Tesis Filosofica

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Per, Decana de Amrica)
FACULTAD DE INGENIERA DE SISTEMAS E INFORMTICA

E.A.P. DE INGENIERA DE SISTEMAS
Solucin Web para la mejora del proceso de Orientacin Vocacional a

travs de un Sistema Inteligente basado en Redes Neuronales
Artificiales y CASM 83
TESIS
Para optar el ttulo profesional de Ingeniero de Sistemas
AUTOR
Kield Benites Quispe
ASESOR
Carlos Cnepa Prez
Lima - Per
2015
Kield Benites Quispe

Tesis presentada a la Universidad Nacional

Mayor de San Marcos (Lima - Per), para
obtener el ttulo de Ingeniero de Sistemas
LIMA PER
Abril, 2015
ii
Kield Benites Quispe, 2015

Todos los derechos reservados
iii
La presente investigacin para optar el grado de

Ingeniero de Sistemas est dedicada a mi familia
y en especial a mi querida madre quien ha sido y
seguir siendo mi principal motor para continuar
superndome ntegramente da tras da.
iv
AGRADECIMIENTOS
En primer lugar a Dios, quien gua a las personas y conoce la razn de todo
cuanto existe.
A mi profesor Carlos Cnepa, por su gran apoyo en este largo proceso de
asesora brindada para que la presente investigacin cumpla con los objetivos
fijados y sirva de ayuda al segmento estudiantil de la sociedad peruana.
A mi familia por ser quienes que con su ejemplo forjaron en mi persona deseos
de superacin constante tanto profesional como personal.
A todas aquellas personas que confiaron en mi capacidad de superacin, y que
a su vez contribuyeron tanto directa o indirectamente a que contine y culmine
con xito la presente investigacin que aqu les doy a conocer.
Comentario [CA1]: sale
NDICE
Lista de Figuras
xi
Lista de Tablas
xv
CAPITULO I: PLANTEAMIENTO DE LA INVESTIGACIN....1

1.1 Antecedentes del Problema...1
1.2 Definicin del Problema de la Investigacin.....2
1.2.1 Problema Principal.2
1.2.2 Problemas Secundarios..2
1.3 Determinacin de los objetivos.2
1.3.1 Objetivo Principal..2
1.3.2 Objetivos Secundarios....3
1.4 Justificacin y Delimitacin de la Investigacin...4
1.4.1 Importancia del tema.4
1.4.2 Justificacin...4
1.4.3 Delimitacin..6
CAPITULO II: MARCO TERICO.....8
2.1 La Desercin Universitaria en el Per...8
2.1.1 Definicin.8
2.1.2 Principales causas de la desercin universitaria.......8
2.1.3 Enfoques del anlisis de la desercin universitaria..9
2.2 Orientacin Vocacional...10
2.3 Etapas del desarrollo vocacional.11
2.4 Madurez Vocacional....12
2.5 Dimensiones de la Madurez Vocacional.13
2.6 Enfoques en Orientacin Vocacional..15
2.6.1 Enfoque de Roe y Siegelman..16
2.6.2 Enfoque del Concepto de s mismo, auto concepto de Rogers y Sper.17
2.6.3 El Enfoque Evolutivo de E. Ginzberg, Ginsburg, Axelrad y Herma.18
2.7 Evaluacin en Orientacin Vocacional...18
2.7.1 Inventario de Intereses Profesionales y Ocupacionales CASM-83....19
2.7.2 Intereses y Preferencias Profesionales Test IPP.19
2.7.3 Cuestionario de Intereses Profesionales CIPSA.....20
2.7.4 Inventario de Intereses de Thurstone..20
2.7.5 Registro de Preferencias Vocacionales de G.F. Kuder C...21
vi
2.8 INTERNET y WEB.21

2.8.1 Qu es la Internet? ...21
2.8.2 Funcionamiento de la Internet....22
2.8.3 Qu es la Web?.....24
2.8.4 Funcionamiento de la Web.....24
2.9 Red Neuronal Biolgica..24
2.9.1 Neurona Biolgica..24
2.9.2 Componentes de la Neurona Biolgica......25
2.9.3 Funcionamiento de una Red Neuronal Biolgica...26
2.10 Red Neuronal Artificial.....26
2.10.1 Breve Resea Histrica....26
2.10.2 Neurona Artificial.28
2.10.3 Red Neuronal Artificial28
2.10.4 Elementos Bsicos....29
2.10.5 Funcin de Activacin..30
2.10.6 Caractersticas, Ventajas y Desventajas.......................33
CAPITULO III: ESTADO DEL ARTE..35
3.1 Casos de xito.....35
3.1.1 Aplicaciones de Redes Neuronales en la Psicologa.35
3.1.1.1 Redes Neuronales para la Clasificacin de Perfiles Psicolgicos...35
3.1.1.2 Redes Neuronales aplicadas al campo de las conductas adictivas...36
3.1.1.3 Otras investigaciones orientadas al campo de la Psicologa.37
3.1.2 Aplicaciones de Tecnologas para la Orientacin Vocacional...38
3.1.2.1 Sistema inteligente conversacional para la Orientacin Vocacional...38
3.1.2.2 Sistema experto para el apoyo del proceso de Orientacin
Vocacional para las carreras de ingeniera de la Universidad
Catlica del Per....39
3.1.2.3 Sistema experto de Orientacin Vocacional para la Computacin..40
3.1.2.4 Sistema experto de Orientacin Vocacional Profesional..40
3.1.2.5 Otros estudios relacionados a Test Vocacionales va web...41
3.2 Taxonoma de Redes Neuronales........41
3.2.1 Por el nmero de capas.......42
3.2.1.1 Redes Neuronales Monocapas42
3.2.1.2 Redes Neuronales Multicapas42
3.2.2 Por el tipo de conexiones...43
3.2.2.1 Redes Neuronales Recurrentes43
3.2.2.2 Redes Neuronales No Recurrentes..43
3.2.3 Por el tipo de aprendizaje..44
3.2.3.1 Aprendizaje Supervisado.44
3.2.3.2 Aprendizaje No Supervisado.......44
vii
3.3 Redes Neuronales Artificiales Seleccionadas......44

3.3.1 Perceptron Unicapa45
3.3.2 Perceptron Multicapa.46
3.3.3 Adaline / Madaline47
3.3.4 Perceptron Multicapa Recurrente..48
3.3.5 Red de Base Radial50
3.4 Benchmarking..51
3.4.1 Benchmarking entre Tipos de Test Evaluadores en Orientacin
Vocacional......51
3.4.2 Benchmarking entre Tecnologas relacionadas a Sistemas Inteligentes57
3.4.2.1 Principales Sistemas Inteligentes57
3.4.2.1.1 Sistemas Expertos..57
3.4.2.1.2 Redes Neuronales Artificiales...58
3.4.2.1.3 Agentes Inteligentes..59
3.4.3 Benchmarking entre Arquitecturas de Redes Neuronales..64
CAPITULO IV: ANALISIS Y DISEO DE LA SOLUCION......68
4.1 Consideraciones Previas68
4.2 Metodologa a emplear para la Implementacin...68
4.3 Flujo de Procesos...69
4.3.1 Identificacin de las variables de Entrada y Salida...70
4.3.1.1 Variables de Entrada..70
4.3.1.2 Variables de Salida...100
4.3.2 Arquitectura de la red neuronal... .....104
4.3.3 Recoleccin selecta de datos de Entrada y Salida...105
4.3.4 Ajuste de datos de Entrada y Salida.105
4.3.5 Inicializacin de los pesos de la red neuronal...106
CAPITULO V: DESARROLLO DE LA SOLUCION.....108
5.1 Requerimientos y Configuraciones.....108
5.1.1 Requerimientos Mnimos...108
5.2.2 Configuraciones Necesarias....108
5.2 Preparacin de Data para la Red Neuronal......109
5.2.1 Preparacin de data para la fase de Entrenamiento....112
5.2.2 Preparacin de data para la fase de Validacin......114
5.3 Normalizacin de los Datos.....115
5.4 Fase de Entrenamiento.....119
viii
5.4.1 Proceso de Entrenamiento..119

5.4.1.1 Configuracin de Parmetros de Red 1...119
5.4.2 Resumen del Proceso de Entrenamiento...140
5.5 Fase de Validacin.......141
5.5.1 Procedimiento en Matlab141
5.5.2 Medicin de la Tasa de Error..142
5.6 Sistema Web de Orientacin Vocacional....144
5.6.1 Comunicacin Java Matlab.....144
5.6.1.1 JmatLink.144
5.6.2 Interfaz de Usuario.....146
5.6.2.1 Vista Principal del Sistema Web..146
5.6.2.2 Acceso al Sistema.....147
5.6.2.3 Usuario del Sistema..148
5.6.2.4 Presentacin de Resultados......150
5.6.2.5 Otros Mdulos del Sistema Web..151
5.6.2.5.1 Mdulo de Orientacin Vocacional.152
5.6.2.5.2 Mdulo Grupos Ocupacionales153
5.6.2.5.3 Mdulo Gua de Carreras.154
5.6.2.5.3.1 Ciencias Fsico-Matemticas155
5.6.2.5.3.2 Ciencias Sociales..156
5.6.2.5.3.3 Ciencias Naturales...157
5.6.2.5.3.4 Ciencias de la Comunicacin...158
5.6.2.5.3.5 Arte..159
5.6.2.5.3.6 Burocracia160
5.6.2.5.3.7 Ciencias Econmicas y Polticas..161
5.6.2.5.3.8 Institutos Armados162
5.6.2.5.3.9 Finanzas163
5.6.2.5.3.10 Lingstica..164
5.6.2.5.3.11 Jurisprudencia.165
5.6.3 Prueba del Funcionamiento del Sistema....166
5.6.3.1 Caso a Evaluar en el Sistema..166
5.6.3.2 Rendimiento del Sistema Web....167
ix
CAPITULO VI: CONCLUSIONES Y TRABAJOS FUTUROS.169

6.1 Conclusiones........169
6.2 Trabajos Futuros......170
REFERENCIAS BIBLIOGRAFICAS..171
Revistas...171
Manuales.171
Libros......171
Tesis........171
Direcciones Web.172
ANEXO A Consultorio Psicolgico de San Marcos..177
ANEXO B Entorno MATLAB...180
ANEXO C Entrenamiento y Validacin de la RNA..185
Lista de figuras
Figura 2.1 Cantidad de alumnos matriculados por ciclo en la Universidad Unin

Figura 2.2 Formato de direccin IP
Figura 2.3 Esquema del funcionamiento bsico de Internet
Figura 2.4 Fisiologa de dos neuronas biolgicas en proceso de sinapsis
Figura 2.5 Representacin de una red neuronal con 3 capas
Figura 2.6 Representacin de una neurona artificial
Figura 2.7 Funcin Escaln
Figura 2.8 Funcin Lineal
Figura 2.9 Funcin Sigmoidal
Figura 2.10 Funcin Tangente Hiperblica
Figura 3.1 Imagen interactiva del agente inteligente en orientacin vocacional
Figura 3.2 Bosquejo taxonmico de las redes neuronales artificiales
Figura 3.3 Red Neuronal monocapa no recurrente
Figura 3.4 Perceptron unicapa con 3 entradas y 3 salidas
Figura 3.5 Red neuronal monocapa recurrente
Figura 3.6 Red neuronal multicapa No recurrente
Figura 3.7 Perceptron unicapa con 3 entradas y 3 salidas
Figura 3.8 Arquitectura del Perceptron Multicapa
Figura 3.9 Red Neuronal multicapa no recurrente
Figura 3.10 Perceptron Multicapa Recurrente
Figura 3.11 Red de Base Radial
Figura 3.12 Componentes de un sistema experto
Figura 3.13 Representacin de las redes neuronales
Figura 3.14 Visin esquemtica de un agente inteligente
xi
Comentario [CA2]: No es lista de fig

sino Indice de figs ? Debe figurar el N de
pgina
Figura 4.1 Flujo de Procesos para la implementacin de la red neuronal

Figura 4.2 Variables de Salida de la Red Neuronal
Figura 4.3 Arquitectura de la red neuronal
Figura 4.4 Matriz de pesos asociados a la capa j e i con m y n neuronas
respectivamente
Figura. 5.1 Creacin de la red neuronal Orientador _1
Figura. 5.2 Parmetros del entrenamiento para la red Orientador _1
Figura. 5.3 Finalizacin del entrenamiento para la red Orientador _1
xii

Figura 5.31 Simulacin de la red Orientador_4 con la data de validacin
Figura 5.32 Errores producidos luego de la validacin de la red Orientador_4
Figura 5.33 Pgina de inicio del Sistema Web
Figura 5.34 Inicio de sesin para acceder al sistema de orientacin vocacional
Figura 5.35 Cuestionario del Casm-83 - Inicio
Figura 5.36 Cuestionario del Casm-83 - Fin
Figura 5.37 Muestra de Resultados del Casm-83
Figura 5.38 Muestra del sub-mdulo Orientacin Vocacional
Figura 5.39 Muestra del sub-mdulo Orientacin Profesional
Figura 5.40 Muestra del sub-mdulo Informacin de Grupos Ocupacionales
Figura 5.41 Muestra del sub-mdulo Informacin de Carreras por reas
Figura 5.42 Muestra de la vista detalle del grupo ocupacional CCFM
Figura 5.43 Muestra de la vista detalle del grupo ocupacional CCSS
Figura 5.44 Muestra de la vista detalle del grupo ocupacional CCNN
Figura 5.45 Muestra de la vista detalle del grupo ocupacional CCCO
Figura 5.46 Muestra de la vista detalle del grupo ocupacional ARTE
Figura 5.47 Muestra de la vista detalle del grupo ocupacional BURO
xiii
Figura 5.48 Muestra de la vista detalle del grupo ocupacional CCEP

Figura 5.49 Muestra de la vista detalle del grupo ocupacional IIAA
Figura 5.50 Muestra de la vista detalle del grupo ocupacional FINA
Figura 5.51 Muestra de la vista detalle del grupo ocupacional LING
Figura 5.52 Muestra de la vista detalle del grupo ocupacional JURI
xiv
Lista de tablas
Tabla 1.1 Cuadro resumen sobre la desercin universitaria en el mundo

Tabla 3.1 Cuadro resumen de los principales test aplicados
Tabla 3.2 Muestra de puntajes segn criterios considerados en el test evaluador
Tabla 3.3 Cuadro comparativo entre test evaluadores
Tabla 3.4 Muestra de puntajes segn criterios considerados en la tecnologa
Tabla 3.5 Cuadro comparativo entre tecnologas
Tabla 3.6 Muestra de puntajes segn criterios considerados en la red neuronal
Tabla 3.7 Cuadro Comparativo entre arquitecturas de Redes Neuronales
Tabla 4.1 Muestra de variables de entrada de la red
Tabla 4.2 Afinidad con los Grupos Ocupacionales
Tabla 4.3 Distribucin Ocupacional por reas
Tabla 4.4 Relacin matemtica para normalizar datos de entrada
Tabla 5.1 Muestra total de data parte I que se usar en el entrenamiento y validacin
Tabla 5.2 Muestra total de data parte II que se usar en el entrenamiento y validacin
Tabla 5.3 Muestra total de data parte I que se usar en el entrenamiento de la red
Tabla 5.4 Muestra total de data parte I que se usar en el entrenamiento de la red
Tabla 5.5 Muestra total de data parte I que se usar en la validacin de la red
Tabla 5.6 Muestra total de data parte I que se usar en la validacin de la red
Tabla 5.7 Muestra total de data normalizada parte I que se usar en el entrenamiento
Tabla 5.8 Muestra total de data normalizada parte II que se usar en el entrenamiento
Tabla 5.9 Muestra total de data normalizada parte I que se usar en la validacin
Tabla 5.10 Muestra total de data normalizada parte II que se usar en la validacin
Tabla 5.11 Resumen de los entrenamientos realizados por cada red neuronal
Tabla 5.12 Resultados del Proceso de Validacin de las redes seleccionadas
xv
Comentario [CA3]: Idem Indice de

Tablas ok? Debe figurar el N de la pg
Tabla 5.13 Ficha de respuestas del diagnstico tomado en el consultorio para la prueba
del sistema
Tabla 5.14 Cuadro comparativo de resultados obtenidos del sistema web frente al
Consultorio Psicolgico
xvi

RESUMEN
Cuando un estudiante culmina la educacin secundaria, se encuentra en la difcil

decisin de elegir alguna ocupacin que desempear en su futuro a largo plazo; una
sabia eleccin se puede conseguir si la persona tiene un suficiente autoconocimiento y
conviccin, pero en la mayora de los casos no es as; es por eso que se recurre a la
ayuda de un psiclogo que evalu cual podra ser su camino. En esta investigacin se
propone construir una Solucin Web para la mejora del proceso de Orientacin
Vocacional con el fin de ayudar a muchos estudiantes en este complicado proceso de
orientacin; capaz de sugerir carreras profesionales o tcnicas afines a sus cualidades,
esto ser posible gracias a un Sistema Inteligente Computacional como son las redes
neuronales artificiales usando la arquitectura del Perceptron Multicapa y una
herramienta de orientacin vocacional llamada CASM 83, ambos como ncleo del
sistema que darn soporte a la solucin web.
Palabras claves: Orientacin Vocacional, Sistema Inteligente Computacional, Test de

Orientacin Vocacional, Redes Neuronales Artificiales, Perceptron Multicapa.
xvii
Web Solution to improve the process of Vocational Guidance through

an Intelligent System based on Artificial Neural Networks and
CASM 83
ABSTRACT
When a student completes secondary education, is in the difficult decision of choosing

an occupation that he will exert in its long-term future, one wise choice can be achieved
if the person has a sufficient self and conviction, but in most cases it isnt so; for this
reason we need the help of a psychologist that tested which could be their way. In this
research intends to build a Web Solution to help to many students in this complicated
orientation process, competent to suggest careers professional or technical according to
their qualities, it will be possible thanks to a Computational Intelligence System such as
artificial neural networks using the architecture of the Multilayer Perceptron and a
career guidance tool called CASM 83, both as system core that will support to the web
solution.
Key words: Vocational Counseling, Computational Intelligence System, Vocational
Counseling Test, Artificial Neural Networks, Multilayer Perceptron.
xviii
Tesis Ingenieril
UNMSM
CAPTULO I: PLANTEAMIENTO DE LA INVESTIGACIN
En el presente captulo se dar a conocer los antecedentes del problema que tratamos,
el problema principal y los secundarios as como los objetivos que perseguimos y por
ltimo la delimitacin y justificacin de la investigacin.
1.1 Antecedentes del Problema

La orientacin vocacional, es una tcnica que consiste en proporcionar informacin
a una persona en esa transicin de su vida de la escuela hacia alguna ocupacin,
sobre las posibilidades de educacin, formacin y empleo que puede seguir en
adelante, de esta manera facilitarle el establecimiento de un plan ocupacional a travs
del consejo que le brindar la orientacin vocacional y que permitir la evaluacin de
las aptitudes, intereses vocacionales, la personalidad, la inteligencia entre otros
aspectos.
Esta carencia para orientar al alumno sobre que elegir para su futuro se remonta
desde hace muchos aos, pero a comienzos del siglo XX, se comienza a estudiar
como poder orientar al alumno en su decisin, esto surgi en EE.UU segn Durn
[Durn, 08], donde en base a estudios psicolgicos se elaboraba una prueba que se
daba por tener un alto grado de confianza en base a experiencias y caractersticas de
jvenes profesionales cuando eran adolescentes, y que posteriormente concluyeron
satisfactoriamente la carrera universitaria que un da eligieron.
La eleccin de una ocupacin, apunta no solo hacia una actividad u opcin
profesional, sino a una forma de vida, por tanto, la eleccin debe hacerse consciente
de que con ella formamos parte de nuestra identidad, de nuestro "yo", y que a travs
de ella asumimos un rol, un estatus y hasta elegimos una pareja [Aguirre, 96].
La vocacin no aparece como algo puntual y espontneo, sino que se inicia en la
infancia, va configurndose durante la adolescencia para definirse en la adultez. No
obstante, estas vocaciones tempranas pueden estar enmascaradas de motivos
inconscientes que no son sino compensaciones, mecanismos de defensa ante
conflictos de la primera infancia; por ello es necesaria una buena orientacin para
realizar una eleccin conforme al "yo" real del sujeto [Aguirre, 96].
La falta de autoconocimiento de la persona, en cuanto a los propios intereses,
virtudes, rendimiento y conocimiento adquirido hasta cierta etapa de su vida en la
cual debe tomar decisiones que marcarn su futuro, muchas veces lo llevan por el
camino que no necesariamente es el ms adecuado para la persona que tomar la
decisin final de que ocuparse en adelante, creer que todos los anhelos son una
vocacin es pensar errneamente.
1
Tesis Ingenieril
UNMSM
La etapa del ser humano cuando atraviesa la adolescencia, es una etapa donde la
persona presenta muchas interrogantes sobre que debe seguir profesionalmente, la
personalidad, las aptitudes e intereses del adolescente ser una fuente de informacin
muy relevante para definir con que perfil profesional se identifica, y que no caiga en
el caso de muchos profesionales que no les nace desempear una vez concluida su
carrera, ya sea por propia e incorrecta decisin de ellos o tambin el incentivo de los
padres por inculcarles una vocacin que ellos hubieran deseado seguir cuando eran
jvenes, y lo quieren ver reflejado en sus hijos.
El verdadero xito profesional para una persona puede definirse como aquel estado
en donde uno siente plenitud con lo que hace da a da ya sea de manera dependiente,
independiente o interdependiente, adems de sentirse recompensando por el trabajo
que realiza.
1.2 Definicin del Problema de la Investigacin

1.2.1 Problema Principal
La dificultad que surge en un estudiante para elegir una carrera
profesional o tcnica, por falta de gua y desconocimiento de sus actitudes
y habilidades personales, las mismas que deben estar en correspondencia
con el perfil de la carrera que pretenda seguir.
1.2.2
Problemas Secundarios
Cmo ayudar a los alumnos a identificar sus habilidades y aptitudes desde

temprana edad para que puedan reforzarlo hasta culminar la educacin
secundaria y tener mejor conocimiento de s mismos?
Qu herramienta o test evaluador en Orientacin Vocacional es el ms
apropiado en nuestro pas para reflejar claramente los intereses y hbitos del
alumno?
Qu tipo de sistema inteligente sera el ms adecuado y que produzca
resultados con un grado de confiabilidad alto para su posterior uso, segn el
mapeo de entradas y salidas del cual se dispone?
1.3
Determinacin de los objetivos

1.3.1 Objetivo Principal
Construccin e implantacin de un sistema inteligente web basado en redes
neuronales artificiales y CASM 83, para suplir la falta de orientacin vocacional
en los estudiantes.
2
Tesis Ingenieril
1.3.2
UNMSM
Objetivos Secundarios
Efectuar con eficiencia la identificacin de la carrera profesional o tcnica

elegida.
Seleccionar un Test de Orientacin Vocacional elaborado considerando su
aplicabilidad en funcin a la realidad nacional de los jvenes.
Encontrar un sistema inteligente que responda adecuadamente con un grado de
confiabilidad aceptable, para su posterior uso referente al proceso de orientacin
vocacional.
1.4
Justificacin y Delimitacin de la Investigacin
1.4.1 Importancia del tema

La importancia del tema radica en el inters de resolver un problema que
afecta a miles de adolescentes y jvenes estudiantes que no tienen el suficiente
autoconocimiento y no pueden acceder a una buena orientacin vocacional,
adems que, a la psicologa educativa tradicional le es relativamente difcil
abastecerse y obtener un resultado ms cercano al ptimo. A su vez este tema
puede dar inicio a otros temas similares que todava no tienen los cimientos
donde sostenerse y que por esta razn no han iniciado an, pero que ms
adelante tendrn la contribucin cientfica que trato de dar con esta
investigacin.
1.4.2 Justificacin
La presente investigacin se justifica por el hecho de ser, de inters nacional
para miles de estudiantes que estn prximos a culminar o ya culminaron sus
estudios secundarios y se encuentran preparndose en algn centro preuniversitario sin tener una idea clara de lo que desean estudiar ni de sus reales
capacidades.
Puede ser utilizado por jvenes universitarios que se encuentran estudiando
alguna carrera profesional pero que se han dado cuenta que dicha carrera elegida
no est acorde con lo que ellos quieren seguir en un futuro.
Se justifica tambin porque ser
servicio va web, de esta forma
procedentes de colegios nacionales,
recursos para acudir a un centro
determinado costo.
de fcil acceso ya que se brindar este

estar al alcance de todos los alumnos
que en muchos casos no cuentan con los
que brinde este servicio por tener un
Tesis Ingenieril
UNMSM
Otra razn que justifica el presente trabajo, son las estadsticas alarmantes en
cuanto a estudiantes de pre-grado que se retiran de su escuela acadmico
profesional y de aquellas personas de post-grado que culminaron sus estudios
universitarios y no alcanzaron ese nivel de satisfaccin que ellos esperaban una
vez concluida la carrera profesional, y en el peor de los casos no ejercen su
profesin.
A continuacin se puede apreciar algunos datos reales sobre la desercin
universitaria en el mundo.
Cuadro resumen sobre la desercin universitaria en el mundo
Italia
55%
Estados Unidos
35%
Nueva Zelanda
45%
Mxico
38%
OCDE
30%
Alemania
22%
Dinamarca
15%
Japn
10%
Tabla 1.1 (Torres la Jara, 08)
Esto revela una alta desercin universitaria en todo el mundo, por ejemplo
segn la tabla mostrada, de cada 100 universitarios estadounidenses, 35 de ellos
da un paso al costado optando por otras carreras u ocupaciones, en Japn solo un
universitario de cada 10 deserta en su eleccin. Estas cifras de desercin
mostradas, se debe a factores econmicos y tambin muchas veces a una pobre
orientacin vocacional que el estudiante ha recibido si es que lo ha recibido,
debido a que no existen buenos test de orientacin vocacional orientados a la
realidad del pas, o que el acceso no est al alcance de todos.
La OCDE (Organismo para la Cooperacin y Desarrollo Econmico), el cual
lo conforman 30 estados titulares y 10 pases adherentes con economas
emergentes, y segn la Tabla 1.1 de cada 10 universitarios, 3 no continan su
carrera universitaria.
La desercin en el PERU es parecida a la de Uruguay en casi el 20% y segn
el estudio de LOGROS[Logros], un portal peruano que se dedica a la
4
Tesis Ingenieril
UNMSM
investigacin, cuantificacin y valorizacin de la desercin universitaria, y el

Ing. Rafael Plascencia, seala que la prdida econmica por el abandono de la
aulas es aproximadamente ms de 100 millones de dlares anuales; segn
LOGROS el motivo de esta alarmante situacin es en primer lugar vocacional y
segundo los factores econmicos, pero cada vez ms es la falta de orientacin
vocacional.
Entre 40 y 50 mil estudiantes universitarios en el Per abandonan sus estudios
y no solo es la prdida de ms de 100 millones de dlares cada ao invertidos en
los estudios sino tambin la consecuente frustracin para ellos y sus padres, de
estos estudiantes el 70% provienen de universidades particulares y el 30% de
universidades estatales [Torres la Jara, 08].
La OCDE que agrupa a los principales pases desarrollados, seala que las
cifras de desercin en estos pases vienen en franco crecimiento.
El estudio seala que el ndice de desercin en pases como EEUU llega al
35% en los college. Este mismo estudio seala tambin que en Espaa la
desercin llega a ms del 20%, mientras que en Italia el abandono de las carreras
llega al 60%. Las causas en los pases desarrollados se deben bsicamente a una
inadecuada eleccin de la carrera tal como sostiene Jos Lpez, director de la
Poltica Acadmica de la Universidad Catlica de Chile en una entrevista para el
diario ABC de Paraguay: Hay personas que se van porque no pueden con la
carga acadmica. Pero, sin duda, la mayor causal es la inconformidad, la
insatisfaccin con la carrera y con la universidad [Logros].
Se debe promover ms a que los alumnos realicen test vocacionales para que
ellos puedan conocerse ms a s mismos y con ello asumir la realidad de que no
siempre lo que uno quiere es para lo que realmente se encuentra apto o tener las
aptitudes y habilidades necesarias para afrontar con xito el perfil profesional
que exige una determinada carrera; realizar test vocacionales es sumamente
importante entonces este servicio debe ser lo ms accesible posible como es el
objetivo principal de esta investigacin, ya que se construir e implantara un test
vocacional va web, pero adems debemos resaltar que el test vocacional que se
realizara, estar basado en un sistema inteligente lo que hace su distincin frente
al resto.
En el material informativo San Marcos al da, de la UNMSM publicado desde
el 15 al 28-06-2009 por Graciela Ramrez; se expuso en una seccin dedicada a
la desercin universitaria de la universidad en mencin, donde se seala que la
causa principal es el problema econmico (44%), seguido por la falta de
vocacin profesional a la carrera (31%). Un menor porcentaje seala que no se
ha cubierto las expectativas en la formacin (15%) y otro el bajo rendimiento
acadmico (8%).
Tesis Ingenieril
UNMSM
Estos datos son los resultados de una encuesta realizada a los alumnos. Otra
encuesta realizada a los docentes seala que el 73% de ellos opina que el motivo
econmico es la principal causa de desercin estudiantil y un 40% seala que se
debe a la mala eleccin de la carrera [Ceroni, 09].
La tasa de desercin en el Per, tambin muestra diferencias entre los
programas acadmicos que cursan: los programas agrupados en el rea de
Ciencias de la Salud reportan los porcentajes ms bajos, con una tasa de
desercin de 35.3%, seguida de las reas de Agronoma, Veterinaria y afines
(37.5%) y de Matemticas y Ciencias Naturales (39.2%). Las reas que registran
los ndices ms altos de desercin son Ingeniera, Arquitectura y Urbanismo
(con una tasa de 49.9%), seguida de Economa, Administracin y Contadura
(47.1%). Otras reas, como Ciencias de la Educacin (41.4%), Ciencias
Sociales, Derecho y Ciencias Polticas (40.9%) y Bellas Artes reportan tasa de
desercin intermedias (40.4%) [Lpez, 10].
Mencionado las alarmantes cifras de desercin no solo en el Per sino en el
mundo entero, hace indispensable que se desarrollen buenos test vocacionales
que estn al alcance de todos los alumnos y cuando menciono buenos test me
refiero a desarrollar sistemas inteligentes que apoyen al proceso de eleccin
vocacional del alumno interesado.
1.4.3 Delimitacin
1.4.3.1 Delimitacin Espacial
La presente investigacin cubre geogrficamente todas las regiones del Per
en cuyos lugares existen centros universitarios donde muchos alumnos que estn
en carrera universitaria, afrontan la dura realidad de que estn destinando
esfuerzos en algo que no les nace realizar, as como tambin centros de
educacin secundaria donde los escolares necesitan un mejor autoconocimiento.
1.4.3.2 Delimitacin Social
La delimitacin social de la investigacin centra su estudio en beneficio de
todos los estudiantes de educacin secundaria, pre-universitarios, y
universitarios que necesiten saber cules son las aptitudes y habilidades que
poseen cada uno de ellos para inclinarse a un determinado perfil profesional; en
donde cualquiera de ellos sin distincin alguna puede rendir esta prueba de
orientacin vocacional va web, desde cualquier establecimiento que cuente con
servicio de internet.
Tesis Ingenieril
UNMSM
1.4.3.3 Delimitacin Tcnica
El sistema desarrollado, hace uso de una tcnica computacional llamada

