You are on page 1of 43

Protocolo de Investigacin

Hctor Paniagua Guerrero

Las redes neuronales artificiales aplicadas a los riesgos de negocios de las PYMEs de servicios en la Ciudad de Mxico
ndice 1. Proyecto de Investigacin .. 1.1 Antecedentes.. 1.2 Planteamiento del problema de investigacin.. 1.3 Preguntas de investigacin. 1.4 Justificacin de la Investigacin.. 1.5 Objetivos de la investigacin... 1.6 Hiptesis de investigacin 1.7 Alcance de la Investigacin..... 1.8 Marco terico de la investigacin 1.9 Metodologa de la investigacin.. 1.10 Aportaciones. 1.11 ndice tentativo. 2. Fuentes de informacin disponibles..

Protocolo de Investigacin

Hctor Paniagua Guerrero

1.1 Antecedentes 1.1.1 Introduccin1


Uno de los problemas ms antiguos de la ciencia experimental es encontrar funciones que ajusten, o expliquen, datos que se observan de fenmenos naturales. La principal ventaja de la existencia de tales funciones es la posibilidad de predecir el comportamiento del sistema natural en el futuro y controlar sus salidas mediante la aplicacin de las entradas adecuadas. Algunos ejemplos podran ser la prediccin de valores en bolsa, la prediccin meteorolgica o la clasificacin de formas tumorales. En este sentido, el hombre se ha caracterizado siempre por su bsqueda constante de nuevas vas para mejorar sus condiciones de vida. Estos esfuerzos le han servido para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos, como por ejemplo, a la construccin de mquinas calculadoras que ayuden a resolver de forma automtica y rpida determinadas operaciones que resultan tediosas cuando se realizan a mano. Los desarrollos actuales de los cientficos se dirigen al estudio de las capacidades humanas como una fuente de nuevas ideas para el diseo de las nuevas mquinas. As, la inteligencia artificial es un intento por descubrir y describir aspectos de la inteligencia humana que pueden ser simulados mediante mquinas. Esta disciplina se ha desarrollado fuertemente en los ltimos aos teniendo aplicacin en algunos campos como visin artificial, demostracin de teoremas, procesamiento de informacin expresada mediante lenguajes humanos... etc. Las redes neuronales son ms que otra forma de emular ciertas caractersticas propias de los humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atencin aquellos problemas que no pueden expresarse a travs de un algoritmo, se observar que todos ellos tienen una caracterstica en comn: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. As, parece claro que una forma de aproximarse al problema consista en la construccin de sistemas que sean capaces de reproducir esta caracterstica humana. En definitiva, las redes neuronales no son ms que un modelo artificial y simplificado del cerebro humano, que es el ejemplo ms perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a travs de la experiencia. Una red neuronal es un nuevo sistema para el tratamiento de la informacin, cuya unidad bsica de procesamiento est inspirada en la clula fundamental del sistema nervioso humano: la neurona Todos los procesos del cuerpo humano se relacionan en alguna u otra forma con la (in)actividad de estas neuronas. Las mismas son un componente relativamente simple del ser humano, pero cuando millares de ellas se conectan en forma conjunta se hacen muy poderosas.

1.1.2

La neurona clsica2
Una gran cantidad de terminologa biolgica se ha introducido a la literatura de las redes neuronales. Vale la pena conocer estos trminos, en cualquier caso, junto con las otras partes esenciales de una buena educacin liberal, tales como la mecnica cuntica, la siguiente figura

1 2

Inteligencia artificial, Ed.McGraw Hill, Jos T. Palma Mndez, Roque Marn Morales, pg.650-651 Redes neuronales, Ed.Alfaomega, James A. Anderson, Ao 2007, pg. 27

Protocolo de Investigacin

Hctor Paniagua Guerrero

1.1 es un diagrama de la neurona genrica. La neurona genrica esta modelada con base en las neuronas motoras o motoneuronas espinales, una de las neuronas mejor caracterizadas en los mamferos. Las neuronas son clulas, y tienen un ncleo y el aparato metablico celular relacionado.

Figura 1.1 Neurona genrica etiquetada

Un extremo de la clula, el de entrada, tiene un nmero de finas ramificaciones, llamadas dendritas, por su parecido, por su parecido a un rbol (dendro es una raz griega para significar rbol, de ah dendrita, dendrocronologa, etc.). La figura 1.2 las formas dendrticas de un nmero de neuronas reales. La variabilidad en formas y tamaos refleja el procesamiento analgica de informacin que realiza la neurona. El cuerpo celular se conoce como soma.

Figura 1.2 rboles dendrticos de varias neuronas reales.

Protocolo de Investigacin

Hctor Paniagua Guerrero

La mayora de las neuronas tienen una larga y delgada ramificacin, el axn, que se aparta del cuerpo celular y puede extenderse por metros. El axn es la lnea de transmisin de la neurona. Los axones pueden dar lugar a ramificaciones colaterales, junto con la rama principal, por lo que la conectividad real de una neurona puede ser bastante complicada. Las neuronas se encuentran entre las clulas ms grandes del cuerpo humano, y ciertamente son las ms extendidas. Por ejemplo, las motoneuronas espinales en la parte baja de la espalda pueden tener axones que llegan a su destino final, se ramifican nuevamente en lo que se conoce como arborizacin terminal (arbor es la palabra latina para rbol, de ah da arbor, arboretum, arbreo, etc.). En los extremos de las ramas axonales hay unas complejas estructuras altamente especializadas llamadas sinapsis figura 1.3. En la imagen normal de la neurona, las dendritas reciben entradas desde otras clulas, el soma y las dendritas procesan e integran las entradas, y la informacin se retransmite por el axn hacia la sinapsis cuyas salidas proporcionan entradas a otras neuronas u rganos efectores. Las sinapsis que una clula influya en la actividad de las otras. El dogma recibido en la teora de las redes neuronales dice que la sinapsis vara en fuerza, y que stas, esto es, las detalladas interacciones entre muchas neuronas, son la clave de la naturaleza de los cmputos que realizan las redes neuronales. La mayora de los neurofisilogos concuerdan con este supuesto, pero, excepto por algunos casos especiales, como el ganglio abdominal de la Aplysia y el ojo del Limulus, la evidencia detallada de esto es sorprendentemente escasa. Es difcil pensar en alternativas plausibles. Sin embargo: El ncleo y maquinaria circundante tienen el trabajo de enviar nutrientes, enzimas y materiales de construccin por el axn hacia el resto de la clula, que puede encontrarse a alguna distancia. Paul Weiss, en la dcada de los cuarentas, demostr un significativo flujo axoplasmtico al simplemente constreir el axn y sealar que se hinchaba en el lado entre el ncleo y la constriccin. El flujo retrgrado de materiales de regreso hacia el ncleo tambin ocurre. Parece haber un nmero de mecanismos de transporte intracelular con diferentes velocidades y caractersticas. La neurona es un sitio muy ocupado.

Figura 1.3 rborizacin terminal.

Protocolo de Investigacin

Hctor Paniagua Guerrero

Como en todas las clulas animales, la neurona est cubierta por una delgada membrana con sorprendentes propiedades. La funcin de la membrana consiste en separar el interior del exterior. En las neuronas, el interior y el exterior son bastante diferentes en cuanto a sus propiedades qumicas y elctricas. La membrana tiene apenas un grosor de 60 a 70 A, y est compuesta principalmente por lpidos y protenas. Los lpidos estn distribuidos en una capa doble en la que se incrustan protenas; las protenas flotan en una especie de mar de lpidos.

La figura 1.4 Criofractura

La figura 1.4 muestra una imagen de una fractura por congelamiento o criofractura de la membrana de una neurona con las protenas incrustadas en ella tomada con un microscopio electrnico. Las protenas pueden estar ubicadas en la cara interior o exterior de la membrana, o pasar a travs de ella, lo hacen por pasajes continuos o poros. Iones particulares pueden pasar a travs de de los poros y, por lo mismo, a travs de la membrana. Los poros pueden cambiar su conformacin bajo control ya sea elctrico o qumico, por lo que el flujo de iones puede ser regulado; esto es, la permeabilidad de la membrana est bajo control del ambiente elctrico o qumico.

Figura 1.5 Diagrama esquemtico de un canal inico. 1 - Dominios de canal (normalmente son cuatro por canal), 2 vestbulo exterior, 3 - filtro de selectividad, 4 - dimetro del filtro de selectividad, 5 - sitio de fosforilacin, 6 - membrana clula.

Protocolo de Investigacin

Hctor Paniagua Guerrero

La figura 1.5 un dibujo de dicho canal, que cambia su conformacin y su permeabilidad a los iones cuando encuentra a la substancia qumica llamada acetilcolina. Este mecanismo para la conductancia inica variable, forma bases de las propiedades elctricas de la neurona.

1.1.3
1.1.3.1

Breve introduccin biolgica a una red neuronal3 Tipos de Neuronas


Aunque hay muchos tipos diferentes de neuronas, hay tres grandes categoras basadas en su funcin: Las neuronas sensoriales son sensibles a varios estmulos no neurales. Hay neuronas sensoriales en la piel, los msculos, articulaciones, y rganos internos que indican presin, temperatura, y dolor. Hay neuronas ms especializadas en la nariz y la lengua que son sensibles a las formas moleculares que percibimos como sabores y olores. Las neuronas en el odo interno nos proveen de informacin acerca del sonido, y los conos y bastones de la retina nos permiten ver. Las neuronas motoras son capaces de estimular las clulas musculares a travs del cuerpo, incluyendo los msculos del corazn, diafragma, intestinos, vejiga, y glndulas.

Las interneuronas son las neuronas que proporcionan conexiones entre las neuronas sensoriales y las neuronas motoras, al igual que entre ellas mismas. Las neuronas del sistema nervioso central, incluyendo al cerebro, son todas interneuronas.

La mayora de las neuronas estn reunidas en paquetes de un tipo u otro, a menudo visible a simple vista. Un grupo de cuerpos celulares de neuronas, por ejemplo, es llamado un ganglio o un ncleo. Una fibra hecha de muchos axones se llama un nervio. En el cerebro y la mdula espinal, las reas que estn compuestas en su mayora por axones se llaman materia blanca, y es posible diferenciar vas o tractos de esos axones. Las reas que incluyen un gran nmero de cuerpos celulares se llaman materia gris.

Redes neuronales y sistemas borrosos, Ed.Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina, pg.3-10

Protocolo de Investigacin 1.1.4 Qu es una red neuronal4

Hctor Paniagua Guerrero

Las neuronas (del griego , cuerda, nervio) son un tipo de clulas del sistema nervioso cuya principal caracterstica es la excitabilidad de su membrana plasmtica; estn especializadas en la recepcin de estmulos y conduccin del impulso nervioso (en forma de potencial de accin) entre ellas o con otros tipos celulares, como por ejemplo las fibras musculares de la placa motora. Altamente diferenciadas, la mayora de las neuronas no se dividen una vez alcanzada su madurez; no obstante, una minora s lo hace. Las neuronas presentan unas caractersticas morfolgicas tpicas que sustentan sus funciones: un cuerpo celular llamado soma o pericarion, central; una o varias prolongaciones cortas que generalmente transmiten impulsos hacia el soma celular, denominadas dendritas; y una prolongacin larga, denominada axn o cilindro-eje, que conduce los impulsos desde el soma hacia otra neurona u rgano diana. La neurognesis en seres adultos, fue descubierta apenas en el ltimo tercio del siglo XX. Hasta hace pocas dcadas se crea que, a diferencia de la mayora de las otras clulas del organismo, las neuronas normales en el individuo maduro no se regeneraban, excepto las clulas olfatorias. Los nervios mielinados del sistema nervioso perifrico tambin tienen la posibilidad de regenerarse a travs de la utilizacin del neurolema, una capa formada de los ncleos de las clulas de Schwann. Existen numerosas formas de definir a las redes neuronales; desde las definiciones cortas y genricas hasta las que intentan explicar ms detalladamente qu son las redes neuronales. Por ejemplo: 1) Una nueva forma de computacin, inspirada en modelos biolgicos. 2) Un modelo matemtico compuesto por un gran nmero de elementos procesales organizados en niveles. 3) Un sistema de computacin compuesto por un gran nmero de elementos simples, elementos de procesos muy interconectados, los cuales procesan informacin por medio de su estado dinmico como respuesta a entradas externas. 4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organizacin jerrquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico.

Redes neuronales y sistemas borrosos, Ed.Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina, pg.3-10

Protocolo de Investigacin

Hctor Paniagua Guerrero

1.1.5

Acerca de las redes neuronales artificiales (RNA) 5.


