TESIS
para optar el Grado de Magster en Ingenieria de Sistemas con la mencin
de Gestin de la Tecnologa de la Informacin y Comunicaciones.
AUTOR
Sergio Paulo Valcarcel Ascencios
Lima Per
2011
Sistema inteligente para calificar alpacas en
funcin a su fibra fina
UNMSM LIMA
2011
- iv -
Sergio Paulo ValcarcelAscencios, 2011.
Todos los derechos reservados. - v -
FICHA CATALOGRFICA
11/04/2011
- vi -
DEDICATORIA
- vii -
AGRADECIMIENTOS
- viii -
Sistema inteligente para calificar alpacas en funcin
a su fibra fina
RESUMEN
- ix -
Intelligent system to qualify alpacas in
function his fine fiber
ABSTRACT
In the sequence of the value chain the alpaca fiber, the measurement its made
by observation and supported on classic knowledge. The quality depends in many
cases of empirical experience, difficult to understand the herd intrinsic richness.
Giving due fleece unsustainable in the time. The main contribution aims understand
his alpaca potential. Dont only for fiber diameter, but for his other characteristics
been to standard criteria through of the sterotypes.
Were different tests experimental in Cusco, Puno and Huancayo, applying the
test of Friedmann, as method of comparison between three treatments. So used the
statistical (H0, <0.05), as parameter of decision.
Finally, the artifact responded in form similar from others treatments, keeping
the standard NTP 231.300:2004 y el OFDA-100.With true grade of maduraty, this
artifact can become in a national framework and to help to making decision in
strategies of improvement of the species.
.
- x -
NDICE
Tabla de Figuras xv
Tabla de Cuadros xvi
Tabla de Acrnimos xvii
Captulo 1: INTRODUCCIN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1. Antecedentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Declaracin del problema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Justificacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Alcances. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6. Propuesta de la solucin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7. Organizacin de la tesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
- xi -
4.2. Comprensin del Negocio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3. Entendimiento de los Datos......................................................................... 43
4.3.1. Modelos del Sistema: Modelo Alfa..................................................... 45
4.3.1.1. Definicin de las variables de entrada...................................... 45
4.3.1.2. Definicin de las variables de salida......................................... 46
4.3.2. Modelo Beta.............................................................................. 47
4.3.2.1. Definicin de las variables de entrada....................................... 47
4.3.3. Modelo Landa....................................................................................... 49
4.3.3.1. Definicin de las variables de entrada...................................... 49
4.3.3.2. Definicin de las variables de salida......................................... 50
4.4. Preparacin de los Datos............................................................................. 52
4.5. Modelado..................................................................................................... 53
4.5.1. Modelo Alfa.......................................................................................... 54
4.5.1.1. Descripcin y alcance del modelo alfa..................................... 54
4.5.1.2. Topologa de la red................................................................... 54
4.5.1.3. Pruebas..................................................................................... 55
4.5.2. Modelo Beta.......................................................................................... 56
4.5.2.1. Descripcin y alcance del Modelo Beta................................... 56
4.5.2.2. Formacin de las Reglas de Asociacin................................... 56
4.5.3. Modelo Landa....................................................................................... 57
4.5.3.1. Descripcin y alcance del Modelo Landa................................ 57
4.5.3.2. Topologa de la red................................................................... 57
4.5.3.3. Pruebas...................................................................................... 58
4.6. Evaluacin.................................................................................................... 59
4.7. Despliegue................................................................................................... 59
4.8. Especificaciones de Hardware y Software................................................... 60
- xii -
5.2.1.3. Instancias de Pruebas de Entrenamiento y Validacin. . . . . . . . 64
5.2.2. Modelo Beta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.2.1. Criterios de Asociacin Vinculante. . . . . . . . . . . . . . . . . . . . . . 65
5.2.2.2. Criterios de Asociacin al Gen de Inters. . . . . . . . . . . . . . . . . . 65
5.2.3. Modelo Landa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2.3.1. Ciclo de Aprendizaje. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2.3.2. Tabla de Contingencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2.3.3. Instancias de Pruebas de Entrenamiento y Validacin. . . . . . . . 68
5.3. Evaluacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3.1. Descripcin del Caso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3.2. Ejecucin del Caso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3.3. Anlisis de los Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.4. Descripcin de la experimentacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.5. Tcnica de Muestreo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.6. Procedimiento del Experimento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.6.1. Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.6.2. Mtodo Estadstico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3.6.3. Elementos de Comparacin. . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3.6.4. Mecnica Operativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3.7. Prueba de Friedman. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.3.8. Anlisis e Interpretacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
REFERENCIA BIBLIOGRAFCA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
ANEXOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
A - Glosario de Trminos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B Oficio N. 0861-2010-INIA-DIA/J del 10 de noviembre. Que autoriza. . . . 90
el uso de las instalaciones para realizar el proceso de experimentacin en campo.
- xiii -
C- Constancia de participacin en el proyecto de investigacin. . . . . . . . . . . . 91
Generacin de ncleos de alpacas reproductores de alta productividad
basados en la seleccin asistida con marcadores genticos de ADN,
financiado por el programa de ciencia y tecnologa FYNCIT PIBAT
2007, en calidad de tesista.
D- Participacin en el II Congreso Peruano de Investigacin de. . . . . . . . . . . . 92
Operaciones y de Sistemas del 4-6 noviembre de 2010, en la
UNSA-Arequipa. En calidad de ponente del trabajo titulado:
Sistema Inteligente para expresar un nivel de calificacin en
poblaciones de alpacas.
E- Consolidado de Lista de Preguntas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
F- Tabla Extendida de Contingencia del Modelo Alfa. . . . . . . . . . . . . . . . . . . . 95
G- Tabla Extendida de Contingencia del Modelo Landa. . . . . . . . . . . . . . . . . . . 96
- xiv -
TABLA DE FIGURAS
- xv -
TABLA DE CUADROS
- xvi -
TABLA DE ACRNIMOS
- xvii -
SNP - Single NucleotidePolymorphic (Nuclotido Simple Polimrfico)
SSRT - Short SequenceRepeatTandem(Grupo de Secuencia Repetida Corta)
UCD - User Center Design (Diseo Centrado al Usuario)
UK - United Kingdom (ReinoUnido)
USA - UnitedState American (Estados Unidos de Norteamrica)
- xviii -
CAPTULO I
INTRODUCCIN
1.1. Antecedentes
La fibra de alpaca es un producto altamente cotizado en el mercado nacional
y extranjero. Su uso se remonta desde los antiguos peruanos, quienes hicieron de este
material todo un arte en su vida diaria; as se utiliz en la confeccin de prendas y
artculos decorativos usados para actividades ceremoniales debido a sus propiedades
textiles como son: la resilencia, la retencin del calor, el brillo, entre otros.