Redes Neuronales Artificiales.
Tcnicamente el sistema se ha desarrollado bajo 2 plataformas, el
primero es Java para la parte grfica e interaccin con el usuario, y la
segunda es el Matlab, para el empleo de redes neuronales como ncleo
del sistema web.
Por ser un sistema web, ser accesible desde cualquier computador que
se encuentre en la misma red del servidor web donde estar alojado el
sistema.
El sistema no cuenta con un usuario administrador por ser dirigido
exclusivamente para los estudiantes.
El sistema se encuentra limitado a mostrar solamente el grupo
ocupacional resultante luego de haber rendido el test evaluador, ms no
la descripcin detallada de cada una de las carreras especficas inmersas
en el grupo, pero si la informacin bsica necesaria de cada grupo
ocupacional.
Tesis Ingenieril
UNMSM
CAPTULO II: MARCO TERICO
En este captulo trataremos acerca de la desercin universitaria en el Per, las

causas de esta; tambin abordaremos el tema de lo que realmente es la Orientacin
Vocacional y como es su evaluacin. Otro aspecto importante es hacer un contraste
entre las redes neuronales biolgicas y las artificiales, el cual es la tecnologa usada
para la presente investigacin.
2.1 La Desercin Universitaria en el Per

2.1.1 Definicin
La palabra desercin est ligada al verbo desertar, que significa abandonar,
dejar o alejarse de algo. Entonces llevndolo al plano educativo, podemos
decir que la desercin universitaria es el abandono de los estudios superiores
por uno o varios motivos que afronta el alumno en pleno trayecto de su
carrera universitaria.
2.1.2 Principales causas de la desercin universitaria
Se analizaron varios factores por los cuales un estudiante deserta de sus
estudios universitarios, entre los cuales podemos resaltar los siguientes:
vocacional, econmico, acadmico, personal, salud, adaptacin y familiar, de
estos factores los ndices ms altos apuntan al factor vocacional seguido del
factor econmico.
Segn [Effer+, 12], explica los dos principales factores causantes de
desercin universitaria:
1) El aspecto Econmico: Los padres de familia, con la mejor intencin
de ofrecerles a sus hijos una buena educacin, asumen un compromiso
de pago de pensiones que muchas veces est fuera de su alcance.
Cuando ya no es posible seguir manteniendo esta obligacin, sus hijos
deben abandonar la universidad, con la consecuente frustracin para
toda la familia, y en especial para el joven que ve truncadas las
posibilidades de su desarrollo profesional.
2) La Falta de Vocacin por la carrera elegida: Otro elemento presente
en esta realidad es que muchos estudiantes no tienen claro si realmente
tienen vocacin por lo que estudian. Muchos chicos ingresan a la
universidad con la esperanza que realmente disfrutaran la profesin
8
Tesis Ingenieril
UNMSM
elegida; pero luego sufren una profunda decepcin al descubrir que lo
que estudian no les agrada o no es lo que esperaban. Se hizo una
investigacin sobre la desercin de los estudiantes de la Universidad
Peruana Unin, sede Tarapoto, y este fue el resultado :
Cantidad de alumnos matriculados por ciclo en la Universidad Unin
Fig. 2.1 (Effer+, 12)
Se observa que el ao 2009 se obtuvieron 417 alumnos matriculados, que

luego para el segundo ciclo bajo a 384 estudiantes, teniendo un ndice de
desercin del 7,9%. Tambin vemos que en el ao 2010 se observa un total de
518 estudiantes, y para el segundo ciclo del mismo ao, el nmero total de
estudiantes matriculados fue de 487. Lo cual nos da un ndice de desercin del
6% para el ao 2010.
Finalmente en el ao 2011, el nmero de matriculados fue de 763
estudiantes, luego para el segundo ciclo el nmero de matriculados fue de 762,
lo cual muestra una desercin mnima de 0.1%
2.1.3
Enfoques del anlisis de la desercin universitaria

De acuerdo a Braxton (1997), los enfoques del anlisis de la desercin
pueden ser agrupadas en cinco grandes categoras, dependiendo del
nfasis que otorgan las variables explicativas, ya sean individuales,
institucionales o del medio familiar. De esta manera es posible reconocer
los siguientes enfoques:
a) Psicolgicos: El rasgo de la personalidad es lo que diferencia a
los estudiantes que terminan sus estudios regulares de aquellos
Tesis Ingenieril
UNMSM
que no lo logran, cuyas bases fundamentales fueron los procesos
psicolgicos relacionados con la integracin acadmica y social.
b) Econmicos: Segn investigaciones en este enfoque se puede
distinguir dos modelos:
b.1) Costo/Beneficio: Consiste en que cuando los beneficios
sociales y econmicos asociados a los estudiantes son percibidos
como mayores que los derivados por actividades alternas; por lo
cual el estudiante opta por permanecer en la universidad.
b.2) Focalizacin de Subsidio: Consiste en la entrega de
subsidios que constituyen una forma de influir sobre la desercin.
Estos subsidios estn dirigidos a los grupos que presentan
limitaciones reales para costear sus estudios.
c) Sociolgicos: Los modelos sociolgicos enfatizan respecto a la
influencia en la desercin de factores externos al individuo,
adicionales a los psicolgicos, se bas en el modelo suicida
indicando que la desercin es el resultado de la falta de
integracin de los estudiantes en el entorno de la educacin
superior; aduce que el medio familiar es una de las muchas
fuentes que expone a los estudiantes a influencias, expectativas y
demandas, las que a su vez afectan su nivel de integracin social
en la universidad; la congruencia normativa acta directamente
sobre el rendimiento acadmico, el desarrollo intelectual, el
apoyo de pares y la integracin social.
d) Organizacionales: Este modelo de anlisis sostiene que la
desercin depende de las cualidades de la organizacin en la
integracin social y ms, particularmente, en el abandono de los
estudiantes que ingresan a ella. Este enfoque est altamente
relacionado a la calidad de la docencia y de la experiencia de
aprender en forma activa por parte de los estudiantes en las aulas,
las cuales afectan positivamente la integracin social del
estudiante.
2.2 Orientacin Vocacional

Antes de definir que es la orientacin vocacional vamos a explicar algunos
conceptos preliminares como es la palabra vocacin, esta palabra proviene
del latn vocatio, que significa ser llamado o llamamiento, y a su vez de
vocate que significa llamar, por eso se puede definir la vocacin como lo
10
Tesis Ingenieril
UNMSM
que uno se encuentra llamado a ser en la vida, es la actividad a la que una

persona est destinada a realizar como justificacin de la propia existencia.
Al calificar la palabra vocacin, estamos hablando de vocacin artstica,
profesional, etc.
En cuanto a la orientacin profesional, es referido ms acerca del campo
laboral en s; segn Rivas (2003) considera que la orientacin profesional
tiene una relacin ms directa con el mundo laboral, se concreta y restringe
al ajuste con la profesin y al puesto de trabajo concreto, seran los procesos
de elegir y adaptarse a una profesin para satisfaccin propia y beneficio de
la sociedad, sin embargo creemos que vocacional es un trmino ms amplio
y general que engloba lo profesional (laboral, trabajo, profesin), la
ocupacin (formacin no institucional, es decir informal), lo acadmico
(carreras, estudios, las diferentes titulaciones, la formacin institucional o
formal) y lo ldico (el ocio y lo extraescolar), que incluye la fantasa
abstracta de lo que me gustara ser (deseo), la vocacin o inclinacin de lo
que quiero ser (aspiracin) y la realidad de lo que hago y soy (posibilidades)
[Cepero, 09].
La vocacin vista desde las disposiciones personales en relacin con el
trabajo, recibe el nombre de vocacin profesional, entonces podemos decir
que la vocacin es en su real acepcin, la disposicin interior que nos
llama a una determinada profesin y ejercicio.
Debemos mencionar que la orientacin hacia una vocacin especifica se
diferencia del inters que nace de la utilidad de una profesin, la diferencia
entre vocacin e inters radica en que el primero supone una atraccin
del trabajo como fin o cosa en s, mientras que el segundo marcar la
atencin por el trabajo como medio o cosa para.
El punto de vista psicolgico, menciona que la vocacin es una forma de
expresar nuestra personalidad frente al mundo del trabajo y del estudio, y
que esta vocacin no aparece sbitamente sino que se va conformando a
medida que adquirimos mayor madurez, mayor experiencia, mayor atencin
y dedicacin a ciertos fenmenos de la realidad que nos rodea.
2.3 Etapas del Desarrollo Vocacional [Bartone, 09]
El desarrollo vocacional es un proceso que comprende varias etapas de la
vida profesional por lo que Super (1996) identifica en cual etapa del ciclo
vital se encuentra la persona, a objeto de contribuir con un adecuado
asesoramiento vocacional. Estas etapas, facilitan la identificacin de las
tareas que les son propias a las personas de acuerdo con su ciclo evolutivo, y
a lo que se espera de ellas. Estas son recogidas por Rivas (2003), y descritas
a continuacin.
11
Tesis Ingenieril
UNMSM
1) Etapa de Crecimiento (4 a 13 aos)

Se cumplen cuatro tareas fundamentales: planear el futuro, asumir el
autocontrol de la propia vida, tomar conciencia de la importancia del
rendimiento acadmico y profesional, y desarrollar adecuados
hbitos laborales.
2) Etapa de Exploracin (14 a 24 aos)
Se definen tareas especficas en esta etapa las cuales son: la
cristalizacin de los sueos profesionales, en donde especifican y se
implementa la eleccin profesional. Luego de conocer y profundizar
en la exploracin de diversas carreras, reconocidas por su
cualificacin, logra finalmente, la seleccin de una profesin.
3) Etapa de Establecimiento (24 a 44 aos)
En esta etapa se espera que las tareas se concreten en construir una
posicin y progresar a travs de ella; asumiendo ascensos acorde con
sus responsabilidades. Esto indica que el profesional logra abrirse un
espacio entre sus colegas en el mbito de una organizacin y de
manera satisfactoria, con base en actitudes positivas, hbitos de
productividad y adecuadas relaciones interpersonales con los
compaeros de trabajo.
4) Etapa de Mantenimiento (45 a 65 aos)
Aqu la persona en un momento dado, pudiera tomar la decisin de
cambiar de profesin (ciclo de exploracin y establecimiento) o
quedarse dentro del mbito laboral en el cual ha venido
desarrollndose.
5) Etapa de Desaceleracin (65 a ms)
Propia de las personas que inician un proyecto de retiro o jubilacin,
coincide con el momento de redefinicin de nuevas actividades, en
donde se produce el declive natural dado por las condiciones fsicas e
intelectuales propias del declinar de la vida.
2.4 Madurez Vocacional
Sabemos ahora que la vocacin no se presenta de improviso con carcter
inmodificable o definitivo, como lo explicamos anteriormente; sino que se va
desarrollando, definiendo, concretando a lo largo de los aos a travs de un
proceso de madurez interna y educacin externa. La eleccin de una carrera o
profesin es ms que simplemente una decisin, es una evolucin; as como
existe una madurez para leer y escribir, tambin existe una madurez vocacional.
12
Tesis Ingenieril
UNMSM
Este proceso de madurez vocacional, normalmente no tiene lugar de una forma

programada o segura ms bien presenta un carcter problemtico e incierto y su
duracin es variable.
El concepto de madurez vocacional procede de los primeros estudios de Super
en 1955 y la define como la disposicin para hacer frente a las tareas
vocacionales o al desarrollo de la carrera con las que uno est realmente
confrontado o a punto de estarlo, comparado con otros que se hallan en la misma
poca de la vida y frente a las mismas tareas del desarrollo [Castillo, 91].
La madurez vocacional no es un simple factor, sino un conjunto de ellos, es
una variable psicolgica multifactorial y podemos agrupar los factores que la
integran en tres apartados [Castillo, 91]:
1) Actitudes positivas hacia la eleccin vocacional
2) Rasgos psicolgicos definidos
3) Personalidad madura
2.5 Dimensiones de la Madurez Vocacional [Bartone, 09]

Super (1957) establece cinco etapas en la vida profesional de las personas, y
tambin ubica cinco dimensiones para medir en su conjunto la madurez
vocacional, a travs de la: planificacin, exploracin, informacin, toma de
decisin y orientacin realista. La madurez vocacional tiene como finalidad
determinar el grado o nivel de consistencia con el cual la persona asumi un
proyecto de vida conectado a la toma de decisiones con respecto al trabajo a
desarrollar en un futuro prximo.
En la etapa de planificacin, el individuo adquiere un claro autoconocimiento
de s mismo al hacerse responsable de sus decisiones, evidenciando un alto locus
de control, traducido en una alta autoestima, as como tambin, la perspectiva en
el tiempo con respecto al pasado y al futuro. La actividad propia a este nivel, es
la recoleccin de informacin acerca de s mismo, de otros, y del mundo en el
cual se desenvuelve.
La etapa de exploracin comprendida entre los 15 y 24 aos de edad, el
individuo complementa su autoconocimiento por medio del desempeo de los
diversos roles personal, familiar, social, acadmico, empresarial, organizacional,
manejo del ocio, cultural, entre otros. Tambin desarrolla actitudes especficas,
en la bsqueda de los medios requeridos para obtener la informacin y recursos
ms adecuados; a travs de su participacin en los diversos contextos escritos
(Busot, 1995).
13
Tesis Ingenieril
UNMSM
La etapa de informacin es un componente de tipo cognoscitivo, vincula con

la bsqueda de informacin completa del mbito laboral, as como, el perfil
requerido y a las oportunidades que ofrece la sociedad. El ciclo evolutivo con
sus etapas de desarrollo y tareas propias de la edad, es otro aspecto al cual hay
que hacer referencia; igualmente, las experiencias vivenciadas de trabajos no
remunerados de acuerdo a las aptitudes, intereses y valores individuales. En
consecuencia, las mejores decisiones estarn conectadas con el
autoconocimiento, y relacionadas con las opciones sobre las ocupaciones que
existan en el marcado laboral (Busot, 1995).
En la etapa de toma de decisiones, el individuo conjuga el . . . conocimiento
y compromiso propio de las principios que rigen el proceso decisorio; la
habilidad para aplicarlos y los estilos de aplicacin. Por ello, tomar decisiones
es un aspecto sustantivo de la persona madura vocacionalmente (Durn, 1992),
reflejados en el desarrollo de la autoestima, la autonoma, y en los procesos
propios en la toma de decisiones (Busot, 1995).
La etapa de orientacin realista, es compleja por cuanto integra, adems del
autoconocimiento individual, de acuerdo con Busot (1995) . . . la objetividad de
las percepciones, situaciones personales y situacionales. La consistencia en las
preferencias de papeles vocacionales, la cristalizacin de los autoconceptos, las
metas y la estabilizacin de los principales roles de la vida (trabajador, hombre
de hogar, ciudadano, recreacionista). Complementando lo anterior, Durn
(1992) seala que en esta etapa, el individuo integra todos los aspectos que
llevan a la madurez vocacional: autoconocimiento, autoevaluacin consistente
de la actuacin personal, claro auto concepto, logro de las metas, equilibrio en
los papeles de las carreras de su preferencia y estabilizacin de los roles en el
rea familiar, laboral y de la comunidad en el cual se desenvuelve.
Busot (1995) destaca el hecho de que, las dimensiones planificacin y
exploracin, son aspectos actitudinales. A diferencia de las dimensiones
informacin y toma de decisiones, orientadas hacia el aspecto cognoscitivo del
individuo. Y la orientacin realista, es de tipo actitudinal y cognoscitivo, esto
es, una mezcla de ambas.
Las dimensiones descritas del modelo vocacional de Super, se explican tanto
para la adolescencia como para la edad adulta, sin embargo, de acuerdo a la edad
o ciclo evolutivo especfico, pueden presentar diferencias.
14
Tesis Ingenieril
UNMSM
2.6 Enfoques en Orientacin Vocacional

Cuando hablamos de orientacin vocacional muchos autores en base a su
investigacin analizan y sintetizan que los factores que influyen en la persona
son mltiples, al momento de inclinarse por alguna ocupacin, y que algunos
coinciden en cules son esos factores pero no en la misma medida; por esta
razn nos vemos en la necesidad de mencionar los diferentes enfoques, puntos
de vista de los personajes que detallaremos mas adelante.
Se ha constatado que algunos enfoques consideran de forma exclusiva y
separada las tendencias de tipo sociolgico, psicolgico o econmico por
entender que eran incompatibles a la hora de afrontar la eleccin vocacional. Por
ejemplo, Roe y Siegelman (1964) consideran factores psicodinmicos, Ginzberg,
Ginsburg, Axelrad y Herma (1951) se basan en la Psicologa evolutiva,
Tiedeman y OHara (1970), Hilton (1962), Gelatt (1977) y Katz (1988) plantean
desde la toma de decisiones desde el aprendizaje social [Cepero, 09].
Lo que s est claro, es que todos estos enfoques consideran que el desarrollo
vocacional es un proceso complejo, multifactorial o multidimensional, y que se
debe afrontar de manera integral, teniendo en cuenta la diversidad de factores y
determinantes que conforman la conducta vocacional.
La importancia de plasmar los modelos y teoras de orientacin vocacional, de
los diferentes enfoques es por razones de aportaciones en cuanto a los factores
influyentes; pasamos a continuacin a describir brevemente cada aportacin de
los siguientes autores como sigue:
2.6.1 Enfoque de Roe y Siegelman [Cepero, 09]
Roe y Siegelman (1964) partiendo de la Teora de las necesidades,
perteneciente a la teora Psicodinmica, postulan que la eleccin vocacional
se basa en tres aspectos:
1) Las experiencias de la infancia modelan la personalidad del individuo,
las relaciones padre-hijo van a jugar un papel importantsimo en el
desarrollo de dicha personalidad y posteriormente en la relacin
vocacional (teora Psicodinmica de la personalidad).
2) La eleccin vocacional consistir en satisfacer las necesidades que, en
cierta medida, estn ligadas a las experiencias de la infancia, Cada uno
de nosotros pretende satisfacer sus necesidades a travs de un
determinado ambiente o tipo de trabajo (enfoque de la satisfaccin de las
necesidades de Maslow, 1954).
3) Cada uno de nosotros nace con una carga gentica, que se desarrolla y
evoluciona mediante una serie de experiencias individuales en un
15
Tesis Ingenieril
UNMSM
contexto familiar y ambiente que sirve de base a sus habilidades e
intereses.
En cuanto a sus aportaciones a la orientacin vocacional destacan dos

interesantes aspectos:
1) Los trabajos de clasificacin bidimensional de las ocupaciones, donde se
explicitan no solo los campos o grupos ocupacionales, sino los
diferentes niveles de profundizacin en cada grupo.
2) La fundamentacin para la elaboracin de una serie de instrumentos, que
han tenido una gran repercusin en el mbito de la informacin
profesional.
En este enfoque las preferencias estn basadas en las experiencias
vividas por la persona desde la infancia abarcando distintos niveles de
profundizacin en los campos vocacionales, destacando fundamentalmente
el papel de los determinantes econmicos y ambientales.
2.6.2 Enfoque del Concepto de s mismo, auto concepto de Rogers y
Sper [Cepero, 09]
Con este enfoque se pretende que la persona se conozca a si misma ya que esto
le influye en su eleccin profesional. Rogers pretende conseguir personas auto
dirigidas vocacionalmente; segn Morris y Maisto (2005) y Rogers (1961) las
personas desarrollan su personalidad al servicio de metas positivas. La meta de
la vida para Rogers seria satisfacer el proyecto gentico que es la persona y
convertirse en lo mejor que cada uno puede llegar a ser. Que denomina
tendencia a la realizacin. El auto concepto es el sentido consciente de quienes
somos y que deseamos hacer con nuestra vida, que nos lleva a la tendencia de la
autorrealizacin que es la pulsin de las personas para hacer realidad su auto
concepto, o la imagen que tienen de s mismos.
La traslacin del concepto de s mismo a trminos vocacionales, Sper (1963)
la explica a travs de las mismas fases que se ha seguido en el desarrollo del
concepto de s mismo:
1) Exploracin: La exploracin y valoracin de las propias
capacidades del sujeto, frente a las exigencias profesionales.
2) Auto diferenciacin: El adolescente va delimitando su propia
identidad, teniendo como punto de referencia el yo personal y el
grupo.
3) Identificacin: La identificacin hacia determinados campos
ocupacionales que muestran cierta congruencia con el concepto de
s mismo.
16
Tesis Ingenieril
UNMSM
4) Desempeo de roles: La experiencia en el desarrollo de diferentes
tareas y actividades, permite el ir clarificando la eleccin
vocacional.
5) Evaluacin: Esta conduce a analizar el grado de congruencia entre
el concepto de s mismo y los requisitos y exigencias de la
profesin elegida.
Sper postula que la influencia del concepto en la eleccin vocacional puede

centrarse en tres aspectos:
El individuo toma decisiones pre-ocupacionales, ocupacionales y
post-ocupacionales en funcin del autoconcepto.
Un autoconcepto objetivo y racional se traducir en preferencias
ocupacionales y se concretara en elecciones congruentes y
El nivel de incorporacin del autoconcepto a la profesin
determina la eleccin y satisfaccin profesional.
2.6.3 El Enfoque Evolutivo de E. Ginzberg, Ginsburg, Axelrad y Herma
[Cepero, 09]
Ginzberg y Cols. (1951), al igual que Carter (1940), plantean que los intereses
cambian y evolucionan con la edad. Tambin las teoras actuales del desarrollo
vocacional postulan que las conductas de la eleccin maduran a medida que el
individuo crece. La persona relaciona el yo en funcionamiento con el desarrollo
del proceso de eleccin, identificando algunas de las tareas que enfrenta el
adolescente al decidir una vocacin, especificando las presiones que dificultan el
cumplimiento de estas tareas, describiendo los apoyos disponibles para soportar
las presiones y postergando la necesidad de gratificaciones que tiene presente.
Ginzberg, Ginsburg, Axelrad y Herma (1951) basan su enfoque en aspectos
extrados de la psicologa evolutiva y en el modelo freudiano de la personalidad
y lo estructuran en tres posiciones:
La eleccin vocacional es un proceso que se extiende a lo largo del
periodo de la adolescencia y juventud (10 a 21 aos).
Este proceso es irreversible, una vez que se ha tomado una eleccin
vocacional y, por lo tanto, se ha iniciado una formacin especfica, es
realmente difcil cambiar la opcin.
La eleccin vocacional termina en una transicin entre las necesidades del
sujeto y la realidad que ofrece el medio donde uno se encuentra.
17
Tesis Ingenieril
UNMSM
2.7 Evaluacin en Orientacin Vocacional

El objetivo de la evaluacin en orientacin vocacional es identificar los
intereses laborales del usuario, sus expectativas vocacionales, el nivel de
conocimiento y relacin con el mercado laboral, as como la motivacin real
hacia el trabajo [Galilea, 01].
Citaremos los principales instrumentos empleados:
2.7.1
Inventario de Intereses Profesionales y Ocupacionales CASM83[Vicua, 03]
El Inventario de Intereses Profesionales y Ocupacionales CASM 83, es una

prueba psicolgica elaborada en nuestro pas en 1983 cuyo autor es el Psiclogo
Luis Alberto Vicua Peri procedente de la Universidad Nacional Mayor de San
Marcos, reciento en el cual se desempea como docente.
La tercera edicin del CASM con el beneplcito que a la fecha el inventario
continua demostrando eficiencia predictiva as como constancia y precisin de
medicin; razn por la cual ha quedado incorporada como una prueba necesaria
en la batera seleccionada rigurosamente para efectos de ofrecer Orientacin
Vocacional y Profesional.
Surgi como una respuesta a la carencia de pruebas que midan y satisfagan los
requerimientos de nuestro medio, para tal fin se analizaron las prioridades de
nuestros jvenes estudiantes peruanos, sus expectativas, sus inquietudes y
esperanzas, y pronto descubrimos que para orientarlos en su mediata ocupacin,
venamos utilizando inventarios de procedencia extranjera, elaborados con la
exigencia de la mtrica, buenos para su realidad pero limitados para la nuestra,
donde el contexto ocupacional, de una creciente direccin hacia la informalidad,
va tipificando nuestro quehacer donde los roles ocupacionales toman matices y
preferencias peculiares que necesariamente debemos tomar en cuenta si queremos
objetividad en la obtencin de indicadores fuertes en la delimitacin del perfil
vocacional del orientado.
2.7.2
Intereses y Preferencias Profesionales (Test IPP)
El test de Intereses y Preferencias Profesionales o IPP fue elaborado en 1993

por Victoria de la Cruz Lpez, el IPP intenta apresar el inters del individuo por
17 campos profesionales. Los tems que tiene que valorar el sujeto son tanto
profesiones como actividades y tareas profesionales. Ello permite posteriormente,
adems de valorar el inters por diferentes campos, interpretar la congruencia o
concordancia existente entre la atraccin por los ttulos profesionales (ser
maestro) con la atraccin por las tareas y actividades de trabajo que realizan esos
18
Tesis Ingenieril
UNMSM
profesionales (ensear). El instrumento tambin contempla la posibilidad de

identificar qu tipos de profesiones y actividades son desconocidas para el
individuo, obviando su valoracin, lo que puede dar pie posteriormente a
incrementar informacin vocacional sobre ellas [Cepero, 09].
Los elementos que integran el cuestionario son de dos tipos [De la Cruz, 95]:
a) Los que requieren que el sujeto exprese su preferencia por diversas
profesiones (se presentan los nombres de algunas de las ms
representativas de cada uno de los campos de actividad que se han
considerado).
b) Los que requieren que exprese su preferencia por diversas tareas y
actividades (se han incluido para cada profesin las ms representativas,
tomadas de la Clasificacin Nacional de Ocupaciones editada por el
Ministerio de Economa y Comercio).
Por medio de este inventario se evalan las preferencias respecto a los diecisiete
campos profesionales, que se especifican a continuacin [De la Cruz, 95]:
1) Cientfico Experimental
2) Cientfico Tcnico
3) Cientfico Sanitario
4) Terico Humanista
5) Literario
6) Psicopedaggico
7) Poltico Social
8) Econmico Empresarial
9) Persuasivo Comercial
10) Administrativo
11) Deportivo
12) Agropecuario
13) Artstico Musical
14) Artstico Plstico
15) Militar Seguridad
16) Aventura Riesgo
17) Mecnico Manual
2.7.3
Cuestionario de Intereses Profesionales. CIPSA [Cepero, 09]
El cuestionario de intereses profesionales de Fernndez y Andrade (1985),