Las Redes Neuronales Artificiales (RNA) o sistemas conexionistas son sistemas de procesamiento de la informacin cuya estructura y funcionamiento estn basados en las redes neuronales biolgicas. Las RNAs consisten en un conjunto de elementos simples de procesamiento que se llamarn nodos o neuronas conectadas entre ellas por conexiones que tienen un valor numrico que ser modificable y llamado peso. Uno de los primeros en acometer esta empresa fue Charles Babbage, quien trat infructuosamente de construir una mquina capaz de resolver problemas matemticos. Posteriormente otros tantos intentaron construir mquinas similares, pero no fue hasta la Segunda Guerra Mundial, cuando ya se dispona de instrumentos electrnicos, que se empezaron a recoger los primeros frutos. En 1946 se construy la primera computadora electrnica. Desde entonces los desarrollos en este campo han tenido un auge espectacular. Estas mquinas permiten implementar fcilmente algoritmos para resolver multitud de problemas que antes resultaban engorrosos de resolver. Sin embargo, se observa una limitacin importante, por ejemplo qu ocurre cuando el problema que se quiere resolver no admite un tratamiento algortmico, como es el caso de la clasificacin de objetos por rasgos comunes? Este ejemplo demuestra que la construccin de nuevas mquinas ms verstiles requiere un enfoque del problema desde otro punto de vista. Los desarrollos actuales de los cientficos se dirigen al estudio de las capacidades humanas como una fuente de nuevas ideas para el diseo de las nuevas mquinas. As, la inteligencia artificial es un intento por descubrir y describir aspectos de la inteligencia humana que pueden ser simulados mediante mquinas. Esta disciplina se ha desarrollado fuertemente en los ltimos aos teniendo aplicacin en algunos campos como visin artificial, demostracin de teoremas, procesamiento de informacin expresada mediante lenguajes humanos... etc. Las redes neuronales son ms que otra forma de emular ciertas caractersticas propias de los humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atencin aquellos problemas que no pueden expresarse a travs de un algoritmo, se observar que todos ellos tienen una caracterstica en comn: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. As, parece claro que una forma de aproximarse al problema consista en la construccin de sistemas que sean capaces de reproducir esta caracterstica humana. En definitiva, las redes neuronales no son ms que un modelo artificial y simplificado del cerebro humano, que es el ejemplo ms perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a travs de la experiencia. Una red neuronal es un nuevo sistema para el tratamiento de la informacin, cuya unidad bsica de procesamiento est inspirada en la clula fundamental del sistema nervioso humano: la neurona.

1.1.6

Generacin y transmisin de las seal nerviosa6


La unin entre dos neuronas se denomina sinapsis. En el tipo de sinapsis ms comn no existe un contacto fsico entre las neuronas, sino que estas permanecen separadas por un pequeo vaco de unas 0.2 micras. En relacin a la sinapsis, se habla de neuronas presinpticas (las que envan seales).

5 6

Redes neuronales artificiales, Ed. Limusa Noriega, Carlos Alberto Ruz, Marta Susana Basualdo, ao 2004, pg. 17 Redes neuronales artificiales, Ed. Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina ,ao 2007, pg.6-10

Protocolo de Investigacin 1.1.7

Hctor Paniagua Guerrero

Evolucin histrica7
1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computacin. Sin embargo, los primeros tericos que concibieron los fundamentos de la computacin neuronal fueron Warren McCulloch, un neurofisilogo, y Walter Pitts, un matemtico, quienes, en 1943, lanzaron una teora acerca de la forma de trabajar de las neuronas (Un clculo lgico de la inminente idea de la actividad nerviosa - boletn de matemtica biofsica 5: 115-133). Ellos modelaron una red neuronal simple mediante circuitos elctricos. 1949 - Donald Hebb. Fue el primero en explicar los procesos del aprendizaje (que es el elemento bsico de la inteligencia humana) desde un punto de vista psicolgico, desarrollando una regla de como el aprendizaje ocurra. Aun hoy, este es el fundamento de la mayora de las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje ocurra cuando ciertos cambios en una neurona eran activados. Tambin intent encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la Teora de las Redes Neuronales.

1950 - Karl Lashley. En sus series de ensayos, encontr que la informacin no era almacenada en forma centralizada en el cerebro sino que era distribuida encima de l. 1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento de la inteligencia artificial. 1957 - Frank Rosenblatt. Comenz el desarrollo del Perceptron. Esta es la red neuronal ms antigua; utilizndose hoy en da para aplicacin como identificador de patrones. Este modelo era capaz de generalizar, es decir, despus de haber aprendido una serie de patrones poda reconocer otros similares, aunque no se le hubiesen presentado en el entrenamiento. Sin embargo, tena una serie de limitaciones, por ejemplo, su incapacidad para resolver el problema de la funcin OR-exclusiva y, en general, era incapaz de clasificar clases no separables linealmente. 1959 - Frank Rosenblatt: Principios de Neurodinmica. En este libro confirm que, bajo ciertas condiciones, el aprendizaje del Perceptron converga hacia un estado finito (Teorema de Convergencia del Perceptron). 1960 - Bernard Widroff/Marcian Hoff. Desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las lneas telefnicas) que se ha utilizado comercialmente durante varias dcadas. 1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones tcnicas (memoria asociativa). 1969 - Marvin Minsky/Seymour Papert. En este ao casi se produjo la muerte abrupta de las Redes Neuronales; ya que Minsky y Papert probaron (matemticamente) que el Perceptrons no era capaz de resolver problemas relativamente fciles, tales como 7 el aprendizaje de una funcin no-lineal. Esto demostr que el Perceptron era muy dbil, dado que las funciones nolineales son extensamente empleadas en computacin y en los problemas del mundo real. 1974 - Paul Werbos. Desarroll la idea bsica del algoritmo de aprendizaje de propagacin hacia atrs (backpropagation); cuyo significado qued definitivamente aclarado en 1985.

Redes neuronales artificiales, Ed. Limusa Noriega, Carlos Alberto Ruz, Marta Susana Basualdo, ao 2004, pg. 6

Protocolo de Investigacin

Hctor Paniagua Guerrero

1977 - Stephen Grossberg: Teora de Resonancia Adaptada (TRA). La Teora de Resonancia Adaptada es una arquitectura de red que se diferencia de todas las dems previamente inventadas. La misma simula otras habilidades del cerebro: memoria a largo y corto plazo. 1985 - John Hopfield. Provoc el renacimiento de las redes neuronales con su libro: Computacin neuronal de decisiones en problemas de optimizacin. 1986 - David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de propagacin hacia atrs (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los trabajos que se realizan y publican cada ao, las aplicaciones nuevas que surgen (sobre todo en el rea de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para simulacin).

1.1.8

Ventajas de las redes neuronales artificiales8


Se ha comprobado que es una ciencia multidisciplinaria donde ingenieros, psiclogos, mdicos, matemticos y fsicos tericos han aportado algn elemento a estas teoras, pero, por qu ese inters en esos sistemas?, qu tienen en especial frente a otros que podramos denominar clsicos?, qu cosas nuevas nos ofrecen?. Por tanto, se comenta que la potencia computacional de una red neuronal deriva, principalmente, de su estructura de clculo distribuido paralelo. Esta estructura le permite la resolucin de problemas que necesitaran gran cantidad de tiempo en ordenadores clsicos. Pero aparte de este hecho aparecen otras propiedades que le hacen especialmente atractivas para ser usadas en una gran cantidad de problemas prcticos. a) Son sistemas distribuidos no lineales: Una neurona es un elemento no lineal por lo que una interconexin de ellas (red neuronal) tambin ser dispositivo no lineal. Esta propiedad permitir la simulacin de sistemas no lineales y caticos, simulacin, que, con los sistemas lineales, no se puede realizar. b) Son sistemas tolerantes o fallos: Una red neuronal, al ser un sistema distribuido, permite el fallo de algunos elementos individuales (neuronas) sin alterar significativamente la respuesta total del sistema. Este hecho las hace especialmente atractivas frente a las computadoras actuales que, por lo general, son sistemas secuenciales de tal forma que un fallo en uno de sus componentes conlleva que el sistema total no funcione. c) Adaptabilidad: una red neuronal tiene la capacidad de modificar los parmetros de los que depende su funcionamiento de acuerdo con los cambios que se produzcan en su entorno de trabajo (cambios en las entradas, presencia de ruidos, etc.). Con respecto a la capacidad de adaptacin hay que tener en cuenta que sta no puede ser tampoco excesivamente grande ya que conducira a tener un sistema inestable respondiendo a pequeas perturbaciones. Este es el problema conocido como plasticidad-estabilidad. d) Establecen relaciones no lineales entre datos: las redes neuronales son capaces de relacionar dos conjuntos de datos. Comparando con los mtodos estadsticos clsicos que realizan la misma misin tienen como principal ventaja que lo datos no tienen por qu cumplir las condiciones de linealidad, gausianidad y estacionariedad.

Redes neuronales artificiales, Ed. Alfaomega, Antonio J. Serrano, Emilio Soria, Jos D. Martn , pg.14

10

Protocolo de Investigacin

Hctor Paniagua Guerrero

e) Posibilidad de implementacin: Esta posibilidad permite que estos sistemas puedan ser aplicados en sistemas de tiempo real, simulando sistemas biolgicos mediante elementos de silicio. Todas estas ventajas hacen el uso de las redes neuronales especialmente atractivo en un gran nmero de aplicaciones. Sin embargo antes de enunciar algunas (no todas) de estas aplicaciones pasaremos a describir los diferentes modelos conexionistas que podemos encontrar. En el campo de las redes neuronales se conoce con el nombre de arquitectura la forma en que se unen los diferentes elementos, neuronas, mediante una serie de conexiones, pesos sinpticos. En principio podemos distinguir tres niveles, en cuanto a arquitectura se refiere, que los podemos definir como: a. Microestructura: Este nivel hace referencia al elemento ms pequeo que nos podemos encontrar en un modelo conexionista: La neurona. Este es el nivel ms pequeo que nos podemos pero no por ello es el menos importante, aqu se fijan caractersticas tan importantes como la funcin de activacin. b. Mesoestructra: Una vez sobrepasado el nivel neuronal llegamos a este nivel donde se fija la forma de conexin y la disposicin de los elementos explicados anteriormente. c. Macreoestructura: Las diferentes redes planteadas en el nivel anterior se pueden combinar entre s para dar estructuras mayores alcanzndose mejores prestaciones.

1.1.9

Introduccin a las PYMEs9

1.1.10 La administracin de las Pymes10.


En cada momento los administradores, los economistas y en general todas las personas que buscan obtener mejores resultados en la operacin de las empresas se preocupan por idear nuevas tcnicas administrativas que conduzcan a la obtencin de mayores rendimientos, eficacia, calidad, y por supuesto, mayores unidades, por lo general estas tcnicas se dirigen hacia empresas grandes, lo cual origina que no se preste la debida atencin a las pequeas y medianas empresas. Todo esto ocurre porque no se considera el hecho de que toda empresa alguna vez fue pequea o mediana y tambin por subestimar o desconocer la ayuda que la Pyme proporciona a la sociedad, sealada en muchas formas en estadsticas. Desgraciadamente, cada instante inician en todo el pas cientos de pequeos negocios que luchan en la difcil prueba de su iniciacin y subsistencia; muchos de ellos sucumben debido a la multitud de problemas y riesgos con que se encuentran, as como la falta de capacitacin tcnica y administrativa para resolverlos.

Redes neuronales artificiales, Ed.Alfaomega, Antonio J. Serrano, Emilio Soria, Jos D. Martn , pg.14 10 Administracin de Pequeas y Medianas Empresas, Ed. Thomson 5ta Edicin, Rodrguez Valencia Joaqun, 2007, pg.27-40

11

Protocolo de Investigacin

Hctor Paniagua Guerrero

La pequea y mediana empresa constituye, en la actualidad, el centro del sistema econmico de nuestro pas. El enorme crecimiento de la influencia actual de estas empresas se debe a la masificacin de la sociedad, a la necesidad de concentrar grandes capitales y enormes recursos tcnicos para el adecuado funcionamiento de la produccin y servicios, as como el alto nivel de perfeccin logrado ya por muchas normas de direccin. Estas empresas lo investigan todo, lo planean y se someten a procedimientos y mtodos exhaustivos y cientficos. Por tanto, las tareas directivas son cada vez ms complejas y al mismo tiempo de gran trascendencia social, porque sus efectos se transmiten y multiplican en cadena en cualquier actividad de los pueblos.

1.1.11 La importancia de las Pymes11.


Las micro, pequeas y medianas empresas (MIPYMES), tienen una gran importancia en la economa, en el empleo a nivel nacional y regional, tanto en los pases industrializados como en los de menor grado de desarrollo. Las empresas MIPYMES representan a nivel mundial el segmento de la economa que aporta el mayor nmero de unidades econmicas y personal ocupado; de ah la relevancia que reviste este tipo de empresas y la necesidad de fortalecer su desempeo, al incidir stas de manera fundamental en el comportamiento global de las economas nacionales; de hecho, en el contexto internacional se puede afirmar que el 90% o un porcentaje superior de las unidades econmicas totales est conformado por las PYMES. Los criterios para clasificar a la micro, pequea y mediana empresa son diferentes en cada pas, de manera tradicional se ha utilizado el nmero de trabajadores como criterio para estratificar los establecimientos por tamao y como criterios complementarios, el total de ventas anuales, los ingresos y/o los activos fijos.