- 1 -
Figura 1.1.Distribucin de Camlidos en Sudamrica (FAO, 2009).
- 2 -
Segn el lder, el seor Dereck Mitchell, el pas de China concentr el 59%
de las exportaciones peruanas de pelo fino y cardado de alpaca por un monto de 3.5
millones de dlares americanos. Tambin resalt que el pas de Italia se convirti en
el segundo destino de comercio, seguido de Australia, Japn, Reino Unido y Estados
Unidos. Menciona, adems, que se ha dado apertura a nuevos destinos como los
siguientes: Repblica Checa, Noruega, Estonia y Mxico(Mitchell, 2010).
- 3 -
Ya seapor observacin o usando tecnologa, la categorizacin de la fibra gira
alrededor de su espesor, regulada por la Norma Tcnica Peruana 231.300:2004. Otras
variables complementarias son el tamao de la fibra, color y dimetro, que son pocas
utilizadas debido a la dificultad de introducirlas al proceso de categorizacin. No es
comn en esta actividad apreciar su potencial gentico, ni valorizar los individuos de
la poblacin, lo cual genera acumulacin de merma en el acopio del velln que se
traduce en prdidas de utilidades.
- 4 -
El artefacto fue evaluado mediante los ensayos experimentales que se
realizaron en Cusco, Puno y Huancayo, utilizando la prueba de Friedmann.
Obteniendo un valor del sigmoide asinttico que interpreta la existencia de relacin
entre los tratamientos relacionados que participaron en los experimentos. Estos
tratamientos utilizaron como mnimo la variable del espesor de la fibra y fueron
bsicamente: 1) El uso del mtodo de observacin en fibra de alpaca para calificar el
hato, basado en la NTP 231.300:2004, 2) El mtodo de medicin de fibra mediante
tecnologa, usando el Lser-Scan en el estndar OFDA-100 como criterio en
valorizar la poblacin y 3) El uso del artefacto que aparece con esta investigacin, el
cual se sustent mediante el reconocimiento de patrones y los marcadores
moleculares para medir la poblacin.
1.3. Objetivos
1.3.1. Principal
Disear un sistema inteligente (artefacto), que permita calificar los individuos
y metrizarlo por tipos segn sus caractersticas fsicas y genticas para su
diferenciacin en el mercado.
1.3.2. Secundario
- Determinar la utilidad de las salidas del sistema inteligente.
- Describir que tan eficiente resulto el trabajo.
- 5 -
- Identificar si el artefacto origina una nueva ventaja competitiva y generaun
valor estratgico de la informacin a la comunidad.
- Comprender si el artefacto puede usarse como marco de referencia
nacional.
1.4. Justificacin
1.4.1. Terica
La contribucin de este trabajo de investigacin radica en el uso de una
herramienta que haga la metrizacin y medicin de los individuos, con la finalidad
de asignar un valor de calificacin de uso universal para la comunidad. Haciendo que
los contenidos morfolgicosy genticosse sumen a la calificacin, de tal modo, sea
viable la diferenciacin en el mercado nacional.
1.4.2. Prctica
El beneficio principal del artefacto es el de contar con una herramienta que
complementa a la Norma Tcnica Peruana, la misma que pueda ser usada en la
comunidad de alpaquerosy, de este modo,homologar los criterios de transaccin de la
oferta y la demandadel mercado desde el enfoque de la calidad de la fibra. De tal
maneraque conduzca a la liberacin de un marco de referencia en las empresas del
pas y en la regulacin del comercio.
1.5. Alcances
La arquitectura del artefacto requiere de un constante mantenimiento en el
aprendizaje evolutivo, en el reconocimiento de los patrones, al menos hasta que las
evidencias en el mundo real sugieran un grado de estabilidad. Pero a su vez, es
necesario formar los patrones con mucho cuidado, debido que el conocimiento que
posee cada experto tienen perspectivas diferentes y puede generarse ambigedad en
dicha formacin. La manera como se super esta situacin fue consultando y
haciendo discusin con los protagonistas para consensuar el conocimiento implcito.
- 6 -
La representacin de la caracterizacin gentica del animal mediante los
marcadores moleculares queda limitada al descubrimiento que haga la ciencia en
cuanto al ligamiento de atributos fsicos. El factor humano y el equipamiento dan
paso a la calidad de los resultados de dichos marcadores. Por otro lado, el tamao de
muestra, el nmero de marcadores, el ndice de heterocigocidad, PIC y la exclusin
afectan al modelo y son crticos para lograr un resultado certero.
- 7 -
1.6. Propuesta de la Solucin
La presente propuesta es un desarrollo basado en el reconocimiento de los
patrones, utilizando tcnicas de redes neuronales artificiales. La primera, con el
empleo de redes de Perceptrn Multicapa, y la segunda, aplicando reglas de
asociacin.
- 8 -
basan en los conceptos fundamentales de la gentica poblacional y en los modelos
computacionales, matemticos y de legislacin.
En el captulo IV, se explica todo el desarrollo del artefacto, que parte desde
el modelo conceptual hasta la explicacin de una arquitectura de redes neuronales
artificiales, las que concluyen con el despliegue de la calificacin poblacional en el
objeto del estudio.
- 9 -
Captulo II:
Marco Terico
Captulo IV:
Ingeniera del
Artefacto
Captulo I:
Introduccin
Captulo VI:
Conclusiones y
Trabajos Futuros
- 10 -
CAPTULO II
MARCO TERICO
2.1.Gentica
La gentica de poblaciones permite observar cmo esa materia de
ADN2determina un conjunto de caractersticas que definen a la misma(Aldridge,
1996). En general, el trmino gen se refiere a la entidad fsica que se transmite de
los progenitores a la descendencia durante el proceso reproductivo que influye en los
caracteres hereditarios.
[2] Es la materia de la que estn hechos los genes. Los genes transportan informacin biolgica que
luego se traducen en caractersticas de los seres vivos, que se transmiten de generacin en generacin,
fue descubierto por Watson y Crick, en 1953.
- 11 -
Asimismo, el estudio de la gentica poblacional corresponde al fenotipo y al
genotipo, que forman parte de cualquier organismo.
Los genes pueden tener dos alelos o ms. En realidad, un gen puede tener
tantos alelos como para dar origen a una serie allica para ese gen. Los alelos que
pertenecen a una serie pueden mostrar diferentes patrones de dominancia entre s.
Por ejemplo, un alelo puede mostrar un efecto dominante, lo que significa que
expresa su fenotipo aunque est acompaado de un alelo recesivo. Un alelo recesivo
es aquel cuyo fenotipo no se expresa en un individuo heterocigoto. Si un alelo es
codominante, su efecto fenotpico ser intermedio en el heterocigoto en relacin con
el efecto de un homocigoto dominante y el de un homocigoto recesivo.