CIPSA tiene su origen en la revisin que hacen los autores del Inventario de
Preferencias de Thurstone (de la que destacan el desfase, ausencia y repeticiones
inadecuadas de ciertas actividades y profesionales, y la excesiva generalizacin
de algunos elementos del inventario). Los autores, tras un intento de adaptacin,
deciden elaborar un nuevo cuestionario, el CIPSA, que tiene elementos
19
Tesis Ingenieril
UNMSM
profesionales pertenecientes a 12 escalas / factores o campos de actividad

profesional.
El cuestionario presenta una novedad en relacin a otros tradicionales, ya que
adems de solicitar al individuo una valoracin personal (grado de atraccin,
gusto, indiferencia, o rechazo, de diferentes profesiones), tambin le solicita una
valoracin social (prestigio) y otra econmica (ingresos). Al igual que en el
inventario IPP, se recoge informacin del desconocimiento de algunas
profesiones por parte del individuo. Esto es muy til, ya que va a posibilitar al
asesor plantear informacin vocacional dirigida hacia esos campos menos
conocidos. Es interesante tambin tener informacin sobre las posibles
discrepancias entre el inters y, el estatus social y econmico, ya que ste es uno
de los problemas vocacionales a resolver para algunos de los asesorados antes de
su toma de decisiones, cuando el individuo coloca en los primeros lugares de su
jerarquizacin estos valores de trabajo. Los ingresos econmicos en un 30,5%
(CIS, 2006), y los beneficios econmicos que genera la carrera (Ortiz, 2006) son
dos de los condicionantes que utilizan parte del alumnado espaol, a la hora de
elegir una profesin.
2.7.4
Inventario de Intereses de Thurstone [Cepero, 09]
El inventario de intereses profesionales de Thurstone (1986), o IP permite

obtener un perfil que diferencia los intereses ms destacados hacia unos campos
de actividad frente a otros. Cada rea de actividad se compara dos veces con todas
las dems.
Este instrumento tan solo utiliza profesiones como estmulos presentando
problemas como los que motivaron a los autores del CIPSA a intentar mejorar ese
instrumento. Tiene a su favor la brevedad es su utilizacin.
2.7.5
Registro de Preferencias Vocacionales de G.F. KuderC [Montero, 05]
Desarrollado por George Frederick Kuder en la Universidad de Ohio se

remontan a 1934, cuando un Inventario de Intereses Vocacionales Experimental
de 40 tems conformados por 5 actividades que deban ordenarse de mayor a
menor inters fuera aplicado a una muestra de 500 estudiantes de dicha
universidad.
Los cuestionarios de intereses vocacionales de kuder, se caracteriza segn su
fundamento terico por ser un inventario descriptivo en tanto mide los intereses
actuales del examinado, es decir, los que presenta en el mismo momento de la
exploracin. Parten del supuesto de que alcanzada cierta edad, los intereses
tienden a estabilizarse de modo que los que presenten en el momento actual son el
mejor indicador de los que presentar en el futuro.
20
Tesis Ingenieril
UNMSM
Sper estimo que las categoras de intereses de Kuder, tienen una realidad tanto
profesional como psicomtrica, lo que significa que permite diferenciar grupos
profesionales entre s de la misma manera que los test de aptitudes. Asimismo,
Castao y Cols (1972), establecieron que el Kuder-C proporciona gran
especificidad en la diferenciacin de perfiles de diferentes grupos universitarios.
El registro de preferencias vocacionales, Foma C vocacional de Kuder (1986),
Kuder-C es uno de los inventarios de intereses ms populares entre los asesores, y
cuenta con una larga trayectoria en el campo del asesoramiento vocacional. Bien
acogido en el mbito escolar espaol, es una de las mejores medidas existentes de
los intereses de los adolescentes; aunque no est exento de crticas, entre las de su
largo tiempo de aplicacin, y sobre todo de correccin.
2.8
INTERNET y WEB
En este apartado explicaremos los conceptos bsicos de lo que es la Internet y
las diferencias que existe con lo que se conoce como Web. No vamos ahondar
en cuanto a su historia o detalles muy especficos, pero si en las definiciones
necesarias para entender de qu se tratan estos temas, ya que la solucin al
problema principal de la presente investigacin, est muy asociada con ellos.
2.8.1 Qu es la Internet? [CAD1]
Antes de dar una definicin de lo que es Internet, centrmonos en definir que
es una red de computadoras. Es un conjunto de mquinas que se comunican a
travs de algn medio (cable coaxial, fibra ptica, radiofrecuencia, lneas
telefnicas, etc.) con el objeto de compartir recursos y son conocidas como
LAN (Local Area NetWork) porque conecta los ordenadores dentro de un rea
relativamente pequea y determinada. Estas redes LAN son agrupadas y
forman una red conocida como WAN (Wide Area NetWork) o Red de Area
Ancha, estas cubren una gran rea geogrfica como pases o hasta continentes;
con lo mencionado podemos definir ahora que la Internet es la comunicacin
entre s de redes WAN y que prcticamente la conectividad se extendera a
todo el planeta en su conjunto.
De esta manera, Internet sirve de enlace entre redes ms pequeas y permite
ampliar su cobertura al hacerlas parte de una red global. Esta red global tiene
la caracterstica de que utiliza un lenguaje comn que garantiza la
intercomunicacin de los diferentes participantes; este lenguaje comn o
protocolo (un protocolo es el lenguaje que utilizan las computadoras al
compartir recursos) se conoce como TCP/IP.
21
Tesis Ingenieril
UNMSM
As pues, Internet es la red de redes que utiliza TCP/IP como su protocolo

de comunicacin. Internet es un acrnimo de INTERconected
NETworks (Redes interconectadas), para otros, Internet es un acrnimo del
ingls INTERnational NET, que traducido al espaol sera Red Mundial.
2.8.2 Funcionamiento de la Internet
Internet funciona empleando una arquitectura denominada Cliente-Servidor,
donde el cliente es el ordenador que solicita un servicio (peticin), por ejemplo
utilizado para enviar un mensaje de correo electrnico o para consultar los
datos de una pgina web. Por otro lado se encuentra el servidor, que tambin es
un ordenador que proporciona un servicio. Procesa la peticin del cliente y
genera una respuesta adecuada, por ejemplo, el ordenador que recibe y enva
adecuadamente los correos electrnicos o el que procesa las peticiones de
consulta de las cuentas de un banco [Martn].
Cada ordenador conectado a Internet tiene asignado un nmero, denominado
direccin IP, que lo identifica de modo nico en la red. Cada IP tiene el
siguiente formato:
Formato de direccin IP
X. X. X. X
Fig. 2.2 (Elaboracin propia)
Donde:
X: Es un numero decimal que se encuentra entre 0 y 255 inclusive, pero existen
restricciones en cuanto a la validez de una direccin IP segn la zona geogrfica,
la cual no entraremos en detalle de cules son las Ips vlidas.
Mencionamos que cada ordenador conectado a internet posee una direccin IP
nica, sin embargo a los seres humanos nos es ms cmodo utilizar alguna forma
fcil de recordar como son los nombres, de esta manera se establecieron los
Nombres de Dominio; pero la red debe poder traducir estos nombres de
dominio en la direccin IP correspondiente, entonces dio lugar a los Servidores
de nombres de dominio o DNS, que son un tipo de servidores especiales.
Sin la ayuda de los servidores de dominio, los usuarios de internet tendran que
acceder a cada servicio web utilizando la direccin IP del servidor solicitado
(Ejemplo: 192.61.75.39 en lugar de www.arte.com).
Existe un proveedor de servicios de internet o ISP, el cual es una empresa que
cuenta con una conexin directa a internet, a la cual nosotros solicitamos su
servicio, pero nuestra conexin ya no sera directa sino remota. La comunicacin
22
Tesis Ingenieril
UNMSM
suele realizarse a travs de la lnea telefnica convencional, lo cual requiere el uso

de mdems en los ordenadores.
Esquema del funcionamiento bsico de Internet
Fig. 2.3 (Eddiewebdotorg, 12)
2.8.3 Qu es la Web?
La Web es un trmino que fue simplificado para referirse especficamente a la
World Wide Web, otros de sus sinnimos son: WWW, W3, telaraa mundial;
nosotros vamos a utilizar simplemente la Web en adelante.
La Web es la parte grfica y de interaccin para el usuario de Internet
implementada a travs de estructuras y protocolos estndares para archivos de
texto, grficos, sonido, etc. [Caplicado]
La Web es un servicio disponible en internet, aparte de esta existen otros
servicios como el acceso remoto a otras mquinas (SSH y telnet), transferencia
de archivos (FTP), correo electrnico (SMTP), conversaciones en lnea (IMSN
Messenger, ICQ, YIM, AOL, jabber), transmisin de archivos (P2P, P2M,
descarga directa), etc. [CAD2]
23
Tesis Ingenieril
UNMSM
2.8.4 Funcionamiento de la Web

Para que la Web funcione, se requiere de una Internet que provea bsicamente
la funcionalidad que permita que cualquier computador conectado a Internet
pueda conectarse a un servidor identificado por la URL (Localizador Uniforme
de Recursos) utilizada, esta URL deber ser ingresada en la parte superior del
Web Browser o Navegador Web, que es el software o programa de computadora
que permitir ver alguna informacin en la Web.
Parte de esa funcionalidad la provee el ISP, otra parte la provee la
computadora cliente y otra la computadora servidor web de destino.
2.9
Red Neuronal Biolgica

Para comprender que es una red neuronal biolgica, primero vamos a partir de
explicar que es una neurona biolgica.
2.9.1 Neurona Biolgica
La neurona biolgica es la mnima unidad de procesamiento de informacin
que poseen los seres humanos, y que adems se encuentra alojada en el cerebro a
nivel del sistema nervioso central. Estas neuronas que poseemos y que son
aproximadamente ms de 100 mil millones, son capaces de recibir seales o
impulsos nerviosos, de otras neuronas y proporcionar nuevas seales a otras
neuronas y que estas realizaran el mismo proceso de unin intercelular, a este
funcionamiento entre neuronas se les denomina sinapsis.
Luego de definir que es una neurona biolgica, podemos tener una idea de que
es una red neuronal biolgica, entonces podemos decir que una red neuronal
biolgica es un conjunto de unidades de procesamiento llamadas neuronas
interconectadas entre si una con muchas otras neuronas cuyo conjunto forman
una red neuronal de procesamiento de informacin particular.
2.9.2 Componentes de la Neurona Biolgica
Soma o cuerpo: Corresponde a la parte ms voluminosa de la neurona.
Aqu se puede observar la estructura esfrica llamada ncleo. Este contiene
la informacin que dirige la actividad de la neurona.
Axn: Es una prolongacin nica y larga. En algunas ocasiones, puede
medir hasta un metro de longitud. Su funcin es sacar el impulso desde el
soma neuronal y conducirlo hasta otro lugar del sistema.
24
Tesis Ingenieril
UNMSM
Dendritas: Son prolongaciones cortas que se originan del soma neural. Su

funcin es recibir impulsos de otras neuronas y enviarlas hasta el soma de
la neurona.
2.9.3 Funcionamiento de una Red Neuronal Biolgica

Cada neurona se enlaza con otras neuronas, y pongo nfasis en que cada neurona
se enlaza no con otra sino con otras neuronas, es decir muchas neuronas, y es a
travs de las ramificaciones de su axn. El enlace se realiza mediante uniones
intercelulares denominadas sinapsis.
El efecto en la clula receptora es la elevacin o disminucin de un potencial
elctrico dentro del soma o cuerpo de la clula tambin denominado; cuando este
potencial alcanza un cierto umbral, la clula emite a su vez un pulso de intensidad y
duracin que dura un cierto tiempo.
Fisiologa de dos neuronas biolgicas en proceso de sinapsis
Fig. 2.4 (Colina+, 98)
25
Tesis Ingenieril
2.10
UNMSM
Red Neuronal Artificial
2.10.1 Breve Resea Histrica

El cerebro humano es el sistema de clculo ms complejo que conoce el hombre.
El ordenador y el hombre realizan bien diferentes clases de tareas; as la operacin
de reconocer el rostro de una persona resulta una tarea relativamente sencilla para el
hombre y difcil para el ordenador, mientras que la contabilidad de una empresa es
tarea costosa para un experto contable y una sencilla rutina para un ordenador
bsico.
La capacidad del cerebro humano de pensar, recordar y resolver problemas ha
inspirado a muchos cientficos intentar o procurar modelar en el ordenador el
funcionamiento del cerebro humano.
Los profesionales de diferentes campos como la ingeniera, filosofa, fisiologa y
psicologa han unido sus esfuerzos debido al potencial que ofrece esta tecnologa y
estn encontrando diferentes aplicaciones en sus respectivas profesiones.
Un grupo de investigadores ha perseguido la creacin de un modelo en el
ordenador que iguale o adopte las distintas funciones bsicas del cerebro. El
resultado ha sido una nueva tecnologa llamada Redes Neuronales Artificiales;
segn el estudio de Xabier Basogain Olabe [Basogain].
Haremos un repaso de los acontecimientos que marcaron el inicio de esta forma de
sistema inteligente llamada Redes Neuronales Artificiales [Matich, 01]:
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). 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 cuando ciertos cambios en una neurona eran activados. Tambin
intento 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.
26
Tesis Ingenieril
UNMSM
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

confirmo 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 Perceptron no era capaz de resolver problemas
relativamente fciles, tales como el aprendizaje de una funcin no-lineales
son extensamente empleadas en computacin y en los problemas del mundo
real.
1974 Paul Werbos. Desarrollo la idea bsica del algoritmo de aprendizaje

de propagacin hacia atrs (backpropagation); cuyo significado quedo
definitivamente aclarado en 1985.
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 Jhon Hopfield. Provoco 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 este
ao, el panorama fue alentador con respecto a las investigaciones.
27
Tesis Ingenieril
UNMSM
En la actualidad gracias a diversos grupos de investigacin repartidos por

universidades de todo el mundo, las redes neuronales han alcanzado una madurez
muy aceptable y se usan en todo tipo de aplicaciones. Algunas de las reas de
aplicacin son las siguientes [Basogain]:
Anlisis y Procesado de seales

Reconocimiento de Imgenes
Control de Procesos
Filtrado de ruido
Robtica
Procesado del Lenguaje
Diagnsticos mdicos
Tambin podemos citar algunas aplicaciones industriales como [Numberger, 04]:

Equalizars: Para el procesamiento de seales, que se usan como
procesadores programables de redes neuronales para la igualacin de
canales digitales.
Neuropipe: Para la inspeccin de gaseoductos y oleoductos, en busca de
corrosin y averas regularmente.
Soft sensors: Para medir variables del proceso industrial los cuales no
pueden ser medidos online. La ventaja es que habr una estimacin
temprana de la calidad del proceso con costes bajos.
2.10.2 Neurona Artificial
Una neurona Artificial, es una unidad elemental de procesamiento de
informacin para cualquier modelo de red neuronal. La neurona artificial,
equivalente a una neurona biolgica, intenta imitar los aspectos de esta en
cuanto a su comportamiento y funcionamiento. De este modo se disponen de
unas entradas y salidas, como en las neuronas biolgicas, que transmitirn
valores, bien reales o binarios de una neurona a otra, en vez de seales
electroqumicas [Sobrevilla, 10].
Una red neuronal puede verse como una maquina diseada originalmente
para modelizar la forma en que el sistema nervioso de un ser vivo realiza una
determinada tarea. Para lograr este objetivo, una red neuronal est formada
por un conjunto de unidades de procesamiento interconectadas llamadas
neuronas.
2.10.3 Red Neuronal Artificial

Las redes neuronales artificiales segn Teuvo Kohonen son redes interconectadas
masivamente en paralelo de elementos simples y con organizacin jerrquica, las cuales
intentan interactuar con los objetos del mundo real del mismo modo que lo hace el
sistema nervioso biolgico [Caldern, 02].
28
Tesis Ingenieril
UNMSM
Representacin de una red neuronal con 3 capas
Fig. 2.5 (Larraaga+)
Donde:
a) Capa de Entrada: Se encuentran las neuronas que van a tener la funcin de
receptoras de estmulos (informacin), provenientes del medio exterior, estas
entradas pueden ser de dos tipos, binarias o reales.
b) Capa Oculta : Estas neuronas artificiales pueden ser parte de la red neuronal
como tambin se pueden obviar dependiendo de la topologa seleccionada, se
encargan de hacer el procesamiento de informacin y cuyas salidas sern
enviadas a una siguiente capa que puede ser la capa de salida o tambin a otra
capa oculta.
c) Capa de Salida: Las neuronas que se encuentran en esta capa sern las
encargadas de dar el resultado de todo el procesamiento de la red, es decir
cul ha sido su comportamiento final frente a los estmulos iniciales recibidos.
2.10.4 Elementos Bsicos [Gil+10]

Una RNA es muy parecida a lo que en matemtica discreta se estudia como grafos.
En el caso ms simple, cada neurona tiene una serie de variables respecto a si
misma. En todo modelo artificial de neurona se tienen cuatro elementos bsicos:
Un sumador, que se encarga de sumar todas las entradas multiplicadas por las
respectivas sinapsis.
29
Tesis Ingenieril
UNMSM
Un conjunto de conexiones, pesos o sinapsis que determinan el

comportamiento de la neurona. Estas conexiones pueden ser excitadoras
(presentan un signo positivo), o inhibidoras (conexiones negativas).
Una funcin de activacin, lineal o no lineal para limitar la amplitud de la

salida de la neurona.
Un umbral exterior, que determina el umbral por encima del cual la neurona se
activa.
Esquemticamente seria de la siguiente forma:

Representacin de una neurona artificial
Fig. 2.6 (Gil+10)
2.10.5 Funcin de Activacin

Una neurona biolgica puede estar activa (excitada) o inactiva (no excitada); es decir,
que tiene un estado de activacin. Las neuronas artificiales tambin tienen diferentes
estados de activacin; algunas de ellas solamente dos, al igual que las biolgicas, pero
otras pueden tomar cualquier valor dentro de un conjunto determinado [Matich, 01].
La funcin de activacin calcula el estado de actividad de una neurona; transformando
la entrada global (menos el umbral, i) en un valor (estado) de activacin, cuyo rango
normalmente va de (0 a 1) o de (-1 a 1). Esto es as, porque una neurona puede estar
totalmente inactiva (0 o -1) o activa (1) [Matich, 01].
30
Tesis Ingenieril
UNMSM
Las funciones ms utilizadas son [Sobrevilla, 10]:

Funcin Escaln: Se utiliza nicamente cuando las salidas son binarias,
matemticamente se expresa como:
Funcin Escaln
Fig. 2.7 (Sobrevilla, 10)
Funcin Lineal: Se usa en diversos tipos de redes, con frecuencia en la capa de salida.
El rango de salida puede contener cualquier nmero real, matemticamente se expresa
como:
Funcin Lineal
31
Tesis Ingenieril
UNMSM
Funcin Sigmoidal: Con esta funcin, para la mayora de los valores de entrada, el
valor dado 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.
Funcin Sigmoidal
Fig. 2.9 (Gil+10)
Funcin Tangente Hiperblica: Es semejante a la sigmoidal, pero su rango de salida

est entre -1 y 1, matemticamente se expresa como:
Funcin Tangente Hiperblica
32
Tesis Ingenieril
UNMSM
2.10.6 Caractersticas, Ventajas y Desventajas [Matich, 01]

Debido a su constitucin y a sus fundamentos, las redes neuronales artificiales
presentan un gran nmero de caractersticas semejantes a las del cerebro humano.
Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer caractersticas esenciales a partir de entradas
que presentan informacin irrelevante, etc. Esto hace que ofrezcan numerosas
ventajas y que este tipo de tecnologa se est aplicando en mltiples reas. Entre las
ventajas se incluyen:
Aprendizaje Adaptativo: Capacidad de aprender a realizar tareas basadas
en un entrenamiento o en una experiencia inicial.
Auto-organizacin: Una red neuronal puede crear su propia organizacin o
representacin de la informacin que percibe mediante una etapa de
aprendizaje.
Tolerancia a fallos: La destruccin parcial de una red conduce a una
degradacin de su estructura; sin embargo, algunas capacidades de la red se
pueden retener, incluso sufriendo un gran dao.
Fcil insercin dentro de la tecnologa existente: Se pueden obtener chips
especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitar la integracin modular en los sistemas existentes.
Algunas otras ventajas [Basogain]:
Generalizacin: Pueden extender o ampliar una cosa. Las redes neuronales
generalizan automticamente debido a su propia estructura y naturaleza, pueden
ofrecer dentro de un margen respuestas correctas a entradas que presentan
pequeas variaciones debido a los efectos de ruido o distorsin.
Abstraccin: Aslan mentalmente o consideran por separado las cualidades
de un objeto. Algunas redes son capaces de abstraer la esencia de un conjunto de
entradas que aparentemente no presentan aspectos comunes.
Entre las desventajas existentes podemos mencionar:
Sobre aprendizaje: Sucede cuando en el proceso de entrenamiento no se
prev que la red solo debe llegar hasta un punto de aprendizaje respetando el
ECM (Error Cuadrtico Medio), y como consecuencia en la etapa de validacin
no cumpla los requerimientos de aceptacin.
Comportamiento de caja negra: Algunas redes neuronales operan
internamente sin conocerse como llegan al resultado, no pudiendo as realizar
algunas adaptaciones ajustando algunos clculos o realizar una extrapolacin.
33
Tesis Ingenieril
UNMSM
Tiempos de Entrenamiento: Pueden resultar elevados cuando se emplean

algunas arquitecturas de redes, es relativo dependiendo la cantidad de datos a
procesar, ya que deber ser de manera distribuida como la hace el cerebro
humano.
34
Tesis Ingenieril
UNMSM
CAPTULO III: ESTADO DEL ARTE
Para este captulo debemos dar a conocer cul o cules han sido los casos de xito de
la tecnologa a emplear, en este caso las Redes Neuronales Artificiales, orientados al
campo Psicolgico. Otros detalles del captulo 3, son los benchmarking tanto para las
tecnologas candidatas para resolver el problema, las herramientas de orientacin
vocacional con los cuales compite el CASM 83, y por ltimo las diferentes arquitecturas
de redes neuronales artificiales que existe y que le hacen competencia al Perceptron
Multicapa con Backpropagation.
3.1 CASOS DE EXITO

3.1.1 Aplicaciones de Redes Neuronales en la Psicologa
Haciendo un recordatorio sobre el estudio de las Redes Neuronales
Artificiales(RNA), sabemos que las investigaciones y trabajos en este campo se
inici aproximadamente en los 40s del siglo XX, en cuyas pocas se empezaba a
concebir los primeros modelos de redes neuronales, despus de muchas pruebas y
aplicaciones que se pusieron en prctica con los modelos desarrollados hasta ese
entonces, en los 80s los investigadores apostaban a que este paradigma
conexionista comenzara a dar los resultados esperados; y es as que en los noventas
las publicaciones aumentaron, dando su pico ms alto en el ao 1996, en cuyo ao
se publicaron 1048 artculos sobre las RNA. Veamos algunas investigaciones
orientadas al campo de la psicologa:
3.1.1.1 Redes Neuronales para la Clasificacin de Perfiles Psicolgicos
Se han realizado estudios sobre la clasificacin de perfiles psicolgicos con el
test 16PF del Dr. R.B. Cattell en una poblacin estudiantil; este estudio fue
realizado por el Ingeniero Adolfo A. Gordillo R. MSc procedente de la
Universidad Rafael Nez, en la ciudad de Cartagena de Indias Colombia. Pero,
Qu es el test 16PF?
El test 16PF es una valoracin mediante la cual se identifican 16 factores de
personalidad. Mediante la respuesta a un cuestionario que provee informacin
detallada sobre caractersticas del comportamiento del hombre. All se hace
nfasis en caractersticas la persona, tales como cordialidad, inteligencia,
sensibilidad y auto disciplina. El test 16PF es un predictor confiable de la
personalidad y ayuda a los individuos a ver su grado de predisposicin para
diferentes profesiones u ocupaciones. La prueba 16PF se usa por psiclogos
35
Tesis Ingenieril
UNMSM
clnicos, psiclogos organizacionales y orientadores en salud mental, negocios y

aspectos educativos. Puede ser muy til en los siguientes aspectos [Gordillo]:
Proveer informacin para ser usada como una gua vocacional acerca de las
ocupaciones para las cuales un individuo ms se adapta.
Asistir en la seleccin de personal y desarrollo de carrera a travs de la medida

de cinco dimensiones administrativas primarias que frecuentemente se
identifican como predictivas de estilos potenciales de administracin.
Ayudar en el diagnstico clnico, pronstico y planificacin de terapias. El test

16PF proporciona al clnico medidas de neurosis, ansiedad, ajuste y problemas
de comportamiento.
Identificar factores que pueden incidir en la compatibilidad marital y resaltar

reas de problemas existentes o potenciales.
Identificar estudiantes con problemas potenciales acadmicos, emocionales y

sociales que justifiquen un tratamiento ms profundo por parte del terapeuta.
[Gordillo]
Con el objeto de detectar los posibles rasgos de personalidad que pueden atentar
contra el bienestar de la sociedad y ms aun con las personas que rodean al
individuo, y sobretodo estar en capacidad de dar un tratamiento personalizado a los
estudiantes de una institucin de enseanza universitaria, se presenta el uso de una
Red Neuronal para clasificar perfiles psicolgicos especficos dentro de una
poblacin cuyos perfiles se han obtenido mediante la aplicacin del test 16PF del
Dr. R.B Cattell a un grupo estudiantil.
Para tal fin se entrena a la red neuronal presentndole los perfiles especficos que
se quieren identificar, para que luego esta red neuronal pueda reconocer mediante
su algoritmo de aprendizaje.
Se debe aclarar que el conocimiento adquirido por la red tiene caractersticas de
generalizacin, de tal manera que los perfiles que ella encuentra no son
necesariamente iguales a los aprendidos, sino que pueden guardar cierto grado de
similitud, siendo esta caracterstica una de las ms importantes en cuanto a la
utilidad de la Red [Gordillo].
3.1.1.2 Redes Neuronales aplicadas al campo de las conductas adictivas
[Montao, 02]
El Centro de Investigacin Semeion de las Ciencias de la Comunicacin
(Roma, Italia), fundado y dirigido por Massimo Buscema ha sido pionero en la
aplicacin de las RNA para la prevencin y prediccin de la conducta adictiva
(Buscema, 1999, 2000). Los investigadores de dicho centro han construido
diferentes modelos de red con el fin de predecir el consumo de drogas sobre todo
herona(Buscema, 1995; Buscema, Intraligi y Bricolo, 1998; Maurelli y Di
36
Tesis Ingenieril
UNMSM
Giulio, 1998), extraer las caractersticas prototpicas del sujeto adicto (Buscema,
Intraligi y Bricolo, 1988) y as, determinar el tratamiento ms adecuado en funcin
de esas caractersticas (Massini Shabtay, 1998).
El estudio se llev con el objetivo de llevar a cabo la aplicacin prctica de una
red neuronal para la prediccin del consumo de xtasis (MDMA) en la poblacin de
jvenes europeos e identificar los factores de riesgo asociados al consumo de esta
sustancia mediante la aplicacin de un anlisis de sensibilidad. Ms concretamente,
se trata de construir un modelo de red neuronal que a partir de las respuestas de los
sujetos a un cuestionario, sea capaz de discriminar entre quin consume xtasis y
quin no. Este trabajo que lleva por ttulo Prediccin del consumo de xtasis a
partir de redes neuronales artificiales (Palmer, Montao y Calafat, 2000).
3.1.1.3 Otras investigaciones orientadas al campo de la Psicologa

En el rea de Evaluacin, Personalidad y Tratamiento los autores se interesan
principalmente por el diagnstico de trastornos mentales (Zou et al., 1996). Un
ejemplo ilustrativo lo ofrece el trabajo de Pitarque, Ruz, Fuentes, Martnez y GarcaMerita (1997), quienes han desarrollado una RNA del tipo MLP con el objeto de
clasificar un grupo de sujetos en una de cuatro categoras diagnsticas (depresivo,
esquizofrnico, neurtico o mentalmente sano) a partir de las respuestas dadas a un
cuestionario elaborado por los autores en base a criterios diagnsticos. El modelo
resultante fue capaz de clasificar correctamente el 91.7 % del conjunto de test. Por su
parte, el equipo de Buscema (1995) ha desarrollado, de forma pionera, un conjunto de
RNA dirigidas a la prediccin del consumo de drogas, obteniendo resultados muy
satisfactorios. El equipo mencionado ha continuado esta lnea de investigacin
aplicando redes Perceptron Multicapa al consumo de xtasis en la poblacin de
jvenes europeos.
Por su parte, el rea de Procesos Psicolgicos Bsicos est centrada en el modelado
de procesos psicolgicos y psicofsicos. Por ejemplo, MacWhinney (1998) se ha
centrado en el desarrollo de modelos de adquisicin del lenguaje mediante redes
neuronales.
Los temas ms recurrentes en el rea de Psicologa Evolutiva tratan sobre la
prediccin del rendimiento acadmico (Hardgrave, Wilson y Walstrom, 1994) y la
aplicacin de modelos conexionistas en educacin. En este sentido, Reason (1998) ha
hecho uso de modelos PDP para crear programas de enseanza de la lectura y para
entender mejor porque se producen dificultades de lectura en nios.
En el rea de Psicologa Social se trata generalmente de predecir y modelar diferentes
conductas sociales como, por ejemplo, el conocido dilema del prisionero (Macy,
1996).
Por ltimo, los autores del rea de Psicofisiologa se centran en el modelado de
procesos psicofisiolgicos (Olson y Grossberg, 1998) y en la clasificacin de patrones
37
Tesis Ingenieril
UNMSM
EEG (Grzinger, Kgel y Rschke, 1998). Uno de los autores ms prolficos en esta
ltima lnea de investigacin es Klppel (1994) [Montao, 02].
3.1.2 Aplicaciones de Tecnologas para la Orientacin Vocacional