1.1.12 Caractersticas generales de las Pymes


De manera muy general todas las pequeas y medianas empresas (Pymes) comparten casi siempre las mismas caractersticas, por lo tanto, se podra decir, que estas son las caractersticas generales con las que cuentan las Pymes El capital es proporcionado por una o dos personas que establecen una sociedad. Los propios dueos dirigen la marcha de la empresa; su administracin es emprica. Su nmero de trabajadores empleados en el negocio crece y va de 16 hasta 250 personas. Utilizan ms maquinaria y equipo, aunque se sigan basando ms en el trabajo que en el capital. Dominan y abastecen un mercado ms amplio, aunque no necesariamente tiene que ser local o regional, ya que muchas veces llegan a producir para el mercado nacional e incluso para el mercado internacional. Est en proceso de crecimiento, la pequea tiende a ser mediana y est aspira a ser grande. Obtienen algunas ventajas fiscales por parte del Estado que algunas veces las considera causantes menores dependiendo de sus ventas y utilidades. Su tamao es pequeo o mediano en relacin con las otras empresas que operan en el ramo.

1.1.12.1

Caractersticas generales y particulares de las empresas en Mxico.

11

Administracin y Direccin, Ed. McGraw Hill, Dez de Castro Emilio Pablo, 2007, pg.20

12

Protocolo de Investigacin

Hctor Paniagua Guerrero

La definicin de una empresa sin importar su tamao, ni su lugar de origen, es igual en cualquier parte del mundo, ya que dentro de su definicin, siempre gozar de los mismos componentes necesarios para que pueda decirse que es una empresa. Por consiguiente se definir a la empresa como: Una unidad econmica de produccin y decisin que, mediante la organizacin y coordinacin de una serie de factores (capital y trabajo), persigue obtener un beneficio produciendo y comercializando productos o prestando servicios en el mercado Una vez ya definida a la empresa, podemos ampliarnos ms en sus caractersticas, observando, la relacin que posee con su definicin. Por tanto cualquier empresa contar con las siguientes caractersticas: a) Cuentan con recursos humanos, de capital, tcnicos y financieros. b) Realizan actividades econmicas referentes a la produccin, distribucin de bienes y servicios que satisfacen necesidades humanas. c) Combinan factores de produccin a travs de los procesos de trabajo, de las relaciones tcnicas y sociales de la produccin. d) Planean sus actividades de acuerdo a los objetivos que desean alcanzar. e) Son una organizacin social muy importante que forman parte del ambiente econmico y social de un pas. f) Son un instrumento muy importante del proceso de crecimiento y desarrollo econmico y social. g) Para sobrevivir debe de competir con otras empresas, lo que exige: modernizacin, racionalizacin y programacin. h) El modelo de desarrollo empresarial reposa sobre las nociones de riesgo, beneficio y mercado. i) Es el lugar donde se desarrollan y combinan el capital y el trabajo, mediante la administracin, coordinacin e integracin que es una funcin de la organizacin. j) La competencia y la evolucin industrial promueven el funcionamiento eficiente de la empresa. k) Se encuentran influenciadas por todo lo que suceda en el medio ambiente natural, social, econmico y poltico, al mismo tiempo que su actividad repercute en la propia dinmica social.

1.1.13 Entorno empresarial de las empresas familiares12.


Las empresas familiares son analizadas tomando en cuenta su importancia en Mxico y el mundo, la participacin e influencia de los accionistas, los miembros integrantes del consejo de administracin y/o aquellos directivos que son representantes clave dentro de las compaas. Por su parte, las definiciones y contextos de las empresas familiares, sus ventajas y limitaciones, as como la representacin de modelos, las resoluciones de conflictos y los retos que enfrentan estas organizaciones son considerados para determinar y facilitar su gestin y desarrollo. Hoy las empresas Pymes enfrentan el gran reto del cambio generacional para procurar la permanencia, continuidad y crecimiento de los negocios a travs de estructuras y funciones familiares y empresariales.

12

Gobierno corporativo en la empresa familiar, Centro de excelencia en gobierno corporativo, Ed. Lid Editorial Mexicana, 2009, pg.18-30

13

Protocolo de Investigacin

Hctor Paniagua Guerrero

A. Las empresas familiares en el mundo. Las empresas familiares son importantes en las economas de primer mundo y en las economas emergentes. En trminos generales, las empresas familiares a nivel global poseen dos caractersticas: 1. La participacin de la familia en la prioridad de la empresa, es decir, el porcentaje de acciones que tiene en la empresa o en el grupo de empresas.

2. La participacin de la familia en la administracin de la empresa, es decir, cuando est involucrada en la direccin, gerencia u operacin de la empresa familiar. Atendiendo la primera caracterstica, podemos darnos cuenta de que los patrones de propiedad en empresas familiares alrededor del mundo, representan un 30% de las veinte empresas ms grandes listadas en la bolsa de cada pas, siendo esto un reflejo de la importancia de estas organizaciones dentro de la economa global (Lopez de Silanes 2004). El National Bureau of Economic Research, emitido en 2004 por la Universidad de Yale, ndica que Amrica Latina, Uruguay ocupa el primer lugar de empresas familiares con 78% de propiedad familiar de acciones, seguido de Mxico con 64%, Colombia con 63% en tercero, Brasil con 57% en cuarto y Per con 56% en el quinto sitio. El criterio a considerar fue de tres accionistas de las ms grandes empresas privadas. En trminos de operacin, el porcentaje de administracin familiar es de 95% en Mxico y Estados Unidos, 62% en Argentina y 100% en Canad. En Europa por ejemplo, Italia representa 100%, mientras que en Alemania y Blgica significa 50% y en Austria 33%. En Asa, especficamente Hong Kong cuenta con 86% y Singapur con 67%. Se concluye lo siguiente: a) Las empresas familiares representan en promedio 34% del total de empresas. b) La administracin de la empresa en manos de miembros de la familia el 71%. c) La propiedad de las empresas ms importantes listadas en los mercados internacionales (en manos de tres accionistas) representan en promedio 39% del total. B. Las empresas familiares en Mxico
13

Las empresas pequeas y medianas representan alrededor del 90% del total y, segn analistas empresariales, 95% de estas compaas operan bajo una estructura familiar. Tambin hay empresas grandes que operan bajo dicha estructura y se calcula que generan ms del 50% del PIB. Una de las contribuciones ms importantes de la empresa familiar es la estabilidad del empleo. Por su naturaleza social, los trabajadores adquieren continuidad, afecto y confianza, los cual genera e impacta considerablemente en la creacin de cadenas de valor de productos y servicios. La empresa familiar aporta valores al desarrollo, a la generacin de una sociedad ms justa, a la estabilidad del empleo, a la responsabilidad hacia los trabajadores, al fomento a la superacin y a la transmisin de principios y valores ticos de una generacin a otra.
13 Administracin de pequeas empresas, Ed. McGraw Hill, Anzola Rojas Srvulo, 2010, pg.28

14

Protocolo de Investigacin

Hctor Paniagua Guerrero

La definicin de empresa familiar es el resultado de la fusin de dos sistemas: el familiar y el empresarial. Estos sistemas se superponen llegando a ser interdependientes (Steckerl 2005). a) Clasificaciones del tamao de las empresas PYME
Para este punto, se comparar las diferencias que hay en la definicin del tamao de la empresa, segn su nmero de trabajadores que laboren en ella, tomando en cuenta las siguientes instituciones: FALTA CUADRO???

1.1.14 Introduccin a los riesgos empresariales14.


El tema de los riesgos empresariales ha ganado gran popularidad en los aos recientes y su importancia se ha establecido de manera firme. En el mbito internacional, la evolucin de la disciplina ha sido vertiginosa debido a la experiencia derivada de las crisis empresariales y financieras que se registraron en los ltimos 10 aos.

1.1.14.1

Introduccin a los riesgos

La necesidad de entender los riesgos y las oportunidades es ineludible cuando se trata de alcanzar el progreso de cualquier empresa. Proporcionarle direccin estratgica a un negocio, significa entender qu genera la creacin de valor y qu la destruye. Esto alternativamente significa que la bsqueda de oportunidades debe exigir comprensin de los riesgos a tomar y de los riesgos a evitar. Por lo tanto, el crecimiento de cualquier negocio exige la evaluacin del riesgo y la aceptacin del riesgo implcito. La capacidad de un negocio de prosperar al afrontar los riesgos, al mismo tiempo que responde a acontecimientos imprevistos, buenos o malos, es un indicador excelente de su capacidad para competir. Sin embargo, la exposicin al riesgo es cada vez mayor, ms compleja, diversa y dinmica. Esto se ha generado en gran parte por los rpidos cambios en la tecnologa, la velocidad de la comunicacin, la globalizacin de los negocios y las fluctuaciones en los tipos de cambio dentro de los mercados financieros. Los negocios ahora operan en un entorno completamente diferente comparado con hace apenas 10 aos. La fuente del riesgo tambin puede gestarse dentro de la organizacin mientras los negocios luchan por lograr su crecimiento. La adopcin de estrategias de expansin, como las adquisiciones de empresas, las inversiones en nuevos mercados internacionales, las grandes reestructuraciones organizacionales, el outsourcing de los procesos clave, los grandes proyectos de inversin y el desarrollo de nuevos productos, se pueden convertir en elementos que aumentan la exposicin al riesgo de un negocio. Como consecuencia de la diversidad de riesgos, la gerencia requiere un acercamiento ms profundo a la administracin de riesgos. La mayora de los accionistas y los organismos reguladores estn requiriendo a las juntas directivas una administracin de riesgos ms comprensivos, rigurosos y sistemtica. Las compaas que consideraban la administracin de riesgos solo una cuestin de cumplimiento de los principios contables y legales, estn aumentando bastante su exposicin y eso provocar que reporten estados financieros afectados seriamente por los riesgos.

14

Administracin de Pequeas y Medianas Empresas, Ed. Thomson 5ta Edicin, Rodrguez Valencia Joaqun, 2007, pg.27-40

15

Protocolo de Investigacin 1.1.14.2 Riesgo y Oportunidad

Hctor Paniagua Guerrero

No debera haber una preocupacin por los inconvenientes de los riesgos. La administracin de riesgo lo considera de doble direccin, teniendo en cuenta siempre que riesgo y rentabilidad son directamente proporcionales, as tanto los riesgos favorables (oportunidades) como los riesgos desfavorables (amenazas) estn en el centro del crecimiento del negocio y de la creacin de la riqueza. Una vez que la junta directiva haya determinado su visin, su misin y los valores, debe establecer la estrategia corporativa y las polticas para transmitir la visin del negocio. El establecimiento de la estrategia est basado en el pensamiento estratgico. Definir la estrategia, es sealar la direccin que muestra el estilo de liderazgo para lograr los objetivos empresariales.

Sin embargo, cualquiera que sea la estrategia, la junta directiva debe decidir qu oportunidades, presentes y futuras, desea alcanzar y qu riesgos est dispuesta a tomar para desarrollar las oportunidades seleccionadas. La administracin tanto de oportunidades debe recibir igual atencin y es importante que las juntas directivas seleccionen un balance correcto. Esto se ha expresado en una resolucin de la National Audit Office como: el enfoque de la administracin de riesgos empresarial ofrece la posibilidad de lograr una equilibrio razonablemente juicioso y sistemticamente discutido, entre los riesgos y las oportunidades, en forma que maneje las presiones contradictorias de emprender retos que representen mejores beneficios por un lado y limite las amenazas de los riesgos por la otro. Exagerar en los inconvenientes de los riesgos y su manejo puede ser daino para cualquier empresa. Knight y Perry sealan que la administracin de riesgos pretende buscar los riesgos favorables u oportunidades, no solamente tratar de librarse de los riesgos que amenazan las fuentes de creacin del valor y el potencial de la empresa. Cualquier procedimiento que intente librarse del riesgo completamente conducir al menos a una decisin racional, que el no hacer nada. Los riesgos son importantes, pues todos los negocios hacen frente al riesgo de sus inicios, no son motivos para la accin sino restricciones en la accin. Por lo tanto, la gerencia trata de controlar los riesgos lo ms lejos posible para permitirle al negocio maximizar sus oportunidades. El desarrollo de una poltica del riesgo debe ser una iniciativa creativa, exponiendo las oportunidades para el crecimiento del valor y el manejo innovador del riesgo, no es una tarea que deprima, llene de ambigedades, de advertencias y de pesimismo. La administracin de riesgo empresarial entonces es manejar de ambos, oportunidades y riesgos.

1.1.14.3

El concepto del riesgo.

Son mltiples las formas que se han dado a la definicin del concepto de riesgo. Riesgo se puede definir como la incertidumbre que existe de que un hecho ocurra, durante un perodo y bajo condiciones determinadas, reportando prdidas econmicas. Se habla de riesgo tanto para crdito, como en operacin, mercadeo, tasas de inters, productos, tanto para entidades de crdito como para seguros e industria. Igualmente, el riesgo ha sido definido como la variacin de los posibles rditos o resultados que existen en una situacin econmica dada. Adems, riesgo es la variacin de los resultados esperados bajo las condiciones dadas en un perodo de tiempo. Se considera que las variaciones no necesariamente son en un resultado final, sino en el conjunto de variables intervinientes que afectan el resultado. As mismo, el estudio de riesgo involucra el anlisis de las consecuencias de la ocurrencia del evento, no slo se limita a la medida sino a la proteccin, prevencin, precaucin en las actividades econmicas y sociales.