- 12 -
La mutacin es una fuerza direccional que origina cambios a las frecuencias
gnicas. Su importancia reside en la variabilidad gentica que hace posible la
evolucin. Mediante la mutacin, unos elementos genticos (alelos o cromosomas)
se transforman en otros similares con funciones alternativas; estas variantes podrn
reunirse mediante procesos de recombinacin y, si suponen una alternativa
interesante, sern seleccionadas por la seleccin natural(Barahona, y otros, 1994).
La deriva gentica o deriva gnica es una fuerza evolutiva que acta junto con
la seleccin natural cambiando las caractersticas de las especies en el tiempo. Es un
efecto estocstico en la reproduccin, tratndose de un cambio aleatorio en la
frecuencia de alelos de una generacin a otra, resultando una disminucin en la
diversidad gentica de la poblacin.
- 13 -
2.3. Marcadores Moleculares
Son sustancias qumicas detectoras que se mezclan con el ADN de un animal,
con el propsito de poder ubicar la misma similitud a otros ADN marcados, de tal
manera que ese tipo de marcacin pueda ser capaz de identificar una familia,
filiacin, raza, especie, etc.
- 14 -
Figura 2.1.Muestra de un marcador molecular de micro-satlite(Aranguren, y otros, 2001).
- 15 -
hasta generar una salida, se compara el resultado con la salida que se desea obtener y
se calcula un valor del error para cada neurona de salida. Este proceso se repite, capa
por capa, hasta que todas las neuronas de la red hayan recibido un error que describa
su aportacin relativa al error total. Sobre el valor del error recibido se reajustan los
pesos de conexin de cada neurona, de manera que la siguiente vez que se presente el
mismo patrn, la salida est ms cercana a la deseada y, de esta manera, disminuya el
error. (Martn del Brio, y otros, 2002)
1 2
3 4
5 6
Figura 2.2. Esquema de una Red Back-Propagation(Bernacki, y otros, 2004).
- 16 -
Paso 3: Calcular la salida de la red, para ello se presentan las entradas a la red
y se va calculando la salida de cada capa, hasta llegar a la capa de salida que
ser: y1, y2.yn.
Se calculan las entradas netas para las neuronas ocultas, que provienen
de las neuronas de entrada.
Paso 4: Calcularlos trminos de error para todas las neuronas.Si la neurona k
es una neurona de la capa de salida, el valor de la delta es:
= ( )
La funcin , debe ser derivable, lo que impide la funcin escaln.
( = )
b) Funcin Sigmoidal:
=
Paso 5: Actualizacin de los pesos.
Paso 6: El proceso se repite hasta el trmino del error.
- 17 -
El algoritmo a priori, para generar reglas de asociacin, realiza al menos
dos pasos fundamentales:
- 18 -
2.6.Mtodo de Minera de Datos: CRISP-DM
Los actuales modelos de procesos de minera de datos (Chapman, y otros,
2000)en sus marcos de trabajo se sustentan haciendo uso de un ciclo de vida, las
mismas que van modelando el comportamiento de los datos y de los conocimientos,
y as determinar un resultado que tenga significado en el mundo real.
CRISP - DM
Fase II
Fase I Entendimiento
Comprensin
de los Datos
del Negocio
Fase III
DATOS Preparacin
de los Datos
Fase VI
Despliegue
Fase IV
Modelacin
Fase V
Evaluacin
- 19 -
- Fase II: Entendimiento de los Datos
Se colecciona la data inicial y la familiarizacin de la misma, se identifica los
problemas en la calidad de datos.
- Fase V: Evaluacin
Se comprueba la alineacin de los objetivos del negocio con los resultados
obtenidos, validando su aplicacin en el negocio.
Es por esa razn que se integra la fase de modelado del CRISP con las etapas
del UCD, principalmente, en la etapa de simulacin y evaluacin. Con esta accin se
obtuvo mejores resultados en la concepcin y entrenamiento de los modelos para la
explotacin de datos.
- 20 -
En la Figura2.4 se observa que desde los Stakeholders existen diferentes
seales que llegan primero al mtodo del UCD, donde se analiza la solucin con
requerimientos basados en la experiencia. Estos requerimientos son trasladados a la
fase de modelado del CRISP, en donde se construye una arquitectura ptima desde la
experiencia y expectativa de los stakeholders, con la intencin de responder mejor a
las necesidades. Ayuda, adems, a dar la forma que deberan de contar las interfaces
y mensajes del sistema, pero estas no estn contempladas en este trabajo de
investigacin.
- 21 -
- Rapidez y simplicidad en la gestin de comprensin del negocio como del
modelo de datos a utilizar.
- Incorporacin de nuevos elementos para la toma de decisin en el desarrollo
del artefacto.
Figura 2.5.Ciclo de Vida del Diseo Centrado al Usuario (Weber, y otros, 2008).
- 22 -
Las siguientes son las etapas del UCD:
Etapa 1: Anlisis
Son los anlisis de los requerimientos que se realiza a los stakeholders para
conocer sus necesidades, la manera como la tecnologa puede ayudar y
establecer objetivos de usabilidad. Hay que averiguar tambin cules son las
barreras que aparecen y determinar los niveles de eficiencia y efectividad.
Etapa2: Sntesis
Es la creacin del diseo conceptual, se apoya de las personas involucradas al
proyecto. Estos diseos son revisados y aprobados por el equipo de trabajo que
incluye a los usuarios. Los diseos pasan por dos fases, el nivel general y
detallado, hasta definir el artefacto.
Etapa 3: Simulacin
El artefacto es probado en diferentes escenarios con participacin del usuario,
aqu se mide las mtricas de usabilidad, realizadas en la etapa anterior. Se
necesita simular todos los procesos que implica el artefacto. Aqu pueden
generarse iteraciones hasta conseguir la satisfaccin con el usuario.
Etapa 4: Evaluacin
Se evala el impacto del artefacto que se origina con el usuario, hasta conseguir
el look and feeling. Los objetivos de usabilidad y los requerimientos son usados
en esta parte para conseguir la aceptacin final.
Etapa 5: Decisin
La implementacin y despliegue se realiza progresivamente, el artefacto es
analizado para encontrar nuevas debilidades en su uso, y experimenta con el
usuario hasta que se considere finalmente apto.
- 23 -
CAPTULO III
ESTADO DEL ARTE
Como resultado de las pruebas se concluyeron que los machos producen una
fibra ms resistente que las hembras y, mientras ms joven sea el animal, la
produccin del velln resulta ms fina y resistente. Por otro lado, se pudo notar que
el color blanco respecto a los otros, mostr mejor brillo y presentacin lo cual es
muy bien recogido en las empresas textiles.