3.1.2.1 Sistema inteligente conversacional para la Orientacin Vocacional.
[Ruiz, 09]
El sistema inteligente conversacional para la orientacin vocacional que es una
tesis desarrollada en julio del 2009 por Ana Claudia Ruiz Tadeo para obtener el
grado de maestra en computacin de la facultad de Telemtica de la universidad de
Colima en Mxico; es una aplicacin que se apoya en los modelos y herramientas de
la Inteligencia Artificial para desarrollar un agente inteligente que simula a un
experto humano en orientacin vocacional.
El agente inteligente deber entablar un dialogo amigable con los usuarios para
definir su vocacin de acuerdo a sus capacidades e intereses personales, su
investigacin desarrollada dentro del rea de inteligencia artificial pretende como
aporte principal el desarrollo de un robot virtual capacitado para poder pensar como
un ser humano que pueda simular un dialogo con la intencin de hacer creer que se
est hablando con otra persona, el enfoque aplicado puede aplicarse a otras prcticas
como la emulacin de un psiclogo, pedagogo entre otras aplicaciones posibles.
El chatbot o sistema conversacional apoya la orientacin vocacional, el cual
puede ser accedido desde internet y por tanto puede estar al alcance de la mayora de
los jvenes que tienen inters por conocer su vocacin personal; la interfaz
desarrollada es tipo chat.
Limitaciones: Existe una falta de material bibliogrfico que aterrice en su totalidad
este tipo de proyectos. No existe una plataforma formal y estndar para que funcione
el cdigo AIML (Lenguaje de Marcas de la Inteligencia Artificial).
Este tipo de robots virtuales no han llegado a ser desarrollados en su totalidad y los
agentes inteligentes creados hasta el momento no cuentan an con la aceptacin total
por parte de los expertos, sin embargo varias empresas importantes como IBM,
trabajan sobre la concepcin de los mismos para que un futuro tenga mayor presencia
comercial.
Para que el agente inteligente presentado como un robot virtual pueda interactuar
con un usuario, el robot deber tener una base de conocimiento amplia en cuanto a
las formas y expresiones posibles que un usuario puede expresar debido a las
diferentes culturas que puede presentar el alumno, esta base de conocimiento amplia
que debe tener se puede saturar rpidamente con la masiva cantidad de frases y
expresiones, lo que conllevara a una deficiente respuesta, no solo en tiempo de
procesamiento sino tambin en respuestas errneas.
38
Tesis Ingenieril
UNMSM
La escritura en AIML es extensa y esto hace que sea costoso por el tiempo que
implique la programacin a menos que se reduzca la capacidad del chatbot para
desarrollar diferentes temticas.
El modelo del agente inteligente se integra de dos partes bsicas: un motor de
inferencia o instrucciones y la base de conocimientos o informacin, pero este modelo
se asemeja mucho a lo que es conocido como sistemas expertos el cual tambin contiene
un motor de inferencia lo cual no caracteriza al 100% que sea un sistema inteligente.
Imagen interactiva del agente inteligente en orientacin vocacional
Fig. 3.1 (Ruiz, 09)
3.1.2.2 Sistema experto para el apoyo del proceso de Orientacin Vocacional para
las carreras de ingeniera de la Universidad Catlica del Per. [Castillo, 09]
El desarrollo de un sistema experto para el apoyo del proceso de orientacin
vocacional para las carreras de ingeniera de la Universidad Catlica del Per realizado
por la alumna Tapia Castillo Jackeline en abril del ao 2009 y que le permiti obtener el
ttulo de ingeniero informtico; se nutre de una las tcnicas usadas en la inteligencia
artificial, el cual presenta una base de conocimiento y un motor de inferencia necesario
para que pueda realizar el razonamiento debido y dar una solucin rpida.
El anlisis de las teoras necesarias que incorpora en su tesis las cuales son influyentes
en la eleccin de carrera del ser humano son tres: Teora de Anne Roe sobre la
influencia de la personalidad en la eleccin de carrera, teora tipolgica de las carreras
39
Tesis Ingenieril
UNMSM
de Holland, teoras de Ginzerg, Ginsburg, Axelard y Herma; estas tres teoras

conformaran el test final requerido para identificar las habilidades, aptitudes e intereses
del alumno.
En cuanto a sus limitaciones, podemos mencionar que solo est disponible para
carreras de ingeniera dentro de la universidad catlica del Per y el perfil profesional
que esta define como indispensable para culminar con xito la profesin.
3.1.2.3 Sistema experto test de Orientacin Vocacional para la Computacin.
[Lujn+]
El sistema experto de orientacin vocacional para la computacin desarrollado por
Lujan Lpez, Rodrguez Maysundo y Snchez Enrquez, procedentes de la universidad
nacional de Trujillo dentro de la escuela acadmico profesional de informtica, tiene
como objetivo orientar a las personas que an no definen su perfil acadmico en el
rea de la computacin, por medio de las preguntas elaboradas en el test se debe captar
los intereses, preferencias o aficiones de la persona, con ello obtener el perfil
acadmico y relacionar con alguna carrera de la computacin.
La evaluacin en orientacin vocacional empleado ha sido el Test IPP (Intereses y
preferencias profesionales), el cual recoge ms de 200 profesiones, actividades y
tareas sobre las que el usuario expresa su opinin.
Sobre sus limitaciones se resalta que la representacin del conocimiento mediante
grafos AND/OR es muy limitada, puesto que no permite tener un esquema complejo
en la respuestas, y se tuvo que ajustar los procesos de evaluacin a dicho grafo, por
ello menciona que existen ms representaciones de conocimiento como redes
neuronales, redes IS-A, redes de marcos, etc.
3.1.2.4 Sistema experto de Orientacin Vocacional Profesional. [Martn, 96]
El sistema experto de orientacin vocacional-profesional presentado por Mara Jos
Martin Moreno como su tesis doctoral en la universidad Complutense de Madrid
dentro de la facultad de psicologa en el ao 1996; se ha desarrollado de forma
tradicional como son los sistemas expertos que mencionamos anteriormente a groso
modo, se requera de una base de conocimiento y un motor de inferencia
proporcionada por la persona experta.
En esos tiempos las pruebas psicopedaggicas que se disponan como ayuda a los
psiclogos aportaban informacin de intereses profesionales o aptitudes personales o
solamente de personalidad, no exista ninguna prueba psicopedaggica que permita
obtener estas tres informaciones de forma conjunta y decida cul es la profesin ms
idnea para el sujeto en cuestin. Precisamente es en esta lnea que va encaminada su
investigacin diseando un procedimiento informatizado, denominado sistema
experto. Las limitaciones no solo de este sistema experto sino los anteriores que hemos
mencionado es que el conocimiento es difcil de extraer de los expertos humanos, la
aproximacin de cada experto a la situacin evaluada pueden tener diferencias, no
40
Tesis Ingenieril
UNMSM
pueden percibir todas las cosas que un experto humano puede apreciar de una
situacin especfica.
3.1.2.5 Otros estudios relacionados a Test Vocacionales va web
En la nube de internet se encuentran varios test vocacionales en los cuales una
persona interesada en saber su vocacin, primero, antes de comenzar a responder las
preguntas que se le muestren deber registrarse, introduciendo una serie de datos
personales bsicos convenientes segn el administrador del servicio web, existen
algunos test vocacionales que son muy tajantes en cuanto a la posibilidad de
responder que se le da al interesado (Si o No), esto no es muy conveniente puesto
que una persona y los intereses o habilidades que posee son graduales (a veces, casi
siempre). Otros autores si dan la posibilidad de responder en esa forma con 5
alternativas que van desde Nunca hasta Siempre, lo cual si es adecuado; determinar
el tipo de preguntas y cuantas son necesarias para evaluar a un alumno no es tarea
fcil, en cuanto se ha buscado, pudimos encontrar que algunos test vocacionales
cuentan con un total 42 preguntas separadas en bloques que definen algn tipo de
inclinacin hacia alguna vocacin, pero el mtodo o tcnica empleado es
desconocido, de cmo logran dar su respuesta final al evaluado, algunos test
vocacionales incluso no solo responden cul es tu afinidad con alguna profesin sino
tambin muestran una lista de universidades en los cuales podras estudiar, lo cual
puede estar sujeto a una forma de marketing para que el alumno se matricule en
alguna de ellas; la forma de evaluar los test vocacionales siguen en investigaciones
para poder aproximar a una persona con un determinado perfil profesional o tcnico.
3.2 TAXONOMIA DE REDES NEURONALES

Existen varios criterios de clasificacin de las redes neuronales los cuales
detallaremos a continuacin.
Bosquejo taxonmico de las redes neuronales artificiales
Fig. 3.2 (Elaboracin Propia)
41
Tesis Ingenieril
UNMSM
3.2.1 Por el nmero de capas

3.2.1.1 Redes Neuronales Monocapas: Corresponden a las redes neuronales
ms sencillas, ya que se tiene una sola capa de neuronas que proyectan las
entradas a una capa de neuronas de salida donde se realizan clculos. La capa de
entrada, por no realizar ningn calculo no se toma en cuenta, de ah el nombre
de redes neuronales monocapas. Una aplicacin tpica de este tipo de redes es
como memorias asociativas. A este tipo pertenecen las redes Adaline, perceptron
unicapa, red de Kohonen de una sola capa.
Red Neuronal monocapa no recurrente
Fig. 3.3 (Serrano+09,10)
3.2.1.2 Redes Neuronales Multicapas: Este tipo de redes es una generalizacin

de la anterior, en donde existen un nmero determinado de capas intermedias
entre la entrada y la salida (capas ocultas); esta red puede estar total o
parcialmente conectada. A este tipo perteneces las redes, Madaline I, II,
perceptron multicapa con Backpropagation.
42
Tesis Ingenieril
UNMSM
Red Neuronal multicapa no recurrente
Fig. 3.4 (Serrano+09,10)
3.2.2 Por el tipo de conexiones

3.2.2.1 Redes Neuronales Recurrentes: Esta red es caracterizada por la
existencia de lazos o conexiones de realimentacin; cada lazo puede ser entre
neuronas de diferentes capas, neuronas de la misma capa o incluso enlazada a s
misma. Esta estructura recurrente la hace especialmente adecuada para estudiar
la dinmica de sistemas no lineales. A este tipo pertenecen las redes de Hopfield,
BAM, perceptron multicapa recurrente.
Red neuronal monocapa recurrente
Fig.3.5 (Softwarelibre, 03)
3.2.2.2 Redes Neuronales No Recurrentes: Este es el caso contrario a las

redes neuronales recurrentes, puesto que no existe la posibilidad alguna de
realimentaciones y por consecuente estas estructuras neuronales no presentan
memoria. A este tipo pertenecen las redes: Perceptron unicapa,
Adaline/Madaline, perceptron multicapa, red de Kohonen, Redes de Base Radial
(RBR), entre otros.
43
Tesis Ingenieril
UNMSM
Red neuronal multicapa No recurrente
Fig. 3.6 (Softwarelibre, 03)
3.2.3 Por el tipo de aprendizaje

3.2.3.1) Aprendizaje Supervisado: En este tipo de red con aprendizaje
supervisado, se le presenta a la red las salidas que debe proporcionar ante las
seales que se le presenten. Se observa la salida de la red y se determina la
diferencia entre la seal deseada y la que obtuvo la red, para cuantificar cuanto
se ha equivocado la red y posteriormente corregir, este tipo de aprendizaje estar
guiada por un agente externo que determinar si la red se est comportando de
forma adecuada. A este tipo pertenecen las redes: Perceptron Multicapa
Backpropagation, Redes de Base Radial (RBR), Perceptron Unicapa, Adaline,
Madaline.
3.2.3.2) Aprendizaje No Supervisado: Llamado tambin Auto-Organizativo,
estas redes neuronales realizan su procesamiento sin conocer la seal o respuesta
que debe otorgar. En este caso la red se organiza ella misma agrupando segn
caractersticas similares las seales de entrada que se le proporcionan. A este
tipo pertenecen las redes: Red de Kohonen de una sola capa (entrenamiento por
competicin), Mapas auto-organizados de Kohonen, familia de redes ART (usa
concepto de resonancia adaptativa).
3.3 REDES NEURONALES ARTIFICIALES SELECCIONADAS

En este apartado vamos a dar a conocer solamente aquellos tipos de redes
neuronales que guarden relacin con la forma en que se va a dar la solucin al
problema principal, en este sentido detallaremos aquellas redes neuronales que estn
orientadas a resolver problemas de clasificacin porque el problema principal que se
resolver trata justamente de ajustar o clasificar aquellos alumnos con un
determinado perfil profesional una vez que este alumno se ha sometido al test de
44
Tesis Ingenieril
UNMSM
orientacin vocacional. Debemos detallar las redes neuronales cuyo campo de

aplicacin es justamente la clasificacin de patrones que con su uso han podido
resolver un determinado problema de esta naturaleza. Las redes seleccionadas para
este apartado son:
Perceptron Unicapa
Perceptron Multicapa
Adaline / Madaline
Red de Base Radial
3.3.1 Perceptron Unicapa

Descripcin:
Fue uno de los primeros modelos de redes neuronales artificiales que apareci en
la dcada de los 50, el modelo del perceptron se concibi como un sistema capaz de
realizar tareas de clasificacin de forma automtica. Se deba disponer de un
conjunto de ejemplos de clases diferentes, luego el sistema deba ser capaz de
determinar las ecuaciones de las superficies que hacan de frontera de dichas clases.
La informacin sobre la que se basaba el sistema estaba constituida por los
ejemplos existentes de las clases diferentes, a estos ejemplos se le conocen como
Patrones o ejemplos de entrenamiento, indistintamente. Son dichos patrones los
que aportaban informacin necesaria para que el sistema construyera las superficies
discriminantes, adems actuara como un discriminador para ejemplos nuevos
desconocidos y al final poda determinar para un ejemplo nuevo a que clase
perteneca [Isasi+03].
Arquitectura:
Perceptron Unicapa con 3 entradas y 3 salidas
Fig. 3.7 (Padern)
45
Tesis Ingenieril
UNMSM
Campo de Aplicacin:
Problemas de Clasificacin
Ventajas: Alto poder de clasificacin para clases que son linealmente separables.
Desventajas: Solo se puede aplicar cuando los patrones a clasificar son linealmente
separables.
3.3.2 Perceptron Multicapa

Descripcin:
La arquitectura del Perceptron Multicapa (PM) surge en una combinacin de
esfuerzos de diversos autores para corregir las limitaciones que las redes iniciales,
Adaline y Perceptron, tenan sobre todo en cuanto a separabilidad de funciones no
lineales [Gil+10].
El perceptron multicapa es una generalizacin del perceptron simple, llamado
tambin monocapa o unicapa que se describi anteriormente; este tipo de red es una
buena alternativa para tratar problemas no lineales.
Arquitectura:
Arquitectura del Perceptron Multicapa
Fig. 3.8 (RedesDeNeuronas)
46
Tesis Ingenieril
UNMSM
Campo de Aplicacin:
El control de procesos
Pronstico de series temporales
Problemas de Clasificacin
Aproximacin de funciones
Segmentacin de imgenes y seales
Filtrado de seales
Eliminacin de ruido
Ventajas:
Aproximador universal de funciones para cualquier funcin continua
Elevada capacidad de generalizacin y robustez
Estructura conexionista con ms aplicaciones practicas
Desventajas:
El largo proceso de aprendizaje para problemas complejos
3.3.3 Adaline / Madaline

Descripcin:
La red de Adaline (acrnimo de ADAptative Linear Neuron o neurona lineal
adaptativa), es una red conformada por 2 capas con una neurona en la capa de
salida, este modelo presenta una regla de aprendizaje denominada regla Delta
propuesto por Widrow y Hoff en el ao 1960. Su estructura es idntica a la del
perceptron unicapa, es posible cuantificar cuanto se ha equivocado la red a
diferencia del perceptron unicapa que solo determina si se ha equivocado o no, otro
factor que los diferencia es el tipo de salida que producen, mientras que en el
perceptron es Binario, en el Adaline es Real [Isasi+03].
En cuanto a la Red de Madaline, surgi a partir de la idea del perceptron
multicapa o multinivel, y es simplemente una combinacin de mdulos Adaline en
una estructura de capaz, siendo su utilizacin en problemas de prediccin.
47
Tesis Ingenieril
UNMSM
Arquitectura:
A la izquierda red Adaline y a la derecha red Madaline
Campo de Aplicacin:
Filtros adaptativos de eliminacin de ruido
Reconocimiento de patrones de seales
Sistemas de Comunicacin y Control
Ventajas: Su gran sencillez y homogeneidad les hacen fcilmente realizables en
tecnologa VLSI (Very Large Scale Integration, integracin en escala muy grande.).
Desventajas: Slo son capaces de resolver problemas de clasificacin linealmente
separables y llevar a cabo transformaciones lineales.
3.3.4 Perceptron Multicapa Recurrente [Muoz, 96]

Descripcin:
Esta estructura recurrente permite estimar los valores de las salidas y en el instante
k, a partir de los valores de las entradas externas x en el mismo instante k, y de los
valores de lo que podramos llamar variables de estado internas r en el instante (k-1),
entre las que podra haberse incluido algunas de las variables de salida.
48
Tesis Ingenieril
UNMSM
Arquitectura:
Perceptrn Multicapa Recurrente
Fig. 3.10 (Muoz, 96)
Campo de Aplicacin:
Control de procesos
Filtrado de seales
Prediccin de secuencias
Ventajas: Capaz de tratar informacin temporal

Desventajas:
Estructuras muy complicadas.
El aprendizaje puede resultar muy difcil.
49
Tesis Ingenieril
UNMSM
3.3.5 Red de Base Radial

Descripcin:
Creadas por M.J.D. Powell, D.S. Broomhead y D. Lowe a mediados de los 80, las
redes de base Radial plantean una filosofa de neuronas muy diferente alas del resto
de arquitecturas de red.
A diferencia de las redes Perceptron, las redes de Base Radial o redes BR son
arquitecturas que disponen nicamente de una capa oculta, con lo que en total,
suman 3 capas: entrada, oculta y salida. Al igual que en las Perceptron Multicapa,
cada neurona de una capa tiene conexin con todas las neuronas de la capa
siguiente, aunque no existen pesos de la entrada a las neuronas ocultas
[Broomhead+88].
Arquitectura:
Red de Base Radial
Fig. 3.11 (Broomhead+88)
Campo de Aplicacin:
Aproximacin funcional
Reconocimiento de patrones
Ventajas: Capacidad de representacin funcional universal. La estructura de esta red

tiene una interpretacin matemtica directa, lo que permite realizar una buena
inicializacin de los pesos de la red, y extraer conocimiento de las estructuras ajustadas.
La buena inicializacin de los pesos acelera el proceso de aprendizaje. Adems de
estimar la salida deseada, esta estructura permite estimar de forma simultnea la funcin
de densidad probabilista del vector de entradas.
Desventajas: El procesamiento realizado es algo ms complejo que en el caso del
perceptrn multicapa.
50
Tesis Ingenieril
UNMSM
3.4 BENCHMARKING
En esta seccin haremos mencin de los cuadros comparativos y su posterior
anlisis, entre las tcnicas con las que se puede resolver el problema principal, y
tambin se har un anlisis comparativos de los tipos de redes neuronales artificiales
existentes segn la topologa que describimos anteriormente; todo ello nos permitir
elegir con sabidura que tcnica y que tipo de red debemos usar para resolver de la
manera ms ptima el problema que estamos abordando.
3.4.1 Benchmarking entre Tipos de Test Evaluadores en Orientacin

Vocacional
En la actualidad varios investigadores del campo psicolgico se han interesado en
desarrollar procedimientos para ayudar aquellos alumnos en decidir que deben seguir
en su futuro una vez concluida la educacin secundaria, el esfuerzo de estos
investigadores dio origen a lo que hoy conocemos como Test de Orientacin
Vocacional, dichos test vocacionales han sido elaborados basndose en gran medida
en lo que son los intereses de la persona hacia alguna actividad en particular, no
pretendo ahondar en todos los tipos de test que han sido elaborados, pero si voy a dar
a conocer los que actualmente se aplican y los que mejores resultados han logrado en
nuestra realidad nacional, esto se traduce en saber que tanto grado de confiabilidad o
que tan confiable tienen los diferentes test aplicados. A continuacin en la tabla 3.1
podemos apreciar un cuadro resumen de los principales test aplicados.
51
Tesis Ingenieril
UNMSM
Cuadro resumen de los principales test aplicados
Test
CASM - 83
Test IPP
CIPSA
Criterio
mbito de
Aplicacin
Escolares de
educacin
secundaria y
universitarios
del primer
ao
Procedencia
Lima Per
Homogeneidad
Si, se puede
aplicar tanto
a varones
como a
mujeres
Duracin
40 minutos
(Aprox.)
Escolares de
educacin
secundaria y
jvenes
universitarios
del primer
ao, la edad
debe
comprender
entre 13-18
aos
MadridEspaa
Inventario de
Intereses de
Thurstone
Estudiantes de
13/14 aos en
adelante
Estudiantes de
14 aos en
adelante
SalamancaEspaa
Chicago
EE.UU
Si, se puede
aplicar tanto a
varones como
a mujeres
Si, se puede
aplicar tanto a
varones como
a mujeres
Si, se puede
aplicar tanto a
varones como
a mujeres
Variable de
30 a 60
minutos
(Aprox.)
30 minutos
(Aprox.)
20 minutos
(Aprox.)
Objetivo
Explorar los
intereses de
los jvenes y
sus
expectativas
en el mbito
profesional y
ocupacional
La
apreciacin
de los
intereses de
los sujetos en
17 campos
profesionales.
Conocer la
estructura
diferencial y
jerarquizacin
de los
intereses
profesionales
del sujeto
Edicin y Ao
de publicacin
3ra Edicin 2003, 4ta

Edicin 2010
2da Edicin
1995
1ra Edicin
1985
Tabla. 3.1 (Elaboracin propia)
52
Kuder - C
Adolescentes
y Adultos
con nivel
cultural
equivalente a
3 de ESO
(Educacin
Secundaria
Obligatoria)
Columbus
EE.UU
Si, se puede
aplicar tanto
a varones
como a
mujeres
De 60 a 90
minutos
(Aprox.)
Evaluacin del
inters del
individuo por
reas
Evaluacin
suponiendo
de los
igualdad de
intereses de
salario y de
los sujetos en
prestigio social
10 campos de
en las
preferencia
profesiones o
actividades
representativas
de cada rea
1ra Edicin
1986
1ra Edicin
1986
Tesis Ingenieril
UNMSM
Criterios y Ponderacin a considerar para escoger el Test Evaluador Vocacional

El siguiente paso que nos permitir definir qu tipo de test debemos utilizar para la
evaluacin de los alumnos, es establecer los criterios a los que se someter el test
elegido, para dar mayor fiabilidad de los resultados que ofrecer a los evaluados. Los
criterios que se analizaran son los siguientes:
mbito de Aplicacin: Este criterio resalta a que grupo de jvenes o adolescentes est
dirigido, tienen un rango de edad para su aplicacin. Es fundamental para llegar a los
jvenes que estn culminando la educacin secundaria o que cursan los primeros ciclos
universitarios, por ello se le asigna una ponderacin de 0.1.
Procedencia: Hace alusin al origen donde fue elaborado el test evaluador y el contexto
de ese entonces, puede haber sido concebido en territorio nacional o extranjero; es
importante recalcar este criterio puesto que antes se evaluaba con test orientadores de
procedencia extranjera que apoyaban de alguna manera a nuestro pas, pero lo ms ideal
sera un test elaborado ms acorde a nuestras capacidades, virtudes y habilidades es
decir que pueda adecuarse a nuestra realidad nacional, por ello se le asigna una
ponderacin de 0.3.
Homogeneidad: El test elegido deber ser homogneo, no puede haber distincin de
genero para su aplicacin, esto es consecuencia de que tanto hombres como mujeres
pueden tener aptitudes y habilidades por igual por ende no se puede excluir a ningn
gnero para que pueda ser evaluado. Aqu se le otorga una ponderacin de 0.1
Duracin: Es un criterio que por cuestiones personales de cada evaluado, observa la
prueba por as decirlo un poco aburrida, en ese sentido si el test evaluador es
demasiado extenso, el evaluado va perder el inters de continuar y es posible que no lea
bien la pregunta, deje preguntas sin responder porque no lo ley, estas situaciones
traern consecuencias cuando se procese la informacin y de la evaluacin final al
alumno, la cual no ser las ms adecuada. La duracin de la evaluacin debe realizarse
con un tiempo prudencial, aunque si el interesado pone la seriedad al caso, lo tomar
con paciencia y responsabilidad en cuanto a la veracidad de sus respuestas; razn por la
cual este criterio tendr una ponderacin de 0.1.
Cumplimiento del Objetivo: Este criterio aborda los aspectos que mide el instrumento
de orientacin vocacional para ser ms certero, y debe ser fundamentalmente los
intereses y preferencias profesionales as como tambin los ocupacionales, esto es
porque no todos estamos en la capacidad de afrontar un carrera universitaria pero si
desempearnos en alguna carrera tcnica, ocupacin o actividad en particular que no
requiera mucho intelecto sin menospreciar al evaluado. Por ello este criterio tiene
ponderacin de 0.3
Edicin y Ao de Publicacin: La antigedad que tenga el test evaluador tambin ser
considerado de relativa importancia puesto que si bien algunas profesiones, carreras
tcnicas u otras actividades no cambian en el tiempo, otras si han sufrido una variacin
53
Tesis Ingenieril
UNMSM
por necesidad de nuevas carreras las cuales han podido quitar en parte la materia de
estudio original, en ese sentido el test evaluador deber adecuarse al ms reciente
contexto dentro de nuestro territorio. Aqu se le asigna una ponderacin de 0.1
Relacin de valores y puntajes por criterio
Para el criterio mbito de aplicacin, se otorgara un puntaje de 3 al valor edad
apropiada, porque el test evaluador ha sido elaborado en un rango de edad donde la
persona es un poco ms responsable en decisiones de este tipo; y un puntaje de 1 al
valor edad inapropiada porque abarca en algunos casos una edad un poco inmadura.
Para el criterio Procedencia, se otorga un puntaje de 5 al valor nacional porque
refleja que el test ha sido elaborado con base a la realidad de jvenes de nuestro pas,
acorde a las habilidades para las actividades que se desarrollan dentro del territorio
nacional; y un puntaje de 2 al valor extranjero porque a pesar de que no se tomado en
cuenta la realidad de un territorio, existen ciertas ocupaciones en comn dentro de todo
el mundo.
Para el criterio Independencia de Gnero, se otorga un puntaje de 3 al valor
imparcial, porque ambos gneros pueden presentar aptitudes y habilidades en casi o
igual medida; y un puntaje de 1 al valor parcial porque algunos test no han eliminado
por completo el sesgo entre gneros.
Para el criterio Cumplimiento del Objetivo, se otorga un puntaje de 5 al valor alta,
porque la aplicacin del test ha resultado altamente satisfactorio donde fue aplicado; un
puntaje de 2 al valor media porque su aplicacin no resulto como se esperaba sin
menospreciar la ayuda que brindo; y un puntaje de 1 al valor baja porque su
aplicacin solo tuvo cierto xito en el territorio aplicado sin poder generalizarse en otros
horizontes.
Para el criterio Edicin y Ao de Publicacin, se otorga un puntaje de 3 al valor
reciente, porque la ltima revisin del test no supera los 10 aos de antigedad y
refleja la situacin del medio acorde a los ltimos avances; y un puntaje de 1 al valor
antiguo porque la antigedad de la revisin del test ha sido hace ms de 10 aos atrs,
pero por esta razn no quiere decir que ya no ayude en la orientacin vocacional.
Para el criterio Duracin, se otorga un puntaje de 2 al valor corta, porque es tiempo
considerable pero necesario para que no se pierda el inters en continuar; y un puntaje
de 1 al valor larga porque el tiempo de resolucin ya se torna un poco aburrido para el
evaluado de esas edades.
54
Tesis Ingenieril
UNMSM
En la siguiente tabla 3.6, se muestra los criterios mencionados con sus respectivos
valores y puntajes por cada criterio.
Muestra de puntajes segn criterios considerados en el test evaluador

Criterio
mbito de
Aplicacin
Valor
Edad apropiada
Edad inapropiada
Procedencia
Nacional
Extranjero
Puntaje
Se aplica exclusivamente en
una edad donde el alumno se
encuentra culminando la
secundaria o est en el primer
ao de carrera universitaria
Su mbito de aplicacin
abarca una edad no muy
conveniente
Su elaboracin ha sido dentro

del territorio nacional en base
a la realidad de nuestros
jvenes y las carreras que
ofrece nuestro medio segn
sus necesidades
Su elaboracin ha sido fuera
del territorio nacional con
otras perspectivas
No realiza diferencia entre

varones y mujeres para su
aplicacin
Parcial
Existe una cierta

discriminacin hacia un
genero
Alta
Las pruebas realizadas han

dado un resultado confiable
en el lugar de aplicacin
Las pruebas realizadas dieron

un resultado no del todo
esperado
Independencia
Imparcial
de genero
Cumplimiento
del Objetivo
Descripcin
Media
Baja
Las pruebas realizadas

dejaron mucho que desear de
55
Tesis Ingenieril
UNMSM
Reciente
Edicin y Ao
de Publicacin
Antiguo
Corta
Duracin
Larga
los resultados obtenidos
La ltima edicin del test no

tiene ms de 10 aos de
antigedad
La ltima edicin del test

tiene ms de 10 aos de
antigedad
La duracin del test es entre

15 a 30 minutos
La duracin del test es de 30

a 60 minutos, y en algunos
casos un poco ms.
Tabla 3.2 (Elaboracin Propia)
En la tabla anterior 3.2 establecimos los criterios con sus diferentes puntajes, ahora
procedemos a realizar el cuadro comparativo entre los diferentes test evaluadores:
Cuadro comparativo entre test evaluadores
56
Tesis Ingenieril
UNMSM
De la tabla anterior 3.3 podemos apreciar que en cuanto al criterio de procedencia el

CASM-83 obtiene el mayor puntaje por ser elaborado en territorio nacional con la
observacin de cualidades propias de jvenes peruanos, a diferencia de los dems test
elaborados con otra realidad distinta a la nuestra; el mbito de aplicacin es coincidente
en todos porque ha sido diseada para estudiantes de los ltimos grados de educacin
secundaria o dentro de una edad apropiada. En todos los casos presentados, los test son
independientes de gnero, es decir aplicable tanto a varones como a mujeres,
antiguamente se discriminaba en cierto grado al gnero femenino.
Dentro de todos los criterios establecidos podemos observar que el CASM-83
Revisin 2003, es la mejor alternativa por tener el puntaje ms alto entre los dems, lo
que la hace acreedora de ser elegida como test evaluador necesaria para la presente
investigacin.
3.4.2 Benchmarking entre Tecnologas relacionadas a Sistemas Inteligentes

Las tecnologas que se usan actualmente para resolver el problema son diversos,
antiguamente los psiclogos evaluaban los test de orientacin vocacional rendidos,
manualmente; ahora se usan tecnologas automatizadas como son los Sistemas
inteligentes, entre otras las cuales detallaremos para luego hacer su respectiva
comparacin.
3.4.2.1 Principales Sistemas Inteligentes
3.4.2.1.1 Sistemas Expertos [Castillo, 09]
Los sistemas expertos se definen como una aplicacin informtica que simula la
habilidad de un experto humano a la hora de resolver un determinado tipo de
problema, mediante la aplicacin especfica de conocimientos y de procedimientos
de inferencia, ya que no se cuenta con una solucin algortmica prctica.
Las caractersticas que debe presentar un sistema experto son:
a) Separacin entre el conocimiento y la aplicacin.
b) Arquitectura diferente a la de un sistema de informacin convencional.
c) Fcil actualizacin de conocimientos. Se debe contar con un mecanismo
eficiente para agregar y modificar conocimiento.
d) Alto funcionamiento. La calidad del consejo proporcionado por el sistema
debe ser muy bueno, el sistema experto debe ser capaz de responder a un
nivel igual o mejor que el experto humano.
e) Capacidad de explicar que est haciendo y porqu lo est haciendo.
f) Tiempo adecuado de respuesta. El sistema experto debe responder al usuario
en un tiempo igual o menor al que respondera el experto humano.
57
Tesis Ingenieril
UNMSM
Componentes de un sistema experto
Fig. 3.12 (Castillo, 09)
3.4.2.1.2
Redes Neuronales Artificiales
Una red neuronal puede verse como una mquina diseada originalmente para
modelar la forma en que el sistema nervioso de un ser vivo realiza una determinada
tarea. Para lograr este objetivo, una red neuronal est formada por un conjunto de
unidades de procesamiento interconectados llamadas neuronas [Prez, 02].
Entre las caractersticas que presenta esta tecnologa tenemos:
a) Aprendizaje adaptativo
b) Auto-Organizacin
c) Tolerancia a fallos
d) Fcil insercin dentro de la tecnologa existente
e) Generalizacin
f) Abstraccin
Para una mayor informacin vase el apartado 2.8.6 Caractersticas y Ventajas
58
Tesis Ingenieril
UNMSM
Representacin de las redes neuronales
Fig. 3.13 (Serrano, 00)
3.4.2.1.3
Agentes Inteligentes
Existen muchas definiciones sobre el concepto agente, pero ninguna de ellas ha

sido aceptada por la comunidad cientfica, la ms simple es la de Russell que
considera un agente como una entidad que percibe y acta sobre un entorno, y
basndose en esta definicin, se pueden caracterizar distintos agentes de acuerdo a
los atributos que posean (y que van a definir su comportamiento) para resolver un
determinado problema [Julin+00].
Entonces decimos que un agente inteligente es una entidad que percibe de un
entorno, interpreta el significado para luego realizar determinadas acciones. Un
agente para ser considerado como tal debe presentar las siguientes caractersticas:
a) Autonoma: Un agente puede operar sin la intervencin directa de un
humano o alguna especie de control sobre sus acciones y estado interno.
b) Reactividad: Los agentes perciben su entorno (el cual puede ser el mundo
fsico o por medio de la interfaz de un usuario, Internet o tal vez todo
combinado) y responden a los cambios que perciben.
c) Pro actividad: Los agentes no solo deben responder hacia un estmulo del
ambiente sino tambin ser capaces de demostrar iniciativa.
d) Sociabilidad: Un agente puede tener una comunicacin con otro agente o un
ser humano.
59
Tesis Ingenieril
UNMSM
Visin esquemtica de un agente inteligente
Fig. 3.14 (Julin+00)
Criterios y Ponderacin a considerar para escoger la Tecnologa