16

Protocolo de Investigacin

Hctor Paniagua Guerrero

De la misma forma los individuos se clasifican, segn su actitud ante el riesgo, en neutrales, esto es, cuando mantienen constante su utilidad marginal; en tomadores de riesgo cuando la utilidad marginal crece, y en adversos al riesgo cuando la utilidad marginal decrece. En cada categora se encuentran casos, como puede ser el de inversionistas que emprenden proyectos de riesgo por negocios nuevos, el cual es un caso de tomadores de riesgo, pero en el caso ms generalizado se presenta aversin al riesgo. Se buscar reducir la posible variacin de resultados esperados a cambio de un pago por cobertura, o adicionalmente por la posible administracin de las variables que optimizan el proceso de seleccin y adopcin del riesgo. En forma adicional, la gestin de riesgo es un conjunto de metodologas estandarizadas, probadas en muchos mercados que tambin tienen su aplicacin en diferentes niveles de desarrollo de los medios empresariales, a pesar de los escpticos. Sin embargo, la gestin de riesgos no reemplazar nunca el buen sentido comn; lo importante es preguntarse qu es un buen sentido comn y cmo podra complementarse con la valoracin ptima del riesgo. Los mercados son independientes y en nada les afectan las opiniones ni los conocimientos de los expertos. La gestin de riesgo debe ser independiente y, por tanto, separada de las instancias que toman decisiones; en caso de conflicto debe primar el criterio del gestor de riesgos. (Los desaciertos impactan ms en una organizacin que los aciertos). Toda actividad est sometida a riesgo, los mayores crecimientos son en muchos casos posiciones a riesgo muy grandes, en casi todos los negocios. La actividad bancaria, por definicin, es un negocio de administracin y transformacin de riesgos.

1.2 Planteamiento del problema


En este tema de investigacin se desea observar la evolucin, mejora y supervivencia a la gestin de riesgos de negocios, financieros y econmicos que pudieran impactar: Las redes

neuronales artificiales aplicadas al riesgo de negocios de las PYMEs de servicios en la Ciudad de Mxico, por lo que se propone el desarrollo de un modelo con redes
neuronales artificiales que sea capaz de ajustar y predecir la tendencia de los riesgos empresariales, que permita evaluar el desempeo y apoye a lograr la permanencia de la empresa; el crecimiento sustentable a travs de la creacin de valor; as como optimizar la reduccin del riesgo empresarial, disminuir la incertidumbre en la toma de decisiones y que mejore la competitividad de la empresa en su mercado.

1.2.1

Preguntas de Investigacin

1) Determinar si es posible que se logre que la compaa pueda crear valor en el mercado mediante la aplicacin de una red neuronal artificial en la administracin de riesgo de negocios. 2) Con la construccin de un modelo de redes neuronales artificiales para los riesgos de las empresas Pyme, Se podrn controlar sus costos y gastos, disminuir el riesgo empresarial, permitiendo elevar la posicin financiera y competitiva del negocio? 3) Con la implantacin de un modelo de redes neuronales artificiales para los riesgos de las empresas Pyme, permitir a la compaa crecer de manera sustentable y disminuir su incertidumbre?

1.3 Justificacin de la Investigacin 17

Protocolo de Investigacin

Hctor Paniagua Guerrero

Se propone orientar la estrategia y el esfuerzo de las redes neuronales artificiales a la administracin del riesgo corporativo en direccin a la maximizacin de valor de la empresa y de su rentabilidad. Por lo que las redes neuronales artificiales y la toma de decisiones aplicadas al riesgo de la empresa para disminuir su incertidumbre, se han convertido en una pieza central de la teora de la misma, y en el eje de la vida de las sociedades mercantiles.

1.4 Objetivos de la Investigacin


El objetivo general de esta investigacin se centra en la creacin de un modelo de administracin del riesgo de negocios con redes neuronales artificiales aplicadas a las Pymes de servicios que se encuentran localizadas en la Ciudad de Mxico, y que permita evaluar la competitividad y desempeo en un periodo mayor a 3 aos, implantando anlisis y evaluacin de diagnsticos en periodos mensuales.

1.4.1

Objetivos especficos de la investigacin


En el campo de la gestin financiera empresarial, las redes neuronales artificiales intentan resolver en forma eficiente problemas en la prediccin de la bancarrota de una empresa, evaluacin y prediccin de su capacidad financiera, absorber un prstamo y con el fin de decidir el otorgamiento del mismo, el anlisis y evaluacin de los riesgos empresariales y la implementacin de un simulacro de riesgos corporativos, as como la inferencia de reglas que indiquen las mejores decisiones sobre la asignacin de recursos con base en informacin histrica de varios aos. Obteniendo un diagnstico con un modelo de alerta temprana que permita detectar una situacin de riesgo empresarial.

1.5 Hiptesis de la Investigacin


Cmo ser la toma de decisiones bajo incertidumbre en cuanto a riesgos corporativos se refiere para empresas de servicios aplicando un modelo basado en redes neuronales artificiales que sea capaz de ajustar y predecir la tendencia de los riesgos, y que le permitan crear valor, crecer de manera sustentable, as como elevar su posicin financiera y competitiva? 1.6 Alcance de la Investigacin
Se pretende desarrollar un modelo con una red neuronal artificial a travs del cual sea posible obtener una solucin factible y satisfactoria al problema de la incertidumbre del riesgo empresarial. La red neuronal artificial incluir un nuevo planteamiento de la funcin de aptitud tradicionalmente empleada para resolver estos problemas, permitiendo obtener una solucin ms ajustada a la realidad. Esta plataforma constituir una herramienta con un adecuado grado de funcionalidad, pues no solo presentar una sencilla forma de utilizacin, sino que permitir abarcar una amplia gama de tareas relacionadas con el diseo e implementacin de redes neuronales artificiales. Se propone utilizar los mtodos de redes neuronales artificiales que nos apoyen a tener una solucin de problemas, utilizando creativos modelos de planteamiento de problemas para la industria de servicios.

18

Protocolo de Investigacin

Hctor Paniagua Guerrero

Por lo que se propone realizar el desarrollo de modelo de red neuronal artificial, como una herramienta que cumpla los objetivos planteados tales como el observar grficamente y entender mejor las soluciones generadas por la red, en otras palabras decodificar la informacin en diagramas e interpretarla. Por consiguiente, se pretende aplicar el modelo de red neuronal artificial a una muestra de empresas mexicanas que se encuentren ubicadas como Pequeas y Medianas Empresas del rea de servicios en el rea de la Ciudad de Mxico. Y que dicho modelo de red neuronal artificial nos ayude a identificar, medir y monitorear la administracin de riesgo empresarial y los modelos financieros del negocio; alineacin de los riesgos, modelos y retornos de inversin, as como fortalecer el ambiente de control en la administracin y reportes. El periodo de diagnostico del programa de simulacro es de 3 aos, revisando el comportamiento del modelo de red neuronal artificial en periodos mensuales, y si es posible de manera semanal.

1.7

Marco Terico de la Investigacin.

1.7.1 Definicin de una Red Neuronales Artificial15


Las RNA se definen como sistemas de mapeos lineales cuya estructura se basa en principios observados en los sistemas nerviosos humanos y animales. Constan de un nmero grande de procesadores simples ligados por conexiones de pesos. Las unidades de procesamiento se denominan neuronas. Cada unidad recibe entradas de otros nodos y genera una salida simple escalar que depende que depende de la informacin local disponible, guardada internamente o que llega a travs de las conexiones con pesos. Pueden realizarse muchas funciones complejas dependiendo de las conexiones. Las neuronas artificiales simples fueron introducidas por McCulloch y Pitts en 1943. Una red neuronal se caracteriza por los siguientes elementos: 1. Un conjunto de unidades de procesamiento o neuronas. 2. Un estado de activacin para cada unidad, equivalente a la salida de la unidad. 3. Conexiones entre las unidades, generalmente definidas por un peso que determina el efecto de una seal de entrada en la unidad. 4. Una regla de propagacin, que determina la entrada efectiva de una unidad a partir de las entradas externas. 5. Una funcin de activacin que actualiza el nuevo nivel de activacin basndose en la entrada efectiva y la activacin anterior. 6. Una entrada externa que corresponde a un trmino determinado como vas para cada 7. Un mtodo para reunir la informacin, correspondiente a la regla de aprendizaje. 8. Un ambiente en el que el sistema va a operar, con seales de entrada e incluso seales de error. En muchas redes las unidades de proceso tienen respuesta de la forma:

15

Inteligencia artificial con aplicaciones a la Ingeniera, Pedro Ponce Cruz , Ed. Alfaomega, Ao 2010. Pginas 198-202.

19

Protocolo de Investigacin
Donde: : : Seales de salida de otros nodos o entradas externas. Pesos de las ligas de conexin. Funcin no lineal simple.

Hctor Paniagua Guerrero

( ):

La funcin puede ser sigmoidal, tangente hiperblica, escaln, entre otras. Cada unidad de proceso tiene una tarea simple: recibe la entrada de otras unidades o de fuentes externas y procesa la informacin para obtener una salida que se propaga a otras unidades. Una red puede tener una estructura arbitraria, pero las capas que contienen estas estructuras estn definidas de acuerdo con su ubicacin en la topologa de la red neuronal. Las entradas externas son aplicadas en la primera capa, y las salidas se consideran la ltima capa. Las capas internas que no se consideran como capa porque no realizan procesamiento. La entrada total u de una unidad k es la suma de los pesos de las entradas conectadas, ms bien :

Si el peso es positivo se habla de una excitacin y si el peso es negativo se considera una inhibicin de la entrada. Si consideramos a las entradas como funciones del tiempo, la expresin anterior se convierte en:

( )

( ) ( )

( )

b) Funciones de activacin La regla que logra establecer el efecto de la entrada total u(t) en la activacin de la unidad k se denomina funcin de activacin ( )

( ( ) ( ))

En muchas ocasiones esta funcin es de la forma no decreciente respecto a la entrada total de la unidad:

( ) ( )

( ))

Algunas de las funciones de activacin ms usadas son las siguientes:

i.

Funcin escaln.

La funcin de activacin escaln se asocia a neuronas binarias en las cuales, cuando la suma de las entradas es mayor o igual que el umbral de la neurona, la activacin es 1; si es menor la activacin es 0 (o 1).

20

Protocolo de Investigacin

Hctor Paniagua Guerrero

( )

} ( ) { }

ii.

Funcin lineal mixta.

( ) La funcin lineal mixta o identidad responde a la expresin . En las neuronas con funcin mixta, si la suma de las seales de entrada es menor que un lmite inferior, la funcin se define como 0 (o 1). Si dicha suma es mayor o igual que el lmite superior, entonces la activacin es 1. Si la suma de entrada est comprendida entre ambos lmites, superior e inferior, entonces la activacin se define como una funcin lineal de la suma de las seales de entrada.

( )

21

Protocolo de Investigacin

Hctor Paniagua Guerrero

( )

( )

iii.

Funcin tangente hiperblica.

La funcin de activacin tangente hiperblica se emplea en los casos que presentan variaciones suaves de valores positivos y negativos de la seal a clasificar. Como se puede ver en su descripcin es una de las funciones ms empleadas en entrenamientos supervisados, como en el caso del entrenamiento de retropropagacin del error. Debe de tenerse cuidado de emplear esta figura entre los umbrales positivos y negativos antes de la saturacin, de otra forma la salida siempre generar valores saturados iguales a 1 y -1.

( )

22

Protocolo de Investigacin
iv. Funcin sigmoidal.

Hctor Paniagua Guerrero

Con la funcin sigmoidal el valor dado por la funcin es cercano a uno de los valores asintticos. Esto hace que en la mayora de los casos, el valor de salida est comprendido en la zona alta o baja del sigmoide. De hecho, cuando la pendiente es elevada, esta funcin tiende a la funcin escaln. Sin embargo, la importancia de la funcin sigmoidal es que su derivada siempre es positiva y cercana a cero para los valores grandes positivos o negativos; adems, toma su valor mximo cuando x = 0. Esto hace que se puedan utilizar reglas de aprendizaje definidas para las funciones escaln, con la ventaja, respecto a esta funcin, de que la derivada est definida en todo intervalo.

( )

v.

Funcin de Gauss.

Los mapeos ocultos algunas veces pueden realizarse con un solo nivel de neuronas mediante el uso de funciones de activacin tipo Gauss, en lugar de funciones tipo sigmoidales.

( )

c) Topologas de las redes neuronales Dos de las topologas ms usadas, de acuerdo con las diferencias en la manera de realizar las conexiones, son:

23

Protocolo de Investigacin

Hctor Paniagua Guerrero

a. Redes de propagacin hacia adelante (feed-forward): el flujo de informacin de las entradas a las salidas es exclusivamente hacia adelante, extendindose por capas mltiples de unidades, pero no hay ninguna conexin de retroalimentacin. b. Redes recurrentes: contienen conexiones de retroalimentacin, lo que puede derivarse en un proceso de evolucin hacia un estado estable en le que no haya cambios en el estado de activacin de las neuronas. d) Elementos de una red neuronal artificial Una RNA consta de un conjunto de elementos de procesamiento conectados entre s y entre los que se envan informacin a travs de conexiones. Un esquema bsico de una red neuronal artificial se observa en la siguiente figura, la cual presenta las diferentes capas que tiene esta topologa, que es una estructura que se conoce con el nombre de feed-forward (hacia adelante) debida al flujo de la informacin.

