Plan de Tesis

UNIVERSIDAD NACIONAL
JOS FAUSTINO SNCHEZ CARRIN
FACULTAD DE INGENIERA INDUSTRIAL, SISTEMAS E

INFORMTICA
ESCUELA ACADMICO PROFESIONAL DE INGENIERA
INDUSTRIAL
DISEO E IMPLEMENTACIN DE UNA INTELIGENCIA
ARTIFICIAL EN UN AMBIENTE CERRADO CON RESPUESTA A
COMANDOS DE VOZ
PLAN DE TESIS
PORTADA
AUTOR:
ANDREE AMIR SANCHEZ ANDRADE
ASESOR:
Dr. ALCIBIADES SOSA PALOMINO
HUACHO PER
2016
CONTRA PORTAD
NDICE GENERAL
PORTADA.....................................................................................................................I
CONTRA PORTAD.......................................................................................................I
NDICE GENERAL.....................................................................................................II
NDICE DE TABLAS................................................................................................III
NDICE DE FIGURAS..............................................................................................IV
NDICE DE ANEXOS.................................................................................................V
1 PLANTEAMIENTO DEL PROBLEMA.................................................................1
1.1 Descripcin de la Realidad Problemtica.........................................................................1
1.2 Formulacin del Problema...............................................................................................1
1.2.1
Problema General.....................................................................................................1
1.2.2
Problemas Especficos..............................................................................................1
1.3 Objetivos de la Investigacin...........................................................................................2
1.3.1
Objetivo General......................................................................................................2
1.3.2
Objetivos Especficos...............................................................................................2
1.4 Justificacin de la Investigacin......................................................................................2
1.5 Delimitacin de la investigacin......................................................................................2
1.6 Viabilidad del estudio......................................................................................................2
2 MARCO TERICO.................................................................................................4
2.1 Antecedentes de la Investigacin.....................................................................................4
2.2 Bases Tericas.................................................................................................................5
2.2.1
Inteligencia Artificial................................................................................................5
2.2.2
Enfoques de la IA.....................................................................................................8
2.2.3
Tcnicas adaptativas.................................................................................................8
2.2.4
Otras tcnicas adaptativas.......................................................................................14
2.2.5
IA y tecnologas convergentes................................................................................17
2.2.6
Avances en ciencias de la computacin..................................................................20
3 METODOLOGA..................................................................................................22
3.1 Diseo Metodolgico.....................................................................................................22
3.1.1
Tipo........................................................................................................................22
3.1.2
Enfoque..................................................................................................................22
3.2 Poblacin y Muestra......................................................................................................22
3.2.1
Poblacin................................................................................................................22
3.2.2
Muestra...................................................................................................................22
3.3 Matriz de Seleccin de Dimensiones.............................................................................24
3.4 Matriz de Operacionalizacin de Variables e Indicadores..............................................24
3.5 Tcnicas e Instrumentos de recoleccin de datos...........................................................24
3.5.1
Tcnica a emplear...................................................................................................24
3.5.2
Descripcin de los Instrumentos.............................................................................25
3.6 Tcnicas para el procesamiento de la Informacin........................................................25
4 RECURSOS Y CRONOGRAMAS.......................................................................27
4.1 Recursos........................................................................................................................27
4.1.1
Humanos.................................................................................................................27
4.1.2
Econmicos............................................................................................................27
4.1.3
Fsicos....................................................................................................................27
4.2 Cronograma de Actividades...........................................................................................28
4.3 Presupuesto....................................................................................................................29
5 FUENTES DE INFORMACIN...........................................................................30
5.1 Fuentes Bibliogrficas...................................................................................................30
5.2 Fuentes Electrnicas......................................................................................................30
NDICE DE TABLAS
Tabla 1: Sistema de suplementos por descanso.......................................................................19

Tabla 2: Descripcin de los smbolos del DAP.......................................................................22
Tabla 3: Matriz de Seleccin de Dimensiones........................................................................43
Tabla 4: Matriz de Operacionalizacin de variables e indicadores..........................................43
Tabla 5: Presupuesto para el desarrollo de la Tesis. 48
NDICE DE FIGURAS
3
Figura 1: Cmo se descompone el tiempo estndar de una tarea manual simple...................28