Debemos mencionar que para seleccionar una tecnologa, esta deber poseer
propiedades y caractersticas que mencionamos a continuacin:
Autonoma: Este criterio hace alusin a que la tecnologa deber ser capaz de
responder y actuar sin necesidad de un ente externo que controle sus acciones, por ello
consideramos para este criterio una ponderacin de 0.2.
Inteligencia: Es una propiedad muy importante que se debe tomar en cuenta, para poder
dar una sugerencia de esta magnitud al interesado, no podemos arriesgarnos a que sea
cualquier sugerencia sino una sugerencia inteligente ya que posiblemente el alumno
tomar muy en cuenta los resultados que le otorgue el sistema a su incertidumbre de
elegir alguna carrera. A este criterio le asignamos 0.35 de ponderacin.
Complejidad de la Solucin: Otro criterio que se tomara en cuenta es la complejidad
de poder implementar la solucin del problema con la tecnologa escogida, debido a que
si es una tecnologa difcil de implementar tomar ms tiempo el desarrollo de la
misma, y esto nos llevara a extender el proyecto de investigacin, no solo en tiempo
sino en coste, dicho esto le asignamos una ponderacin de 0.25.
Tipo de Modelo: Refleja el tipo de problema en cuanto a la relacin que hay entre sus
datos de entrada y salida, pudiendo ser solo de 2 tipos: lineal o no lineal. La tecnologa
deber ser capaz de resolver problemas no lineales el cual es una tarea sumamente
difcil, en este sentido le asignamos a este criterio una ponderacin de 0.2.
60
Tesis Ingenieril
UNMSM

Para el criterio Autonoma, se otorgar un puntaje de 3 al valor alta puesto que
necesitamos una tecnologa que pueda tener todo el control de sus acciones frente a un
estmulo, tanto reactiva como proactivamente; un puntaje de 2 al valor media cuando
la tecnologa no sea netamente autnoma, y un puntaje de 1 al valor baja cuando no
destaque en esta propiedad.
Para el criterio Inteligencia, se otorgar un puntaje de 4 al valor excelente porque
esta caracterstica es muy relevante para estos casos a que simplemente solo sigan
ordenes; un puntaje de 3 al valor bueno porque la tecnologa acta de manera
inteligente pero con ciertos lmites; y un puntaje de 2 al valor parcial porque de todas
maneras es bueno contar que la tecnologa responda usando razonamientos aunque sea
extrados de algn humano.
Para el criterio Complejidad de la Solucin, se otorgar un puntaje de 3 al valor
baja porque implementar la solucin va requerir un tiempo prudencial no muy
elevado; un puntaje de 2 al valor regular porque el desarrollo requiere un tiempo
considerable; y un puntaje de 1 al valor alta porque la solucin requiere demasiado
tiempo para esta investigacin.
Para el criterio Tipo de modelo, se otorgar un puntaje de 1 al valor lineal porque
emplear la tecnologa solo me ayudara a resolver problemas de este tipo; un puntaje de
3 al valor no lineal porque es posible resolver problemas no lineales pese a que sean
complejos.
En la siguiente tabla 3.4 mostramos los criterios considerados con sus respectivos
puntajes segn el anlisis realizado por cada criterio.
61
Tesis Ingenieril
UNMSM
Muestra de puntajes segn criterios considerados en la tecnologa
Criterio
Autonoma
Valor
Complejidad de la
Solucin
Tipo de Modelo
Puntaje
Alta
La tecnologa posee netamente el

control de sus acciones
Media
La tecnologa posee
medianamente en control de sus
acciones
La tecnologa posee un bajo

control de sus acciones
Parcial
La tecnologa empleada no puede

adquirir inteligencia neta
Bueno
La tecnologa empleada posee

inteligencia limitada
Excelente
La tecnologa empleada es
considerada netamente inteligente
Baja
El tiempo de solucin requerido es

de 3 a 4 meses
Regular

de 4 a 8 meses
Alta

de 8 a 24 meses
La tecnologa solo resuelve

problemas lineales
La tecnologa resuelve problemas

lineales y no lineales
Baja
Inteligencia
Descripcin
Lineal
No lineal
62
Tesis Ingenieril
UNMSM
Teniendo estos 4 criterios para la seleccin de la tecnologa a utilizar, procedemos a

realizar el cuadro comparativo respectivo:
Cuadro comparativo entre tecnologas
Se puede observar en los cuadros comparativos realizados anteriormente para

seleccionar la tecnologa, que en el criterio tipo de modelo, las tres tecnologas,
tanto los sistemas expertos, las redes neuronales y los agentes inteligentes pueden
resolver problemas no lineales, otro criterio relevante es la inteligencia de la
tecnologa, aqu vemos que la mejor tecnologa son las redes neuronales segn las
tabla 3.5, puesto que son sistemas inteligentes por excelencia, en mayor grado que los
otros dos mencionados, adems que el costo econmico es realmente bajo; con lo cual
se hace acreedora de ser la tecnologa que tomaremos para implementar la solucin del
problema que tratamos.
63
Tesis Ingenieril
UNMSM
3.4.3 Benchmarking entre Arquitecturas de Redes Neuronales

De acuerdo a lo visto en la taxonoma de las redes neuronales artificiales, se explica
resumidamente cada uno de los tipos de redes neuronales artificiales existentes los
cuales presentan ventajas y desventajas para ciertos tipos de problemas a resolver, estas
caractersticas descritas nos servirn para evaluar qu tipo de red neuronal artificial ser
la adecuada de implementar para la solucin del problema principal.
Criterios y Ponderacin a considerar para escoger la arquitectura de la red
Complejidad: La complejidad de la red seleccionada ser tomada en cuenta puesto que
si es alta, el desarrollo de la solucin al problema principal puede demorar ms de lo
previsto, este criterio tiene que ver con el nmero de capas empleados y la multitud de
variables de entrada de la red lo que hace que el proceso de entrenamiento sea extenso,
por ello le otorgamos 0.15 de ponderacin a este criterio.
Asociacin y Clasificacin: La capacidad de la red para poder asociar y clasificar los
diferentes perfiles profesionales, que se le presentara con una cierta distorsin sobre los
patrones que sirvieron para su entrenamiento; deber ser alta debido a que se tratara de
englobar aproximadamente 200 perfiles profesionales. Aqu se le otorga una
ponderacin de 0.25, por la relevancia que presenta.
Reconocimiento de Patrones: Este criterio, tambin presenta una relevancia
significativa, porque una vez despus de entrenar la red neuronal, debe estar en la
capacidad de reconocer nuevos patrones que se le presentarn en el proceso de
validacin de los nuevos alumnos que se sometern a la prueba; le otorgamos una
ponderacin de 0.25.
Tiempo de Aprendizaje: El tiempo de aprendizaje a considerar al momento de elegir la
red es muy importante, y esto es porque el volumen de ejemplos que se tomara para que
la red aprenda, es relativamente alta ya que las muestras son tomadas de una poblacin
de estudiantes que fueron evaluados usando esta prueba de orientacin vocacional. Este
criterio tendr una ponderacin de 0.15.
Robustez: Es la capacidad de la red para recuperarse ante posibles fallas. La red puede
recuperarse ante la posibilidad de ruido (datos errneos o incompletos), las redes
neuronales abstraen caractersticas esenciales de los patrones que se le entregaron para
que pueda aprender de ellos; es as que puede recuperarse ante eventualidades poco
esperadas. Razn por la cual tendr una ponderacin de 0.20.
64
Tesis Ingenieril
UNMSM

Para el criterio Complejidad, se otorgara un puntaje de 3 al valor baja porque la red
es relativamente fcil de implementar aparte de que puede representar la solucin al
problema de una manera convincente; un puntaje de 2 al valor media porque el
desarrollo de la red presenta mediana complejidad y la arquitectura de la red puede no
representar muy bien la solucin del problema; y un puntaje de 1 al valor alto porque
implementar la arquitectura conlleva a manejar ms parmetros que en muchos casos
resultado tedioso de controlar.
Para el criterio Asociacin y Clasificacin, se otorgara un puntaje de 5 al valor alta
puesto que para la solucin del problema es muy relevante que la arquitectura presente
un poder asociativo y clasificatorio bastante alto debido a la gran cantidad de grupos
profesionales que estamos intentando clasificar; y un puntaje de 3 al valor parcial
porque la arquitectura de red debe presentar esta caracterstica as sea en menor grado
segn sus antecedentes de uso.
Para el criterio Reconocimiento de Patrones, se otorgara un puntaje de 3 al valor
alta puesto que en la arquitectura la red deber someterse a una etapa de validacin
con nuevos patrones que no ha visto en su entrenamiento y debe responder
adecuadamente; un puntaje de 2 al valor regular porque la arquitectura de red
responde bien con ejemplos que han sido presentados anteriormente pero no tan bien
con los nuevos patrones.
Para el criterio Tiempo de Aprendizaje, se otorgara un puntaje de 3 al valor medio
debido a que la red en su proceso de aprendizaje requiere de un tiempo regularmente
considerable por motivos de la cantidad de informacin que tendr que procesar y
posiblemente la no linealidad del problema; y un puntaje de 1 al valor alto porque la
arquitectura de red aparte de ser compleja por naturaleza para el procesamiento en el
entrenamiento se ver afectada por el volumen de informacin.
Para el criterio Robustez, se otorgara un puntaje de 3 al valor mayor puesto que
necesitamos que la red pueda recuperarse fcilmente ante posibles fallas en los nodos o
el ruido (datos errneos o incompletos) de los ejemplos; y un puntaje de 1 al valor
menor porque la red no se recupera muy bien ante el ruido en los ejemplos.
En la siguiente tabla 3.6, mostraremos los criterios considerados para elegir la
arquitectura de red neuronal con sus respectivos puntajes segn el anlisis realizado por
cada criterio y arquitectura neuronal.
65
Tesis Ingenieril
UNMSM
Muestra de puntajes segn criterios considerados en la red neuronal

Criterio
Complejidad
Valor
Descripcin
Puntaje
Baja
La red neuronal esquematiza bien

el problema que resuelve, su
entendimiento es sencillo
La red neuronal esquematiza

regularmente el problema que
resuelve
La red neuronal no esquematiza

bien el problema que resuelve
La red neuronal es considerada

con gran poder asociativo y
clasificatorio
La red neuronal extrae

caractersticas esenciales pero
obvia algunas
La red no reconoce muy bien

nuevos patrones
La red s reconoce
considerablemente nuevos
patrones en la etapa de validacin
La red reconoce nuevos patrones

en su mayora despus de un buen
entrenamiento
El tiempo de procesamiento para

aprender es considerable pero
aceptable
El tiempo de procesamiento es
considerablemente alto
La red soporta los ejemplos

mostrados incluso si existe ruido
(datos irrelevantes o errneos)
La red presenta dificultades ante

los ejemplos que poseen ruido
Media
Alta
Asociacin y
Clasificacin
Alta
Parcial
Baja
Reconocimiento de
Patrones
Regular
Alta
Tiempo de
Aprendizaje
regular
Alto
Robustez
Mayor
Menor
66
Tesis Ingenieril
UNMSM
Teniendo estos 5 criterios para la seleccin de la arquitectura de red neuronal a

utilizar, procedemos a realizar el cuadro comparativo respectivo entre ellas:
Cuadro Comparativo entre arquitecturas de Redes Neuronales
Este ltimo cuadro comparativo expuesta en la tabla 3.7, nos muestra las diferencias
entre arquitecturas de redes neuronales que disponemos para resolver el problema, en la
tabla 3.11 se observa en cuanto a la complejidad, que la red que menos complejidad
posee es la del Perceptron Unicapa y la ms alta es la del Perceptron Multicapa
Recurrente; en cuanto a la capacidad de asociacin, podemos optar con el Perceptron
Multicapa Recurrente, el Perceptron Unicapa o el Perceptron Multicapa no Recurrente,
estas redes poseen una alta capacidad de asociacin y clasificacin segn los
experimentos que se realizaron.
En conclusin segn la tabla 3.7 mostrada, podemos decir que la mejor opcin a elegir
en cuanto a la arquitectura de la red neuronal, es el Perceptron Multicapa con
backpropagation.
67
Tesis Ingenieril
UNMSM
CAPTULO IV: ANLISIS Y DISEO DE LA SOLUCIN
En este captulo describir al detalle que metodologa se va utilizar, el flujo de

procesos que se debe seguir cuando se emplea Redes Neuronales, as como tambin se
realizar el respectivo anlisis y diseo de la red neuronal que se desarrollar para
atender esta problemtica; por ltimo se conocer las variables de entrada y salida de la
red y se preparar la data necesaria para que el sistema pueda responder frente a nuevos
casos.
4.1 Consideraciones Previas

Es necesario mencionar que al emplear esta tcnica computacional denominada Redes
Neuronales Artificiales, estamos sujetos a posibles arquitecturas de redes que pueden
dar un buen rendimiento, y no solo se debe considerar la arquitectura de red sino
tambin las posibles variantes de esta, como el nmero de capas, numero de neuronas en
cada capa, funcin de aprendizaje, entre otros parmetros que forman de la arquitectura
de la red.
En base a experiencias y aplicaciones de las redes que mencionaremos ms adelante,
trataremos de elegir con sabidura la red que mejor se ajuste a resolver el problema
principal, no obstante al emplear esta tcnica debemos realizar una serie de pruebas y
escoger la red neuronal con el mejor rendimiento; los principales escenarios que se
pusieron en prueba sern plasmados en esta investigacin, junto con su respectivo
anlisis de los resultados obtenidos en cada una de las pruebas.
4.2 Metodologa a emplear para la Implementacin

Generalmente cuando se procede a implementar un sistema, se utiliza ciertas
metodologas de acuerdo a la categora al que pertenezcan como por ejemplo los
sistemas basados en conocimiento (SBC) dentro de los cuales se encuentra los Sistemas
Expertos el cual puede ser implementada usando la metodologa CommonKADS que
tiene procedencia europea, pero al hablar de los sistemas inteligentes computacionales
que se basan en datos (SBD) como son las Redes Neuronales Artificiales segn Javier
Ruiz del Solar [Ruiz del Solar], varios autores que investigan y detallan lo que son las
redes neuronales, desde su definicin hasta las aplicaciones existentes utilizadas hasta la
fecha en muchas reas del conocimiento; dichos autores no mencionan alguna
metodologa en particular o por convencin para estos tipos de sistemas inteligentes,
pero siguen unas ciertas etapas en el desarrollo de estas redes, entonces se puede
desprender que existe una serie de pasos en comn de estos autores que tomare como
referencia as como tambin lo aprendido en el curso de redes neuronales artificiales
entre otras tesis revisadas, que ser mi base para poder realizar la implementacin de la
solucin al problema de orientacin vocacional.
68
Tesis Ingenieril
UNMSM
4.3 Flujo de Procesos

Para poder implementar la solucin del problema principal debemos seguir un
conjunto de procesos de forma ordenada, clara y detallada por cada proceso, dentro de
lo que es la tecnologa de redes neuronales artificiales; es recomendable seguir un
conjunto de etapas definidas en base a experiencias anteriores de investigadores de este
campo del saber.
En este captulo no ser posible abordar con profundidad el desarrollo de todos los
procesos que impliquen la solucin del problema, debido a que en las ltimas etapas que
son: el entrenamiento y validacin de la red, es necesario haber implementado la red
neuronal, por ende nos limitamos en solo mencionar que son parte del flujo de procesos
para el desarrollo, y en el siguiente captulo abordaremos con sumo detalle cada uno de
ellos. A continuacin se muestra el flujo de procesos a seguir:
Flujo de Procesos para la implementacin de la red neuronal
69
Tesis Ingenieril
UNMSM
4.3.1 Identificacin de las Variables de Entrada y Salida

Debemos tener mucho cuidado al momento de seleccionar cuales van a ser nuestras
variables de entrada y la salida que deber mapear, puesto que estas variables de entrada
y salida van a permitir definir la arquitectura de la red y que posteriormente estar
directamente relacionado con el tiempo de procesamiento para el aprendizaje de la red
neuronal.
Entonces nuestras variables de entrada necesariamente sern todos los tems que
conforman el test evaluador, y el valor de cada variable ser la respuesta que el alumno
ha ingresado al sistema el cual internamente tendr asociado un valor segn la respuesta
marcada, el test vocacional tiene una serie de preguntas, una cantidad fija las cuales
debern ser respondidas en su totalidad, con veracidad y sin inconsistencias aunque esta
ltima caracterstica ser detectada al momento de hacer la evaluacin.
El test evaluador CASM-83 Revisin 2003 ser tomado como modelo en esta
investigacin por cumplir tcnicamente mejor con los criterios definidos y resultar el
ms apropiado entre otros test, sealados anteriormente en el benchmarking entre tipos
de test evaluadores en orientacin vocacional.
El CASM-83 como habamos descrito, presenta 143 tems con 2 alternativas por tem,
en el cual la respuesta no necesariamente debe ser nica, incluso puede no ser
respondida segn el criterio del evaluado. A continuacin se definir las variables de
entrada y salida de la red:
4.3.1.1 Variables de Entrada
Muestra de variables de entrada de la red

Variable
P001
P002
Tipo de
Respuesta
Codificacin
a) Le gusta resolver problemas de

matemtica; o
b) Prefiere disear el modelo de casas,

edificios, parques, etc.
ayb
ninguno
Descripcin
a) Le agrada observar la conducta de las

personas y opinar sobre su personalidad; o
70
Tesis Ingenieril
UNMSM
b) Prefiere explicar un fenmeno completo

en una ecuacin matemtica.
P003
P004
P005
P006
P007
ayb
ninguno
a) Le gusta caminar por los cerros

buscando piedras raras; o
b) Prefiere disear las viviendas de una

urbanizacin.
ayb
ninguno
a) Le gusta escribir artculos deportivos

para un diario; o
b) Prefiere determinar la resistencia de

materiales para una construccin.
ayb
ninguno
a) Le gusta hacer tallado en madera; o
b) Prefiere calcular la cantidad de

materiales para una construccin.
ayb
ninguno
a) Le gusta ordenar y archivar documentos;

o
b) Prefiere proyectar el sistema elctrico de

una construccin.
ayb
ninguno
a) Le gusta dedicar su tiempo en el estudio

de teoras econmicas; o
71
Tesis Ingenieril
UNMSM
b) Prefiere dedicar su tiempo en la lectura

de revistas sobre mecnica.
P008
P009
P010
P011
P012
ayb
ninguno
a) Le gusta mucho la vida familiar; o
b) Prefiere disear maquinas, motores, etc.,

de alto rendimiento.
ayb
ninguno
a) Le gusta planificar acerca de cmo

formar una empresa; o
b) Prefiere estudiar algn lenguaje de

computacin.
ayb
ninguno
a) Le agrada estudiar la gramtica; o
b) Prefiere estudiar las matemticas.
ayb
ninguno
a) Le interesa mucho ser abogado; o
b) Preferira dedicarse a escribir un libro de

Fsica Matemtica.
ayb
ninguno
a) Le cuenta a su padre y a su madre todas

sus cosas; o
b) Prefiere ocultar algunas cosas para usted

solo(a)
72
Tesis Ingenieril
P013
P014
P015
P016
P017
UNMSM
ayb
ninguno
a) Le agrada estudiar la estructura

anatmica de los cuerpos; o
b) Prefiere asumir la defensa legal de una

persona acusada por algn delito.
ayb
ninguno
a) Le interesa mucho estudiar cmo

funciona un computador; o
b) Prefiere el estudio de las leyes y

principios de la conducta de las personas.
ayb
ninguno
a) Le agrada analizar la forma como se

organiza un pueblo; o
b) Prefiere responderse a la pregunta del

Por qu de los seres y las cosas?
ayb
ninguno
a) Le gusta analizar las rocas, piedras y

tierra para averiguar su composicin
mineral; o
b) Prefiere el estudio de las organizaciones

sean: campesinas, educativas, laborales,
polticas, econmicas o religiosas.
ayb
ninguno
a) Le gusta escribir artculos culturales

para un diario; o
73
Tesis Ingenieril
UNMSM
b) Prefiere pensar largamente acerca de la

forma como el hombre podra mejorar su
existencia.
P018
P019
P020
P021
P022
ayb
ninguno
a) Le agrada disear: muebles, puertas,

ventanas, etc.; o
b) Prefiere dedicar su tiempo en conocer

las costumbres y tradiciones de los
pueblos.
ayb
ninguno
a) Le interesa mucho conocer el tramite

documentario de una institucin pblica; o
b) Prefiere el estudio de las religiones.
ayb
ninguno
a) Le interesa mucho conocer los

mecanismos de la economa nacional; o
b) Prefiere ser gua espiritual de las

personas.
ayb
ninguno
a) Le gusta tener bajo su mando a un grupo

de soldados; o
b) Prefiere ensear lo que sabe a un grupo

de sus compaeros.
ayb
ninguno
a) Le gusta ser parte de la administracin
74
Tesis Ingenieril
UNMSM
de una empresa; o
b) Prefiere el estudio de las formas ms
efectivas para la enseanza de los jvenes
y nios.
P023
P024
P025
P026
P027
ayb
ninguno
a) Le interesa mucho investigar la raz

gramatical de las palabras de su idioma; o
b) Prefiere dedicar su tiempo en la

bsqueda de huacos y ruinas.
ayb
ninguno
a) Le agrada mucho estudiar el cdigo del

derecho civil; o
b) Prefiere el estudio de las culturas

peruanas y de otras naciones.
ayb
ninguno
a) Le agrada que sus hermanos o familiares

lo vigilen constantemente; o
b) Prefiere que confen en su buen criterio.
ayb
ninguno
a) Le gustara escribir un libro acerca de la

historia del Per; o
b) Prefiere asesorar sobre asuntos legales.
ayb
ninguno
a) Le gusta proyectar las redes de agua y

desage de una ciudad; o
75
Tesis Ingenieril
UNMSM
b) Prefiere estudiar acerca de las

enfermedades de la dentadura.
P028
P029
P030
P031
P032
ayb
ninguno
a) Le gusta visitar museos arqueolgicos y

conocer la vivienda y otros utensilios de
nuestros antepasados; o
b) Prefiere hacer moldes para una

dentadura postiza.
ayb
ninguno
a) Le gusta recolectar plantas y

clasificarlas por especie; o
b) Prefiere leer sobre el origen y

funcionamiento de las plantas y animales.
ayb
ninguno
a) Le gusta saber cmo se organiza una

editorial periodstica; o
b) Prefiere conocer las caractersticas de

los rganos humanos y cmo funcionan.
ayb
ninguno
a) Le agrada construir muebles, puertas,

ventanas, etc.; o
b) Prefiere estudiar acerca de las

enfermedades de las personas.
ayb
ninguno
a) Le agradara trabajar en la recepcin y

tramite documentario de una oficina
76
Tesis Ingenieril
UNMSM
pblica; o
b) Prefiere experimentar con plantas para
obtener una nueva especie.
P033
ayb
ninguno
ayb
ninguno
a) Le agrada recibir y ejecutar ordenes de

un supervisor; o
b) Prefiere el estudio de los rganos de los

animales y su funcionamiento.
ayb
ninguno
a) Le gusta saber mucho sobre los

principios econmicos de una empresa; o
b) Prefiere conocer las enfermedades que

atacan al ganado, aves, perros, etc.
ayb
ninguno
a) Le agrada estudiar los fonemas (sonidos

verbales) de su idioma, o de otros; o
b) Prefiere dedicar mucho de su tiempo en

el estudio de la qumica.
ayb
5) Le gusta proyectar los mecanismos

de inversin econmica de una
empresa; o
b) Prefiere analizar las tierras para obtener

mayor produccin agropecuaria.
P034
P035
P036
77
Tesis Ingenieril
P037
P038
P039
P040
P041
UNMSM
ninguno
a) Le agrada defender pleitos judiciales de

recuperacin de tierras; o
b) Prefiere hacer mezclas de sustancias

qumicas para obtener derivados con fines
productivos.
ayb
ninguno
a) Sus amigos saben todo de usted, para

ellos no tiene secretos; o
b) Prefiere reservar solo algunos secretos

para usted.
ayb
ninguno
a) Le gusta investigar acerca de los

recursos naturales de nuestro pas(su fauna,
su flora y su suelo); o
b) Prefiere estudiar derecho internacional.
ayb
ninguno
a) Le gusta desarrollar programas de

computacin para proveer de informacin
rpida y eficiente a: una empresa,
institucin, etc.; o
b) Prefiere obtener fotografas que hagan

noticia.
ayb
ninguno
a) Le gusta conocer mucho el problema de

las personas y tramitar su solucin; o
b) Prefiere dedicar su tiempo en la
78
Tesis Ingenieril
UNMSM
bsqueda de personajes que hacen noticia.
P042
P043
P044
P045
P046
ayb
ninguno
a) Le gusta estudiar las caractersticas

territoriales de los continentes; o
b) Prefiere entrevistar a polticos con el

propsito de establecer su posicin frente a
un problema.
ayb
ninguno
a) Le gusta conocer el funcionamiento de

las maquinas impresoras de peridicos; o
b) Prefiere trabajar en el montaje

fotogrfico de un diario o revista.
ayb
ninguno
a) Le gusta proyectar el tipo de muebles,

cortinas y adornos sea para una oficina o
para un hogar; o
b) Prefiere trabajar como redactor de un

diario o revista.
ayb
ninguno
a) Le gusta redactar cartas comerciales, al

igual que oficios o solicitudes; o
b) Prefiere averiguar lo que opina el

pblico respecto de un producto.
ayb
ninguno
a) Le gusta estudiar las leyes de la oferta y
79
Tesis Ingenieril
UNMSM
la demanda; o
b) Prefiere redactar el tema para un
anuncio publicitario.
P047
P048
P049
P050
ayb
ninguno
a) Le gusta organizar el servicio de

inteligencia de un cuartel; o
b) Prefiere trabajar en una agencia de

publicidad.
ayb
ninguno
a) Le gusta trabajar buscando casas de

alquiler para ofrecerlas al pblico; o
b) Prefiere estudiar las caractersticas

psicolgicas para lograr un buen impacto
publicitario.
ayb
ninguno
a) Le interesa investigar acerca de cmo se

originaron los idiomas; o
b) Prefiere preparar y ejecutar encuestas

para conocer la opinin de las personas.
ayb
ninguno
a) Le agrada hacer los trmites legales de

un juicio de divorcio; o
b) Prefiere trabajar estableciendo contactos

entre una empresa y otra.
ayb
ninguno
80
Tesis Ingenieril
P051
P052
P053
P054
P055
UNMSM
a) Cuando est dando un examen y tiene la

oportunidad de verificar una respuesta,
nunca lo hace; o
b) Prefiere aprovechar la seguridad que la

ocasin le confiere.
ayb
ninguno
a) Le interesa investigar sobre los

problemas del lenguaje en la comunicacin
masiva; o
b) Prefiere redactar documentos legales

para contratos internacionales.
ayb
ninguno
a) Le gusta trabajar haciendo instalaciones

elctricas; o
b) Prefiere dedicar su tiempo en la lectura

de las novedades en la decoracin de
ambientes.
ayb
ninguno
a) Le agrada mucho visitar el hogar de los

trabajadores con el fin de verificar su
verdadera situacin social y econmica; o
b) Prefiere trabajar en el decorado de

tiendas y vitrinas.
ayb
ninguno
a) Le gusta estudiar los recursos

geogrficos; o
b) Prefiere observar el comportamiento de

las personas e imitarlas.
81
Tesis Ingenieril
P056
P057
P058
P059
P060
UNMSM
ayb
ninguno
a) Le gusta dedicar su tiempo a la

organizacin de eventos deportivos entre
dos o ms centros laborales; o
b) Prefiere dedicarse al estudio de la vida y

obra de los grandes actores del cine y del
teatro.
ayb
ninguno
a) Le gusta la idea de estudiar escultura en

la escuela de bellas artes; o
b) Le atrae ser parte de un elenco de teatro.
ayb
ninguno
a) Le gusta trabajar de mecangrafo; o
b) Le gusta ms dar forma a objetos

moldeables, sea: plastilina, migas, arcilla,
piedras, etc.
ayb
ninguno
a) Le agrada mucho estudiar los

fundamentos por los que una moneda se
devala; o
b) Prefiere la lectura acerca de la vida y

obra de grandes escultores como Miguel
ngel, Leonardo Da Vinci, etc.
ayb
ninguno
a) Le agrada mucho la vida del marinero; o
82
Tesis Ingenieril
UNMSM
b) Prefiere combinar colores para expresar

con naturalidad y belleza un rostro o un
paisaje.
P061
P062
P063
P064
ayb
ninguno
a) Encuentra atractivo trabajar tramitando

la compra-venta de inmuebles; o
b) Prefiere utilizar las lneas y colores para

expresar un sentimiento.
ayb
ninguno
a) Le agrada estudiar las lenguas y

dialectos aborgenes; o
b) Prefiere combinar sonidos para obtener

una nueva msica.
ayb
ninguno
a) Le agrada tramitar judicialmente el

reconocimiento de hijos; o
b) Le agrada ms aprender o tocar algn

instrumento musical.
ayb
ninguno
a) Si pasa por un cine y descubre que no

hay vigilancia, no se aprovecha de la
ocasin; o
b) Prefiere aprovechar la ocasin para

ingresar sin pagar su boleto.
ayb
ninguno
83
Tesis Ingenieril
P065
P066
P067
P068
P069
UNMSM
a) Le interesa ms disear y/o confeccionar

artculos de cuero; o
b) Prefiere asumir la defensa legal en la

demarcacin de fronteras territoriales.
ayb
ninguno
a) Prefiere estudiar acerca de cmo la

energa se transforma en imgenes de TV,
radio, etc.; o
b) Le gusta tomar apuntes textuales o

dictados de otras personas.
ayb
ninguno
a) Le gusta leer sobre la vida y obra de los