Esquema bsico de una RNA

Los elementos bsicos de una RNA son: Conjunto de unidades de procesamiento (neuronas). Conexiones entre unidades (asociado a cada conexin un peso o valor) Funciones de salida o activacin para cada unidad de procesamiento

El modelo de la neurona y la arquitectura de la red describen cmo esta ltima transforma sus entradas y salidas. Los elementos individuales de clculo que forman la mayora de los modelos de sistemas neuronas artificiales, se conocen como neuronas artificiales.

1.7.2 Entrenamiento de las Redes Neuronales16


Se denomina entrenamiento al proceso de configuracin de una red neuronal para que las entradas produzcan las salidas deseadas a travs del fortalecimiento de las conexiones. Una forma de llevar esto a cabo es a partir del establecimiento de pesos conocidos con anterioridad, y otro mtodo implica el uso de tcnicas de retroalimentacin y patrones de aprendizaje que cambian los pesos hasta encontrar los adecuados.

16

Inteligencia artificial con aplicaciones a la Ingeniera, Pedro Ponce Cruz, Ed. Alfaomega, Ao 2010. Pginas 203.

24

Protocolo de Investigacin

Hctor Paniagua Guerrero

Adems, el aprendizaje puede dividirse en supervisado o asociado y no supervisado o autoorganizado. En el primer caso se introducen entradas que corresponden a determinadas salidas, ya sea por un agente externo o por el mismo sistema. En el segundo caso el entrenamiento se enfoca a encontrar caractersticas estadsticas entre agrupamientos de patrones en las entradas. Un tipo de regla que se usa para el entrenamiento mediante el ajuste de pesos es la Hebbiana, propuesta por Hebb en 1949 y que ha dado pie a diversas variantes propuestas en el transcurso del tiempo. Si dos unidades j y k estn activas al mismo tiempo, la conexin entre las dos debe de ser fortalecida mediante la modificacin del peso

Donde

es una constante de proporcionalidad positiva que representa la tasa de aprendizaje.

Otra regla usada comnmente implica el ajuste de los pesos a travs de la diferencia entre la activacin actual y la deseada; se le conoce como regla Delta: ( Donde es la activacin deseada. 1.7.2.1 Proceso de entrenamiento o aprendizaje. Como se menciono, las RNA reciben unos datos de entrada que se transforman para producir una salida con el objeto de clasificarlos o ajustar una funcin. La justificacin terica para este tipo de aplicaciones es que, suponiendo que la red tenga un nmero suficiente de neuronas, podr ajustar cualquier funcin continua con una cierta precisin con tan solo escoger los valores adecuados para los parmetros ajustables de dicha red. Estos parmetros son; en general, los pesos sinpticos y son, por tanto, el medio que la red emplea para almacenar sus conocimientos sobre el problema a resolver. Este conocimiento se almacena en la RNA a travs de un proceso de aprendizaje o entrenamiento, que no es ms que la modificacin de los parmetros de la RNA mediante un conocimiento preestablecido, al objeto de conseguir una mejora en su rendimiento. Como el proceso de aprendizaje humano, el de las RNA est basado en el uso de ejemplos que representan el problema. A este conjunto se le conoce como conjunto de entrenamiento. Es importante recalcar que el objetivo del aprendizaje no es memorizar las relaciones entrada/salida que hay en el conjunto de entrenamiento, sino modelar el proceso que ha generado estos datos para ello es conveniente que el nmero y tipo de ejemplos disponibles para el entrenamiento de la red sean suficientemente representativo de la relacin que desea aprender. De este modo, una vez entrenada, la red ser capaz de manejar no solo los datos de entrenamiento, sino nuevos datos distintos de los primeros, sin que por ello se degrade su rendimiento. Esto se conoce como la capacidad de generalizacin de la red. En funcin de cmo este constituido el conjunto de entrenamiento se distinguen bsicamente dos tipos de aprendizaje: supervisado y no supervisado. En el aprendizaje supervisado se parte de una serie de observaciones o entradas y unas salidas deseadas que la red debera de obtener, y el objetivo es aprender la correspondencia entre ambas. Es decir, el conjunto de entrenamiento estar compuesto por pares de la forma: *( + )

Donde es el vector de entradas, el de salidas deseadas y es el tamao del conjunto de entrenamiento. La aproximacin que se sigue es partir del modelo genrico ( ) que representa

25

Protocolo de Investigacin

Hctor Paniagua Guerrero

la red, totalmente definido excepto por una serie de parmetros o pesos , y con l producir una buena aproximacin a . ( | ) Donde representa la salida proporcionada por la red. El algoritmo de aprendizaje optimizar los parmetros de manera que la salida producida por el modelo sea los ms parecida posible a la del conjunto de entrenamiento. Es decir, se trata de encontrar el conjunto de parmetros que minimiza el error que, en cada paso del aprendizaje, indique lo cerca que est de la solucin. De nuevo existe una serie de funciones de error que, por sus caractersticas, se utilizan ms frecuentemente. Todas ellas toman la forma de una suma del error que, para cada ejemplo de aprendizaje, mide la diferencia entre la salida que se debera haber obtenido. La forma de medir dicho error depender del tipo de problema que se intente resolver. As, si se trata de un problema de regresin, la salida de la red es una variable continua y la funcin de error ms utilizada es el Error Cuadrtico Medio (en adelante EMC): ( )

El uso de esta funcin permitir que las salidas reales de la red modelen la funcin de distribucin media de las salidas deseadas utilizadas durante el entrenamiento. Por otro lado, si hablamos de problemas de clasificacin, la salida de la red no ser nica sino que deber de estar formada por tantas neuronas como clase posibles , y la salida deseada estar codificada como un vector ( ) de valores binarios (0,1) en el que solo el bit correspondiente a la clase adecuada tomar el valor 1. En este caso, el objetivo a conseguir que las salidas de la red modelen las probabilidades de pertenencia de las entradas a alguna de las clases consideradas. Para conseguirlo, en esta situacin resulta ms adecuado utilizar la funcin de entropa cruzada, cuya ecuacin es: ( )

Donde es la salida de la neurona k para el ejemplo de entrenamiento n. La diferencia fundamental respecto al ECM es que, en este caso, no se valorar tanto la diferencia exacta entre el valor deseado para cada neurona k de salida y el obtenido , sino que el resultado de la clasificacin sea el correcto. Es decir, que la neurona que representa la clase correcta sea la que obtenga el mayor de activacin a su salida. Por otro lado, el tipo de problema y la funcin de error utilizada estn muy ligados al tipo de funcin de activacin empleada en las neuronas de salida. En el caso de problemas de clasificacin, lo ideal es obtener valores discretos en las neuronas de salida (p.e., (0,1)) y que adems, stas se pueden interpretar como probabilidades para lo que, en conjunto, la suma de todas ellas deber estar en el intervalo [0,1]. Con este fin, es recomendable utilizar la funcin sigmoidea. ( )

26

Protocolo de Investigacin

Hctor Paniagua Guerrero

Otra forma alternativa de entrenamiento es el aprendizaje no supervisado. En este caso, en el conjunto de entrenamiento los datos de entrada x no vienen acompaados de una salida deseada, y el objetivo no es encontrar un mapeo entrada/salida, sino que encontrar patrones que definan regularidades subyacentes en x. Adems estos patrones ocurren con distintas frecuencias y la red deber de encontrar una estimacin de la distribucin de probabilidad de x, y en otros el objetivo ser inferir las clases existentes en las que agrupar los ejemplos de entrada que presenten similitudes.

1.7.3 Redes Neuronales Supervisadas17


Algunos de los modelos re redes neuronales ms populares son: en primer lugar; son la clase de redes unidireccionales organizadas en capas (feed-forward) y con aprendizaje supervisado, que son empleadas como clasificadores de patrones y estimadores de funciones. Estos modelos en la literatura son denominados mapping neural networks, o redes neuronales para representacin (ajuste) funcional. Dentro de este grupo de redes se analizar al Perceptrn simple, Adalina y Perceptrn multicapa. El popular algoritmo de aprendizaje llamado retro propagacin (backpropagation, BP), y se aplica precisamente al ltimo modelo. El perceptrn multicapa con aprendizaje BP (o alguna de sus variantes) es el modelo neuronal ms empleado en las aplicaciones prcticas (se estima que el 70% de los desarrollos con redes neuronales hacen uso de sus variantes.

1.7.3.1 Redes Unidireccionales


Muchos problemas del mundo real pueden interpretarse desde el punto de vista de la estimacin o aproximacin funcional, en el sentido de tratar de encontrar la funcin que a partir de un conjunto de entradas proporciona la salida deseada. Por ejemplo, si queremos desarrollar un reconocedor de caracteres manuscritos el objetivo ser encontrar un sistema que implemente la funcin que asocia la imagen de una determinada letra o carcter escrito con la clase que pertenece. Otro caso es el de la prediccin de cotizaciones burstiles, en el que mediante una red neuronal se tratara de encontrar la funcin que relaciona diversas variables de entrada (cotizaciones previas, tipos de inters, inflacin, etc.) con la actual cotizacin en bolsa de una determinada entidad o empresa.

1.7.3.2 El Asociador Lineal: Aprendizaje Hebbiano


Este modelo, mediante una transformacin lineal, asocia un conjunto de patrones de entrada a otros de salida. En este sentido, el Asociador Lineal consta nicamente de una capa de neuronas lineales, cuyas entradas las denotamos por x y sus salidas por y, vector que constituye adems la respuesta a la red neuronal. Asimismo, denotaremos * + a la matriz de pesos sinpticos; cada fila de W contiene los pesos de una neurona wi .

17

Redes neuronales y sistemas borrosos, Ed. Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina, pg.42.

27

Protocolo de Investigacin

Hctor Paniagua Guerrero

Asociador lineal (funcin de activacin identidad)

( La operacin del asociador lineal es simplemente:

O bien, Por tanto, cada neurona i del asociador lineal lleva a cabo la suma ponderada de las entradas con sus pesos sinpticos. Es decir, dentro del marco de neurona estndar se calcula el potencial sinptico por medio de la convencional suma ponderada, cantidad a la que aplica finalmente una funcin de activacin tipo identidad. El asociador deber de aprender a asociar p pares de entrada-salida, *( ) +, ajustando sus pesos W de modo que ante un cierto patrn de entrada x responda con t , y que ante entradas similares, ( ), responda con salidas tambin prximas ( ), (con cantidades pequeas). El problema se centra en encontrar la matriz de pesos W ptima en el sentido descrito. Para ello, en el campo de las redes neuronales normalmente se hace uso de una regla de aprendizaje, que a partir de las entradas y de las salidas deseadas (en el caso de aprendizaje supervisado), proporcione el conjunto ptimo de pesos W.

1.7.3.3 El Perceptrn Simple


Este modelo neuronal fue introducido por Rosenblatt a finales de los aos cincuenta. La estructura del perceptrn se inspira en las primeras etapas de procesamiento de los sistemas sensoriales de los animales (ejemplo, el de la visin), en los cuales la informacin va atravesando sucesivas capas de neuronas, que realizan un procesamiento progresivamente de ms alto nivel. El Perceptrn simple es un modelo unidireccional, compuesto por dos capas de neuronas, una sensorial o de entradas, y otra de salida. La operacin de una red de este tipo, con n neuronas de entrada y m de salida, se puede expresar como:

28

Protocolo de Investigacin

Hctor Paniagua Guerrero

( )

Perceptrn simple y funcin de transferencia de su neurona

Las neuronas de entrada no realizan ningn cmputo, nicamente envan la informacin (en principio consideraremos seales directas discretas {0, +1}) a las neuronas de salida (en el modo de entrada estas neuronas de entrada representaban informacin ya procesada, no datos directamente procedentes del exterior). La funcin de activacin de las neuronas de la capa de salida es de tipo escaln. As, la operacin de un perceptrn simple puede escribirse:

Con H (.) la funcin de Heaviside o escaln. El perceptrn puede utilizarse tanto como clasificador, como para la representacin de funciones booleanas, pues su neurona es esencialmente de tipo MacCulloch-Pitts, de salida binaria. La importancia histrica del perceptrn radica en su carcter de dispositivo entrenable, pues el algoritmo de aprendizaje del modelo introducido por Rosenblatt, permite determinar automticamente los pesos sinpticos que clasifican un conjunto de patrones a partir de un conjunto de ejemplos etiquetados. Un perceptrn permite realizar tareas de clasificacin. Cada neurona del perceptrn representa una determinada clase, de modo que dado un vector de entrada, una cierta neurona responde con 0 si no pertenece a la clase que representa, y con un 1 si s pertenece. Es fcil ver que una neurona tipo perceptrn solamente permite discriminar entre dos clases linealmente separables (es decir, cuyas regiones de decisin pueden ser separadas mediante una nica condicin lineal o hiperplano). Sea una neurona tipo perceptrn de dos entradas, x 1 y x2, con salida y, cuya operacin se define, por tanto:

29

Protocolo de Investigacin

Hctor Paniagua Guerrero

Regiones de decisin en el plano

( O bien

*
Si consideramos x1 y x2 situadas sobre los ejes de abscisas y ordenadas en el plano, la condicin:

Representa una recta (hiperplano, si trabajamos con n entradas) que divide el plano (espacio) en dos regiones, aqullas para las que la neurona proporciona una salida 0 o 1, respectivamente (como la figura de arriba). Luego, efectivamente, una neurona tipo perceptrn representa un discriminador lineal, al implementar una condicin lineal que separa dos regiones en el espacio, que representa dos diferentes clases de patrones.