- 24 -
(McGregor, 2005)
Otra investigacin, efectuada por (McGregor, 2005), estudia variables de la
fibra de alpaca en el enfoque comercial, cuyo inters es descubrir el valor econmico
asociado a los datos del precio en el mercado.
- 25 -
el color blanco en el velln es una caracterstica, altamente probable que sugiere la
dominancia en el individuo. Los factores no genticos que influyen en la produccin
de la fibrade alpacas son: sexo (2.4%), localidad (32.6%) y edad (6.5%).
Figura 3.1.Grilla de la Muestra que segmenta a una Alpaca (Aylan-Parker, y otros, 2001).
- 26 -
(Iiguez, y otros, 1997)
Otro autor, (Iiguez, y otros, 1997), estudia el sistema de produccin, segn
tipo de velln y la distribucin de las caractersticas de la fibra en una poblacin de
llamas al sur de la ciudad de Potos en Bolivia. Para ello se usaron variables del
medio ambiente como son: el pastoreo mixto, el tipo de pasto, la rotacin en
pantanos y las superficies planas y montaosas.
- 27 -
(Rios, 2009)
En una entrevista realizada, (Rios, 2009) asegur que la medicin de la fibra
y su valorizacin econmica se realiza a travs de la NTP 231.300, como proceso de
normalizacin de la fibra de alpaca y que, en relacin directa con el peso del velln,
se determina un porcentaje por calidades o categoras para hallar una diferenciacin
en el individuo. Este proceso se hace en forma manual, tal como lo valida (Mueller,
2007)al realizar el anlisis de muestras de fibra en ovinos, as se vale de la medicin
visual para estimar el mrito gentico (fenotipo), como es el caso del peso del velln,
peso corporal y finura de la fibra.
(Holt, 2006)
En el Handbook de la AAA, (Holt, 2006) da el marco de referencia para tratar
a las alpacas en su esquila y muestreo en Australia; por ejemplo, demarca las
regiones del animal para su diferenciacin, estas regiones son: neck (cuello),
backline (lnea oscura), saddle (silla de montar), apron (delantal), belly (vientre),
middleleg (pierna media), lowerleg (debajo de la pierna). Por otro lado, el documento
explica la tcnica de muestreo de la grilla, cuyo objetivo es tomar una de las regiones
y dividir las reas en cuadrculas para identificar las pequeas zonas que lo
conforman. Pero tambin sugiere escala en el grosor de la fibra y su distribucin de
varianza (ver Figura 3.2).
- 28 -
(Baxter, 2002)
Otro autor, (Baxter, 2002), sostiene que el papel de la metrologa en lana o
vellones en animales no es una situacin esttica, ya que depende de la evolucin de
la tecnologa que determina la profundidad de la precisin y confiabilidad, pudiendo
generar reduccin de costos y cambios en una organizacin. Asimismo, el manejo de
la tcnica permite la prediccin de rendimiento de productos, as en su estudio se
experiment un caso por 5 aos, obteniendo mejoras en la tecnologa de las mtricas.
- 29 -
(Bustamante, y otros, 2006)
Otro autor(Bustamante, y otros, 2006) realiz un trabajo de investigacin, en
cuanto a la produccin de fibra, que se hizo sobre 3 poblaciones de llamas (Lama
glama) ubicadas al noreste de Argentina.
- 30 -
y tienen un alto polimorfismo inclusive en poblaciones en donde no hay mucha
variacin.
- 31 -
Particularmente, se observ en el sistema ABO materia del estudio -, que alcanz
valores bajos en el alelo B para la regin de Cantabria, en cambio el alelo O fue alta
y se extendi desde el norte, disminuyendo hacia el sur.Los resultados fueron
validados con el estudio del sistema Rh en la sangre encontrando resultados similares
y en algunos casos muy altos. En el estudio se toma en cuenta que los valores de la
probabilidad de exclusin son muy semejantes. Este estudio es utilizado para ver el
comportamiento de las expresiones genticas a travs de las frecuencias y llegar a
una conclusin en cuanto al impacto que tiene en la diferenciacin de sus
caractersticas fsicas presentadas.
- 32 -
hechos por segmentos largos, pero que son interpretados a travs de una tcnica por
secuencia repetida, el cual tiene la informacin para el anlisis de complejas
caractersticas.A su vez, los mapas fsicos estn relacionados con los mapas
genticos para determinar una expresin en particular, lo que en adelante sirven de
soporte para secuenciar y conseguir un gen de inters.
- 33 -
Se utiliz el mtodo de seleccin para reproductores, para lo cual se
evaluaron las caractersticas cuantitativas con el mtodo del test performance, sobre
la base de los parmetros genticos considerados. El clculo se hace mediante el
modelo del MultipleTraits utilizando el software MTDFREML, ponderando el
dimetro de la fibra, el coeficiente de varianza y el peso.
- 34 -
variables bio-econmicas como: el peso, la longitud y el dimetro de la fibra,
utilizando las correlaciones para determinar un ndice de seleccin. El modelo
funciona sobre una lgica que representa los momentos de la evolucin de la
poblacin y que es tratado en 5 tipos de escenarios. Los resultados que arrojaron
sobre datos de 10 aos, apoyado en la estadstica, es que existe en aquellas variables
de nacimiento que presentaron ratios bajos en mortalidad, afectando en menor
magnitud el tamao poblacional a 1000 cabezas en la simulacin. Estos resultados se
pusieron a discusin.
- 35 -
3.4. Legislacin Vigente
Segn el D.S. 23-95-AG, se habilita y obliga a los productores a cumplir el
reglamento de los registros genealgicos de alpacas de las razas huacaya y suri, muy
importante en esa fecha debido a que no se tena la certeza de un inventario, as esta
iniciativa permite consolidar la informacin a nivel nacional. En el 2004, se publica
la ley 28041 que aparece como medida de proteccin y control del patrimonio
nacional de camlidos sudamericanos en apoyo a la exportacin de los productos y
sub-productos, a fin que promueva y asegure el mejoramiento gentico, indicando la
tica del uso de la biotecnologa, as como de la administracin del empadre respecto
a los registros genealgicos. Aparece, posteriormente, la modificacin de la ley
28041, en que faculta al CONACS a realizar supervisin y control bajo su
responsabilidad a fin de lograr un registro con informacin de alta confiabilidad. En
el 2005, sale publicado la ley de promocin a favor a los camlidos sudamericanos,
que propone la mejora gentica en las organizaciones y comunidades vinculadas a
nivel nacional. Se establece una reformulacin en el registro genealgico. Es tambin
importante aadir que el registro es el instrumento que permite a los productores a
defenderse y al estado a controlar los efectos de la contaminacin gentica y de las
fuerzas que afectan las frecuencias gnicas en una poblacin.