santos religiosos; o
b) Prefiere hacer catlogos o listados de los

libros de una biblioteca.
ayb
ninguno
a) Le gusta dedicar mucho de su tiempo en

la lectura astronoma; o
b) Prefiere trabajar clasificando los libros

por autores.
ayb
ninguno
a) Le gusta trabajar difundiendo el

prestigio de su centro laboral; o
b) Prefiere trabajar recibiendo y

entregando documentos valorados como:
cheques, giros, libretas de ahorro, etc.
ayb
84
Tesis Ingenieril
P070
P071
P072
P073
P074
UNMSM
ninguno
a) Le interesa mucho leer sobre la vida y

obra de msicos famosos; o
b) Prefiere el tipo de trabajo de un

empleado bancario.
ayb
ninguno
a) Le interesa mucho conseguir un trabajo

en un banco comercial; o
b) prefiere dedicarse a clasificar libros por

especialidad.
ayb
ninguno
a) Le gusta dedicar su tiempo en el

conocimiento del por qu ocurre la
inflacin econmica; o
b) Prefiere dedicarse al estudio de cmo se

organiza una biblioteca.
ayb
ninguno
a) Le interesa mucho el conocimiento de la

organizacin de un buque de guerra; o
b) Prefiere dedicarse a la recepcin y

comunicacin de mensajes sean verbales o
por escrito.
ayb
ninguno
a) Le gusta trabajar tramitando la compra

venta de vehculos motorizados; o
b) Prefiere transcribir los documentos de la

administracin pblica.
85
Tesis Ingenieril
P075
P076
P077
P078
P079
UNMSM
ayb
ninguno
a) Le gusta dedicar gran parte de su tiempo

al estudio de las normas y reglas para el
uso adecuado del lenguaje; o
b) Prefiere trabajar como secretario adjunto

al jefe.
ayb
ninguno
a) Le gusta dedicar su tiempo planteando la

defensa de un juicio de alquileres; o
b) Prefiere asesorar y aconsejar en torno a

trmites documentarios.
ayb
ninguno
a) Si en la calle se encuentra dinero, sin

documento alguno acude a la radio o TV,
para buscar al infortunado; o
b) Preferira quedarse con el dinero, pues

no se conoce al dueo.
ayb
ninguno
a) Le interesa trabajar en la
implementacin de bibliotecas distritales; o
b) Prefiere asumir la responsabilidad legal

para que un fugitivo con residencia en otro
pas, sea repatriado.
ayb
ninguno
a) Le gusta estudiar de cmo la energa se

transforma en movimiento; o
86
Tesis Ingenieril
UNMSM
b) Prefiere hacer una tesis sobre el manejo

econmico para el pas.
P080
P081
P082
P083
ayb
ninguno
a) Le agrada leer sobre la vida y obra de

grandes personajes de educacin, sean:
profesores, filsofos, psiclogos; o
b) Prefiere estudiar acerca de las bases

econmicas de un pas.
ayb
ninguno
a) Le gusta estudiar los astros: sus

caractersticas, origen y evolucin; o
b) Prefiere establecer comparaciones entre

los sistemas y modelos econmicos del
mundo.
ayb
ninguno
a) Le interesa trabajar exclusivamente

promocionando la imagen de una empresa;
o
b) Prefiere estudiar las grandes corrientes

ideolgicas del mundo
ayb
ninguno
a) Le gusta y practica el baile como

expresin artstica; o
b) Prefiere estudiar las bases de la

organizacin poltica del Tahuantinsuyo.
ayb
ninguno
87
Tesis Ingenieril
P084
P085
P086
P087
P088
UNMSM
a) Le gusta mucho saber sobre el manejo

de los archivos pblicos; o
b) Prefiere establecer diferencias entre los

distintos modelos polticos.
ayb
ninguno
a) Le gusta investigar sobre las

caractersticas de los regmenes totalitarios,
democrticos, republicanos, etc.; o
b) Prefiere ser el representante de su pas

en el extranjero.
ayb
ninguno
a) Le gusta ser capitn de un buque de

guerra; o
b) Le interesa ms formar parte y conducir

grupos con fines polticos.
ayb
ninguno
a) Le agrada ser visitador mdico; o
b) Prefiere dedicar todo su tiempo en la

lectura de la vida y obra de los grandes
polticos.
ayb
ninguno
a) Siente placer buscando en el diccionario

el significado de palabras nuevas; o
b) Prefiere dedicar todo su tiempo en aras

de la paz entre las naciones.
ayb
88
Tesis Ingenieril
P089
P090
P091
P092
P093
UNMSM
ninguno
a) Le interesa mucho estudiar el cdigo

penal; o
b) Prefiere estudiar los sistemas polticos

de otros pases.
ayb
ninguno
a) Le agrada que le dejen muchas tareas

para su casa; o
b) Prefiere que estn sean lo necesario para

aprender.
ayb
ninguno
a) Le agrada ser miembro activo de una

agrupacin poltica; o
b) Prefiere escuchar acusaciones y

defensas para sancionar de acuerdo a lo
que la ley manda.
ayb
ninguno
a) Le gusta hacer los clculos para el

diseo de las telas a gran escala; o
b) Le interesa ms la mecnica de los

barcos y submarinos.
ayb
ninguno
a) Le agrada observar y evaluar cmo se

desarrolla la inteligencia y personalidad; o
b) Prefiere ser aviador.
ayb
89
Tesis Ingenieril
P094
P095
P096
P097
P098
UNMSM
ninguno
a) Le atrae dedicar su tiempo en el

descubrimiento de nuevos medicamentos;
o
b) Prefiere dedicarse a la lectura de la vida

y obra de reconocidos militares.
ayb
ninguno
a) Le gusta la aventura cuando est dirigida

a descubrir algo que haga noticia; o
b) Prefiere conocer el mecanismo de los

aviones de guerra.
ayb
ninguno
a) Le gusta ser parte de una agrupacin de

baile y danza; o
b) Preferira pertenecer a la Fuerza Area.
ayb
ninguno
a) Le gusta la idea de trabajo de llevar

mensajes de una dependencia a otra; o
b) Prefiere ser miembro de la polica.
ayb
ninguno
a) Le gusta la idea de trabajar

estableciendo vnculos culturales con otros
pases; o
b) Prefiere el trabajo en la deteccin y

comprobacin del delito.
ayb
90
Tesis Ingenieril
P099
P100
P101
P102
P103
UNMSM
ninguno
a) Le gusta trabajar custodiando el orden

pblico; o
b) Le gusta ser vigilante receloso de

nuestras fronteras.
ayb
ninguno
a) Le gusta persuadir a los boticarios en la

compra de nuevos medicamentos; o
b) Prefiere trabajar vigilando a los presos

en las prisiones.
ayb
ninguno
a) Le apasiona leer obras de escritores

serios y famosos; o
b) Prefiere organizar el servicio de

inteligencia en la destruccin del
narcotrfico.
ayb
ninguno
a) Le gusta asumir la defensa legal de una

persona acusada de robo; o
b) Prefiere conocer el mecanismo de las

armas de fuego.
ayb
ninguno
a) Se aleja Ud. Cuando sus amistades

cuentan chistes colorados; o
b) Prefiere quedarse gozando de la ocasin.
ayb
91
Tesis Ingenieril
P104
P105
P106
P107
P108
UNMSM
ninguno
a) Le interesa mucho saber cmo se

organiza un ejrcito; o
b) Prefiere participar como jurado de un

juicio.
ayb
ninguno
a) Le gusta proyectar la extraccin de

metales de una mina; o
b) Prefiere estudiar el nombre de los

medicamentos y su ventaja comercial.
ayb
ninguno
a) Le gusta descifrar los diseos grficos y

escritos de culturas muy antiguas; o
b) Prefiere persuadir a la gente para que

compre un producto.
ayb
ninguno
a) Le agrada el estudio de los mecanismos

de la visin y de sus enfermedades; o
b) Prefiere vender cosas.
ayb
ninguno
a) Le gustara ganarse la vida escribiendo

para un diario o revista; o
b) Prefiere estudiar el mercado y descubrir

el producto de mayor demanda.
ayb
ninguno
92
Tesis Ingenieril
P109
P110
P111
P112
P113
UNMSM
a) Le gusta actuar; representando a

distintos personajes; o
b) Le agrada ms tener su propio negocio.
ayb
ninguno
a) Le gusta sentirse importante sabiendo

que de Ud. Depende la rapidez o la lentitud
de una solicitud; o
b) Prefiere trabajar en un bazar.
ayb
ninguno
a) Le gusta planificar presupuestos sea

para una empresa local o a nivel nacional;
o
b) Prefiere el negocio de una tienda o

abarrotes.
ayb
ninguno
a) Le interesa mucho utilizar sus

conocimientos en la construccin de
armamentos ; o
b) Prefiere organizar empresas de finanzas

y comercio.
ayb
ninguno
a) Le agrada llevar la contabilidad de una

empresa o negocio; o
b) Prefiere hacer las planillas de pago para

los trabajadores de una empresa o
institucin.
ayb
93
Tesis Ingenieril
P114
P115
P116
P117
P118
UNMSM
ninguno
a) Le agrada escribir cartas y luego hacer

tantas correcciones como sean necesarias;
o
b) Prefiere ser incorporado como miembro

de la corporacin nacional de comercio.
ayb
ninguno
a) Le gusta asumir la defensa legal de una

persona acusada de asesinato; o
b) Prefiere ser incorporado como miembro

ejecutivo de la bolsa de valores.
ayb
ninguno
a) Le agrada vestir todos los das muy

formalmente (con terno y corbata por
ejemplo); o
b) Prefiere reservar esa vestimenta para

ciertas ocasiones.
ayb
ninguno
a) Le gusta evaluar la produccin laboral

de un grupo de trabajadores; o
b) Prefiere planear, previa investigacin, la

acusacin de un sujeto que ha actuado en
contra de la ley.
ayb
ninguno
a) Le gusta estudiar acerca de los reactores

atmicos; o
b) Prefiere el estudio de las distintas
94
Tesis Ingenieril
UNMSM
formas literarias.
P119
P120
P121
P122
P123
ayb
ninguno
a) Le agrada investigar en torno a la

problemtica social del Per; o
b) Prefiere escribir, cuidando mucho ser

comprendido, al tiempo que sus escritos
resulten agradables al lector.
ayb
ninguno
a) Le gustara escribir un libro sobre

anatoma Humana; o
b) Prefiere recitar sus propios poemas.
ayb
ninguno
a) Le gustara incorporarse al Colegio de

Periodistas del Per; o
b) Prefiere aprender otro idioma.
ayb
ninguno
a) Le gusta disear y/o confeccionar:

adornos, utensilios, etc., en cermica,
vidrio, etc.; o
b) Prefiere traducir textos escritos en otros

idiomas.
ayb
ninguno
a) Le gustara desarrollar tcnicas de

mayor eficiencia en el trmite
documentario de un ministerio pblico; o
95
Tesis Ingenieril
UNMSM
b) Prefiere escribir en otro idioma.
P124
P125
P126
P127
P128
ayb
ninguno
a) Le agradara ser el secretario general de

una organizacin social; o
b) Prefiere dedicar su tiempo al estudio de

lenguas extintas (muertas).
ayb
ninguno
a) Le gustara dedicarse al estudio de

armas de alta peligrosidad; o
b) Prefiere trabajar como traductor.
ayb
ninguno
a) Le gusta llevar las estadsticas de

ingresos y egresos mensuales de una
empresa o tal vez de una nacin; o
b) Prefiere los cursos de idiomas: ingls,

francs, italiano, etc.
ayb
ninguno
a) Le gustara ser incorporado como

miembro de la Academia de Lengua
Espaola.
b) Prefiere ser incorporado al Instituto

Nacional del Idioma.
ayb
ninguno
a) Le interesara ser el asesor legal de un

ministro de Estado; o
96
Tesis Ingenieril
UNMSM
b) Prefiere aquellas situaciones que le

inspiran a escribir.
P129
P130
P131
P132
P133
ayb
ninguno
a) Nunca ha bebido licor, aun ciertas

ocasiones lo ha rechazado; o
b) Por lo contrario, se ha adecuado a las

circunstancias
ayb
ninguno
a) Le agrada dedicar mucho su tiempo en

la escritura de poemas, cuentos; o
b) Prefiere sentirse importante al saber que

de su defensa legal depende la libertad de
una persona.
ayb
ninguno
a) Le agrada estudiar la estructura atmica

de los cuerpos; o
b) Prefiere asumir la defensa legal de una

persona acusada por algn delito.
ayb
ninguno
a) Le gustara escribir un libro acerca de la

Historia del Per; o
b) Prefiere asesorar sobre asuntos legales.
ayb
ninguno
a) Le gusta investigar acerca de los

recursos naturales de nuestro pas (su
97
Tesis Ingenieril
UNMSM
fauna, su flora y suelo); o

b) Prefiere estudiar el derecho
internacional.
P134
P135
P136
P137
ayb
ninguno
a) Le interesa investigar sobre los

problemas de lenguaje en la comunicacin
masiva; o
b) Prefiere redactar documentos legales

para contratos internacionales.
ayb
ninguno
a) Le interesa disear y/o confeccionar

artculos de cuero; o
b) Prefiere asumir la defensa legal en la

demarcacin de fronteras territoriales.
ayb
ninguno
a) Le interesa trabajar en la
implementacin de bibliotecas distritales; o
b) Prefiere asumir la responsabilidad legal

para que un fugitivo con residencia en otro
pas sea repatriado.
ayb
ninguno
a) Le agrada ser miembro activo de una

agrupacin poltica; o
b) Prefiere escuchar acusaciones y

defensas, para sancionar de acuerdo a lo
que la ley seala.
ayb
98
Tesis Ingenieril
P138
P139
P140
P141
P142
UNMSM
ninguno
a) Le interesa mucho saber cmo se

organiza un ejrcito; o
b) Prefiere participar como jurado en un

juicio.
ayb
ninguno
a) Le gusta evaluar la produccin laboral

de un grupo de trabajadoras; o
b) Prefiere plantear previa investigacin la

acusacin de un sujeto que ha ido en contra
de la ley.
ayb
ninguno
a) Le gusta dedicar mucho su tiempo en la

escritura de poemas, cuentos; o
b) Prefiere sentirse importante al saber que

de su defensa legal depende la libertad de
una persona.
ayb
ninguno
a) Le gustara dedicarse a la legalizacin

de documentos (contratos, cartas, partidas,
ttulos, etc.); o
b) Prefiere ser incorporado en una

comisin para redactar un proyecto de ley.
ayb
ninguno
a) Le agrada viajar en un microbs repleto

de gente aun cuando no tiene ningn
apuro; o
99
Tesis Ingenieril
UNMSM
b) Prefiere esperar otro vehculo.
P143
ayb
ninguno
a) Le gusta resolver problemas

matemticos; o
b) Prefiere disear el modelo de casas,

edificios, parques, etc.
ayb
Ninguno
Tabla 4.1 (Elaboracin propia)
Resea de la tabla anterior 4.1

Variable: Es la numeracin de las preguntas del test CASM-83.
Descripcin: Es el contenido textual de cada pregunta del CASM-83.
Tipo de Respuesta: Son las diferentes formas que puede responder el evaluado frente a
cada pregunta.
Codificacin: Son los valores por cada tipo de respuesta, y debe ser necesariamente
nica por cada tipo de respuesta porque sern estas las que se ingresaran como entrada a
la red neuronal. Deben ser valores pequeos para que despus en el proceso de
normalizacin de los datos se puedan ajustar de una manera ms sencilla. Tener
presente que el mayor valor asignado a un tipo de respuesta, en este caso el nmero 4
no indica que este tipo de respuesta presente mayor relevancia frente a las dems, ni el
valor 1 quiere decir que responder Ninguno es menos relevante, y por eso tiene
puntaje mnimo, simplemente se tom valores arbitrarios y pequeos por
recomendacin cuando se emplea este tipo de tecnologa llamada redes neuronales
artificiales.
4.3.1.2 Variables de Salida
En cuanto a las variables de salida segn el CASM-83, despus de haber rendido el
test, el evaluador se centrar en examinar la escala de veracidad dentro de la cual se
evala si el examinado est mintiendo o no, si obtiene 5 o ms mentiras la prueba se
anula. Luego se procede a evaluar la escala de consistencia en la cual se va a determinar
que no exista respuestas contradictorias, si se encuentra 5 o ms respuestas
contradictorias el evaluador deber anular la prueba.
100
Comentario [CA4]: Sera muy

oportuno que el alto de las filas lo
comprimas para que reduzcas el tamao
global de la tabla, son demasiadas pgin
ajusta el tamao de las fuentes y que no
estn a doble lnea de espaciado sino
espaciado simple ok? APLICA ESTE
CRITERIO EN TODAS LAS TABLAS DE ESTE
TIPO OK?
Tesis Ingenieril
UNMSM
Estas dos escalas son propias del CASM-83, son necesarias para determinar la
veracidad y consistencia de la prueba, si al evaluar las dos escalas no se encuentra
ningn inconveniente, recin se procede a evaluar las respuestas concernientes a los
grupos ocupacionales que define el CASM-83, es aqu donde el psiclogo manifiesta
segn las mtricas del test, las posibles carreras profesionales y/o tcnicas que podra
seguir el alumno evaluado; pero la afinidad no ser igual por todas las ocupaciones, sino
algunas sern en mayor medida que otras. El resultado final ser ofrecer al evaluado la
afinidad (medido con un puntaje definido en el Casm-83) que presenta con cada una de
los 11 grupos ocupacionales, justamente estos 11 grupos sern las nicas variables de
salida ms relevantes de la red. Veamos un ejemplo de como se muestra esta afinidad:
Afinidad con los Grupos Ocupacionales
Como se puede observar en la tabla 4.2, cada alumno presenta una cierta afinidad con
cada grupo o rea ocupacional (medido con un puntaje que vara de 0 hasta 22), adems
que dependiendo del puntaje se puede catalogar el nivel de inters hacia el rea
destacada.
Distribucin Ocupacional por reas
AREA
Ciencias Fsicas
Matemticas
(CCFM)
OCUPACIONES
Ingenieras: Civil, de Sistemas, Industrial, Electrnica, de Minas,
Sanitaria, Textil, Qumica, Mecnica (elctrica de fluidos),
Telecomunicaciones, de Sonido, Metalrgica.
Arquitectura, Matemtica, Fsica, Meteorologa, Geogrfica,
Geolgica.
Carreras Tcnicas: Tcnico en Tv y radio, electricista, Mecnico
automotriz y de banco, mecnica de aviones. Construccin civil,
Impresor, linotipista, topografa, computacin e informtica,
Ensamblaje, mantenimiento y reparacin de computadoras,
101
Tesis Ingenieril
UNMSM
Operador tcnico de radio y Tv.
Ciencias Sociales
(CCSS)
Educacin inicial, primaria, secundaria, fsica y educacin a nivel

especial. Antropologa, Sociologa, Trabajo Social, Historia,
Arqueologa, Filo2sofa, Teologa, Psicologa.
Carreras tcnicas: Auxiliar en educacin
Ciencias Naturales
(CCNA)
Medicina Humana, Obstetricia, Enfermera, Nutricin, Biologa,

Odontologa, Qumico Farmacutico, Medicina Veterinaria,
Agronoma, Zootecnia, Psicologa, Industrias Alimentarias,
Geografa.
Carreras Tcnicas: Aerotecnia, Auxiliar de Enfermera, Tpicos,
Tcnicos Laboratoristas, Obstetricia, Prtesis Dental, Visitador
mdico, Tcnico en rehabilitacin, Podologa.
Ciencias de la
Comunicacin
(CCCO)
Ciencias de la Comunicacin, Periodismo, Publicidad,

Comunicacin audiovisual (cine, radio y Tv), Relaciones Publicas,
Industriales. Turismo, Bibliotecologa y Ciencias de la
Informacin.
Carreras Tcnicas: Publicista grfico, audiovisual. Locutor de
radio y televisin. Comentarista radial y televisivo, Fotografa,
Gua turstico, promotores de turismo.
Pintor, Actor, Escultor, Decorador, Diseador de modas, Director
de cine y televisin, Msico, Profesor de msica, Crtico musical,
Arquitectura.
Artes (ARTE)
Carreras Tcnicas: Artesanas en cermica, cueros, tejidos, etc.
Tcnico en dibujo lineal, Publicitario, Ebanistera. Decoracin de
interiores. Conservacin y restauracin. Fotografa Profesional.
Bibliotecologa.
Burocracia
(BURO)
Ciencias
Econmicas
Polticas (CCEP)
Institutos Armados
(IIAA)
Carreras Tcnicas: Empleado de Oficina, Bibliotecario,

Secretario(a), (bilinge, aerocomercial, computarizado, medico),
Archivero.
Economista, Estadista o Poltico Diplomtico.
Oficial del Ejrcito, de la FAP, de la Marina, de la Polica, CITEN,

ETE.
102
Tesis Ingenieril
Finanzas (FINA)
UNMSM
Contabilidad de finanzas, banca y seguros. Administrador de
empresas (hotelera, turismo, de comercio nacional e
internacional), Marketing.
Carreras Tcnicas: Auxiliar de contabilidad, Bancario, Secretario
contable, vendedor, Visitador mdico, Marketing.
Escritor, Lingista, Traductor e Intrprete de Idiomas.
Lingstica (LING)
Carreras Tcnicas: Secretario Bilinge.
Jurisprudencia
(JURI)
Derecho (Penal, Civil, Laboral), Notario Pblico.

Carreras Tcnicas: Escribano, Secretario Legal.
Tabla 4.3 (Vicua, 03)
Esquema de respuesta de la Red Neuronal

Variables de Salida de la Red Neuronal
103
Tesis Ingenieril
UNMSM
4.3.2 Arquitectura de la Red Neuronal

Segn la taxonoma de las redes neuronales visto en el apartado 3.2, en cuanto a la
forma de aprendizaje, nmero de capas y tipo de conexin que se ha analizado para
resolver el problema principal con mejores probabilidades de xito, es recomendable
implementar una red neuronal artificial multicapa no recurrente con aprendizaje
supervisado y que emplear el algoritmo BackPropagation o Retro propagacin
del Error, esto fue definido en base al benchmarking entre arquitecturas de redes
neuronales. Pero debemos aclarar que la arquitectura del Perceptron Multicapa no es
nica debido a las variantes en cuanto al nmero de capas ocultas que puede presentar, y
no solamente eso, sino tambin a las neuronas que puede presentar por cada capa oculta
que presente; por ende definir a priori la arquitectura final de la red no ser posible antes
de realizar el entrenamiento y validacin para observar cmo responde la red frente a la
arquitectura de prueba establecido.
Lo que si est bien definido son las variables de entrada y salida de la red, que son los
143 tems del cuestionario y los 11 grupos ocupacionales que se define en el Casm-83,
en donde un alumno destaca con respecto a los dems grupos; en base a esta
informacin podemos hacer un bosquejo de la arquitectura de la red en su primera
versin. Ahora que ya se concluy la etapa de entrenamiento y validacin, la
arquitectura final de la red presenta un total de 3 capas ocultas con 40 neuronas en cada
una, por lo tanto el diseo de la red quedara como sigue a continuacin:
Arquitectura de la red neuronal
104
Tesis Ingenieril
UNMSM
4.3.3 Recoleccin selecta de Datos de Entrada y Salida

El proceso de recoleccin de datos de entrada y salida, es uno de los trabajos muchas
veces tediosos puesto que se debe encontrar datos representativos y en el mejor de los
casos que no presenten ruido (datos errneos o incompletos),que permitan el buen
entrenamiento de la red, estos datos representativos son aquellos ejemplos que se le va a
proporcionar a la red, y necesariamente debe existir al menos un ejemplo que represente
a alguna carrera profesional o tcnica especifica dentro del grupo al que pertenece,
porque de esa manera la red podr abstraer caractersticas propias de ese perfil
profesional o tcnico y de esa forma orientar a un alumno que coincida con dicho perfil.
En el proceso anterior se identific los datos de entrada y salida que debe poseer la red
neuronal, ahora en este proceso debemos tomar como datos de entrada todas las pruebas
que rindieron los evaluados con el CASM-83, y recolectaremos todas las respuestas que
dieron cada evaluado; conjuntamente con los datos de entrada se debe otorgar una salida
que vendra a ser el anlisis clnico del orientador segn las respuestas que ha analizado
por cada evaluado.
4.3.4 Ajuste de Datos de Entrada y Salida

Cuando se trabaja con redes neuronales artificiales su principal materia prima por
as decirlo son los datos, estos debern tratarse cuidadosamente porque la red neuronal
recibir los datos para su posterior entrenamiento, pero estos datos que se ingresan no
deben presentar diferencias exorbitantes porque repercute en el proceso de aprendizaje
de la red, y para ser ms detallista, segn Antonio J. Serrano [Serrano+,09], la red se
ver influenciada por estas diferencias ya que el incremento de los pesos de una neurona
es proporcional a su entrada. Entonces para evitar estos problemas que afecten el
aprendizaje de la red, existe lo que es el ajuste o normalizacin de los datos, el cual
mediante un mecanismo tratar de equilibrar los valores de entrada de la red.
Ahora en nuestro caso, puesto que tomamos como entrada las diferentes respuestas
que puede responder el evaluado, y las respuestas marcadas segn la Tabla Muestra de
Variables de Entrada, se han codificado como nmeros enteros que van desde el valor
1 hasta un valor 4, estos valores no son recomendables aunque no tan gravemente, pero
de todas maneras, ser necesario hacer la correspondiente normalizacin de estos
valores.
A continuacin normalizaremos los datos de entrada para que oscilen entre <0,1],
mediante la relacin matemtica siguiente:
105
Tesis Ingenieril
UNMSM
Relacin matemtica para normalizar datos de entrada
DN i = DSN i / DMSN
Dnde:
DN i: Dato Normalizado i (i=1, 2, 3, 4 en caso de entrada) o
DN i: Dato Normalizado i (i=1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11 en caso de salida)
DSN i: Dato sin Normalizar i
DMSN: Dato Mximo sin Normalizar
Ejemplo: Normalizamos el dato de entrada de la variable P032:

DMSN = 4, representa el mximo valor de la pregunta P032, que es marcar las 2
alternativas.
DSN 2 = 2, representa la codificacin luego de responder solamente la alternativa a
DN 2 = 2 / 4 = 0.5
Concluimos que el valor normalizado de la variable P032 con dato igual a 2, es
igual a 0.5
De manera similar se debern normalizar todos los datos de entrada seleccionados
en el proceso de seleccin de datos de entrada.
4.3.5 Inicializacin de Pesos de la Red Neuronal

La inicializacin de pesos de una red neuronal consiste en atribuir a la red un
conocimiento inicial de alguna forma para que pueda darse el proceso de
entrenamiento, este conocimiento es representado por medio de una matriz, la cual se
le conoce como Matriz de Conocimiento de la Red. Generalmente se inicializa los
pesos de la red con valores entornos a 0, puede ser [-0.5 0.5] o [0-1]; por
experiencia se debe seguir este criterio para obtener buenos resultados. A continuacin
mostramos la matriz de pesos:
106
Tesis Ingenieril
UNMSM
Matriz de pesos asociados a la capa j e i con m y n neuronas respectivamente
La inicializacin de los pesos sinpticos es fundamental en el funcionamiento de una

red, ya que el algoritmo de aprendizaje se basa en partir de un punto determinado de la
funcin error y moverse por ella hasta llegar al mnimo ms cercano, que no tiene por
qu ser el mnimo global de la funcin sino que puede tratarse de un mnimo local
[Serrano+,09].
La manera de inicializar los pesos afectar directamente al comportamiento del
algoritmo en tres factores [Serrano+,09]:
Tiempo de convergencia de la red; ya que este depender no solamente de la

constante de adaptacin, sino tambin de la distancia inicial al mnimo.
Mnimo alcanzado. Este algoritmo converge al mnimo ms cercano, ste puede

ser un mnimo local.
Saturacin de las neuronas, valores altos de los pesos pueden provocar una
saturacin en la neuronas. Solucin inmediata; considerar unos valores iniciales
de los pesos pequeos.
107
Tesis Ingenieril
UNMSM
CAPTULO V: DESARROLLO DE LA SOLUCIN
En este captulo se abordar todo lo referente a la implementacin del sistema va web

que dar solucin el problema de orientacin vocacional para alumnos del quinto ao
de secundaria, pre-universitarios, as como algunos alumnos de los primeros ciclos de
alguna universidad que no sienten una identificacin plena con lo que estn estudiando.
Vamos a detallar como se ha ido desarrollando esta solucin, desde los requerimientos
necesarios para el correcto funcionamiento, los datos obtenidos y su correcta
normalizacin para luego proceder a desarrollar la fase de entrenamiento y validacin
de la red neuronal, estos dos ltimos procesos sern desarrollados con la caja de
herramientas de redes neuronales que proporciona el Matlab, para una mayor
comprensin de sus funciones, revisar el Anexo C; luego de desarrollar con xito estas
dos fases, obtendremos un resultado que se va adherir al sistema web, el cual es el
producto final de la presente investigacin.
5.1 Requerimientos y Configuraciones

Para hacer uso del sistema de orientacin vocacional se deber adquirir y configurar
posteriormente lo siguiente:
5.1.1 Requerimientos Mnimos
Hardware: Una computadora con 512 megabytes de memoria RAM, con un

procesador de 2.4 GHz, y 20 GB de disco duro.
Software: Base de datos Postgresql 9.0, Servidor de aplicaciones TOMCAT 7,

Browser Google Chrome 18.0, o Mozilla Firefox 14.0 o Internet Explorer IE 8, o
alguna versin superior a estos navegadores.
Sistema Operativo: Windows XP Sp2 o Windows 7 Ultimate.
5.2.2 Configuraciones Necesarias
Instalar en el ordenador la BD Postegresql, luego crear la BD de nombre

bdtovpm y ejecutar el script llamado scriptbdtovpm.sql.
Instalar el servidor de aplicaciones TOMCAT 7.
Instalar el browser recomendado en el apartado 5.1.1.
Dentro de la carpeta webapp que se encuentra dentro de los archivos de

instalacin del tomcat 7, incluir el archivo WAR de nombre tesisIItovpm.war.
108
Tesis Ingenieril
UNMSM
5.2 Preparacin de Data para la Red Neuronal