Figura 2: Reaccin en cadena de una mayor productividad...........................................34
Figura 3: Cronograma de actividades del desarrollo de la tesis.............................................47
NDICE DE ANEXOS
4
Anexo 1: Matriz de consistencia......................................................................................53

Anexo 2: Muestreo...........................................................................................................54
Anexo 3: Instrumento.......................................................................................................55
Anexo 4: Sumario tentativo..............................................................................................57
Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

a comandos de voz - 2016
PLANTEAMIENTO DEL PROBLEMA

1.1
Descripcin de la Realidad Problemtica

La inteligencia artificial es considerada una rama de la computacin y
relaciona un fenmeno natural con una analoga artificial a travs de programas

de computador. La inteligencia artificial puede ser tomada como ciencia si se
enfoca hacia la elaboracin de programas basados en comparaciones con la
eficiencia del hombre, contribuyendo a un mayor entendimiento del conocimiento
humano.
Si por otro lado es tomada como ingeniera, basada en una relacin
deseable de entrada-salida para sintetizar un programa de computador. "El
resultado es un programa de alta eficiencia que funciona como una poderosa
herramienta para quien la utiliza."
El primer problema con el que nos topamos en nuestra investigacin es
que existe poca informacin sobre este tema (diseo de una inteligencia artificial)
y la mayor parte que se logra obtener esta muy resumida.
Es por tal motivo que el problema de la tesis se define como el diseo e
implementacin de una inteligencia artificial en un ambiente cerrado con
respuesta a comandos de voz; con el fin de que sea utilizada en un ambiente o
aula.
1.2
Formulacin del Problema

1.2.1 Problema General
Cmo disear e implementar una inteligencia artificial en un

ambiente cerrado con respuesta a comandos de voz?
1.2.2 Problemas Especficos
Cmo disear una inteligencia artificial en un ambiente cerrado
con respuesta a comandos de voz?

Cmo implementar inteligencia artificial en un ambiente cerrado
con respuesta a comandos de voz?

1.3
Objetivos de la Investigacin
1.3.1 Objetivo General
Disear e implementar una inteligencia artificial en un ambiente

cerrado con respuesta a comandos de voz.
1.3.2 Objetivos Especficos
1.4
Disear la inteligencia artificial con respuesta a comandos de voz.
Implementar la inteligencia artificial en un ambiente cerrado.
Justificacin de la Investigacin
Muchos han sido los avances realizados en la historia reciente para
conseguir reproducir en mquinas las capacidades cognitivas del ser humano. La

Inteligencia Artificial se encarga de canalizar los esfuerzos investigadores en este
sentido.
Por tal motivo la justificacin de la tesis se basa en la necesidad de tener
un laboratorio que cuente con una inteligencia artificial que nos haga ms fcil la
utilizacin de las mquinas en el laboratorio.
1.5
Delimitacin de la investigacin
Delimitacin sustancial: La investigacin est delimitada al estudio de

un una inteligencia artificial.
Delimitacin geogrfica: El estudio se llevara a cabo en la UNJFSC.
Delimitacin temporal: La investigacin se realiza en el ao 2016.
1.6
Viabilidad del estudio
El estudio resulta viable ya que se cumplen las siguientes condiciones:
Se cuenta con los conocimientos sobre el tema seleccionado.

El tiempo para elaborar la tesis es aproximadamente no mayor de 4
meses.
Existe un financiamiento para la tesis de investigacin.


