1. J O S É G E R A R D O C O N T R E R A S O C A N D O
C . I . : 2 6 . 3 7 1 . 1 3 6
P R O F E S O R : I N G . J O S É L U I S G U Z M Á N
REPÚBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA
EDUCACIÓN UNIVERSITARIA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
ESCUELA DE INGENIERIA INDUSTRIAL
EXTENSIÓN MERIDA
REDES NEURONALES
ARTIFICIALES
2. REDES NEURONALES
Neurona: base del funcionamiento del cerebro.
Son el principal elemento del Sistema Nervioso.
Cada neurona posee un cuerpo y dos tipos de
prolongaciones: dendritas y cilindro eje o axón.
Las neuronas se conectan por medio de
sinapsis. Se disponen en capas.
Las conexiones entre neuronas tienen pesos
que representan la influencia de una sobre la
otra. Cada una envía su información de estado
multiplicado por el correspondiente peso. Luego
se suman los valores recibidos desde las
dendritas para actualizar los estados
respectivos
Sistema de procesamiento cerebral de la
información:
Complejo, No lineal y Paralelo.
Elementos de que consta: sinapsis, axón,
dentritas y soma o cuerpo
Las dendritas son la vía de entrada de las
señales que se combinan en el cuerpo de la
neurona.
El axón es el camino de salida de la señal
generada por la neurona.
En las terminaciones de las sinápsis se
encuentran unas vesículas que contienen
unas sustancias químicas llamadas
neurotransmisores, que propagan señales
electroquímicas de una neurona a otra.
La neurona es estimulada por sus entradas y
cuando alcanza cierto umbral, se dispara o
activa pasando una señal hacia el axón.
ESTRUCTURA BIOLÓGICA
3. NEURONA ARTIFICIAL(NA)
Neurona artificial: unidad de procesamiento de la información, es un dispositivo
simple de cálculo que ante un vector de entradas proporciona una única salida.
Una Red Neuronal Artificial(RNA), es un paradigma de procesamiento de la
información que está inspirado en la manera en que los sistemas nerviosos
biológicos procesan la información
Elementos:
Conjunto de entradas, xj
Pesos sinápticos, wi
Función de activación: w1·x1+ w2·x2 + ... + wn·xn = a
Función de transferencia: y = F (w1·x1+ w2·x2
+ ... + wn·xn )
Bias o polarización: entrada constate de magnitud 1, y peso b que se introduce en
el sumador
a
y
4. ¿Por qué usar Redes Neuronales Artificiales?
Ventajas:
Aprendizaje adaptable.
Auto – Organización.
Operación en tiempo real.
Tolerancia a fallas a través de código de información redundante.
Las RNA aprenden a través de ejemplos.
Una RNA es configurada para una aplicación específica a través de un proceso de
aprendizaje.
Son aptas para resolver problemas que no poseen un algoritmo claramente definido
para transformar una entrada en una salida.
Se emplean ejemplos representativos de la transformación deseada para “entrenar” el
sistema.
Los sistemas autómatas evolucionan sin una reprogramación explícita.
5. RNA DE UNA CAPA
Una neurona aislada dispone de poca potencia de cálculo.
Los nodos se conectan mediante la sinapsis
Las neuronas se agrupan formando una estructura llamada capa.
Los pesos pasan a ser matrices W (n x m)
La salida de la red es un vector: Y=(y1, y2, ... , yn)T
Y=F(W·X+b)
a1
a2
an
y1
y2
yn
RNA Multicapa
Redes multicapa: capas en cascada.
Tipos de capas:
Entrada
Salida
Oculta
No hay realimentación => red feedforward
Salida depende de entradas y pesos.
Si hay realimentación => red
recurrente
Efecto memoria
Salida depende también de
la historia pasada.
Una RNA es un aproximador
general de funciones no lineales.
6. ENTRENAMIENTO
Entrenamiento: proceso de aprendizaje de la red.
Objetivo: tener un comportamiento deseado.
Método:
Uso de un algoritmo para el ajuste de los parámetros libres de la red: los pesos y las bias.
Convergencia: salidas de la red = salidas deseadas.
Tipos de entrenamiento:
Supervisado.
Pares de entrenamiento: entrada - salida deseada.
Error por cada par que se utiliza para ajustar parámetros
No-supervisado.
Solamente conjunto de entradas.
Salidas: la agrupación o clasificación por clases
Reforzado.
7. BACKPROPAGATION
Clave en el resurgimiento de las redes
neuronales.
Primera descripción del algoritmo fue
dada por Werbos en 1974
Generalización del algoritmo de Widrow-
Hoff para redes multicapa con funciones
de transferencia no-lineales y
diferenciables.
1989 Hornik, Stinchcombe y White
Una red neuronal con una capa de
sigmoides es capaz de aproximar
cualquier función con un número finito
de discontinuidades
Propiedad de la generalización.
La función de transferencia es no-lineal,
la superficie de error tiene varios
mínimos locales.
Descripción:
Tras inicializar los pesos de forma aleatoria y
con valores pequeños, seleccionamos el
primer par de entrenamiento.
Calculamos la salida de la red
Calculamos la diferencia entre la salida real de
la red y la salida deseada, con lo que
obtenemos el vector de error
Ajustamos los pesos de la red de forma que se
minimice el error
Repetimos los tres pasos anteriores para cada
par de entrenamiento hasta que el error para
todos los conjuntos de entrenamiento sea
aceptable.