- 36 -
FINURA Largo - mm Humedad Slidos Grasa
CLASIFICACIN (micrones) % Mx. Minerales % Mx.
% Mx.
Extra Fina Hasta 23 65 8 6 4
Fina 23.1 a 70 8 6 4
26.5
Semi Fina 26.6 a 70 8 6 4
29
Gruesa Mayores 70 a 8 6 4
a 29 menos
- 37 -
CAPTULO IV
INGENIERA DEL ARTEFACTO
Este captulo trata del diseo fundamental del artefacto, que para esta
investigacin corresponde al Motor Algortmico, donde se hace una descripcin
detallada de sus partes y modelo de datos. Adems, se da las pautas de integracin
entre los diferentes modelos y las especificaciones de hardware y software en el cual
ser desarrollado.
- 38 -
En la descripcin del modelo conceptual se empiezaagregando los datos de
los marcadores moleculares y los registros genealgicos. Estos datos son
transformados en patrones para quedar aptos en la ejecucindel motor algortmico.
- 39 -
Cabe resaltar que para la elaboracin de este trabajo de investigacin se
utiliz la metodologa del CRISP-DM, como gua para el desarrollo del artefacto. La
razn de utilizar este modelo de referencia, y segn (Chapman, y otros, 2000), es
porque ayud a construir el motor algortmico, el cual necesita de la minera de datos
para alcanzar sus objetivos.
En este escenario, los principales actores (Sarah, 2006) que forman el modelo
de stakeholders son los Alpaqueros, conocidos tambin como criadores, que van
desde campesinos en condiciones precarias hasta aquellas empresas perfectamente
constituidas y acreditadas (ver Figura. 4.3).
En la Figura 4.3, las flechas de mayor espesor indican una fuerte vinculacin
entre los nodos, las flechas con menor espesor denotan una dbil cercana,
finalmente, las lneas punteadas explican la presencia de otras unidades estratgicas
de negocio dedicadas a la explotacin de otro sub-producto de este animal.
- 41 -
Figura 4.3. Modelo de Stakeholders en la Produccin de Alpaca (Sarah, 2006).
- 42 -
Segn el Programa de Camlidos del SYNACIT (PROCAM, 2007), sugiere
que este problema forma parte de otros, los que son citados a continuacin:
- 43 -
de inters descubiertas en el fenotipo del animal contra la relacin entre su diversidad
gentica. Esto da por resultado una votacin en el modelo que calcula un nivel de
calificacin para estimar una posicin que explica su perfil en el mercado.
- 44 -
una probabilidad de exclusin 0.989989 y un PIC de 0.968, adems de tener alta
presencia de heterocigocidad y el equilibrio de Hardy-Weinbeirg4. (Aranguren, y
otros, 2001) (White, y otros, 2007).Estos requisitos aseguran que la caracterizacin
de los marcadores moleculares expresen valores independientes a los fenmenos de
las fuerzas evolutivas.
[4] Es un principio basado en gentica de poblaciones, donde para entrar en equilibrio es como tomar
a un individuo de la poblacin, es tomar dos alelos al azar. En el caso de los marcadores moleculares
se requiere que se encuentre en equilibrio (Oliva, y otros, 2004).
- 45 -
4.3.1.2. Definicin de las variables de salida
Para la salida, en este modelo, la instancia denominada caracterstica
de inters se define como el conjunto de caractersticas afines que forman
un perfil comercial en una escala del 1 al 5. Fue construida en
coordinacin y consultas por diferentes expertos en la comercializacin de
la fibra. Estas son:
- 46 -
(2) Individuo para la reproduccin: domina la fibra en sus diversos
colores y tonalidades, con tendencia a la fibra fina. Un factor de confort
debajo del 95% adjudica a un valor sostenible del fenotipo en la poblacin.
(3) Individuo para venta local de fibra y carne: domina la pureza, el rizo
y la densidad folicular, sin destacar la calidad de la fibra. Simboliza un
valor conservador del fenotipo en la poblacin.
- 47 -
camlidos sudamericanos en el Per; tena entre sus actividades la
certificacin de caractersticas heredadas del progenitor, demostrando la
pureza de sangre del animal, llamndolos Pedigrs cuando estos animales
cumplan diversos requisitos hechos en laboratorio.Es altamente probable
que un animal homocigoto tiende a ser no pedigr, debido que poseen
genes recesivos y, por tanto, no pertenecen a la lnea directa de
descendencia respecto a su progenitor(Gomez, y otros, 2000).
- 48 -
Cuadro 4.2. Matriz del modelo de datos de beta.
- 49 -
Cuadro 4.3. Matriz del modelo de datos en landa.
- 50 -
Figura 4.5. Matriz del Nivel de Calificacin.
El tipo III, demuestra una buena calidad de fibra pero sus individuos no estn
certificados adecuadamente. Por tanto, su contribucin no es la esperada. Esta
poblacin necesita de nuevas estrategias en el manejo y la inseminacin artificial
para mejorar las especies, adems de mejorar el control del empadre y realizar un
anlisis de parentesco masivo para su certificacin mientras sea posible.
El tipo IV, el individuo presenta una raza pura sangre, pero su potencial
gentico probablemente no sea lo esperado o simplemente no se han expresado
- 51 -
genticamente por el ambiente. No califica para la venta al exterior, pero resulta muy
atractivo al mercado nacional. Tambin puede usarse como ejemplares para
exposiciones de primera.
- 52 -
En la Figura 4.6, se puede notar histogramas de las variables utilizadas en el
modelo Alfa. Ah se aprecia la diferencia de la moda de los elementos, es as que el
tamao de la distribucin de datos entre los valores de la variable determina un
discriminante, haciendo posible diferenciarlos. Se observa con cuidado que la
variable Sexo, la barra con el valor hembras, se distingue entre la barradel valor
machos, lo cual permite tomar una decisin rpida y justifica su utilidad para su
clasificacin en el modelo. Sin embargo, en el grfico no se han balanceado los
datos, esto significa que es necesario homologar los tamaos de las frecuencias para
ganar comprensin en el anlisis.
Finura
Uniformidad
Sexo Color
Factor de Confort
Rizo Densidad
4.5. Modelado
Para alcanzar un mejor rendimiento, se consider la informacin de la fase de
sntesis del UCD para rescatar los requerimientos y estilos de los stakeholders y
agregarlo en los lineamientos del diseo del artefacto, as como para alcanzar un
mejor nivel de detalle en cuanto al uso del modelo algortmico, haciendo del look
and feeling del artefacto un modo de concepcin.