1.7.3.4 El algoritmo de aprendizaje del Perceptrn18


La importancia del perceptrn radica en su carcter de dispositivo entrenable, pues el algoritmo de aprendizaje introducido por Rosenblatt permite que el perceptrn determine automticamente los pesos sinpticos que clasifican un determinado conjunto de patrones etiquetados. El del perceptrn es un algoritmo de aprendizaje de los denominados por correccin de errores. Los algoritmos de este tipo (en el que incluiremos tambin el de la adalina y el BP) ajustan los pesos en proporcin a la diferencia existente entre la salida actual de la red y la salida deseada, con el objetivo de minimizar el error actual de la red. La regla de aprendizaje. Sea un conjunto de p patrones x , =1,,p, con sus salidas deseadas t . Tanto las entradas como las salidas solo pueden tomar los valores -1 o 1 (o bien, 0 o 1, segn definamos los niveles lgicos). Se tiene una arquitectura de perceptrn simple, con pesos iniciales del conjunto de aprendizaje (lo cual es posible solamente si son separables linealmente).
18

Inteligencia artificial, tcnicas mtodos y aplicaciones, J. Palma y R. Martn, Ed. MacGraw Hill, Ao 2008. Pginas 430.

30

Protocolo de Investigacin

Hctor Paniagua Guerrero

Por lo que actuaremos del siguiente modo, ante la presentacin del patrn -simo, si la respuesta que proporciona el perceptrn es correcta, no actualizaremos los pesos; si es incorrecta, los modificaremos segn la regla de Hebb se tiene:

( )
Que se puede rescribir del siguiente modo:

( )

Que es la forma habitual de expresar la regla del perceptrn. En su utilizacin prctica, se debe llegar a un compromiso para el valor del ritmo de aprendizaje , puesto que un valor pequeo implica un aprendizaje lento, mientras que uno excesivamente grande puede conducir a oscilaciones en el entrenamiento, al introducir variaciones en los pesos excesivamente amplias. Al ser las entradas y las salidas discretas {-1, +1}, tambin lo ser la actualizacin de los pesos (2.21), que nicamente podr tomar los valores 0 o 2 . Una forma mucho ms grfica de introducir la regla del perceptrn es la siguiente. Sea la neurona i tipo perceptrn {-1, +1}, cuyo vector de pesos es . Se presenta el patrn de entrada , la salida objetivo de la neurona i ante este patrn es . La operacin de la neurona la escribimos como

( )

( ))

Considerando el umbral como un peso adicional de entrada -1 (vase el captulo 1), y siendo ngulo que forman los vectores de pesos y entradas. La hipersuperficie =0 establece condicin lineal que separa el espacio en dos regiones, etiquetadas por -1 y + respectivamente. En el proceso de aprendizaje, ante la presentacin del patrn -simo en iteracin t pueden darse los siguientes casos: a) La salida objetivo de la neurona es =+1, pero su salida actual es =-1. En este caso, el producto escalar debera ser positivo, pero es negativo, lo cual indica , -, Figura 2.6). As, la que el ngulo existente entre y es mayor de 90 ( regla de aprendizaje del perceptrn debera en este caso acercar a para reducir el ngulo que forman, y eventualmente conseguir que sea inferior a 90 ( 0), lo cual se puede realizar del siguiente modo (vase la Figura 2.6a)

el la 1, la

( )

b) La salida objetivo de la neurona es =-1, pero su salida actual es =+1. Razonando al revs que en el caso anterior, la regla de aprendizaje deber alejar de , por lo tanto en este caso (figura 2.6b) ( ) ( )

31

Protocolo de Investigacin

Hctor Paniagua Guerrero

c) La salida objetivo de la neurona aprendizaje no acta. Figuras pag. 54 figura 2.6.

coincide con su salida actual

. En este caso la regla de

Figura 2.7 Regiones de decisin que establece iterativamente el perceptrn durante el aprendizaje (en la iteraccin 115 ha conseguido separar ya las dos clases) Es fcil comprobar que los tres casos se resumen en la siguiente regla: ( Y llamando , se tiene ( ) Que es la regla del perceptrn (2.21) ya conocida. Es importante remarcar que el proceso de aprendizaje es iterativo: se parte de una configuracin sinptica de partida (de pesos pequeos alaetorios, habitualmente), y se presentan otra vez los patrones, para que los pesos se ajusten iterativamente segn (2.21), hasta que todos queden bien clasificados. El hiperplano que establece el lmite entre dos clases se desplaza lentamente hasta conseguir separarlas por completo (sin ello es posible), como se puede apreciar en la Figura 2.7. El ajuste de los pesos en la iteracin t debido a todo el conjunto de aprendizaje ser ( ) ( ) ( ) ( ) ) ( ) ( ) ( )

Rosenblatt demostr que si la funcin a representar es linealmente separable, este algoritmo siempre converge en un tiempo finito y con independencia de los pesos de partida. Por otra parte, si la funcin no es linealmente separable, el proceso de entrenamiento oscilar. Una prueba de la convergencia del algoritmo puede encontrarse. Por otro lado, el algoritmo del perceptrn se detiene tan pronto como consigue clasificar correctamente todos los ejemplos, por lo que con frecuencia la lnea de discriminacin queda muy cerca de las muestras de uno de los grupos (en la Figura 2.7 ha quedado cerca de los patrones 0). Para obtener una discriminacin ptima (en medio de ambos grupos) se han introducido algoritmos como el denominado Adatron.

1.7.3.5 Adalina (Widrow, 1961)


Otro de los modelos clsicos es la Adalina (Adaline), introducida por Widrow en 1959, cuyo nombre proviene de Adaptive Linear Neuron. Este modelo utiliza una neurona similar a la del perceptrn, pero de respuesta lineal (figura 2.8), cuyas entradas pueden ser continuas. Por otra parte, a diferencia del nodo del asociador lineal, el de la adalina incorpora un parmetro adicional denominado bias, que traduciremos como umbral, aunque tenerse en cuenta que no se trata de un umbral de disparo como el del perceptrn, sino de un parmetro que proporciona un grado de libertad adicional 7. De este modo, la ecuacin de la adalina queda Pag. 55 figura 2.8

32

Protocolo de Investigacin

Hctor Paniagua Guerrero

( )

No obstante, la diferencia ms importante con el perceptrn y con el asociador lineal reside en la regla de aprendizaje que implementa. En la adalina se utiliza la regla d Windrow-Hoff, tambin conocida como regla LMS (Least Mean Squares, mnimos cuadrados), que conduce a actualizaciones de tipo continuo, siendo la actualizacin de los pesos proporcional al error que la neurona comete. Este ANS es un modelo muy conocido y ampliamente utilizado, aunque en ocasiones se hace ms referencia a su carcter de dispositivo adaptativo lineal que a su naturaleza neuronal. La adalina se viene utilizando con asiduidad desde los aos sesenta como filtro adaptativo, por ejemplo, para cancelar el ruido en la transmisin de comunicaciones telefnicas por satlite: para el interesado en profundizar en el tema, una interesante introduccin al tratamiento de seal con la adalina se expone en. De este modo, y desde hace aos, millones de mdems en todo el mundo incluyen una adalina. Su utilidad se ve limitada por tratarse de un sistema lineal. As, solamente podr separar correctamente patrones linealmente independientes, fallando en ocasiones ante patrones linealmente separables, que el perceptrn siempre discrimina. No obstante, ante patrones no separables linelamente, los resultados que proporciona son en promedio mejores que los del perceptrn], pues la adalina siempre opera reduciendo el error cuadrtico medio al mnimo posible.

1.7.3.6 El Perceptrn Multicapa


Si aadimos capas intermedias (ocultas) a un perceptrn simple, obtendremos un perceptrn multicapa o MLP (Multi-Layer Perceptrn). Esta arquitectura suele entrenarse mediante el algoritmo denominado retropropagacin de errores o BP, o bien haciendo uso de alguna de sus variantes o derivados, motivo por el que en muchas ocasiones el conjunto arquitectura MLP + aprendizaje BP suele denominarse red de retropropagacin, o simplemente BP. Como se describe en el proceso de desarrollo del BP resulta una curiosa historia de redescubrimientos y olvidos. Al parecer, fue Werbos quien introdujo por primera vez el BP en su tesis doctoral en 1974, pero el hecho no tuvo demasiada repercusin en la poca. Aos ms tarde, hacia 1984, el BP fue redescubierto por D. Parker, y casi a la vez (1985) por el grupo de PDP quienes realmente lo popularizaron. Adems, existe un procedimiento matemtico recursivo empleado en control, de apariencia similar al BP, que data de 1969. Pese a todo, el mrito del xito de BP se debe al trabajo del grupo PDP, que lo presentaron a la comunidad internacional como una tcnica til de resolucin de problemas complejos, lo que despert el inters, no solo por el perceptrn, sino por el campo de la neurocomputacin en general. Los importantes requisitos de cmputo que el algoritmo BP precisa no podan ser satisfechos con los medios disponibles a principios de los setenta, por lo que el primer descubrimiento del BP era quizs algo prematuro. Por fin en los aos ochenta los computadores eran suficientemente potentes como para permitir la aplicacin del BP a problemas de inters, lo cual permiti que el grupo PDP pudiera mostrar su gran potencial de aplicabilidad a la resolucin de tareas complejas. La estructura del MLP se presenta en las Figuras 2.10 y 2.11 Denominaremos a las entradas de la red, sern las salidas objetivo (target). Por otro lado, son los pesos de la capa oculta y sus umbrales, los pesos de la capa de salida y sus umbrales. La operacin de un MLP

33

Protocolo de Investigacin

Hctor Paniagua Guerrero

con una capa oculta y neuronas de salida lineal (estructura que constituye, como veremos, un aproximador universal de funciones) se expresa matemticamente de la siguiente manera:

Siendo (.) de tipo sigmoideo (Figura 2.10), como por ejemplo, las siguientes:

( ) ( ) ( )

Proporcionando la primera una salida en el intervalo [0,+1] la segunda. sta es la arquitectura ms comn de MLP, aunque existen numerosas variantes, como incluir neuronas no lineales en la capa de salida (del mismo tipo que las (2.47), solicin que se adopta especialmente en problemas de clasificacin), introducir ms capas ocultas, emplear otras funciones de activacin, limitar el nmero de conexiones entre una neurona y las de la capa siguiente, introducir dependencias temporales o arquitecturas recurrentes [Werbos 90], etc. 1.7.3.7 EL MLP como aproximador universal de funciones El desarrollo del MLP durante los ltimos treinta aos ha resultado curioso. Partiendo de un perceptrn monocapa y observando sus limitaciones computacionales, se lleg a la arquitectura perceptrn multicapa, y aplicndolo a numerosos problemas, se comprob experimentalmente que ste era capaz de representar complejos mappings y de abordar problemas de clasificacin de gran envergadura, de una manera eficaz y relativamente simple. Sin embargo, faltaba una demostracin terica que permitiese explicar sus aparentemente enormes capacidades computacionales. Este proceso histrico comienza con McCulloch y Pitts, quienes mostraron que mediante su modelo de neurona (esencialmente un dispositivo de umbral) podra representarse cualquier funcin booleana; mucho ms tarde, Denker y otros demostraron que toda funcin booleana poda ser representada por una red unidireccional multicapa de una sola capa oculta. Por las mismas fechas, Lippmann mostr que un perceptrn con dos capas ocultas bastaba para representar regiones de decisin arbitrariamente complejas. Por otra parte, Lapedes y Farber demostraron que un perceptrn de dos capas ocultas es suficiente para representar cualquier funcin arbitraria (no necesariamente boolena). Ms tarde, Hecht-Nielsen aplicando el teorema de Kolmogrov demostr que una arquitectura de caractersticas similares al MLP, con una nica capa oculta, resultaba ser un aproximador universal de funciones. Por fin, a finales de la dcada, diverso grupos propusieron casi a la par teoremas muy similares que demostraban matemticamente que un MLP convencional, de una nica capa oculta (ecuacin 2.46), constitua, en efecto, un aproximador universal de funciones. A ttulo de ejemplo, enunciaremos uno de estos teoremas. Teorema [Funahashi 89]. Sea (x) una funcin no constante, acotada y montona creciente. Sea K un subconjunto compacto (acotado y cerrado) de . Sea un nmero real , y sean un entero tal que que fijamos. En estas condiciones, se tiene que: Cualquier mapping ( ( ) ( ) ser aproximado en el sentido de la topologa ( )) , con ( ) sumables en K, puede en K por el mapping entrada-salida representado

