Práctica1: Redes Neuronales aplicada al nivel de
rendimiento de los estudiantes en los colegios
Resumen– El hombre se ha caracterizado siempre por su
búsqueda constante de nuevas vías para mejorar sus condiciones de
vida. Estos esfuerzos le han servido para reducir el trabajo en
aquellas operaciones en las que la fuerza juega un papel primordial.
Las redes neuronales son más que otra forma de emular ciertas
características propias de los humanos, como la capacidad de
memorizar y de asociar hechos. Por ese motivo hemos tomado una
base de datos para poder analizar en el programa SPSS, con la
técnica de redes neuronales y la función de base radial, los progresos
obtenidos han permitido aproximar una amplia gama de modelos
estadísticos para el proceso de aprendizaje ya que con esta técnica se
aproxima automáticamente a la estructura del modelo “correcto”.
Palabras clave: rede neuronales, base radial, modelos estadísticos.
I. INTRODUCCIÓN
Las redes neuronales artificiales, comúnmente
denominado "redes neuronales", tiene sus comienzos cuando el
hombre se cuestiona porqué el cerebro humano calcula de una
manera totalmente diferente a la computadora convencional. El
cerebro es una computadora altamente compleja, no lineal y
paralelo (sistema de procesamiento de información). Este tiene
la capacidad de organizar sus componentes estructurales,
conocidos como neuronas, para realizar ciertos procesos (por
ejemplo, reconocimiento de patrones, percepción y control de
motores) muchas veces más rápido que la computadora más
rápida existente en la actualidad [1].
En el presente proyecto se realiza el análisis con una red
neuronal para pronosticar o predecir el rendimiento estudiantil
perteneciente a un solo colegio, al cual se le aplico un
instrumento para la recolección de la información. Esta red se
elabora con la finalidad de demostrar que a través de este tipo
de modelo computacional se puede predecir el grado de
rendimiento de los estudiantes, es decir, poder determinar la
eficiencia de la educación de los mismos en los futuros días en
función a una base de datos del nivel de rendimiento en días
previos. Se empieza por dar una descripción concisa de los
modelos tradicionales de determinación o pronóstico de una
variable, así como también, se detallan la composición y
funcionamiento de las redes neuronales, tanto en sus topologías,
algoritmos de aprendizaje, aplicativos en diferentes áreas y su
utilidad en la actualidad.[2]
Posterior a esto se define el problema a resolver
especificando el método a utilizar, los modelos de predicción,
métodos de ajuste exponencial y diferentes topologías de redes
neuronales artificiales para poder llegar a la solución deseada.
Con estos aditamentos se analiza una red neuronal utilizando el
programa SPSS y como elemento de aprendizaje Función de
Base Radial, con la finalidad de ver en base a análisis
comparativos los errores de estimación y las etapas de
entrenamiento de los modelos asociados para este estudio.[3]
Para este caso en particular el manejo e interpretación
de datos se los puede solventar mediante el software SPSS el
mismo que nos permite la visualización y la utilización de
algoritmos para el análisis de datos y modelado predictivo
soportando tareas estándar de minería de datos, lo primordial
dentro la limpieza de datos es obtener un dataset con datos
válidos que puedan ser interpretados por el software, y que se
puedan aplicar cada una de las técnicas con las que cuenta el
software [4].
II. METODOLOGÍA DE LA EXPERIMENTACIÓN
A. Obtención de datos o información
Para este análisis de variables, seleccionamos una base de
datos sobre la estimación del rendimiento de los estudiantes en
los colegios los mismos que fueron recolectados mediante un
instrumento para recabar datos, a la misma la transformamos a
binarios tomando en cuenta las cosas o preguntas de mayor
relevancia con 1 y las de menor relevancia con 0, tomando en
cuenta 20 variables independientes y una dependiente para ver
que relevancia tiene.
B. Análisis descriptivo de la población
La población a quien fue dirigida la encuesta para saber la
estimación del rendimiento estudiantil fue a jóvenes estudiantes
entre los 15 años a 18 años, hombres y mujeres de un colegio
particular interesado.
C. Función de base Radial
La función de base radial nos ayuda para generar superficies
suaves a partir de un gran número de puntos de datos. Las
funciones producen buenos resultados para superficies con una
variación suave como la elevación, sin embargo, las técnicas no
son adecuadas cuando se producen cambios grandes de los
valores de la superficie en distancias cortas o cuando se
sospecha que los datos de la muestra son proclives a los errores
de medición o a las incertidumbres.
III. RESULTADOS Y DISCUSIÓN
Según la base de datos obtenida nos muestra que la
población a quien fue dirigida la encuesta para saber la
estimación del rendimiento estudiantil fue a jóvenes estudiantes
entre los 15 años a 18 años, hombres y mujeres de un colegio
particular interesado.
La tabla 1 del resumen del procesamiento de los casos nos
muestra que los datos puestos a entrenamiento 71.2% y prueba
28.8% nos dan un correcto funcionamiento con un total de
100%.
TABLA 1
RESUMEN DEL PROCESAMIENTO DE LOS CASOS
N Porcentaje
Muestra Entrenamiento 462 71,2%
Prueba 187 28,8%
1
Válidos 649 100,0% La figura 1 nos muestra que mientras se encuentre más
Excluidos 0 cerca del 1 es más probable de tener una predicción acertada.
Total 649