- 53 -
4.5.1. Modelo Alfa
4.5.1.1. Descripcin y alcance del modelo alfa
El modelo alfa tiene como objetivo descubrir las propiedades fsicas de las
alpacas a partir de un perfil comercial que se refleja en cinco posibles estados. En la
prctica, es como descubrir los patrones fenotpicos y clasificarlos segn la
perspectiva del vendedor. Al determinar una clasificacin, se puede entender qu
tanto aporta el animal en trminos de rentabilidad, debido a la presencia de la fibra
fina en su fenotipo. La arquitectura utilizada es una red neuronal del tipo perceptrn
multicapa supervisada. El modelo no busca patrones socio-econmicos que se
encuentren ligados a la produccin o rentabilidad.
- 54 -
Figura 4.7. Topologa del Modelo Alfa.
4.5.1.3. Pruebas
- 55 -
Figura 4.8. Matriz de definicin de la topologa de la red.
- 56 -
Se utiliz la regla de asociacin con el algoritmo A priori. En las corridas
se estabiliz cuando su soporte mnimo era igual a 0.01, la mtrica de 0.09 y un delta
de 0.05. La configuracin de sus parmetros dependi de las pruebas de ensayo-
error.
Entre este conjunto, se destaca la regla 4, como aquella que esta relacionada
directamente con la relacin fenotipo-genotipo y por ende del valor comercial que es
reflejado mediante los patrones en la escala de calificacin.
- 57 -
resultados ms atractivos. Se pudo observar que cuando se increment el nmero de
capas intermedias, el error cuadrtico tambin aument, haciendo menos probable su
uso.
4.5.3.3. Pruebas
Para la fase de entrenamiento, se muestre el 30% de los datos, el error
cuadrticoconseguido se considera aceptable, llegando hasta al 4% para una
configuracin de una capa intermedio y cinco neuronas. En la fase de
test(reconocimiento) se utiliz una muestra del 70% de los datos, obteniendo un error
- 58 -
del 4%. Estos resultados fueron analizados en la realidad, observando un
reconocimiento positivo entre los expertos (ver Figura 4.10 y Cuadro 4.5).
4.6. Evaluacin
Se realizaron pruebas unitarias por separado en cada modelo, observando que
se obtuvo un promedio de 0.346 de error. Estas pruebas no solo midieron el error
sino la consistencia de los patrones, los cuales se confirmaron con expertos distintos.
- 59 -
4.7. Despliegue
El artefacto y los modelos ya entrenados fueron implementados en computadores,
inmediatamente, en campo, se desarroll los primeros ensayos experimentales.En el
captulo del caso de estudio se describe el proceso de la implementacin de este
artefacto, mediante la aplicacin del experimento.
Para las corridas de las pruebas se utiliz una computadora core 2 duo, marca
Intel con 2 Gb. de memoria RAM y un espacio potencial de uso de aproximadamente
3 Gb. entre almacenamiento por instalacin y carga de datos.
- 60 -
CAPTULO V
CASO DE ESTUDIO
- 61 -
los modelos de la arquitectura del motor algortmico. Adems, se agregaron otros
conocimientos en los patrones que son persistentes en la poblacin, como son las
mutaciones y migraciones, que se suman de las diversas experiencias en el tiempo.
5.2. Modelado
5.2.1. Modelo Alfa
5.2.1.1. Ciclo de Aprendizaje
Se agregaron un nmero considerable de ejemplos que explican la
formacin de los patrones a reconocer. Cada ejemplo tena
correspondencia biunvoca con uno de los estados de salida a reconocer,
basados en el comportamiento del fenotipo.
- 62 -
relativamente amplias, consiguiendo estabilizarla desde el ciclo 1100,
donde senota que a partir de este puntoel aporte de aprendizaje es mnimo
hasta la poca 2100, en donde deja de aprender(ver el grfico 5.1).
- 63 -
Cuadro 5.2. Tabla de Contingencia del Modelo Alfa.
- 64 -
5.2.2. Modelo Beta
5.2.2.1. Criterios de Asociacin Vinculante
Es importante conocer, en primer lugar, si los resultados del
geneotipeado se asocian a una poblacin homocigota o heterocigota. Esto
nos explica, en cierto modo, la relacin de la diversidad gentica frente a
los atributos claves de color y pureza del animal. En este trabajo de
investigacin se busca validar los caracteres dominantes del fenotipoy
evidenciar las relaciones que involucren la informacin del genotipo,
utilizada desde aqu. Sin embargo, existen casos, en algunas comunidades
andinas, donde sus animales recibieron una certificacin de pureza, pero su
fenotipo no revelms de lo esperado. A ello se suma los efectos de las
fuerzas genmicas, que probablemente sean crticas en el desarrollo para
conservar la sostenibilidad en la poblacin.
- 65 -
5.2.3. Modelo Landa
5.2.3.1. Ciclo de Aprendizaje
En este modelo el aprendizaje fue complicado al definir la salida
deseable, frente a los hallazgos concretos para determinar un
reconocimiento de calidad. Los ejemplos tuvieron que modificarse en
repetidas oportunidades para conseguir la optimizacin. Sin embargo,
basado en el estado del arte y por la experiencia de los expertos, se form
la matriz del modelo de datos para el entrenamiento.
- 66 -
Figura 5.2. Evolucin del aprendizaje en el modelo landa.
- 67 -
Cuadro5.4. Tabla de Contingencia del Modelo Landa.
5.3. Evaluacin
5.3.1. Descripcin del Caso
Sobre una muestra de 52 individuos de alpacas, tomados en un valle de Puno,
en el distrito de Huatasani,se tomaron muestras de piel de la alpaca y extraccin del
velln para su posterior medicin.
- 68 -
Adems, se observ que existe empadre controlado, disminuyendo el riesgo de sesgo
en el procesamiento.
- 69 -
Cada individuo tiene referenciado un valor de acuerdo a la escala de estados
que maneja el atributo. Es en este momento en donde se puede apreciar qu
caracterstica dominante se ha interpretado en razn a los patrones de datos que fue
usado en el entrenamiento.
- 70 -
Figura5.3. Resultados del modelo beta primera parte.
- 71 -
Tanto los resultados del modelo alfa como los del beta son trasladados a la
base de datos del modelo landa. Hasta el momento se ha podido identificar, en forma
separada, qu caracterstica es dominante y si el gen del color juega un papel
importante en el contenido gentico del estudio.
- 72 -
Figura 5.5. Mapeo de la puntuacin de la poblacin.
5.3.4.Descripcin
scripcin de la experimentacin
La experimentacin se realiz en los cobertizos de 3 departamentos del Per:
Cusco, Puno y Huancayo.
- 73 -
promedio de 3,548 m.s.n.m. En este lugar se desarroll el segundo experimento del
trabajo de investigacin.