ALGORITMO
8. ÍNDICE NACIONAL DE PRECIOS AL CONSUMIDOR
(INPC)
El Índice Nacional de Precios al Consumidor(INPC) es uno de los indicadores estadísticos que sintetiza de forma general e l
desempeño de la economía de un país. En tal sentido, constituye un elemento de esencial importancia para el seguimiento y
evaluación de las políticas económicas que el gobierno implemente. Es el indicador por excelencia que se utiliza para estimar la
inflación , por eso su estructura metodológica de calculo debe ser permanentemente revisada y actualizada.
Es un indicador estadístico que mide en un periodo determinado, los cambios ocurridos en los precios de una canasta de bienes
y servicios representativa del consumo de los hogares que habitan un área geográfica especifica.
INPC puede considerarse un buen estimador de la inflación porque al registrar los movimientos de precios en la fase de
consumo de las familias, recoge los efectos de las variaciones de precios que ocurren en toda la cadena, desde la producción
hasta los comerciantes que intervienen en el proceso económico y la formación de precios(BCV, 2008)
Su cálculo depende de varios componentes que lo determinan:
Encuestas de presupuestos familiares(EPF): es una investigación por muestreo dirigida a los hogares, tiene por objeto obtener
información sobre ingresos, egresos características de vivienda y otras variables económicas y sociales.
Encuesta de Precios(EP): Recolectan los precios de los productos contenidos en la canasta de bienes y servicios del INPC , en
una muestra de los establecimientos de los comercializan.
Principales usos del IPC:
Es un indicador que se emplea en la mayoría de los países para medir la inflación
Se utiliza para el cálculo de ciertas variables en términos reales como por ejemplo las tasas de interés y salarios y contratos de
alquiler.
Sirve para evaluar la eficiencia de las decisiones aplicadas por el gobierno en materia de política económica, mediante
comparación de la tasa de inflación observada con la meta inflacionaria.
Se toma como referencia para determinar ajustes de sueldos, prestaciones sociales y otros tipos de ingresos.
El INPC en Venezuela abarca a todo el territorio nacional y toma como año base para su calculo el año 2007
9. APLICACIÓN DE LAS RNA PARA CALCULAR EL
INPC
Existen antecedentes de modelos que predicen el INPC de las economías de otros
países, pero en Venezuela se hace más complejo el análisis por toda la situación
política e internacional que afecta el mercado financiero debido a que la economía
de Venezuela es muy dependiente del la exportación petrolera.
Se puede usar una RNA multicapas para ver cómo mediante aprendizaje puede
predecir el valor del INPC una vez introducidos los valores de las variables
seleccionadas. Estas variables pueden ser: la liquidez monetaria, las reservas
internacionales, el dólar implícito (paralelo), la tasa de desempleo, las exportaciones
de bienes y petróleo, las tasas bancarias activas y pasivas.
La teoría de los sistemas entrenables afirma que las redes aprenden a partir de
situaciones anteriores, por lo que se deberían usar valores del INPC anteriores, de
ese modo se podría mejorar el desempeño de la red.
Para el entrenamiento de la red se puede usar el algoritmo de Propagación hacia
atrás, que es considerado uno de los métodos más efectivo para que la red aprenda.
Se deben introducir en la capa de entrada aquellas variables que sean
dependientes e independientes del INPC, para analizar los resultados y comparar con
los datos que se tienen.
10. Se deben realizar muchas pruebas para analizar los resultados y así poder modificar el número
de neuronas por capa y encontrar los pesos( valores de las sinapsis) más efectivos para que
sean más confiables los resultados que se esperarían obtener.
Los datos que vayan a ser recopilados se debe dividir de tal forma que puedan servir para las
etapas de entrenamiento, control y predicción de la red, además se debe tener datos adicionales
que puedan tener influencia sobre el cálculo del INPC para realizar muchas combinaciones
diferentes de los índices económicos que influyen en le Índice Nacional de Precios al Consumidor.
Se puede añadir además el aprendizaje evolutivo, esto con el fin de que algunos de los pesos
asignados puedan ser cambiados a nuevos valores de manera aleatoria para mejorar la
capacidad predictiva de la red propuesta. Cada vez que los pesos muten se deberían realizar
pruebas de predicción, para ver si la capacidad aumenta, disminuye o permanece igual.
Dado que somos un país altamente inflacionario debido principalmente a las políticas que el
mismo gobierno aplica, esto serviría para que se conozca quizás con bastante precisión, el nivel
de inflación en Venezuela y ajustar los precios de los productos de la cesta básica y de los
servicios en el país, de tal manera que el impacto en el presupuesto de las familias venezolanas
no se vea afectado por cambios bruscos en dicho índice.
Además permitiría al sector financiero prepararse ante posibles períodos de recesión y tomar
medidas para poder sobrellevar y minimizar los efectos de este tipo de situaciones.
12. REFERENCIAS
Banco Central de Venezuela (2008). Nuevos Índices de Precios al Consumidor de
las Áreas Metropolitanas de Caracas y Maracaibo.
Juan David Velásquez H.,J. y Franco C., C. (2010). Nota sobre la predicción del
índice de precios al consumidor usando redes neuronales artificiales. Universidad
Javeriana. Colombia
[http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-
35922010000200013]