
9.03
8.33
8.87
PC
0
0
1
1
1
1
0
1
0
1
2
0
0
2
1
0
0
2
0
0
2
1
0
1
0
2
3
2
0
1
0
0
0
0
1
0
2
1
2
2
0
1
2
1
1
1
0
2
2
1
1
TPC
0
0
1
2
1
4
0
3
0
4
5
0
0
3
2
0
0
1
0
0
3
3
0
2
0
2
5
3
0
1
0
0
0
0
3
0
4
2
6
5
0
3
4
4
3
1
0
6
4
4
4
PUC
1
1
0
0
1
0
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
0
0
1
1
0
1
1
1
0
1
1
0
1
0
0
1
0
1
1
1
0
1
0
Y
8,671
6,210
6,635
12,708
8,636
9,122
10,815
10,399
9,865
7,732
9,967
6,167
12,003
4,151
5,346
6,245
15,226
11,475
11,845
16,643
2,901
8,069
11,702
5,421
8,467
7,123
6,236
3,185
7,943
7,721
9,979
9,512
8,726
8,327
6,279
8,242
7,876
6,389
2,090
7,640
11,812
4,768
3,297
4,909
6,031
9,244
9,757
5,817
7,661
6,775
5,646
Datos para
la fase de
entrenamiento
Datos para
la fase de
validacin
Datos de entrenamiento: En la tabla 3.2 se muestra los datos que sern usados
para el entrenamiento de la red neuronal, la cual consta de 45 instancias.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
M
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
PP
9.14
9.99
9.16
9.56
10.72
10.54
9.83
9.70
9.82
9.60
9.72
9.59
9.88
10.01
9.99
9.86
10.87
11.43
11.84
11.80
12.08
12.57
12.07
12.46
12.39
12.43
12.39
12.32
12.51
12.46
12.33
12.24
12.23
12.12
12.45
12.28
13.37
14.27
13.66
14.41
14.48
14.46
15.55
16.15
14.70
P
0
0
1
2
0
2
2
1
0
0
1
0
1
0
0
0
1
2
1
2
0
1
1
0
0
1
2
1
1
0
2
1
0
0
0
1
1
0
1
2
2
0
0
0
1
TP PU
0
1
0
1
2
1
5
1
0
1
3
0
4
0
3
1
0
1
0
0
4
1
0
1
4
1
0
0
0
1
0
1
7
1
2
0
2
1
6
1
0
0
1
1
5
0
0
1
0
1
3
0
1
0
1
0
1
1
0
1
2
1
1
0
0
1
0
1
0
1
1
0
2
0
0
1
3
0
1
1
6
1
0
1
0
0
0
1
1
0
Datos normalizados
PUC
PP
0.0000
TP
PU
PPC
PC
TPC
1.0000
0.5210
0.0000
1.0000
0.3731
0.2857
0.0000
0.3987
0.7143
0.0000
0.7636
0.0000
1.0000
0.5189
0.4286
0.0000
0.5481
0.5714
1.0000
0.6498
0.4286
1.0000
0.6248
0.0000
1.0000
0.5927
0.0000
0.0000
0.4646
0.5714
1.0000
0.5989
0.0000
1.0000
0.3705
0.5714
0.0000
0.7212
0.0000
1.0000
0.2494
1.0000
1.0000
0.3212
0.0000
1.0000
0.3752
1.0000
1.0000
0.9149
0.2857
1.0000
0.6895
0.2857
1.0000
0.7117
0.8571
1.0000
1.0000
0.0000
1.0000
0.1743
0.1429
1.0000
0.4848
0.7143
1.0000
0.7031
0.0000
1.0000
0.3257
0.0000
1.0000
0.5087
0.4286
1.0000
0.4280
0.1429
0.0000
0.3747
0.1429
1.0000
0.1914
0.1429
0.0000
0.4773
0.0000
0.0000
0.4639
0.2857
1.0000
0.5996
0.1429
1.0000
0.5715
0.0000
0.0000
0.5243
0.0000
1.0000
0.5003
0.0000
1.0000
0.3773
0.1429
1.0000
0.4952
0.2857
0.0000
0.4732
0.0000
1.0000
0.3839
0.4286
1.0000
0.1256
0.1429
0.0000
0.4591
0.8571
1.0000
0.7097
0.0000
0.0000
0.2865
0.0000
0.0000
0.1981
0.0000
1.0000
0.2950
0.1429
0.0000
0.3624
Datos de validacin: En la tabla 3.4 se muestra los datos que sern usados para
validacin de la red neuronal, la cual consta de 12 instancias.