Las tablas 5.1 y 5.2 que se muestran a continuacin, representan la data recogida en
las visitas que se hizo al Consultorio Psicolgico de San Marcos (ver Anexo A),
justamente para poder obtener diagnsticos de jvenes que fueron sometidos al Casm83. Cabe mencionar que la informacin que se requera no estaba lista como aqu se
presenta en hojas de clculo, sino que fueron preparadas con la finalidad de trabajar
adecuadamente las fases de entrenamiento y validacin.
En las tablas 5.1 y 5.2 se podr observar cmo se hace referencia a las variables de la
tabla 4.1, donde cada columna representa una variable, de esta forma se muestran las
143 variables que posee la red neuronal con sus respectivas salidas o target, que son los
11 grupos ocupacionales definidos en el Casm-83, debemos mencionar que los primeros
24 diagnsticos corresponden a los aos 2012 y 2013, los siguientes 36 diagnsticos
fueron generados usando una plantilla de correccin en Excel del Casm-83, que es
usado actualmente dentro del Consultorio Psicolgico; solamente mostraremos 2 tablas
que corresponden a las primeras variables y en la siguiente tabla las ultimas variables
junto con los targets correspondientes a cada grupo ocupacional; es posible simular ms
diagnsticos con dicha plantilla para tener ms data representativa para el entrenamiento
y validacin; segn se requiera se proceder a simular ms diagnsticos. Por ltimo, a
cada variable le corresponde un solo tipo de marca, ya sea a, b, c o d que
corresponden a los valores 2, 3, 4 y 1 respectivamente, donde:
a: Quiere decir que el evaluado solo tiene preferencia o inters por la alternativa a).
b: Quiere decir que el evaluado solo tiene preferencia o inters por la alternativa b).
c: Quiere decir que el evaluado tiene preferencia o inters por ambas alternativas,
tanto a) como b).
d: Quiere decir que el evaluado no tiene preferencia o inters por ninguna
alternativa.
A continuacin se observa en las tablas 5.1 y 5.2, los valores iniciales de los
diagnsticos recogidos del consultorio, estas tablas representan una vista previa de la
normalizacin de la data que ser usada tanto para el entrenamiento como la validacin
de la red, veamos:
109
Tesis Ingenieril
UNMSM
Muestra total de data parte I que se usar en el entrenamiento y validacin
Data
Recolectada
Data para el
Entrenamiento
Data
Generada
Data para la
Validacin
110
Tesis Ingenieril
UNMSM
Muestra total de data parte II que se usar en el entrenamiento y validacin
Data
Recolectada
Data para el
Entrenamiento
Data
Generada
Data para la
Validacin
111
Tesis Ingenieril
UNMSM
5.2.1 Preparacin de Data para la fase de Entrenamiento

En las tablas anteriores 5.1 y 5.2, se hace mencin de la data para la fase de
entrenamiento, que como se observa es equivalente a los de la data total disponible,
esta es una forma de seleccionar data de entrenamiento aunque no es algo sumamente
que se deba cumplir pero para nuestro caso si es lo ms adecuado, ahora mostraremos
en las tablas 5.3 y 5.4, la data de entrenamiento que corresponde a los registros del 1 al
45.
Muestra total de data parte I que se usar en el entrenamiento de la red
Data
Recolectada
Data
Generada
112
Tesis Ingenieril
UNMSM
Muestra total de data parte I que se usar en el entrenamiento de la red
Data
Recolectada
Data
Generada
113
Tesis Ingenieril
UNMSM
5.2.2 Preparacin de Data para la fase de Validacin

Para la fase de validacin se prepara la data con de la data total que disponemos
en la tabla 5.3, en la cual podemos notar que son 15 diagnsticos, comprendidos entre
los registros 46 y 60. Se toma esta data para la fase de validacin puesto que
representa una variedad en los resultados de cada diagnstico, la necesaria para que se
pueda corroborar si la red concluyo su aprendizaje con un elevado grado de
confiabilidad. A continuacin las tablas 5.5 y 5.6, muestran la data que se tomar para
validar la red.
Muestra total de data parte I que se usar en la validacin de la red
Muestra total de data parte I que se usar en la validacin de la red
114
Tesis Ingenieril
UNMSM
5.3 Normalizacin de los Datos

En este proceso llamado normalizacin de datos, se realizar un ajuste de los datos
tanto de entrenamiento como de validacin, as como sus respectivas salidas puesto que
es recomendable que los datos de entrada no sean tan diferenciados (diferencias
numricas entre variables), pero en nuestro caso no es as, sin embargo el tratamiento de
redes neuronales recomienda de todas maneras uniformizar los datos, y se tomara como
rango [0-1] tanto de entrada como de salida.
Si en caso hubiera diferencias considerables entre las variables y no se procede a
normalizar, es muy probable que muchas variables dependan de esa variable que no se
ajusta en magnitud como el resto. Ahora la normalizacin de datos se realiza dividiendo
todos los datos de entrada con el mayor dato de entrada posible, de forma similar para
los targets, dividiendo todos los targets entre el mayor target posible. La normalizacin
o ajuste de datos se explic en la tabla 4.3 segn una regla matemtica simple, la cual
deca:
DN i = DSN i / DMSN
Dnde:
DN i: Dato Normalizado i (i=1, 2, 3, 4 en caso de entrada) o
DN i: Dato Normalizado i (i=1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11 en caso de salida)
DSN i: Dato sin Normalizar i (0 <= DSN i <= 22)
DMSN: Dato Mximo sin Normalizar (DMSN = 22)
Ejemplo:
Normalizamos el dato de salida de la columna que corresponde al grupo ocupacional
JURI, dentro del grupo de data para la validacin en la tabla anterior 5.6.
DMSN = 22, representa el mximo valor del target posible definido en el CASM 83, el
cual indica un inters vocacional mximo para ese grupo ocupacional.
DSN 11 = 13, representa un posible valor de una variable de salida segn el CASM 83.
DN 11 = 13 / 22 = 0.5909
Este resultado nos indica que el target de la variable de salida que corresponde al
grupo ocupacional JURI es igual a 0.5909. De manera similar se procede a normalizar
todos los targets correspondientes a cada diagnstico, como veremos a continuacin en
las tablas 5.7, 5.8 que corresponden al entrenamiento y las tablas 5.9, 5.10
correspondientes de la fase de validacin.
115
Tesis Ingenieril
UNMSM
Muestra total de data normalizada parte I que se usar en el entrenamiento
116
Tesis Ingenieril
UNMSM
Muestra total de data normalizada parte II que se usar en el entrenamiento
117
Tesis Ingenieril
UNMSM
Muestra total de data normalizada parte I que se usar en la validacin
Muestra total de data normalizada parte II que se usar en la validacin
118
Tesis Ingenieril
UNMSM
5.4 Fase de Entrenamiento

La fase de entrenamiento de la red neuronal, es necesaria para poder asociar un patrn
de entradas definidas minuciosamente como las variables relevantes de entrada, a un
patrn de salidas llamadas target. Nuestro patrn de entradas ser un vector que
contendr las diferentes alternativas marcadas por cada variable, adems que debe estar
debidamente normalizada; por cada examinado, al cual le corresponde un determinado
grupo ocupacional en el cual destaca dependiendo las habilidades y actitudes que posea
el evaluado, dicha correspondencia deber aprender la red neuronal en esta fase, para
posteriores casos nuevos de orientacin vocacional.
Para la fase de entrenamiento de la red, se va a realizar utilizando la Caja de
Herramientas de Redes Neuronales (NNTool) propios del Matlab, y descritas en el
Anexo B.
Se realizarn varias configuraciones para el entrenamiento, de las cuales
seleccionaremos solo una configuracin que presente mejor rendimiento y menor
margen de error.
5.4.1 Proceso de Entrenamiento

En la etapa del proceso de entrenamiento de la red neuronal, mostraremos los
distintos escenarios a travs de 5 configuraciones de red, cada una presentara sus
particulares como por ejemplo el nmero de capas ocultas que presentar, las
funciones utilizadas en su entrenamiento, el nmero de neuronas en las capas ocultas
entre otras particularidades. En cada escenario se visualizar en qu estado llego la red
y el rendimiento obtenido, para luego hacer las comparaciones necesarias y optar por
una de ellas.
5.4.1.1 Configuracin de Parmetros de Red 1
Orientador_1: Red Neuronal que muestra la configuracin necesaria para su
creacin y posterior puesta en marcha el entrenamiento. La fig. 5.1 muestra cmo se
realiza esta tarea en el NNTool de Matlab:
119
Tesis Ingenieril
UNMSM
Creacin de la red neuronal Orientador_1
Mtodo: El mtodo empleado, para la creacin de la red est basado en el NNTool, que
es un entorno de pruebas y ejecucin, exclusivas para el tratamiento de redes neuronales
artificiales, dentro del MATLAB. Gracias a ella, es posible crear y configurar diferentes
tipos de redes, de una manera prctica.
Descripcin: La red neuronal creada muestra la siguiente configuracin:
-
Tipo de red: Backpropagation

Rango de las entradas: Entre 0 y 1
Funcin de Entrenamiento: TRAINLM, el cual es una funcin que actualiza los
pesos y ganancias de acuerdo a la optimizacin de Levenberg-Marquardt.
Funcin de Aprendizaje: LEARNGDM, que es una funcin de aprendizaje de
gradiente descendente con momentum de los pesos y biases.
Funcin de Rendimiento: MSE, el cual est basado en el Error Cuadrtico
Medio.
Numero de Capas: 4 (1 de entrada, 2 ocultas y 1 de salida), la capa de entrada es
reconocida automticamente por el MATLAB.
Numero de Neuronas por Capa:
Capa de Entrada: 143 neuronas.
Capa Oculta: 50 neuronas por cada capa oculta.
Capa de Salida: 11 neuronas.
120
Tesis Ingenieril
-
UNMSM
Propiedades de las capas: Hacen uso de la funcin TANSIG

Los parmetros como se configuro la red para el entrenamiento, se muestran a
continuacin en la fig. 5.2:
Parmetros del entrenamiento para la red Orientador_1
Resultado: El resultado luego del entrenamiento y con la configuracin mostrada, es el

performance o rendimiento, el cual es calculada por la funcin del error cuadrtico
medio, segn muestra la fig. 5.3:
Error Cuadrtico Medio: 0.116
Finalizacin del entrenamiento para la red Orientador_1
121
Tesis Ingenieril
UNMSM

-

Medio.
122
Tesis Ingenieril
UNMSM


123
Tesis Ingenieril
UNMSM

-

Medio.
124
Tesis Ingenieril
UNMSM



125
Tesis Ingenieril
UNMSM

-

Medio.
126
Tesis Ingenieril
UNMSM



127
Tesis Ingenieril
UNMSM

-

Medio.
128
Tesis Ingenieril
UNMSM



129
Tesis Ingenieril
UNMSM

-

Medio.
130
Tesis Ingenieril
UNMSM



131
Tesis Ingenieril
UNMSM

-

Medio.
132
Tesis Ingenieril
UNMSM



133
Tesis Ingenieril
UNMSM

realiza esta tarea en el NNTool deMatlab:
-

Medio.
134
Tesis Ingenieril
UNMSM



135
Tesis Ingenieril
UNMSM

-

Medio.
136
Tesis Ingenieril
UNMSM



137
Tesis Ingenieril
UNMSM

-

Medio.
138
Tesis Ingenieril
UNMSM



139
Tesis Ingenieril
UNMSM
5.4.2 Resumen del Proceso de Entrenamiento

Luego del proceso de entrenamiento de la red neuronal, con las diferentes
configuraciones vistas anteriormente, mostraremos en la siguiente tabla 5.11, el
compendio de los resultados obtenidos en las 10 configuraciones realizadas para cada
red neuronal. Esta tabla muestra el nmero de capas ocultas por cada red, as como el
nmero de neuronas por cada capa oculta, las pocas barridas para cada
entrenamiento, y lo ms importante que es el performance o rendimiento obtenido y
que es equivalente a la funcin del Error Cuadrtico Medio (ECM).
Resumen de los entrenamientos realizados por cada red neuronal

CAPA
ENTRADA
RED NEURONAL
CAPA
SALIDA
CAPA OCULTA
EPOCAS
ECM
11
15
0.116
11
13
0.107
11
21
0.111
40
40
11
15
0.018
60
60
60
11
19
0.105
143
30
30
30
11
14
0.107
Orientador_7
143
70
70
70
11
17
0.120
Orientador_8
143
50
50
50
50
11
13
0.128
Orientador_9
143
70
70
70
70
11
14
0.0849
Orientador_10
143
80
80
80
80
11
15
0.0840
Orientador_1
143
50
50
Orientador_2
143
60
60
Orientador_3
143
70
70
Orientador_4
143
40
Orientador_5
143
Orientador_6
140
Tesis Ingenieril
UNMSM
5.5 Fase de Validacin

La validacin permitir saber el grado de generalizacin de la red neuronal, y cuando
hablamos de generalizacin nos referimos a la capacidad de la red para responder
correctamente ante patrones nuevos que no se haban usado en su entrenamiento, esta
caracterstica hace realmente que la red neuronal se comporte como un sistema
inteligente. Para esta fase tambin se har uso del NNTool propios del Matlab (ver
Anexo B)
5.5.1 Procedimiento en Matlab

Para proceder con la validacin de las redes neuronales seleccionadas en el
proceso de entrenamiento, es necesario usar los datos que se haban reservado
previamente dentro del total de datos disponibles (aproximadamente del total de
ejemplos). Cada red neuronal procesar la nueva informacin, teniendo en cuenta lo
aprendido en la fase de entrenamiento, el cual esta almacenada en la red y se le
conoce como Matriz de Conocimiento.
A continuacin en la fig. 5.31, se muestra cmo proceder para validar la red
seleccionada en el entrenamiento, esto es a travs de la misma interfaz donde se
realizaba el entrenamiento, en una de las pestaas que dice Simulate, se cargan las
entradas y la salida para cada vector de entrada que se presente. Adems luego de la
validacin, tendremos un vector que representa el error cometido, como se observa
en la fig. 5.32.
Simulacin de la red Orientador_4 con la data de validacin
141
Tesis Ingenieril
UNMSM
Errores producidos luego de la validacin de la red Orientador_4
5.5.2 Medicin de la Tasa de Error

El clculo de la tasa de error, se har utilizando la frmula del Error Cuadrtico
Medio (Ec), de esa manera podemos saber cul de las redes seleccionadas para el
proceso de validacin, es la que presenta un menor error, y por ende un mejor
rendimiento. Su frmula matemtica es la siguiente:
Donde:
Ec = Error cuadrtico medio
N = Numero de muestras en la validacin
= Salida objetivo de la red para la muestra i
(w) = Salida estimada de la red para la muestra i.
142
Tesis Ingenieril
UNMSM
Si analizamos las variables involucradas en la frmula, podemos notar que para la fase
de validacin, el nmero de muestras presentadas es igual a 15, segn la tabla 5.1; la
salida objetivo es la que se presenta en la tabla 5.2 y la salida estimada es la que
proporciona la red luego de la validacin. A continuacin los resultados obtenidos luego
de validar las redes Orientador_4, Orientador_9 y Orientador_10, indican que la red
Orientador_4, es la que posee un menor ECM, por ende ser la red seleccionada para
ser integrada junto con el sistema web de Orientacin Vocacional.
Resultados del Proceso de Validacin de las redes seleccionadas
Red Neuronal
Numero de Capas
Ocultas
Numero de
Neuronas por
Capa oculta
ECM
Orientador_4
40
0.03077184
Orientador_9
70
0.03887127
Orientador_10
80
0.04788314
143
Tesis Ingenieril
UNMSM
5.6 Sistema Web de Orientacin Vocacional

En este apartado mostraremos el software generado para el proceso de orientacin
vocacional, el cual ser usado por personas que necesiten un apoyo de
autoconocimiento para tener un mejor criterio de decisin para una futura carrera.
El software ha sido implementado usando el IDE de desarrollo NetBeans 7.3 y JDK
7.0, el cual fue seleccionado puesto que provee las herramientas adecuadas para la
creacin de una interfaz amigable y por su fcil integracin con otras tecnologas.
5.6.1 Comunicacin JAVA MATLAB

Se requiere hacer una conexin entre Java y MatLab puesto que usamos el lenguaje
Java para la creacin de la interfaz de usuario, pero para la generacin de la red
neuronal se ha usado MatLab, en este sentido se requiere una comunicacin entre
ellas, que se har por medio de una librera llamada JmatLink.
5.6.1.1 JmatLink
Es una librera ms de las muchas que existe en el mundo Java, la cual est
orientada al uso de mtodos que permiten una conexin entre plataforma Java y
Matlab, es as que es posible lanzar comandos de Matlab desde cdigo Java, a
travs de las clases predefinidas dentro de la librera. Se cuenta con 3 clases bases:
JmatLink
CoreJmatLink
JmatlinkException
Estas clases base mencionadas, trabajan conjuntamente y van a poder ser
instanciadas importando el paquete JmatLink dentro de nuestro proyecto. Existe
adems una librera llamada JmatLink.dll, la cual deber ser colocada en la ruta:
C: \Windows\System32, esto es necesario para que se ejecuten internamente los
mtodos de las clases base mencionadas. A continuacin se muestra un ejemplo
bsico en donde se puede apreciar cmo es que ambas plataformas se
interrelacionan:
Ejemplo:
144
Tesis Ingenieril
UNMSM
import jmatlink.*; // Se importa la clase jmatlink

class PruebaJmatLink
{
private JmatLink conexionMatlab; // Se declara una variable de conexin
PruebaJmatLink () {
conexionMatlab = new JmatLink(); // Se crea una instancia JmatLink
}
public void conectarMatlab() {
conexionMatlab.engOpen(); // Se abre la conexin
conexionMatlab.engEvalString(nombreComando(nombreParametro)); // Se
ingresa un comando de MatLab con los parmetros que requiera
conexionMatlab.engClose(); // Cerramos la conexin
}
public static void main(String[] args) {
PruebaJmatLink p = new PruebaJmatLink();
p.conectarMatlab();
}
}
A continuacin los mtodos principales que sern utilizados:
engOpen(): Apertura de conexin con Matlab
engEvalString(cadena): Mtodo que recibe como parmetro un String

llamado cadena y es procesada en Matlab
engGetArray(a): Mtodo que recupera un resultado almacenado en la

variable a
engClose(): Cierre de conexin con Matlab
145
Tesis Ingenieril
UNMSM
5.6.2 Interfaz de Usuario

Es indispensable una correcta, amigable e intuitiva interfaz de usuario para que se
pueda comprender las funcionalidades que brindar el sistema, fue as que se
desarroll el sistema web de orientacin vocacional cumpliendo estos patrones
citados para alumnos escolares, pre-universitarios y universitarios. Mostraremos a
continuacin como ha sido el desarrollo de las vistas principales:
5.6.2.1 Vista Principal del Sistema Web

Pgina de inicio del Sistema Web
Enlace para dirigirse a

la vista mostrada e
iniciar una sesin o
crear una cuenta nueva
5 mdulos principales
que presenta el
sistema web
146
Tesis Ingenieril
UNMSM
5.6.2.2 Acceso al Sistema

Para el acceso al sistema de orientacin vocacional, es necesario haberse
registrado previamente, una vez que el interesado se haya registrado podr
acceder al servicio principal del sistema que es el proceso de orientacin
vocacional el cual ser accesible solo para aquellos que hayan iniciado una sesin
con sus credenciales.
Inicio de sesin para acceder al sistema de orientacin vocacional
Enlace para dirigirse a

la vista mostrada e
iniciar una sesin o
crear una cuenta nueva
Ingreso de credenciales
para poder acceder al
mdulo principal: Test
de Orientacin
Vocacional
147
Tesis Ingenieril
UNMSM
5.6.2.3 Usuario del Sistema

Como ya se vena acotando, los usuarios finales del sistema de orientacin
vocacional son alumnos que estn cursando los ltimos aos de educacin
secundaria (4to y 5to), como tambin estudiantes preuniversitarios y
universitarios de los primeros ciclos que crean conveniente una evaluacin de
esta naturaleza.
Cuestionario del Casm-83 Inicio
El usuario ha iniciado
su sesin en el sistema
Pregunta N 3 del
Cuestionario Casm-83
Submdulo: Ir al Test
Casm-83 en donde se
va a mostrar el
cuestionario
148
Tesis Ingenieril
UNMSM
Cuestionario del Casm-83 Fin
Botn de accin que se

debe presionar cuando se
finalice de responder todo
el cuestionario
Navegacin de pginas del

cuestionario Casm-83
En la Fig. 5.36 se puede observar que el evaluado se encuentra en la ltima pgina del
cuestionario y que deber responder hasta la pregunta 143, antes de presionar el botn
Procesar Test, si es que realmente desea un resultado apropiado para l.
149
Tesis Ingenieril
UNMSM
5.6.2.4 Presentacin de Resultados

En la vista siguiente, se observa cmo se estn presentando los resultados
finales luego de que el estudiante haya respondido todos los tems del
cuestionario. La presentacin es travs de un grfico de barras horizontales que
representan el grado de afinidad con cada uno de los grupos ocupacionales
descritos en el Casm-83.
Muestra de Resultados del Casm-83
Barra horizontal mayor

correspondiente al rea
ocupacional CCFM
reas Ocupacionales del
Casm-83 diferenciadas por
colores
Puntuacin por rea

ocupacional, cuyo rango es
de: [0-22]
En la figura 5.37 se puede observar que el alumno Kield Benites Quispe, obtuvo
como resultado luego de responder verazmente todo el cuestionario, un puntaje mayor
en el rea ocupacional CCFM, por ende un grado de afinidad mayor con dicha rea. Lo
ms adecuado es que en un futuro elija una de las carreras que engloba dicha rea.
150
Tesis Ingenieril
UNMSM
5.6.2.5 Otros mdulos del Sistema Web

En las siguientes vistas mostraremos los mdulos complementarios o
secundarios del sistema web, los cuales son esencialmente informativos para una
mejor comprensin del evaluado, acerca de que es la orientacin vocacional y
profesional, adems de los grupos ocupacionales del CASM 83, y tambin una
gua de carreras por cada grupo ocupacional definida en el CASM 83, una
particularidad de estos mdulos es que no es necesario iniciar sesin para acceder
a ellos, solo para el modulo Test de Orientacin Vocacional. Veamos los
mdulos:
5.6.2.5.1
Mdulo de Orientacin Vocacional
Muestra del sub-mdulo Orientacin Vocacional
151
Tesis Ingenieril
UNMSM
En la figura anterior 5.38, se visualiza el sub-mdulo Orientacin Vocacional, el

cual es una vista descriptiva de lo que realmente es la Orientacin Vocacional, el
fundamento etimolgico y algunos conceptos relacionados, Esto ayudar al
alumno a tener una nocin ms clara de la importancia que tiene realizar una
evaluacin de este tipo.
Muestra del sub-mdulo Orientacin Profesional
En la figura anterior 5.39, se observa el sub-mdulo Orientacin Profesional, el

cual tambin es una vista descriptiva pero referente a la Orientacin Profesional,
presenta ciertas caractersticas similares a lo que es la orientacin vocacional,
aunque en un sentido ms laboral.
152
Tesis Ingenieril
5.6.2.5.2
UNMSM
Mdulo Grupos Ocupacionales
Muestra del sub-mdulo Informacin de Grupos Ocupacionales
La figura 5.40 mostrada, le corresponde al sub-mdulo Informacin de Grupos

Ocupacionales, y que como su nombre indica, hace mencin de los 11 grandes
grupos ocupacionales definidos en el CASM-83, analizados en base a la realidad
peruana. Aqu no se detalla cada grupo ocupacional, ni las carreras englobadas
dentro de este; en el siguiente apartado podemos ver el detalle de cada una de
ellas.
153
Tesis Ingenieril
5.6.2.5.3
UNMSM
Mdulo Gua de Carreras
Muestra del sub-mdulo Informacin de Carreras por reas
Botn de accin para

mostrar la vista detalle de
ese grupo ocupacional
La figura mostrada 5.41, exhibe un cuadro completo de los 11 grandes grupos

ocupacionales en nuestro medio peruano, la descripcin de cada una, y para ms
detalle en la ltima columna del cuadro, por cada fila se encuentra un botn el
cual nos va a redirigir a una nueva vista que nos proporcionar un mayor detalle
de dicho grupo. A continuacin se muestra la vista, luego de presionar el botn
mencionado.
154
Tesis Ingenieril
UNMSM
5.6.2.5.3.1 Ciencias Fsico-Matemticas
Muestra de la vista detalle del grupo ocupacional CCFM
Enlace que conduce a la

vista anterior, mostrada en
la Fig. 5.41
Como se puede apreciar en la Fig. 5.42, se especifica el detalle del grupo

ocupacional que consta de las carreras profesionales y tcnicas de ese grupo. El
CASM 83 sugiere que el evaluado que haya alcanzado un mayor puntaje en este
grupo, es decir una mayor afinidad, siga alguna de las carreras mostradas.
155
Tesis Ingenieril
UNMSM
5.6.2.5.3.2 Ciencias Sociales
Muestra de la vista detalle del grupo ocupacional CCSS

la Fig. 5.41

156
Tesis Ingenieril
UNMSM
5.6.2.5.3.3 Ciencias Naturales
Muestra de la vista detalle del grupo ocupacional CCNN

la Fig. 5.41

157
Tesis Ingenieril
UNMSM
5.6.2.5.3.4 Ciencias de la Comunicacin
Muestra de la vista detalle del grupo ocupacional CCCO

la Fig. 5.41

158
Tesis Ingenieril
UNMSM
5.6.2.5.3.5 Arte
Muestra de la vista detalle del grupo ocupacional ARTE

la Fig. 5.41

159
Tesis Ingenieril
UNMSM
5.6.2.5.3.6 Burocracia
Muestra de la vista detalle del grupo ocupacional BURO

la Fig. 5.41

160
Tesis Ingenieril
UNMSM
5.6.2.5.3.7 Ciencias Econmicas y Polticas
Muestra de la vista detalle del grupo ocupacional CCEP

la Fig. 5.41

grupo, es decir una mayor afinidad, siga alguna de las carreras profesionales
mostradas.
161
Tesis Ingenieril
UNMSM
5.6.2.5.3.8 Institutos Armados
Muestra de la vista detalle del grupo ocupacional IIAA

la Fig. 5.41
Como se puede apreciar en la Fig. 5.49, se especifica el detalle del grupo ocupacional
que consta de las carreras profesionales y tcnicas de ese grupo. El CASM 83 sugiere
que el evaluado que haya alcanzado un mayor puntaje en este grupo, es decir una mayor
afinidad, siga alguna de las ocupaciones mostradas.
162
Tesis Ingenieril
UNMSM
5.6.2.5.3.9 Finanzas
Muestra de la vista detalle del grupo ocupacional FINA

la Fig. 5.41
afinidad, siga alguna de las carreras mostradas.
163
Tesis Ingenieril
UNMSM
5.6.2.5.3.10 Lingstica
Muestra de la vista detalle del grupo ocupacional LING

la Fig. 5.41

164
Tesis Ingenieril
UNMSM
5.6.2.5.3.11 Jurisprudencia
Muestra de la vista detalle del grupo ocupacional JURI

la Fig. 5.41
afinidad, siga alguna de las carreras mostradas.
165
Tesis Ingenieril
UNMSM
5.6.3 Prueba del Funcionamiento del Sistema

En este apartado, realizaremos una prueba para corroborar si el sistema obtiene los
resultados esperados, para ello tomaremos un diagnstico nuevo del consultorio
psicolgico el cual no ha sido usado en la fase de entrenamiento ni validacin de la
red, y luego se har un contraste de los resultados obtenido del sistema con los ya
conocidos resultados del consultorio.
5.6.3.1
Caso a Evaluar en el Sistema
Se ha seleccionado uno de los casos recolectados del consultorio psicolgico, el

cual no ha sido usado en el entrenamiento ni validacin de la red; este caso le
pertenece a la alumna:
Nombres y Apellidos: Melhanie Elybeth Morales Lvano
Edad: 16 aos
Carreras a las que aspira: Diseo de Interiores, Arquitectura, Administracin
en Turismo y Hotelera.
Respuestas que marco en el CASM 83:
Ficha de respuestas del diagnstico tomado en el consultorio para la prueba
del sistema
1.a
2.a
3.b
4.b
5.b
6.a
7.a
8.a
9.a
10.b
11.b
12.b
13.a
14.b
15.a
16.b
17.b
18.a
19.b
20.a
21.b
22.a
23.a
24.b
25.b
26.b
27.b
28.a
29.a
30.b
31.b
32.b
33.a
34.b
35.a
36.a
37.b
38.b
39.a
40.b
41.a
42.a
43.b
44.a
45.b
46.b
47.b
48.a
49.a
50.b
51.b
52.a
53.b
54.b
55.b
56.b
57.a
58.b
59.b
60.b
61.b
62.b
63.b
64.b
65.a
66.a
67.a
68.b
69.a
70.a
71.a
72.a
73.a
74.a
75.b
76.b
77.b
78.b
79.b
80.b
81.b
82.a
83.b
84.b
85.b
86.a
87.a
88.b
89.b
90.b
91.b
92.a
93.a
94.a
95.a
96.b
97.b
98.a
99.a
100.a
101.a
102.b
103.a
104.b
105.a
106.a
107.b
108.b
109.b
110.a
111.a
112.b
113.a
114.a
115.b
116.b
117.a
118.b
119.b
120.a
121.b
122.b
123.b
124.b
125.b
126.a
127.b
128.b
129.b
130.b
131.a
132.b
133.a
134.a
135.b
136.a
137.b
138.b
139.a
140.a
141.a
142.b
143.a
166
Tesis Ingenieril
5.6.3.2
UNMSM
Rendimiento del Sistema Web
El rendimiento del sistema web, se observar una vez que se procese todas las
respuestas que el alumno marc (variables de entrada del sistema y la red
neuronal). Entonces tomando como entrada las respuestas que se observa en la
tabla 5.13, se procedi a realizar la prueba en el sistema y se obtuvo el siguiente
contraste entre los resultados del sistema con los del caso tomado para la prueba
del rendimiento:
Cuadro comparativo de resultados obtenidos del sistema web frente al Consultorio