La tabla 2 del resumen del modelo nos muestra la suma de

los errores cuadráticos que tiene nuestra predicción, con el

Pseudoprobabilidad pronosticada
tiempo del entrenamiento de 8 segundos ya que no es muy
compleja la base de datos que seleccionamos.
TABLA 2
RESUMEN DEL MODELO
Entrenamiento Suma de errores cuadráticos 39.863

Porcentaje de pronósticos 10,8%

incorrectos

Tiempo de entrenamiento 00:00:00,812

Prueba Suma de errores cuadráticos 16.632a VD

Fig. 1 Pseudoprobabilidad pronosticada

La figura 2 de la curva de COR nos muestra al igual que la

Porcentaje de pronósticos 10,7%
incorrectos
figura anterior mientras mas llegue al 1 es mas probable tener
una predicción exacta de nuestra base de datos.
Variable dependiente: VD
a. El número de unidades ocultas está determinado por
el criterio de datos de prueba: el número “optimo” de
unidades ocultas es el que produce el menor error en
los datos de prueba.

La tabla 3 de clasificación nos muestra que en los datos de

Susceptibilidad

entramiento el 89% de los estudiantes tienen un rendimiento

adecuado mientras que el restante no.

TABLA 3
CLASIFICACIÓN

Muestra Observado Pronosticado

0 1 Porcentaje Especificidad

correcto Fig. 2 CURVA DE COR

Entrenam 0 0 50 ,0%
iento 1 0 412 100,0% V. CONCLUSIONES

Porcentaje ,0% 100,0% 89,2% Se concluye que este tipo de trabajo mediante el uso de una red
global
neuronal artificial se realizó el pronóstico de los valores del
nivel o grado de servicio de los siguientes cuatro meses en base
Prueba 0 0 20 ,0% a valores previos. Los resultados obtenidos permitieron
1 0 167 100,0% concluir sobre la efectividad de la metodología de las redes
neuronales, siendo esta la metodología más efectiva al realizar
Porcentaje ,0% 100,0% 89,3% pronósticos.
global Al realizar el análisis de la red neuronal, se planteó una base de
datos variando el número de entradas y capas ocultas en base a
Variable dependiente: VD
la estacionalidad de los datos, en cada topología se realizó el

2
proceso de encontrar los valores de salida variando el número
de entradas y calculando el error cuadrático medio con el
objetivo de encontrar la que ofrezca los pronósticos más
acertados
REFERENCIAS
[1] Haugeland, J. (1996). Artificial intelligence (1st ed., pp. 9-13). Cambridge,
Mass. [u.a.]: MIT-Press.ç
[2] Lafon, S. (2002). REDES NEURONALES (1st ed., pp. 1-5). Montevideo:
Santiago Lafon. Recuperado a partir de
http://iie.fing.edu.uy/ense/asign/tes/materiales/monografias/RedesNeuron
a les.pdf
[3] Fuente Aparicio, M., Gonzalez Palenzuela, E., Zamarreño Cosme, J., &
Calonge Cano, T. (1999). Aplicaciones de las redes de neuronas en
supervisión, diagnosis y control de procesos (1st ed.). Caracas (Venezuela):
Equinoccio.
[4] ASQUI SANTILLAN, G, Predicción del nivel de agua del embalse, basado
en redes neuronales, para la mejora de la planificación de producción de
energía en la Central Hidroeléctrica Agoyán (Tesis) (Maestría) [en línea].
2017 Riobamba: Escuela Superior Politécnica de Chimborazo. [Consulta:
1 septiembre 2017]. Disponible en:
http://dspace.espoch.edu.ec/handle/123456789/6159