- 74 -
El tercer experimento fue hecho en el departamento de Junn, provincia de
Huancayo (ver
er Figura 5.8),
5.8) en el distrito de Paccha, que see ubica aproximadamente
3750 m.s.n.m., caracterizado de un ecosistema muy cerca a la Puna. El ro ms
importante es el Mantaro.
- 75 -
5.3.5. Tcnica de Muestreo
La tcnica de muestreo utilizada fue el muestreo aleatorio al azar sin
reposicin, para cada experimento tratado. La seleccin de los individuos de la
muestra no mostr sesgo, de tal manera que cada uno tuvo la misma probabilidad de
ser elegido. En los tres experimentos la poblacin de alpacas es finita y conocida, por
tanto, el tamao de muestra se calcul de la siguiente manera:
(N* Z2 * p * q)
n = ____________________
(i2 * (N 1) + z2 * p * q)
Donde:
N: Tamao de la poblacin
n: Tamao necesario de la muestra
z: Valor asociado al nivel de confianza estimado
i: Error que se prev cometer
p: Prevalencia esperada
q: Valor complementario de 1-p
Para cada cobertizo se utiliz esta tcnica para obtener el tamao de la muestra,
considerando un escenario pesimista en el valor de prevalencia, en el cual se asigna
0.5. El procesamiento de la misma queda expresado en los siguientes resultados:
- 76 -
5.3.6.2. Mtodo Estadstico
En este experimento se observa la existencia de informacin de ms
de dos diferentes mtodos. Cada uno de ellos con escalas distintas pero
relacionadas entre s. Estas caractersticas sugieren la utilizacin de la
prueba de Friedman, el cual, a travs de un proceso de sumatorias,
establece una probabilidad estadstica de que la hiptesis sea cierta (X2r =
Sigmoideo Asinttico), que es comparado con el valor del nivel de
significancia (). El mismo que es rechazado la hiptesis si > X2r. Es
decir, los tratamientos confrontados no son similares.
- 77 -
La siguiente parte aparece a partir de la actividad anterior, donde las
muestras de la fibra fueron enviadas a laboratorios para su procesamiento,
con el equipo clasificador llamado Laser-Scan, en el cual se us el
estndar del OFDA-100, y siempre manteniendo el contexto de la norma
tcnica peruana para convertir la informacin resultante.
- 78 -
Experimento I:
Rangos
Rango promedio
Tratamiento por Observaciones 2,05
Tratamiento por Laser-Scan 1,86
Tratamiento por Artefacto 2,09
Estadsticos de contrastea
N 78
Chi-cuadrado 3,739
Gl 2
Sig. asintt. ,154
a. Prueba de Friedman
Experimento II
Rangos
Rango promedio
Tratamiento por Observaciones 1,92
Tratamiento por Laser-Scan 1,94
Tratamiento por Artefacto 2,13
- 79 -
Estadsticos de contrastea
N 71
Chi- 3,102
cuadrado
gl 2
Sig. asintt. ,212
a. Prueba de Friedman
Experimento III
Rangos
Rango promedio
Tratamiento por Observaciones 2,17
Tratamiento por Laser-Scan 2,01
Tratamiento por Artefacto 1,82
Estadsticos de contrastea
N 52
Chi- 4,935
cuadrado
gl 2
Sig. asintt. ,085
a. Prueba de Friedman
- 80 -
CAPTULO VI
CONCLUSIONES Y TRABAJOS FUTUROS
6.1. Conclusiones
a) Principal:
6.1.1. Se puede concluir que el artefacto tendr un efecto positivo en la
metrizacin y medicin de los individuos. No obstante, se estima que el
artefacto tiene una tendencia hacia la eficiencia, en cuanto a medir la
potencialidad global del animal en relacin a la fibra fina, dado a los
acertados reconocimientos de patrones obtenidos. Adicionalmente, ser de
apoyo en la generacin deestrategias de conservacin, produccin y venta
de los animales.
- 81 -
produccin frentea la competencia y tomar decisiones ms efectivas a
partir del historial que genere el artefacto.
- 82 -
BIBLIOGRAFA
Calvet R., Pastor J.M. y Romero J.L., Frecuencia de los antgenos eritrocitarios en la
poblacin de cantabria [Publicacin peridica] // IV Jornada de Anuales Sociedad Espaola
de Medicina Legal y Forense. - Cdiz : Servicio de Publicaciones de la Universidad de
Cdiz, 1990. - 1 : Vol. 1. - pgs. 303-309.
Chapman Pete [y otros], CRISP-DM 1.0 : Guide, StepbyStep Data Mining [Libro]. -
Londres, Nueva York y Brucelas : CRISP-DM Consortium, 2000. - Vol. 1 : pgs. 9-13.
- 83 -
Chesbrough Henry W. y Appleyard Melissa M., Open Innovation and Strategy
[Publicacinperidica]. - California : CALIFORNIA MANAGEMENT REVIEW, 2007. - 1 :
Vol. 50.
Cook L.M., Gentica de Poblaciones [Libro]. - Madrid : Omega, 1979. - Vol. 1 : pg. 1.
Frank E.N. [y otros], Phenotypic and genetic description of fibre traits in South American
domestic camelids [Publicacinperidica]. - Cordoba : Small Ruminant Research, 2005. - 1 :
Vol. 1.
Garca Alonso Rafael, Las Huellas de la Evolucin : Un historial al lmite del caos [Libro].
- Madrid : Publicaciones Digitales, 2008. - Vol. 1 : pgs. 386-389.
Garcia V. Wilber y Leyva V. Victor, ndices genticos estimados para peso corporal en
llamas [Publicacin peridica]. - Lima : Revista Inv. Veterinaria Peruana, 2007. - 1 : Vol. 18.
Hilera Jos R. y MartinezVictor J., Redes Neuronales Artificiales [Libro]. - Madrid : RA-
MA, 2000. - Vol. 1 : pgs. 9-10.
- 84 -
Holt Cameron Australian Alpaca FleeceIndustry [Libro]. - Canberra :Australian Alpaca
Associationinc, 2006. - Vol. 1.
Indecopi CTN 055, Fibra de Alpaca del Velln. Definiciones, categorizacin, requisitos y
rotulado [Informe]. - Lima : R. 6-2004-CRT-INDECOPI (2004-02-08), 2004.
Iiguez L.C. [y otros], Fleece types, fiber characteristics and production system of an
outstanding llama population from Southern Bolivia [Publicacinperidica]. - Madison :
Small Ruminant Research, 1997. - 1 : Vol. 1.
Len-Velarde C.U. y Guerrero J., Improving quantity and quality of Alpaca fiber; using a
simulation model for breeding strategies [Conferencia] // International Livestock Research
Center, ILRI; International Potato Center, CIP. - Lima : 1, 2000. - Vol. 1.