Psicolgico
Error
reas
Afinidad
Afinidad
Error del
Porcentual
Ocupacionales
N
segn el
segn el
Sistema
(%) del
segn el
Consultorio
Sistema
Web
Sistema
CASM 83
Web
1
CCFM
10
8.4354
1.5645
15.64
CCSS
14
16.2542
2.2542
16.10
CCNN
11
13.0849
2.0849
18.95
CCCO
10
6.0434
3.9566
39.56
ARTE
13
13.6404
0.6404
4.92
BURO
10.7573
3.7573
53.67
CCEP
14
12.7175
1.2824
9.16
IIAA
11.8131
4.8131
68.75
FINA
15
12.5655
2.4344
16.22
10
LING
15
15.2222
0.2222
1.48
11
JURI
5.9270
0.9270
18.54
Total
Promedio
11
11.4964
0.4964
4.51
167
Tesis Ingenieril
UNMSM
En la tabla 5.14, se aprecia los resultados respectivos tanto del consultorio psicolgico
como del sistema web luego de hacer la prueba del rendimiento con el caso tomado en
el apartado 5.6.3.1. En la ltima fila de la tabla se visualiza claramente que el error
porcentual promedio del sistema es: 4.51%, pero el ECM (Error Cuadrtico Medio) del
caso evaluado es: 0.009%, el cual se encuentra por debajo del ECM calculado en la
fase de validacin (ver apartado 5.5.1); debemos resaltar que el ECM obtenido en la
fase de validacin es mnimo puesto que este error es un promedio de todos los errores
por cada grupo ocupacional, como se pudo observar en la tabla 5.14.
Cabe mencionar que el sistema responde con una particularidad positiva que se ha
podido observar, y es que en los grupos ocupacionales donde el evaluado obtuvo mayor
afinidad, el sistema posee un error mnimo frente a los dems grupos con los cuales el
evaluado no presenta una afinidad significativa.
Entonces podemos decir que los resultados obtenidos en el sistema web de orientacin
vocacional presenta un grado de fiabilidad respetable. Por consiguiente concluimos
afirmando que:
0.009%
<=
Error del Caso

Evaluado
0.030%
Error de la Red en la
Fase de Validacin
168
Tesis Ingenieril
UNMSM
CAPTULO VI: CONCLUSIONES Y TRABAJOS FUTUROS
6.1 Conclusiones
El aporte de las investigaciones en cuanto a las redes neuronales ha contribuido
en gran medida a dar solucin a muchos problemas de la sociedad como es el
caso de la orientacin vocacional; puesto que en algunos casos, presentan una
gran complejidad.
Optar por usar una tecnologa distinta como son las redes neuronales, no debe
ser una moda, sino como una gran alternativa de salida cuando los modelos
matemticos o estadsticos no son suficientemente exactos para resolver un
determinado problema.
Este tipo de problema abordado en la presente investigacin ha sido
seleccionado por la gran desercin que existe en el pas, dentro de las
universidades tanto estatales como particulares, y merece ser atendido de
manera ms objetiva en base a rigurosas investigaciones que se hacen dentro de
la sociedad en la que vivimos los peruanos.
Este trabajo ayudar a muchos jvenes del pas a poder conocerse mejor y as
poder dirigir su vida tanto en el aspecto profesional como vocacional en un
sentido ms profundo, ya que adoptarn una forma de vida de acuerdo a la
eleccin que tomarn para su futuro.
Se ha dado solucin al problema del proceso de orientacin vocacional, con
una eficacia respetable por los cimientos en los que se sostiene, como fue la
herramienta de orientacin vocacional llamada CASM-83, elaborada dentro de
la Facultad de Psicologa de la UNMSM en 1983 y cuyas revisiones peridicas
lo mantienen an vigente para su aplicacin en diversos centros psicolgicos
del pas como por ejemplo el Consultorio Psicolgico de San Marcos.
169
Comentario [CA5]: TUS

CONCLUSIONES DEBEN ESTAR ALINEADA
A TUS OBJETIVOS DEFINIDOS OK? FAVOR
REVISAR Y HACER LOS AJUSTES DEL CASO
Tesis Ingenieril
UNMSM
6.2 Trabajos Futuros

Tomando como base el presente trabajo, se deja abierta la posibilidad de
extender esta solucin referente al proceso de orientacin vocacional, con
otros aportes que coadyuven a la solucin de esta problemtica, para esto se
debe tomar en cuenta otros factores que influyen de manera directa e indirecta
al proceso de orientacin vocacional, como son la personalidad e inteligencia
del individuo, para cada uno existen herramientas de apoyo como son los test
Caracterolgicos y test de Inteligencia respectivamente; en consecuencia si se
adhieren estas herramientas en el proceso de orientacin vocacional va web,
este lograra una mejor precisin en cuanto a orientacin vocacional se refiere.
170
Referencias Bibliogrficas
Revistas
[Julin+00]: V. Julin, V. Botti (2000). Agentes Inteligentes: El siguiente paso
de la inteligencia artificial. NOVATICA, pg. 95-99
Manuales
[De la Cruz, 95]: Victoria de la Cruz Lpez (1995). Intereses y Preferencias
Profesionales, 2da Edicin Revisada, Madrid Espaa.
[Vicua, 03]: Luis Alberto Vicua Peri (2003). Inventario de Intereses
Profesionales y Ocupacionales CASM 83, 3ra Edicin Revisada, Lima Per.
Libros
[Castillo, 91]: Abanto Castillo Zoila (1991). Orientacin Vocacional y Test
Psicotcnicos, Lima-Per. San Judas Tadeo
[Isasi+03]: Pedro Isasi Viuela, Ins M. Galvn Len (2003). Redes de
Neuronas Artificiales: Un enfoque prctico, Madrid-Espaa. Lavel S.A
[Aguirre, 96]: ngel Aguirre Baztn (1996). Psicologa de la Adolescencia,
Barcelona-Espaa. Boixareu Universitaria
[Colina+, 98]: Colina, E. y Rivas, F (1998). Introduccin a la Inteligencia
Artificial, Universidad de los Andes, Mrida-Venezuela
[Serrano+09,10]: Antonio J. Serrano, Emilio Soria, Jos D. Martin (2009-2010).
Libro de Redes Neuronales Artificiales, Valencia-Espaa
Tesis
[Sobrevilla, 10]: Marco Sobrevilla Cabezudo (2010), Implementacin de Redes
Neuronales para mejorar el Anlisis de la Probabilidad de Ocurrencia de
Sismos en el Per, UNMSM, Tesis de Pregrado, Lima-Per.
[Gil+10]: Eybi Gil Zavaleta y Edith Rodrguez Collas (2010), Sistema de
pronstico de la demanda de productos farmacuticos basado en redes
neuronales, UNMSM, Tesis de Pregrado, Lima-Per.
[Montao, 02]: Juan Jos Montao Moreno (2002), Redes Neuronales
Artificiales aplicadas al anlisis de Datos, Universidad de Islas Baleares, Tesis
Doctoral, Mallorca-Espaa
171
[Castillo, 09]: Tapia Castillo Jackeline (2009), Sistema Experto para el apoyo
del proceso de Orientacin Vocacional para las carreras de Ingeniera en la
Pontificia Universidad Catlica del Per, Universidad Catlica del Per, Tesis
de Pregrado, Lima-Per
[Cepero, 09]: Antonia Beatriz Cepero Gonzales (2009), Las preferencias
profesionales y vocacionales del alumnado de educacin secundaria y
formacin profesional especfica, Universidad de Granada, Granada-Espaa
[Muoz, 96]: Antonio Muoz San Roque (1996), Aplicacin de tcnicas de
redes neuronales artificiales al diagnstico de
procesos Industriales,
Universidad Pontificia Comillas, Tesis Doctoral, Madrid-Espaa.
[Ruiz, 09]: Ana Claudia Ruiz Tadeo (2009), Sistema Inteligente Conversacional
para la Orientacin Vocacional, Universidad de Colima, Tesis para obtener el
Grado de Maestra en Computacin, Colima-Mxico.
[Martn, 96]: Mara Jos Martn Moreno (1996), Sistema Experto de Orientacin
Vocacional - Profesional, Universidad Complutense de Madrid, Tesis Doctoral,
Madrid-Espaa.
[Prez, 02]: Juan Antonio Prez Ortiz (2002), Modelos Predictivos basados en
Redes Neuronales Recurrentes de tiempo discreto, Universidad de Alicante,
Tesis Doctoral, Alicante-Espaa.
[Montero, 05]: Pamela Montero Ruiz (2005), Actualizacin del Inventario de
Intereses Vocacionales de G.F. Kuder Forma C, en estudiantes de II ao de
enseanza media Cientfico Humanista del Gran Santiago, Universidad de
Chile, Tesis de Pregrado, Santiago-Chile
Direcciones Web
[Torres la Jara, 08]: Miguel Torres la Jara, Situacin acerca de la Desercin
Universitaria
en
el
Mundo,
http://campus.ulasamericas.edu.pe/upea/images/stories/archivos/revista_online/
DESERCION.pdf , (12 de abril de 2012)
[Logros]:
Logros,
Desercin
universitaria
preocupa
al
mundo,
http://www.logrosperu.com/noticias/actualidad/810-desercion-universitariapreocupa-al-mundo.html , (12 de abril de 2012)
[Ceroni,
09]:
Mario
Ceroni,
Desercin
universitaria,
http://profesorceroni.blogspot.com/2009/07/desercion-universitaria.html , (12 de
abril del 2012)
[Lpez, 10]: Tatiana Lpez, ndice de Desercin Universitaria,
http://www.buenastareas.com/ensayos/Indice-De-Deserci%C3%B3nUniversitaria/118127.html , (15 de abril del 2012)
172
[Galilea,
01]:
Virginia
Galilea,
Orientacin
Vocacional,
http://www.sie.es/crl/archivo_pdf/ORIENTACION%20VOCACIONAL.pdf
,
(19 de abril del 2012)
[Bartone, 09]: Rosalba Bartone Di Muro, Madurez Vocacional y Perfil de
valores
humanos
en
estudiantes
universitarios,
http://www.saber.ula.ve/bitstream/123456789/31486/4/articulo8.pdf, (13 de
setiembre del 2012)
[Caldern, 02]: Jos Luis Caldern O., Redes Neuronales Artificiales: teora y
Diseo,
http://www.slideshare.net/mentelibre/redes-neuronales-artificialeshistoria-y-teoria , (26 de abril del 2012)
[Softwarelibre,
03]:
Softwarelibre,
Tipos
de
redes
neuronales,
http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuronale
s/c81.html , (5 de mayo del 2012)
[Broomhead+88]: D.S. Broomhead y D. Lowe, Redes de Base Radial,
http://www.disa.bi.ehu.es/spanish/profesores-etsibilbo/~jtpcaaxi/PFC/wwwANN/arquitectura.htm, (12 de setiembre del 2012)
[Matich, 01]: Damin Jorge Matich, Redes Neuronales: Conceptos bsicos y
Aplicaciones,
http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/mo
nograias/matich-redesneuronales.pdf, (12 de setiembre del 2012)
[Gordillo]: Adolfo A. Gordillo R., Clasificacin de Perfiles Psicolgicos,
http://www.google.com.pe/url?sa=t&rct=j&q=aplicaciones%20de%20redes%20
neuronales%20en%20la%20psicologia&source=web&cd=2&ved=0CE8QFjAB
&url=http%3A%2F%2Fespejos.unesco.org.uy%2Fsimplac2002%2FPonencias%
2FInforedu%2FIE004%2520Adolfo%2520A.%2520Gordillo.doc&ei=c_j1Tn_E4Ot6AH214TVBg&usg=AFQjCNHO9DMU0vz24RsupE7CbN5-iV6SQ&cad=rja, (8 de mayo del 2012)
[Durn, 08]: Lorena del Carmen Durn Cortez, Orientacin Vocacional,
http://orientacionvocacionalccsa.blogspot.com/2008/11/historia-de-loorientacin-vocacional.html, (9 de abril del 2012)
[Lujn+]: Luis Lujn Lpez, Eduardo Rodrguez Maysundo, Heider Y. Snchez
Enrquez, Sistema Experto test de orientacin vocacional para la computacin,
http://seccperu.org/files/Informe%20Test%20Vocacional_0.pdf, (15 de mayo
del 2012)
[Padern]:
Xavier
Padern,
Redes
Neuronales,
http://wwwgth.die.upm.es/~macias/doc/pubs/aircenter99/www.aircenter.net/mc31039903.ht
ml, (01 de setiembre del 2012)
173
[RedesDeNeuronas]:
RedesDeNeuronas,
Perceptrn
Multicapa,
http://www.redesdeneuronas.com/perceptron-multicapa.html, (01 de setiembre
del 2012)
[Basogain]: Xavier Basogain Olabe, Redes Neuronales Artificiales y sus
Aplicaciones,
http://ocw.ehu.es/ensenanzas-tecnicas/redes-neuronalesartificiales-y-sus-aplicaciones/contenidos/pdf/libro-del-curso, (13 de abril del
2012)
[Morn, 07]: Federico Morn, Redes Neuronales Artificiales: Introduccin y
Aplicaciones
en
Bioinformtica,
http://www.pdg.cnb.uam.es/cursos/Complutense/Complutense2007/pages/ANN
_introduccion_FMoran.pdf, (12 de setiembre del 2012)
[Serrano, 00]: Carlos Serrano, Las Redes Neuronales Artificiales,
http://ciberconta.unizar.es/leccion/redes/, (18 de setiembre del 2012)
[Ruiz del Solar]: Javier Ruiz del Solar, Procesamiento Avanzado de Imgenes,
http://robotica.li2.uchile.cl/el710/Clase17.pdf, (18 de setiembre del 2012)
[Serrano+,09]: Antonio J. Serrano, Emilio Soria, Jos D. Martin, Redes
Neuronales
Artificiales,
http://ocw.uv.es/ingenieria-y-arquitectura/12/libro_ocw_libro_de_redes.pdf, (05 de Noviembre del 2012)
[Larraaga+]: Pedro Larraaga, Iaki Inza, Albedmalik Moujahid, Redes
Neuronales,
http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf, (12 de
Noviembre del 2012)
[CAD1]:
Computacin
Aplicada
al
Desarrollo,
La
Internet,
http://www.cad.com.mx/que_es_internet.htm, (16 de Diciembre del 2012)
[Eddiewebdotorg, 12]: Informtica, Modelo Cliente Servidor,
http://eddiewebdotorg.wordpress.com/2012/09/19/modelo-cliente-servidor/, (17
de diciembre del 2012)
[CAD2]: Computacin Aplicada al Desarrollo, Historia de la Internet,
http://www.cad.com.mx/historia_del_internet.htm, (17 de Diciembre del 2012)
[Caplicado]: Computo Aplicado, Qu es la WWW y que puede hacer para m?,
http://www.caplicado.net/empresa/www.htm, (17 de Diciembre del 2012)
[Martin]:
Ral
Martn
Martn,
Funcionamiento
de
Internet,
http://www.uclm.es/profesorado/raulmmartin/Internet.MetododeNegocios/Tema
2.pdf, (17 de Diciembre del 2012)
174
[Numberger, 04]: Daniel Numberger, Aplicaciones Industriales de Redes

Neuronales, http://www.numberger.de/studium/aplicaciones_neuro.pdf, (17 de
Junio del 2013)
[Effer+, 12]: Effer Apaza, Alberto Huamn, Factores determinantes que inciden
en
la
desercin
de
los
estudiantes
universitarios,
http://revistas.concytec.gob.pe/pdf/au/v2n1/a06v2n1.pdf, (31 de Mayo del 2014)
175
Anexos
176
Anexo A
Consultorio Psicolgico de San
Marcos
177
Consultorio Psicolgico de San Marcos

Misin, Visin y Objetivos
MISIN
Somos una institucin que se encarga de la atencin de nios, adultos y ancianos,
varones y mujeres; en cuanto al diagnstico y tratamiento psicolgico en los mbitos
clnico y educativo, coadyuvando al mejoramiento de la salud mental de la poblacin de
Lima.
VISIN
Ser una unidad docente asistencial, acadmicamente solvente, profesionalmente
eficiente, socialmente responsable y econmicamente rentable.
OBJETIVOS:
Atencin eficiente al usuario a travs de un servicio asistencial de calidad.

Desarrollo de servicios asistenciales a travs de "Procedimientos Psicoteraputicos
Grupales".
Capacitacin permanente que permita la actualizacin y perfeccionamiento del
personal que brinda servicios en el Consultorio Psicolgico.
Asesoramiento psicolgico institucional a solicitud de entidades pblicas y privadas.
Incorporacin de profesionales especializados externos a la UNMSM para conformar
el equipo de trabajo del Consultorio Psicolgico.
Fuente: http://psicologia.unmsm.edu.pe/index.php/mision-vision-y-objetivos
178
Consultorio Psicolgico de San Marcos

reas de atencin
Servicios de atencin del Consultorio Psicolgico

Fuente: http://psicologia.unmsm.edu.pe/index.php/areas-de-atencion
179
Anexo B
Entorno MATLAB
180
MATLAB: Herramienta de Software Matemtico
Matlab es una fabulosa herramienta de software para realizar diversos clculos

matemticos ya sea de manera grfica o por comandos debido a que integra una ventana
de comandos para realizar algn cometido en particular. Dentro de ella existen diversas
herramientas para resolver problemas particulares, una de ellas es el Neuronal Network
Toolbox, o NNTool, con el cual se puede trabajar diversos tipos de redes neuronales, el
Perceptron Multicapa con Backpropagation es uno de ellos.
El perceptron multicapa con Backpropagation puede ser configurado dentro de este
entorno, es as que nosotros podemos escoger la funcin de entrenamiento, el nmero de
capas, el input y el target de la red. Este proceso de configuracin de los diversos
parmetros se puede conseguir utilizando los siguientes comandos:
Newff
Crea una red tipo Backpropagation, requiere que le sean especificados los
siguientes parmetros:
newff: (PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR: Rx2 Matriz de valores mximos y mnimos de cada uno de las R neuronas de
entrada.
Si: Nmero de neuronas para cada una de las capas.
TFi: Funcin de transferencia a utilizar en cada una de las capas, por defecto
utiliza tansig.
BTF: Algoritmo de entrenamiento a utilizar, por defecto utiliza trainlm
BLF: Funcin de actualizacin de los pesos, por defecto utiliza learngdm.
PF: Funcin para evaluar el desempeo de la red, por defecto utiliza mse.
Traingd
Algoritmo de pasos descendientes, que actualiza pesos y ganancias varindolos
en la direccin negativa del gradiente de la funcin del error. Es un algoritmo de
aprendizaje muy lento, que requiere de la siguiente sintaxis:
net.trainParam.epochs: Mximo nmero de iteraciones para obtener
convergencia.
net.trainParam.goal: Error mximo permitido
net.trainParam.lr: Tasa de aprendizaje
net.trainParam.max_fail: Mximo nmero de fallas
net.trainParam.min_grad: Mnimo rendimiento del gradiente
net.trainParam.show: Intervalo de visualizacin de los resultados
net.trainParam.time: Mximo tiempo de entrenamiento en segundos
181
Con este algoritmo el aprendizaje de la red se detendr si el nmero de

iteraciones excede el comando net.trainParam.epochs, si se alcanz el valor del
error propuesto como meta, si la magnitud del gradiente es menor que
net.trainParam.min_grad, o si el tiempo d entrenamiento supera el valor de
net.trainParam.time.
Traingdm
Equivale al algoritmo tradicional, ms un nuevo coeficiente de momentum, que
interviene en el proceso de actualizacin de los pesos. Si el error de la red en una
iteracin dada, excede el valor del error en la iteracin anterior, en un valor mayor
al definido por un radio de cobertura dado el que puede determinarse por medio
de la funcin max_perf_inc y que est tpicamente alrededor de 1.04, los nuevos
pesos y ganancias son descartados y el coeficiente de momentum mc es fijado en
cero.
La sintaxis de este algoritmo es igual a la utilizada para el algoritmo
traingd, ms un nuevo comando que permite modificar el coeficiente de
momentum
net.trainParam.mc: Valor fijado para el coeficiente de momentum
Traingda
Algoritmo de Gradiente Descendiente, que emplea una tasa de aprendizaje
adaptiva durante el proceso de entrenamiento. La tasa de aprendizaje vara entre
0.01 y 1, una tasa de aprendizaje muy pequea torna lento el aprendizaje, pero si
se incrementa demasiado el aprendizaje puede tornarse inestable y crear
divergencia, por esto la funcin traingda vara la tasa de aprendizaje tratando de
sacar provecho de la inclinacin del gradiente en cada momento; su gran
desventaja es que los pesos iniciales varan muy poco as se encuentren distantes
de los valores de convergencia. La sintaxis de este el algoritmo es la siguiente:
La sintaxis de este algoritmo se resume a continuacin:
net.trainParam.epochs: Mximo nmero de iteraciones para obtener
convergencia
net.trainParam.goal: Error mximo permitido
net.trainParam.lr: Tasa de aprendizaje inicial
net.trainParam.lr_inc: Porcentaje que incrementa la tasa de aprendizaje
cuando el error disminuye
net.trainParam.lr_dec: Porcentaje en que es decrementada la tasa de
aprendizaje cuando el error aumenta
net.trainParam.max_perf_inc: Mximo incremento del rendimiento
net.trainParam.show: Los resultados son visualizados siempre que
transcurre este nmero de iteraciones.
182
Trainrp
Las redes multicapa, utilizan tpicamente una funcin de transferencia sigmoidal
(ver captulo 1) en las capas ocultas, estas funciones comprimen un infinito rango
de entradas, dentro de un finito rango de salidas, adems se caracterizan porque su
pendiente tendera cada vez ms a cero, mientras ms grande sea la entrada que se
le presenta a la red, esto ocasiona problemas cuando se usa un algoritmo de
entrenamiento de pasos descendientes, porque el gradiente empieza a tomar
valores muy pequeos y por lo tanto no habrn cambios representativos en los
pesos y las ganancias, as se encuentren bastante lejos de sus valores ptimos. El
propsito del algoritmo Backpropagation Resileint (RPROP) es eliminar este
efecto en la magnitud de las derivadas parciales. En este algoritmo solamente el
signo de la derivada es utilizado para determinar la direccin de actualizacin de
los parmetros, la magnitud de las derivadas no tiene efecto en la actualizacin.
La magnitud en el cambio de cada peso es determinada por separado; el valor del
incremento de pesos y ganancias es determinado por el factor delt_inc, as la
derivada parcial del error con respecto a los pesos tenga el mismo signo durante
dos iteraciones sucesivas; el valor de decremento est determinado por el factor
delt_dec as la derivada del error con respecto a los pesos haya cambiado de signo
con respecto a la anterior iteracin; si la derivada es cero, entonces el valor
actualizado se conserva; si los pesos continan cambiando en la misma direccin
durante varias iteraciones, la magnitud de cambios de los pesos se decrementa.
La sintaxis de este algoritmo se resume a continuacin:
net.trainParam.epochs: Mximo nmero de iteraciones del entrenamiento

net.trainParam.show: Intervalo de visualizacin de los resultados
net.trainParam.goal: Error deseado
net.trainParam.time=inf: Mximo tiempo de entrenamiento en segundos
net.trainParam.delt_inc: Incremento en la actualizacin de pesos
net.trainParam.delt_dec: Decremento en la actualizacin de pesos
net.trainParam.delta0: Incremento inicial en la actualizacin de pesos
net.trainParam.deltamax: Mximo cambio en los pesos
Trainbfg
Algoritmo alternativo que emplea la tcnica del gradiente conjugado, su
expresin matemtica se deriva del mtodo de Newton, con la ventaja de que no
es necesario computar las segundas derivadas; este algoritmo requiere ms
capacidad de almacenamiento que el algoritmo tradicional, pero generalmente
converge en menos iteraciones. Requiere de un clculo aproximado de la matriz
Hessiana, la cual es de dimensiones n2 x n2, donde n la cantidad de pesos y
ganancias de la red; para redes que involucren una gran cantidad de parmetros es
preferible emplear el algoritmo trainrp.
183

net.trainParam.show: Nmero de iteraciones entre las cuales se muestran
resultados
net.trainParam.time=inf: Mximo tiempo de entrenamiento en segundos
net.trainParam.max_fail=5: Mximo nmero de fallas
net.trainParam.searchFcn Nombre de la rutina de bsqueda lineal a
utilizar.
net.trainParam.scal_tol: Se divide entre el valor de Delta para determinar
la tolerancia para la bsqueda lineal.
net.trainParam.alpha: Factor de escala que determina una reduccin
suficiente en el desempeo.
net.trainParam.beta: Factor de escala que determina un tamao de paso
suficientemente grande.
net.trainParam.delta: Tamao de paso inicial en el intervalo de
localizacin de paso.
net.trainParam.gama: Parmetro para evitar pequeas reducciones en el
desempeo.
net.trainParam.low_lim: Lmite inferior en el cambio del tamao del paso.
net.trainParam.up_lim: Lmite superior en el cambio del tamao del paso.
net.trainParam.maxstep: Mximo longitud de paso.
net.trainParam.minstep: Mnima longitud de paso; por defecto es 1.0e-6
net.trainParam.bmax: Mximo tamao de paso.
Trainlm
Algoritmo que actualiza los pesos y las ganancias de acuerdo a la optimizacin
de Levenberg-Marquardt. Es el algoritmo ms rpido para redes Backpropagation;
tiene la desventaja de requerir de un set de entrenamiento lo ms estndar posible,
pues de otra forma solo aproximar correctamente valores que se encuentren
dentro de los patrones de aprendizaje. Si el set de entrenamiento es muy extenso,
se recomienda reducir el Jacobiano.
La sintaxis de este algoritmo es la siguiente:

net.trainParam.max_fail: Mximo nmero de veces que falla el valor de
Mu
net.trainParam.mem_reducFactor de fraccionamiento de Jacobiano para
ahorrar memoria
net.trainParam.show:Intervalo de visualizacin de los resultados.
tr.mu: Valor del Mu adaptivo
Fuente: http://cybertesis.unmsm.edu.pe/handle/cybertesis/3222
184
Anexo C
Entrenamiento y Validacin de la
RNA
185
Comentario [CA6]: TE FALTA EL ANE

D.
Archivos .M
Archivos .M del Entrenamiento de la Red

Las siguientes figuras, representan las matrices que se usarn en la fase de
entrenamiento de la red neuronal. La primera matriz representa las entradas de
las partes del total de diagnsticos recogidos en el consultorio psicolgico, y
la segunda representa los resultados por cada uno de los diagnsticos.
Matriz de entradas para el entrenamiento de la red

Matriz de <143x45>
186
Matriz de salidas para el entrenamiento de la red

Matriz de <11x45>
187
Archivos .M de la Validacin de la Red

Las siguientes figuras, representan las matrices que se usarn en la fase de
validacin de la red neuronal. La primera matriz representa las entradas de todos
los diagnsticos que no fueron usados en la fase del entrenamiento y que
representa del total de diagnsticos; la segunda matriz representa los
resultados por cada uno de los diagnsticos.
Matriz de entradas para la validacin de la red

Matriz de <143x15>
188
Matriz de salidas para la validacin de la red

Matriz de <11x15>
189

Tesis Filosofica

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesis Filosofica

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, Decana de Amrica)

FACULTAD DE INGENIERA DE SISTEMAS E INFORMTICA

Solucin Web para la mejora del proceso de Orientacin Vocacional a

Kield Benites Quispe

Solucin Web para la mejora del proceso de Orientacin Vocacional a

Tesis presentada a la Universidad Nacional

Kield Benites Quispe, 2015

La presente investigacin para optar el grado de

Comentario [CA1]: sale

CAPITULO I: PLANTEAMIENTO DE LA INVESTIGACIN....1

2.8 INTERNET y WEB.21

3.3 Redes Neuronales Artificiales Seleccionadas......44

5.4.1 Proceso de Entrenamiento..119

CAPITULO VI: CONCLUSIONES Y TRABAJOS FUTUROS.169

Figura 2.1 Cantidad de alumnos matriculados por ciclo en la Universidad Unin

Comentario [CA2]: No es lista de fig

Figura 4.1 Flujo de Procesos para la implementacin de la red neuronal

Figura. 5.22 Creacin de la red neuronal Orientador _8

Figura 5.48 Muestra de la vista detalle del grupo ocupacional CCEP

Tabla 1.1 Cuadro resumen sobre la desercin universitaria en el mundo

Comentario [CA3]: Idem Indice de

Solucin Web para la mejora del proceso de Orientacin Vocacional a

Cuando un estudiante culmina la educacin secundaria, se encuentra en la difcil

Palabras claves: Orientacin Vocacional, Sistema Inteligente Computacional, Test de

Web Solution to improve the process of Vocational Guidance through

When a student completes secondary education, is in the difficult decision of choosing

CAPTULO I: PLANTEAMIENTO DE LA INVESTIGACIN

1.1 Antecedentes del Problema

1.2 Definicin del Problema de la Investigacin

Cmo ayudar a los alumnos a identificar sus habilidades y aptitudes desde

Determinacin de los objetivos

Efectuar con eficiencia la identificacin de la carrera profesional o tcnica

Justificacin y Delimitacin de la Investigacin

1.4.1 Importancia del tema

de fcil acceso ya que se brindar este

investigacin, cuantificacin y valorizacin de la desercin universitaria, y el

1.4.3.3 Delimitacin Tcnica

El sistema desarrollado, hace uso de una tcnica computacional llamada

CAPTULO II: MARCO TERICO

En este captulo trataremos acerca de la desercin universitaria en el Per, las

2.1 La Desercin Universitaria en el Per

Cantidad de alumnos matriculados por ciclo en la Universidad Unin

Fig. 2.1 (Effer+, 12)

Se observa que el ao 2009 se obtuvieron 417 alumnos matriculados, que

Enfoques del anlisis de la desercin universitaria

2.2 Orientacin Vocacional

que uno se encuentra llamado a ser en la vida, es la actividad a la que una

1) Etapa de Crecimiento (4 a 13 aos)

Este proceso de madurez vocacional, normalmente no tiene lugar de una forma

2.5 Dimensiones de la Madurez Vocacional [Bartone, 09]

La etapa de informacin es un componente de tipo cognoscitivo, vincula con

2.6 Enfoques en Orientacin Vocacional

En cuanto a sus aportaciones a la orientacin vocacional destacan dos

Sper postula que la influencia del concepto en la eleccin vocacional puede

2.7 Evaluacin en Orientacin Vocacional

Inventario de Intereses Profesionales y Ocupacionales CASM83[Vicua, 03]

El Inventario de Intereses Profesionales y Ocupacionales CASM 83, es una

Intereses y Preferencias Profesionales (Test IPP)

El test de Intereses y Preferencias Profesionales o IPP fue elaborado en 1993

profesionales (ensear). El instrumento tambin contempla la posibilidad de

Cuestionario de Intereses Profesionales. CIPSA [Cepero, 09]

El cuestionario de intereses profesionales de Fernndez y Andrade (1985),