PP
TP
PU
PPC
PC
TPC PUC
46
10
14.25
8.99
9,244
47
11
14.46
8.76
9,757
48
12
13.22
8.75
5,817
49
15.39
9.03
7,661
50
12.82
8.33
6,775
51
14.14
8.87
5,646
Datos normalizados
M
PP
TPC
PUC
46
0.8333
0.8819
0.5000
0.2857
TP
1.0000
PU
0.7991 0.3333
PPC
PC
0.1667
1.0000
0.5554
47
0.9167
0.8949
0.5000
0.5714
1.0000
0.7787 0.0000
0.0000
1.0000
0.5863
48
1.0000
0.8181
0.0000
0.0000
0.0000
0.7778 0.6667
1.0000
1.0000
0.3495
49
0.0833
0.9529
0.5000
0.4286
1.0000
0.8027 0.6667
0.6667
0.0000
0.4603
50
0.1667
0.7938
0.0000
0.0000
1.0000
0.7404 0.3333
0.6667
1.0000
0.4071
51
0.2500
0.8751
0.5000
0.1429
0.0000
0.7884 0.3333
0.6667
0.0000
0.3392
115
Datos totales: La siguiente tabla muestra los datos histricos utilizados para el
producto CH, los cuales son 36 y corresponden a 3 aos (2006,2007 y 2008).
2006
Datos para
la fase de
entrenamiento
2007
2008
Datos para
la fase de
validacin
116
2006
2007
2008
117
Datos de validacin: En la siguiente tabla se muestra los datos que sern usados
para validacin de la red neuronal, la cual consta de 6 instancias
correspondientes al primer semestre del ao 2008.
118
119
Anexo D
Entrenamiento y validacin de la
RNA
120
Archivos .M
Archivos .M del producto DF
Los siguientes archivos contienen las matrices que sern utilizadas en el Neural
Network para el entrenamiento y validacin de la Red Neuronal que pronostique la
cantidad demanada del producto DF.
121
122
123
Anexo E
Seleccin de las variables de
entrada
124
Datos Personales
Datos de Experto
Fecha: 15/01/2009
2.
Segn los estudios realizados se lleg a la conclusin que existe variables que son
determinantes para el pronstico de un producto o servicio, las cuales son consideradas para el
pronstico de productos farmacuticos, a continuacin los detalles.
Variables
Precio del Producto
Ingreso del Consumidor
Observacin
x
Por ser productos farmacuticos OTC el ingreso del
consumidor no influye en gran medida en la desviacin
de la demanda.
Los gustos y preferencias de los consumidores no es
una variable ya que para comprar un producto
farmacutico no depende si el usuario gusta del
medicamento o no.
Gustos y Preferencias
3.
x
Los productos que se venden no requieren de otro
producto para su venta.
Indicar variables que considera actualmente para pronsticar la demanda y agregue variables
que influyen en la demanda y actualmenente no las consideran.
Variables Consideradas
Publicidad de productos
Observacin
La publicidad del producto es muy determinante para
la venta, se transmita por algn medio o por referencias
de especialista e incluso de persona que lo han
125
consumido.
La publicidad del bien sustituto influye en la demanda
de nuestro producto ya que cuando hay mas publicidad
del producto competente nuestras ventas disminuyen
En nuestro caso, la compra de productos farmacuticos
es una vez al mes, y a la vez muchos de ellos
dependen de la estacin, por tanto el mes es
importantes.
Intensida de la publicidad
Variables a considerar
Existencia de la promocin del producto
Tiempo de la promocin
Existencia de la promocin del bien
sustituto
Tiempo de la promocin del bien sustituto
4.
x
x
x
x
Observacin
Se toma en cuenta en la empresa para predecir el
siguiente stock.
Tamben se toma en cuenta
Tenemos en cuenta a la competencia, porque su
promocin puede influir en nuestra venta.
La misma explicacin
Observaciones Generales
El pronstico de productos farmacuticos OTC es muy vlatil, ya que son productos que se pueden vender
sin receta mdica por lo tanto es muy difcil predecir en la mayora de los casos.
Si se est pensando realizar un sistema inteligente que ayude en este proceso, pues sera impresionante ya
que nos ayudara a acercarnos a datos ms exactos, a pronsticos ms precisos y nos evitaria realizar el
trabajo del anlisis previo.
126