34

Protocolo de Investigacin

Hctor Paniagua Guerrero

por una red neuronal unidireccional (MLP) de k capas (k-2 ocultas), con (x) como funcin de transferencia d las neuronas ocultas, y funciones lineales para las de las capas de entrada y de salida. En otras palabras: MLP de las caractersticas anteriores, que implementa el mapping ( De manera que
( )

( ) | (

( ) )

( )) ( )| )

Es ms fcil observar que las funciones sigmoideas empleadas habitualmente en el MLP (ecuacin (2.47)) cumplen las condiciones exigidas a (x). Hornik llega a un resultado similar, considerando funciones de activacin sigmoideas, no necesariamente continuas. En resumen, un MLP de una nica capa oculta puede aproximar hasta el nivel deseado cualquier funcin continua en un intervalo , por lo tanto, las redes neuronales multicapa unidireccionales son aproximadores universales de funciones. A partir de la expresin que define la operacin de este tipo de red. ( ) ( )

Podemos observar que la g(x) dada por el MLP representa una cierta funcin g(x), como un desarrollo en funciones sigmoideas ( ), lo cual posee una clara analoga con la representacin convencinal de una funcin peridica como un desarrollo en serie de Fourier de sinusoides. Tambin se han establecido paralelismos entre el MLP y otros tipos de transformaciones, como la de Gabor o las wavelets. Los teoremas citados resultan de vital importancia, puesto que proporcionan una slida base terica al campo de las redes neuronales, al incidir sobre un aspecto (la aproximacin funcional) y un modelo (el MLP) centrales en la teora de las redes neuronales artificiales. No obstante, todava quedan muchos asuntos abiertos. Por ejemplo, estos teoremas no informan sobre el nmero de nodos ocultos necesarios para aproximar una funcin determinada, simplemente se afirma que hay que colocar lo necesario para lograr el nivel de aproximacin requerido. Para un problema concreto, muy bien pudiera ocurrir que el nmero de neuronas ocultas para alcanzar una cierta cota de error sea tan elevado que su aplicacin resulte inabordable en la prctica. Una solucin al problema de entrenar los nodos de las capas ocultas de las arquitecturas multicapa la proporciona el algoritmo de retropropagacin de errores o BP (back-propagation). En el marco conceptual que estamos describiendo la deduccin del BP aparece como una consecuencia natural de extender el algoritmo LMS a las redes multicapa. Para ello, se plantear un funcional de error similar al (2.43), y se derivar, no slo en funcin de los pesos de la capa de salida, sino tambin en funcin de los pesos de las neuronas ocultas, haciendo uso de la regla de la cadena; en consecuencia, habr que exigir que las funciones de transferencia de las neuronas sean derivables. Sean un MLP de tres capas, cuya arquitectura se presenta en la Figura 2.11, con las entradas, salidas pesos y umbrales de las neuronas definidas en la seccin anterior. Dado un patrn de entada ,( ) recordemos que la operacin global de esta arquitectura se expresa del siguiente modo:

35

Protocolo de Investigacin

Hctor Paniagua Guerrero

Dibujo pag. 66 ( ) ( ( ) )

g(.) es la funcin de activacin de las neuronas de salida y (.) la de las ocultas. Ambas pueden ser sigmoideas (2.47), aunque a menudo la funcin de las neuronas de salida g(.) se considera la identidad (2.46) De nuevo partimos del error cuadrtico medio como funcin costo. ( ) * ( )+

Cuya minimizacin se lleva a cabo mediante descenso por el gradiente; en esta ocasin habr un gradiente respecto de los pesos de la capa de salida ( ) y otro respecto de los de la oculta ( ) Las expresiones de actualizacin de los pesos se obtienen derivando teniendo en cuenta las dependencias funcionales y aplicando la regla de la cadena [ ( )] ( )

son los potenciales postsinpticos (o locales). La actualizacin de los bias (o umbrales) se realiza haciendo uso de las expresiones anteriores, considerando que el bias es un caso particular de peso sinptico, cuya entrada es una constante igual a -1, como vimos ya en el caso de adaline (seccin 2.4.1). En estas expresiones est implcito el concepto de propagacin hacia atrs de los errores (backpropagation) que da nombre al algoritmo. En primer lugar se calcula la expresin (2.54), que denominaremos seal de error, por ser proporcional al error de la salida actual de la red, con el que calculamos la actualizacin de los pesos de las sinapsis, proporcionando as las seales de errores (2.55), correspondientes a las sinapsis de la capa oculta; con stas se calcula la actualizacin de las sinapsis ocultas. El algoritmo puede extenderse fcilmente a arquitecturas con ms de una capa oculta siguiendo el mismo esquema. En resumen, el procedimiento a seguir para entrenar mediante BP una arquitectura MLP dada es el siguiente: 1) Establecer aleatoriamente los pesos y umbrales iniciales (t:=0). 2) Para cada patrn del conjunto de aprendizaje: 2.1) Llevar a cabo una fase de ejecucin para obtener la respuesta de la red ante el patrn (2.51). 2.2) Calcular las seales de error asociadas segn (2.54-55)). 3) Calcular el incremento total (para todos los patrones) actual de los pesos segn (2.5455). Hacer lo mismo para los umbrales. 4) Actualizar pesos y umbrales. 5) Calcular el error actual (2.52), t:= t+1, y volver a 2) si todava no es satisfactorio.

36

Protocolo de Investigacin

Hctor Paniagua Guerrero

Se debe comenzar siempre con pesos iniciales aleatorios (normalmente nmeros pequeos, positivos y negativos), ya que si se parte de pesos y umbrales iniciales nulos el aprendizaje no progresar (puesto que las salidas de las neuronas y el incremento en los pesos sern siempre nulos). En la siguiente seccin se explicar una heurstica que permite elegir unos pesos iniciales adecuados. En el esquema presentado, que surge de forma natural del proceso de descenso por le gradiente, se lleva a cabo una fase de ejecucin para todos y cada uno de los patrones del conjunto de entrenamiento, se calcula la variacin en los pesos debida a cada patrn, se acumulan, y solamente entonces se procede a la actualizacin de los pesos. Este esquema se suele denominar aprendizaje por lotes (batch). Otra posibilidad consiste en actualizar los pesos sinpticos tras la presentacin de cada patrn (en vez de presentarlos todos y luego actualizar), esquema denominado aprendizaje en serie (on line). Recientemente se ha demostrado que el aprendizaje en serie estima mejor el gradiente, permite emplear ritmos de entrenamiento mayores y suele ser ms rpido (hasta varios rdenes de magnitud). El modo serie es habitualmente empleado en aquellos problemas en los que se dispone de extensos conjuntos de patrones de aprendizaje. Si se emplease en este caso el modo por lotes, el tener que procesar todos los patrones antes de actualizar los pesos demorara considerablemente el entrenamiento (adems de precisar el almacenamiento de numerosos resultados parciales). Es importante considerar que en el aprendizaje en serie el orden en la presentacin de los patrones debe ser aleatorio, puesto que si siempre se siguiese un mismo orden el entrenamiento estara viciado a favor del ltimo patrn del conjunto de entrenamiento, cuya actualizacin, por ser la ltima, siempre predominara sobre las anteriores. Adems, esta aleatoriedad presenta una importante ventaja, puesto que en ocasiones permite escapar de mnimos locales alcanzndose mnimos del error ms profundos. El algoritmo BP constituye un mtodo de gran generalidad, lo que presenta ventajas e inconvenientes. Su ventaja principal es que se puede aplicar a multitud de problemas diferentes, proporcionando con frecuencia buenas soluciones con no demasiado tiempo de desarrollo. No obstante, si se requiere una solucin realmente excelente, habr que dedicar ms tiempo al desarrollo del sistema neuronal, teniendo en cuenta diferentes cuestiones adicionales que todava no hemos abordado (partir de una arquitectura ptima, seleccin de los pesos iniciales, estilo de aprendizaje, preprocesamiento de los datos de entrada, conjunto de patrones de aprendizaje empleado, utilizacin de tcnicas que eviten el sobreajuste, etc.). Un inconveniente del BP es su lentitud de convergencia, precio a pagar por disponer de un mtodo general de ajuste funcional que no requiere (en principio) informacin apriorstica. Sin embargo, se debe tener en cuenta que el BP no requiere tanto esfuerzo computacional como el que sera necesario si se tratasen de obtener los pesos de la red mediante la evaluacin directa de las derivadas; en ese sentido se ha comparado el BP con la transformada rpida de Fourier, que permite calcular la transformada de Fourier con un muy inferior esfuerzo computacional. Otro problema del BP es que puede incurrir en el denominado sobre aprendizaje (sobreajuste), fenmeno directamente relacionado con la capacidad de generalizacin de la red a partir de los ejemplos presentados, y sobre el que profundizaremos en la prxima seccin. Po otra parte, debe tenerse en cuenta que el algoritmo BP no garantiza alcanzar el mnimo global de la funcin error, tan slo un mnimo local, por lo que el proceso de aprendizaje puede estancarse en uno de estos mnimos locales.

37

Protocolo de Investigacin 1.7.4 Redes Neuronales NO Supervisadas19 1.7.4.1 Redes autoorganizables20

Hctor Paniagua Guerrero

1.7.4.2 Modelo de mapas autoorganizados (Kohonen, 1982)21


1.7.5 Riesgo empresarial .
22

a) El riesgo empresarial, es el determinante individual ms importante de la estructura de capital. El riesgo empresarial varia de una industria a otra, adems del riesgo bsico corporativo puede cambiar a lo largo del tiempo. Las compaas pequeas, principalmente las que se dedican a un solo producto, tienen tambin un grado de riesgo relativamente alto. a. El riesgo empresarial depende de diversos factores, los ms importantes incluyen lo siguiente: i. Variabilidad de las ventas (volumen y precios). Mientras ms estables sean las ventas unitarias (volumen) y los precios de los productos de una empresa, si todo lo dems se mantiene constante, ms bajo ser su riesgo de negocio. Variabilidad del precio de los insumos. Una empresa que opera en una industria, en la que los precios de los insumos (mano de obra, costos de los productos, etc.) sean altamente inciertos, se encuentra expuesta a un alto grado de riesgo de negocio. Capacidad para ajustar los precios. De los productos ante los cambios observados en los precios de los insumos. Algunas empresas tienen pocos problemas para aumentar los precios de sus productos cuando los costos de los insumos aumentan. As mientras ms grande sea la capacidad para ajustar los precios de venta, ms bajo ser el riesgo de negocio. Este factor es especialmente importante durante los periodos de alta inflacin. Rigidez de los costos. Si un alto porcentaje de los costos operativos son fijos y no disminuyen cuando la demanda se contrae, aumenta el riesgo de negocio de la empresa. Este factor, recibe el nombre de apalancamiento operativo. 1) Cada uno de estos est determinado parcialmente por las caractersticas de la industria de la empresa. Pero pueden ser controlados hasta cierto punto por la administracin.

ii.

iii.

iv.

b) El riesgo financiero. Resulta de uso del apalancamiento financiero, el cual existe cuando una empresa utiliza valores de renta fija, tales como deudas y acciones preferentes, para obtener recursos de capital. Cuando recurre al apalancamiento financiero, una empresa intensifica el riesgo del negocio que corren los accionistas comunes. Por tanto, el empleo de deudas intensifica el riesgo corporativo asumido por los accionistas comunes. Nuestro objetivo es determinar la estructura de capital que maximice el valor de la empresa, la cual se conoce como la estructura de capital fijada como meta.

19 20 21 22

Redes neuronales y sistemas borrosos, Ed. Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina, pg.85. Inteligencia artificial con aplicaciones a la Ingeniera, Pedro Ponce Cruz, Ed. Alfaomega, Ao 2010. Pginas 236. Redes neuronales y sistemas borrosos, Ed. Alfaomega, Bonifacio Martn del Bro, Alfredo Sanz Molina, pg.88.

Scott Besley y Eugene F. Brighamm Fundamentos de administracin financiera, Mc Graw Hill, 2008, pgs. 523, 524, 525

38

Protocolo de Investigacin

Hctor Paniagua Guerrero

c) Administracin de riesgo empresarial . Administrar el riesgo es administrar el negocio, ya que el riesgo es inherente en toda la organizacin. La naturaleza y extensin de los riesgos que se asumen dependen de los objetivos del negocio y la forma como se responde a esos riesgos al intentar mitigarlos. En este sentido, es importante apoyar a las empresas en el proceso de evaluacin del grado de alienacin o balance entre los objetivos de crecimiento y retorno del negocio versus los riesgos relacionados, cubriendo: a. Objetivos de los negocios. Factores crticos de xito para el logro de los objetivos. Definicin de los principales roles y responsabilidades. Los riesgos empresariales que podran afectar la obtencin de objetivos. ndices de medicin de riesgo corporativo. Implantacin de procesos de negocios que soporten sus operaciones. Definicin de estrategias en respuesta al riesgo para minimizarlo. Evaluacin de mejores prcticas financieras y de riesgos para el crecimiento sustentable y creacin de valor. Evaluacin de estrategias de mejores prcticas en respuestas a los modelos financieros y que respondan a la administracin del riesgo. Aceptacin de la cultura al riesgo. Plan de implementacin de modelos financieros y de la administracin al riesgo. La administracin de riesgos, que incluyen las siguientes capacidades: Alinear el riesgo empresarial aceptado y la estrategia seleccionada. Mejorar la respuesta a los riesgos corporativos. Reducir las sorpresas y prdidas operativas aplicando los modelos financieros. Identificar y administrar modelos financieros y la diversidad de riesgos para la entidad. Desarrollar y tomar las oportunidades de negocio. Mejorar la rentabilidad al capital de la empresa.