2
2.1
MARCO TERICO
Antecedentes de la Investigacin
En una bsqueda para los antecedentes para nuestra tesis, tanto
nacionales como mundiales con respecto a estudio de inteligencia artificial,
fue un tanto tedioso, pero las que se consiguieron nos ayudaron en puntos
relevantes.
Brockman, J. (2002). The Next Fifty Years. Science in the First Half of the Twentyfirst Century. New York: Vintage Books.
Gmez, A., Juristo, N., Montes, C., & J, P. (1997). Ingeniera del Conocimiento.
Madrid: Centro de Estudios Ramn Areces.
Hebb, D. (1959). The organization of Behavior. Montreal: Jhon wiley & Sons.
Holland, J. (1962). Outline for a Logical Theory of Adaptive Systems. Ohio: Journal
of ACM.
Holland, J. (1975). Adaption in Natural and Artificial Systems. Michigan: The
University of Michigan.
Holland, J. (1984). Sistemas Adaptativos Complejos; Redes de neuronas artificiales y
algoritmos genticos. Corua: Universidad de Corua.
Kurzwell. (1999). La era de las mquinas espirituales. Cuando los ordenadores
superen la mente humana. Barcelona: Editorial Planeta.
McCulloch, W., & Pitts, W. (1943). A Logical Calcullus Of The Ideas Inmanent In
Nervous Activity. Bull, 133-155.
Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computation
Geometry. Cambridge: MIT Press.
Neuman, J. (1996). The Theory of Self-Reproducing Automata. Illinois: Universidad
de Illinois Press.
Pazos, A. (1991). Estructura, dinmica y aplicaciones de las Redes de Neuronas
Artificiales. Madrid: Centro de Estudios Ramn Areces.
4

Ronald, E., & Sipper, M. (1999). Design, Observation, Surprise! A Test of

Emergence. Cambridge: Artificial Life Journal.
Rosenblatt. (1962). Principles of Neurodynamics. New York: Spartan Books.
Turing, A. (1950). Computing Machinery and Intelligence. MIND, 443-460.
Weiner, N. (1985). Ciberntica. Madrid: Tusquets editores.
2.2
2.2.1
Bases Tericas
Inteligencia Artificial
La IA es la rama de la ciencia que se encarga del estudio de la inteligencia en
elementos artificiales y, desde el punto de vista de la ingeniera, propone la creacin

de elementos que posean un comportamiento inteligente. Dicho de otra forma, la IA
pretende construir sistemas y mquinas que presenten un comportamiento que si fuera
llevado a cabo por una persona, se dira que es inteligente. El aprendizaje, la
capacidad de adaptacin a entornos cambiantes, la creatividad, etc., son facetas que
usualmente se relacionan con el comportamiento inteligente. Adems, la IA es muy
interdisciplinar, y en ella intervienen disciplinas tan variadas como la Neurociencia, la
Psicologa, las Tecnologas de la Informacin, la Ciencia Cognitiva, la Fsica, las
Matemticas, etc.
Se considera que el origen de la IA se remonta a los intentos del hombre desde
la antigedad por incrementar sus potencialidades fsicas e intelectuales, creando
artefactos con automatismos y simulando la forma y las habilidades de los seres
humanos. La primera referencia escrita a un sistema artificial inteligente ocurre en la
mitologa griega. En ella se atribuye a Hefestos, dios del fuego y las forjas, la
fabricacin de dos sirvientes de oro macizo y con inteligencia en su mente y
capacidad de hablar. En la Edad Media, San Alberto Magno construye un
mayordomo que abra la puerta y saludaba a los visitantes. Ya en la edad moderna
(s. XVII), los Droz, famosos relojeros de centroeuropa, construyeron tres androides:
un nio que escriba, otro que dibujaba y una joven que tocaba el rgano y simulaba
respirar. Esta realizacin, basada en mecanismos de relojera, les cost ser detenidos y
encerrados por la Inquisicin. En cuanto a los avances del Siglo XIX y del Siglo XX,
hay que destacar los trabajos de Pascal, Leibnitz, Babbage y Boole. Tambin es
importante la aportacin de Ada Lovelace, colaboradora de Charles Babbage y mujer
5