Lupton C.J., McColl A. y Stobart R.H., Fiber characteristics of the Huacaya Alpaca
[Publicacinperidica]. - Texas : Small Ruminant Research, 2006. - 1 : Vol. 1.
Marn E., Efecto del sexo sobre las caractersticas tecnolgicas y productivas de alpacas
para su uso en la industria textil [Libro]. - Lima : UNALM, 2007. - Vol. I.
Martn del Brio Bonifacio y Sanz Molina Alfredo, Redes Neuronales y Sistemas Difusos
[Libro]. - Madrid :Alfaomega-RA-MA, 2002. - Vol. 1 : pgs. 26-28.
- 85 -
McGregor B.A., Production, attributes and relative value of alpaca fleeces in southern
Australia and implications for industry development [Publicacinperidica]. - Attwood :
Small Ruminant Research, 2005. - 1 : Vol. 1.
Mitchell Dereck, Pymex.pe Portal del Comercio Exterior [En lnea]. - Andina, Enero de
2010. - Mayo de 2010. - http://www.pymex.pe/noticias/peru/3370-china-concentro-envios-
de-fibra-y-prendas-de-alpaca-en-enero.html.
Sarah Schmid,Tesis de Maestra: The value chain of alpaca fiber in Peru,an economic
analysis [Libro]. - Zurich : Swiss Federal Institute of Technology Zurich, 2006. - Vol. 1.
- 86 -
Souza G.L., Sekaran Chandra y Kandaamy A., A Phenomic Algorithm for
Reconstruction of Gene Networks [Publicacinperidica]. - Mangalore : World Academy of
Science, Engineering and Technology, 2007. - 1 : Vol. 3.
W. Chan Kim y Mauborgne Rene, Value innovation: a leap into the blue ocean
[Publicacinperidica]. - Harvard : JOURNAL OF BUSINESS STRATEGY, 2005. - 4 :
Vol. 26. - pgs. 22-28.
Weber Renee, van Kuijk Jasper y Boks Casper, User Centred Design for c
[Publicacinperidica]. - Throndheim : International Journal of SustanaibleBehaviour, 2008.
- 1 : Vol. 1.
White T.L., Adams W.T. y Neale D.B., Forest Genetics [Libro]. - Cambridge : CABI
Publishing, 2007. - Vol. 1 :pgs. 523-540.
- 87 -
ANEXO A
GLOSARIO DE TRMINOS
ADN
El componente qumico dentro del ncleo de una clula que lleva las
instrucciones para elaborar los organismos vivientes.
Alelo
Una de las formas variantes de un gen en un locus o de un marcador
particular en un cromosoma. Diferentes alelos de un gen producen variaciones en las
caractersticas hereditarias tales como el color del cabello o el tipo de sangre.
Fenotipo
Rasgos o caractersticas visibles de un organismo, por ejemplo, el color del
cabello, el peso o la presencia o ausencia de una enfermedad. Los rasgos fenotpicos
no son necesariamente genticos.
Gen
La unidad fsica y funcional de la herencia, que se pasa de padres a hijos. Los
genes estn compuestos por ADN y la mayora de ellos contiene la informacin para
elaborar una protena especfica.
Genotipo
La identidad gentica de un individuo que no se muestra como caractersticas
externas.
Hereditario
Transmitido a travs de los genes, de padres a hijos.
ndice Textil
Nominacin adjudicada a la escala de valores que determina un estado de
calificacin que asocia entre el aspecto fsico y su contenido gentico.
- 88 -
Locus
El lugar del cromosoma donde est localizado un gen especfico, es la
direccin fsica del gen. El plural es "loci".
Microsatlite
Son pequeas regiones de ADN que contienen mltiples copias de secuencias
repetitivas cortas y que se emplean como marcadores genticos para rastrear la
herencia familiar o mapear enfermedades en el genoma.
Marcador
Tambin conocido como marcador gentico, es un segmento de ADN cuya
herencia se puede rastrear. Un marcador puede ser un gen, o puede ser un segmento
de ADN sin funcin conocida. Dado que los segmentos de ADN que se encuentran
contiguos en un cromosoma tienden a heredarse juntos, los marcadores se usan a
menudo como formas indirectas de rastrear el patrn hereditario de genes que no han
sido an identificados, pero cuyas ubicaciones aproximadas se conocen.
Mapa Gnico
Mapa basado en las posiciones relativas de los genes en un cromosoma y de
la distancia entre ellos.
Marcador Gentico
Un segmento de ADN con una ubicacin fsica identificable en un
cromosoma y cuya herencia se puede rastrear. Un marcador puede ser un gen, o
puede ser alguna seccin del ADN sin funcin conocida. Dado que los segmentos del
ADN que se encuentran contiguos en un cromosoma tienden a heredarse juntos, los
marcadores se utilizan a menudo como formas indirectas de rastrear el patrn
hereditario de un gen que todava no ha sido identificado, pero cuya ubicacin
aproximada se conoce.
Polimorfismo
Es la existencia de dos o ms alelos de un gen presentes en una poblacin, en
una frecuencia significativa.
- 89 -
ANEXO B
OFICIO N. 0861-2010-INIA-DIA/J
- 90 -
ANEXO C
- 91 -
ANEXO D
- 92 -
ANEXO E
Universidad Nacional Mayor de San Marcos
Unidad de Posgrado de la Facultad de Sistemas e Informtica
Tesis de Investigacin para optar el grado de Magister
Sistema Inteligente para calificar alpacas en funcin a su fibra fina
- 93 -
Item Preguntas Formuladas Respuestas Peso del
Impacto
Esperado
gestionado para contribuir a los objetivos
estratgicos.
12 Cul es el valor intrnseco que traera una Respondidas: 3
herramienta que es capaz de identificar 18
individuos potenciales en mejora de la
rentabilidad
13 Sera posible estandarizar los criterios de Respondidas: 4
comercio entre los productores, basado 20
con la aplicacin de una herramienta.
14 Usted cree que la comunidad alpaquera Respondidas: 5
est preparada utilizar una herramienta 23
de calificacin de individuos como regla
de negocio en la oferta y demanda.
15 De implementarse esta herramienta, Respondidas: 5
usted cree que el gobierno, las 25
universidades y el sector textil deberan
ajustar su legislacin
1: Alto Impacto
2: Muy Importante Impacto
3: Importante Impacto
4: Impacto no Significativo
5: No hay Impacto
- 94 -
ANEXO F
VP FP
1 0 0 0 0 1
0 1 0 0 0 0
0 0 0.6667 0 0 0
0 0 0.3333 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
FN VN
LEYENDA
- 95 -
ANEXO G
VP FP
0.9 0 0 0 0
0.1 1 0 0 0
0 0 0.9 0 0.1
0 0 0.1 1 0.6
0 0 0 0 0.3
FN VN
LEYENDA
- 96 -