23

d) Evaluacin de riesgos: Es la identificacin y anlisis de los riesgos relevantes para el logro de los objetivos de la organizacin. Cualquier entidad enfrenta una variedad de riesgos de fuentes externas e internas que deben ser valorados para determinar cmo deben ser administrados: evitarlos, aceptarlos, compartirlos o transferirlos a terceros. Las corporaciones existen con el fin de generar valor para sus grupos de inters. El reto para la corporacin es definir qu nivel de incertidumbre se puede aceptar mientras se incrementa el valor. La incertidumbre conlleva riesgos y genera oportunidades; adems de poseer el potencial de reducir o aumentar el valor de la empresa. Se busca la maximizacin de valor cuando la direccin establezca una estrategia y objetivos para encontrar un equilibrio entre los objetivos del riesgo empresarial y su competitividad. Marco de Referencia.

1.8.2

El enorme xito que han tenido los algoritmos evolutivos en la solucin de problemas del mundo real de gran complejidad. De tal forma, es de esperarse que en los aos siguientes el uso de este tipo de tcnicas prolifere an ms. Ntese, sin embargo, que es importante tener en mente que los algoritmos evolutivos son tcnicas heursticas.

23

De Lara Haro Alfonso, Medicin y control de riesgos financieros, Ed. Limusa, 2008, pgs. 11-20

39

Protocolo de Investigacin

Hctor Paniagua Guerrero

Por tanto, no garantizan que convergern al ptimo de un problema dado, aunque en la prctica suelen aproximar razonablemente bien el ptimo de un problema en un tiempo promedio considerablemente menor que los algoritmos deterministas. Algunas aplicaciones de los Algoritmos Genticos a) b) c) d) e) f) 1.7.6
24

son las siguientes:

Optimizacin (estructural, de topologas, numrica, combinatoria, etc.) Aprendizaje de mquina (sistemas clasificadores) Bases de datos (optimizacin de consultas) Reconocimiento de patrones (por ejemplo, imgenes o letras) Generacin de gramticas (regulares, libres de contexto, etc.) Prediccin

Ventajas de las tcnicas evolutivas en riesgos empresariales. Es importante destacar las diversas ventajas que presenta el uso de tcnicas evolutivas para resolver problemas de bsqueda y optimizacin: a) Simplicidad Conceptual. b) Amplia aplicabilidad. c) Superiores a las tcnicas tradicionales en muchos problemas del mundo real. d) Tienen el potencial para incorporar conocimiento sobre el dominio y para integrarse con otras tcnicas de bsqueda/optimizacin. e) Pueden explotar fcilmente las arquitecturas en paralelo. f) Son robustas a los cambios dinmicos.

1.8

Metodologa de la investigacin
Los tipos de investigacin que se estn considerando para el presente proyecto estn basados 25 en una mezcla de investigacin exploratoria y descriptiva y ms que considerar una clasificacin, constituye un continuo de causalidad del alcance que se puede tener. Con esta reflexin importante, la estrategia de la investigacin, as como el diseo, los procedimientos y otros componentes de los procesos sern distintos. En este sentido, se propone desarrollar un simulacro de administracin de riesgo empresarial sobre modelos multivariables dinmicos construidos a partir de redes neuronales artificiales, para predecir el signo de las variaciones semanales de los ndices corporativos. Los resultados estarn siendo evaluados con modelos AR, MA, ARIMA, series de tiempo, regresin lineal y 26 mltiple, y un modelo multivariable construido en forma aleatoria. Los mejores modelos producidos por las redes neuronales artificiales arrojaron un porcentaje de prediccin de signo. Para cada paso se obtendr una probabilidad y una estadstica, obtenindose al final una traza de la ejecucin de la red neuronal artificial, y que coopera tambin con dichas resultados a un nivel ms detallado. Permitiendo evaluar el desempeo propuesto. La administracin de riesgo empresarial. El administrar el riesgo es administrar el negocio, ya que el riesgo es inherente en toda la organizacin. Por lo que la naturaleza y la extensin del

24
25 26

Algoritmos genticos y computacin evolutiva Adam Marczyk 2006, pg. 54,55, 56 Hernndez Sampieri Roberto, Metodologa de la Investigacin, Ed. Mc Graw Hill, 2006, Pg. 100-101 Dernodar N. Gujarati, Econometra, Ed. Mc Graw Hill, 2006, Pg. 100-101

40

Protocolo de Investigacin

Hctor Paniagua Guerrero

riesgo que se asume dependen de los objetivos del negocio y la forma de como se responde a esos riesgos al intentar mitigarlos. Se pondr nfasis en la aplicacin de modelo como una herramienta de administracin de riesgo empresarial as como la econometra expondr conceptos y conocimientos de procesos estocsticos, probabilidad e inferencia estadstica para la estimacin y anlisis de los modelos economtricos.

1.9

Aportaciones
La principal aportacin es demostrar que el modelo propuesto basado en redes neuronales artificiales aplicado a los riesgos del negocio es capaz de obtener mejores aproximaciones tanto en el ajuste como en el pronstico, y que adems nos permita observar que la aproximacin generada por medio de la metodologa nos ayuda para la aplicacin de las redes neuronales artificiales en la prediccin de variables econmicas financieras. As como tambin realizar un anlisis comparativo del modelo propuesto y utilizado como referencia para determinar qu modelo proporciona los mejores resultados. A. Terica, (aportacin del conocimiento). Por ejemplo: para el crecimiento exponencial de los riesgos corporativos en la sociedad moderna que tiene sus proyecciones en el mbito econmico. La volatilidad macroeconmica y financiera, el incremento de la competencia, la fluctuacin de la moneda nacional, la crisis energtica, as como tantos otros peligros e incertidumbres que se producen en el mundo empresarial y financiero, y una creciente percepcin de los riesgos a los que se enfrentan. B. Metodolgica. Los motivos bsicos por los cuales se elabora esta investigacin son: Para efectos de poseer un instrumento de consulta y anlisis que permita llevar a cabo una evaluacin tcnica del valor determinado para la empresa, y asentar por escrito todas las consideraciones, supuestos, fundamentos, premisas y criterios tcnicos empleados en el riesgo corporativo. C. Prctica. Hoy en da las empresas buscan en la prctica generar valor, y al valuar una empresa se deben de tomar en cuenta tanto los recursos tangibles como los intangibles. Existen varios motivos para llevar a cabo la valuacin de empresas tales como; ingresos de nuevos socios, retiro de accionistas, fusiones, adquisiciones, emisin de capital, co-inversiones, etc. Por tanto es importante considerar algunos de los factores que determinan el valor de una empresa tales como; competitividad, inteligencia, talento, creatividad, edad, salud, cultura, historia, presencia fsica, presencia de mercado, etc. Asimismo, algunos de los factores por los que las empresas adquieren valor son por; sus utilidades, sus flujos de efectivo, la configuracin de sus activos, la estructura de sus pasivos, su productividad financiera, su rentabilidad, su efectividad, la certeza de ventas futuras, su administracin, su marca y su baja incertidumbre al riesgo.

41

Protocolo de Investigacin

Hctor Paniagua Guerrero

1.10

ndice tentativo

2.0 Fuentes de informacin disponible


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. Introduccin a la teora general de la administracin, Ed. McGraw Hill, Chiavenato Idalberto. Administracin contempornea, Ed. McGraw Hill, Gareth R. Jones, Jennifer M. George, 2007. Administracin de Pequeas y Medianas Empresas, Ed. Thomson 5ta Edicin, Rodrguez Valencia Joaqun, 2007. Administracin y Direccin, Ed. McGraw Hill, Dez de Castro Emilio Pablo, 2007. Micro, pequea, mediana y gran empresa, estratificacin de los establecimientos, Censos Econmicos, INEGI, 2004. Administracin de pequeas empresas, Ed. McGraw Hill, Anzola Rojas Srvulo, 2010. Fundamentos de admn. financiera, Scott Besley y Eugene F. Brighamm, Mc Graw Hill, 2008. Fundamentos de administracin financiera, Van Horne James C., Pearson Prentice Hall, 2002. Finanzas corporativas, Berk Jonathan y Demarzo Peter, Pearson Addison Wesley, 2008. Fundamentos de inversiones, Gordon Alexander, William F. Sharpe, Bailey, Ed. Prentice Hill, tercera edicin, ao 2007. Introduccin a los mercados de futuros y opciones, John C. Hull, Ed. Prentice Hall, 6 Edicin, ao 2009. En busca del valor, G. Bennett Stewart, III, Ed. Gestin 2006 Valuacin de empresas y creacin de valor, UNAM, PriceWaterHouse, IMEF, Ed. L. Ingramex, 2003. La gestin del riesgo operacional, Ana Fernndez Laviada, Ed. Limusa, 2010 Medicin y control de riesgos financieros, De Lara Haro Alfonso, Ed. Limusa, 2008. Valor en Riesgo, Philippe Jorion, Ed. Limusa, 2008. Indicadores del fracaso en las empresas mexicanas, Dr. Rubn Martn Mosqueda, Ed. IMEF Riesgos financieros y econmicos, Venegas Martnez Francisco, Ed. Cengage Learning, 2008. Estadstica Matemtica con aplicaciones, Dennis D. Wackerly, William Mendenhall III, Richard L. Scheaffer, Ed. Cengage Learning, 7 Eicin, ao 2008. Introduccin a la probabilidad y estadstica, Mendenhall William, Ed. Cengage Learning, 2006. Estadstica p/admn. y economa, Levin, Rubin, Balderas, Pearson Prentice Hall, 2007. Investigacin de operaciones en la ciencia administrativa, G.D. Eppen, F.J. Gould, C.P. Schimdt, Ed. Prentice Hall, Quinta edicin, 2005 Mtodos cuantitativos para los negocios, Anderson Sweeney Williams Camm Martin, Ed. Cengage Learning, 11, edicin, 2010 Toma de decisiones a travs de mtodos cuantitativos un enfoque algortmico, Mojica Palacios Jos Ignacio, Ed. Trillas, 2002 Introduccin al algebra lineal, Howard Anton, Ed. Limusa, 4 edicin, 2008

42

Protocolo de Investigacin
26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40.

Hctor Paniagua Guerrero

41. 42. 43. 44.

Algebra, Ximena Carreo Campos, Ximena Cruz Schmidt, 1 edicin, 2003 Clculo diferencial para ingeniera, Prado, Santiago, Gmez, Quezada, Ziga, Ed. Prentice Hill, primera edicin, 2006. Preclculo funciones y grficas, Raymond A. Barnett, Michael R. Ziegler, Karl E. Byleen, Ed. Mc Graw Hill, ao 2007 Econometra, Dernodar N. Gujarati, Ed. Mc Graw Hill, 2006. Econometra con aplicaciones, Eduardo Loria, Ed. Prentice Hall, 1 edicin, 2007 Pronsticos, series de tiempo y regresin, Bruce L. Bpwerman, Richard T. OConell, Anne B- Koehler, Ed. Thompson, 4 edicin, 2007. Tcnicas de anlisis multivariante de datos, Csar Prez, Ed. Prentice Hall, 2007. Anlisis estadstico y pronstico de series de tiempo econmicas, Ed. Orin Impresiones, 3 edicin, 2009. Pronsticos en los negocios, Hanke John E. y Wichern Dean W., Pearson Prentice Hall, 2007. Inteligencia artificial, Jos T. Palma Mndez y Roque Marn Morales, Ed. McGraw Hill, 2008 Redes neuronales, Tatiana Baidyk y Ernst Kussul, Ed. Itaca, 2009. Redes neuronales, James A. Anderson, Ed. Alfaomega, 2007. Redes neuronales y sistemas borrosos, Bonifacio Martn del Bro y Alfredo Sanz Molina, Ed. Alfaomega, 3 edicin, 2007 Inteligencia artificial con aplicaciones a la ingeniera, Dr. Pedro Ponce Cruz, Ed. Alfaomega, 2010 Inteligencia artificial en la gestin financiera empresarial, Universidad del Atlntico (Colombia). Especialista en Finanzas, Universidad del Norte (Colombia)Mara Del Carmen Sosa Sierra O'Leary, D.E. (1995): "Artificial intelligence in business", AI/ES Section of the American Accounting Association, (en Internet, http://www.rutgers.edu/ accounting /raw/aaa/aiet). CINVESTAV-IPN (Grupo de Computacin Evolutiva), Santana Quintero, Luis Vicente Departamento de Computacin. Diciembre de 2006. Simulacin y anlisis de sistemas, Garca Dunna Eduardo, Pearson Prentice Hall, 2004 Hernndez Sampieri Roberto, Metodologa de la Investigacin, Ed. Mc Graw Hill, 2006.

43

You might also like