de Lord Byron, que en el conocido rgimen de Lovelace establece lo siguiente: las

mquinas slo pueden hacer todo aquello que sepamos cmo ordenarles que hagan.
Su misin es ayudar a facilitar lo ya conocido. Esto que est todava vigente en la
informtica convencional fue superado por los avances en IA. Tambin cabe
destacar y es revelador el hecho de que varios de los padres indiscutibles de la ciencia
de la computacin, como son Turing, Wiener y Von Neumann, dedicaran un gran
esfuerzo al estudio de la inteligencia humana.
La contribucin del matemtico ingls Alan Turing al mundo de la
computacin en general, y al de la IA en particular, fue muy considerable. Turing,
particip en el diseo de uno de los primeros computadores que existieron,
desarrollado para el ejrcito ingls, entre los aos 40 y 50. Adems de aportar los
conceptos bsicos de la arquitectura secuencial de los computadores, public en 1950
un provocador artculo que tiene por ttulo Computer Machinery and Intelligence,
que comienza con la no menos provocadora pregunta: Pueden las mquinas pensar?
En dicho artculo el autor intenta abordar formalmente acciones consideradas hasta
ese momento propias de los seres humanos, de forma que despus pudieran
implementarse en las mquinas, dotndolas as de capacidades como: aprender, crear,
etc.
En el citado artculo Turing tambin desarrolla el test que sera central en la
definicin de un elemento artificial que posea inteligencia, el famoso Test de
Turing, tambin llamado Test de Imitacin. En este test se sitan dos terminales en
una sala, uno de ellos conectado a un computador y el otro a un ser humano. Se
pretende que un interrogador realice preguntas a travs de un puesto conectado a los
dos terminales. El test es superado si el interrogador no puede discernir cul de los
dos terminales est conectado a un computador y cul est conectado a un ser
humano. Turing propone que el juego de la imitacin debe aceptarse como un
criterio bsico. Porque es as como nosotros reaccionamos entre nosotros.
Si bien el origen inmediato del concepto y de los criterios de desarrollo de la
IA se debe a Alan Turing, el apelativo Inteligencia Artificial se debe a John
McCarthy. McCarthy era uno de los integrantes del Grupo de Dartmouth que se
reuni en 1956 con fondos de la Fundacin Rockefeller para discutir la posibilidad de
construir mquinas que no se limitaran a hacer clculos prefijados, sino operaciones
inteligentes. Entre los integrantes de este grupo estaban: Samuel, que haba escrito
6

un programa de juego de damas capaz de aprender de su propia experiencia; el propio

McCarthy, que estudiaba sistemas capaces de efectuar razonamientos de sentido
comn; Minsky, que trabajaba sobre razonamientos analgicos de geometra;
Selfridge, que estudiaba el reconocimiento visual por computador; Newell, Shaw y
Simon, que haban construido un programa que pretenda la demostracin automtica
de teoremas; y algunos otros. A partir de este grupo inicial, se formaron dos grandes
escuelas de IA. Por un lado, Newell y Simon lideraron el grupo de la Universidad
de Carnegie-Mellon, proponindose desarrollar modelos de comportamiento humano
con aparatos cuya estructura se pareciese lo ms posible a la del cerebro, lo que
posteriormente deriv en la llamada postura conexionista y en los trabajos sobre
Redes de Neuronas Artificiales tambin llamadas Sistemas Conexionistas. Por
otro lado, McCarthy y Minsky formaron otro grupo en el mtico Instituto Tecnolgico
de Massachussets (MIT), centrndose en que los resultados del procesamiento
tuviesen el carcter de inteligente, sin preocuparse si el funcionamiento o la estructura
de los componentes eran parecidos o no a los del ser humano. Ambos enfoques sin
embargo corresponden a los mismos objetivos prioritarios de la IA: entender la
inteligencia natural humana, y usar mquinas inteligentes para adquirir conocimientos
y resolver problemas considerados como intelectualmente difciles.
Sin embargo, en la IA tradicional (escuela del MIT), que tuvo mayor auge
en los primeros veinte aos, los investigadores se encontraron con que sus sistemas
sucumban ante la creciente longitud y complejidad de su programacin. Stewart
Wilson, investigador del Instituto Roland (Massachussets), se dio cuenta de que algo
andaba mal en el campo de la IA tradicional y, preguntndose cules eran las races
de la inteligencia, se convenci de que la mejor manera de comprender cmo funciona
algo en un ser humano, es comprenderlo primero en un anima1 ms simple. Teniendo
en cuenta que, en ltima instancia, la IA intentaba conseguir una rplica de la
inteligencia humana, Wilson decidi que lo primero que haba que hacer era replicar
la inteligencia animal. Se trataba de una idea que nunca haba tenido mucha
popularidad entre los investigadores de IA, pero l y otros investigadores pronto la
transformaron en un primer principio informal de un nuevo enfoque de sta, basado
en la naturaleza.

2.2.2
Enfoques de la IA
Se pueden definir dos puntos de vista o enfoques de la IA, el punto de vista
tecnolgico o ingenieril y el punto de vista cientfico.

Por un lado, la rama ingenieril busca la creacin de sistemas informticos que
realicen tareas para las que se precisa inteligencia. Se persigue desde este
planteamiento la resolucin de problemas concretos, sin limitar las tcnicas a utilizar
a aquellas que utilizan los seres inteligentes. Por otro lado, la rama cientfica de la IA
se puede definir como el estudio del comportamiento inteligente, siendo su fin
conseguir una teora de la inteligencia que explique la conducta que se produce en
seres de natural inteligentes, y que gue la creacin de entes artificiales capaces de
alcanzar dicho proceder inteligente.
Las tcnicas clsicas, desde el punto de vista tecnolgico han tenido un
relativo xito, y sus productos (Sistemas Expertos, Sistemas Basados en el
Conocimiento, etc.) se usan ampliamente. El principal problema de ests tcnicas
radica en que no son capaces de adaptarse a los cambios del entorno y que es preciso
tener un conocimiento explcito del problema para poder abordarlo satisfactoriamente.
Estos sistemas han de ser programados y no pueden autoprogramarse y adaptarse as a
nuevos requisitos del entorno. Para resolver este problema, se han desarrollado
diversas aproximaciones computacionales conocidas de forma global como Tcnicas
Adaptativas. A continuacin se describirn las ms utilizadas.
2.2.3
Tcnicas adaptativas
Las Tcnicas Adaptativas son aquellas que, aplicadas a un problema, son
capaces de seguir funcionando adecuadamente a pesar de las circunstancias

cambiantes del entorno. Una posibilidad de funcionamiento es ajustar la relativa
importancia de los parmetros de entrada de manera autnoma para conseguir la
resolucin de ese problema. Lo que se persigue con el uso de estas tcnicas es
conseguir una autonoma en el aprendizaje de las mquinas, lo cual llevara a uno de
los sueos de la IA: la programacin automtica. Los sistemas en los que se aplican
estas tcnicas reciben el nombre de Sistemas Adaptativos. A continuacin se describen
las Tcnicas Adaptativas ms utilizadas.
8

2.2.3.1 Redes de neuronas artificiales

Las Redes de Neuronas Artificiales (en adelante RNA) tambin llamadas
Sistemas Conexionistas son un sistema de procesamiento de informacin inspirado
en el funcionamiento del sistema nervioso biolgico (paradigma de sistema
inteligente). Representan un intento de emular el comportamiento del cerebro y
aumentar nuestros conocimientos acerca de l. Funcionan como un sistema
masivamente paralelo que se ha mostrado eficiente para la resolucin inteligente de
distintos tipos de problemas.
Las RNA constan de elementos bsicos de proceso, normalmente organizados
en capas (basados en las neuronas biolgicas) y con gran cantidad de conexiones entre
ellos (basadas en las sinapsis de las neuronas).
2.2.3.2 Historia
A los precursores de las RNA en las bases biolgicas hay que situarlos
temporalmente entre los aos de 1890 y 1940.
Los fundamentos biolgicos del enfoque conexionista se encuentran en el
importante trabajo del premio Nbel espaol D. Santiago Ramn y Cajal, quin
consigui hace ms de un siglo descifrar gran parte de la estructura y del modo de
funcionar de las neuronas. Cajal advirti que el cerebro se reorganiza constantemente,
reforzando y debilitando una multiplicidad de sinapsis y su teora neuronal ha sido
fuertemente establecida como la verdadera base de los Sistemas Conexionistas. Ya en
1.895 sienta las bases de lo que llamaba Ingeniera Neuronal. Se considera
necesario hacer constar dos reflexiones realizadas por Cajal y que conservan hoy en
da toda su vigencia: 1) al no encontrar diferencias cualitativas entre las clulas del
sistema nervioso (SN) de los humanos y de los animales, decidi postular que la
superioridad funcional del SN de los humanos estara relacionada con la abundancia
prodigiosa y con la cuanta considerable de las llamadas neuronas de axn corto, y 2)
el artificio soberano de la sustancia gris es tan intrincado que desafa y desafiar por
muchos siglos la obstinada curiosidad de los investigadores.

De momento ya han pasado ms de cien aos y sigue siendo vigente su

vaticinio en ambos casos.
Los descubrimientos de Cajal, junto con los del Nbel italiano Camilo Golgi,
el desarrollo posterior de la neurofisiologa y trabajos como los de Williams, que en
1890 describe el primer sistema conexionista, Lashley, que es el primero, en 1900, en
estudiar cmo almacenar y procesar informacin utilizando para ello una
representacin distribuida de la misma, John Eccles o Gerald Edelman, confirman y
actualizan las principales hiptesis en las que descansa la rama Conexionista de la IA.
Las conexiones entre sus elementos y los cambios de stas constituyen el factor
central de estos sistemas, tratando de emular la estructura del cerebro y su forma de
operar. Una mquina neuronal se compone de elementos equivalentes a las
neuronas y que imitan sus conexiones y comportamiento en red. En cuanto a la forma
de operar, imita el proceso de aprendizaje relacionado con el cambio de estado de las
conexiones entre las neuronas. De este modo, una mquina neuronal no se
programa en la forma tradicional, traduciendo algoritmos en secuencias de rdenes y
operaciones, sino que se ajusta progresivamente en funcin del uso, a modo de
proceso de aprendizaje socrtico, esto es, a partir de ejemplos.
Como precursores computacionales de las RNA cabe destacar a los
investigadores McCulloch, mdico de la Universidad de Illinois, y Pitts, matemtico
del MIT, quienes proponen en 1.943 el primer modelo de neurona artificial.
Las RNA nacen como consecuencia de la aparicin de tres trabajos tericos
relativos a lo que ahora se conoce como ciberntica y que, curiosamente, se
publican todos en el mismo ao de 1.943:
Behaviour, Purpose and Teleology de Rosenblueth, Wiener y Bigelow, en el
MIT, donde sugieren distintas formas de conferir fines y propsitos a las mquinas, es
decir, hacerlas teleolgicas.
The Nature of Explanation de Craik, en la Universidad de Cambridge, quien
propone que las mquinas empleen modelos y analogas en la resolucin de
problemas, i.e., establecer la capacidad de abstraccin de las mquinas.
A Logical Calculus of the Ideas Inmanent in Nervous Activity de
McCulloch y Pitts, los cuales pusieron de manifiesto de qu modo las mquinas
podan emplear los conceptos de la lgica y de la abstraccin, y demostraron cmo
10

cualquier ley de entrada-salida poda modelizarse con una red de neuronas formales
por ellos definidas.
En 1949 Donald Hebb introduce dos ideas fundamentales para las RNA: 1)
una percepcin o un concepto se representa en el cerebro por un conjunto de neuronas
activas simultneamente y 2) la memoria se localiza en las conexiones entre las
neuronas (sinapsis). Adems, Hebb propone un sistema de aprendizaje para la
modificacin de la sinapsis denominado Regla de Aprendizaje Sinptico o Regla
de Hebb, que consiste en que una conexin entre neuronas se refuerza cada vez que
es utilizada.
A finales de los 50, Widrow disea el Adaline (Neurona Adaptativa Lineal) y
Rosenblatt el Perceptrn, una mquina con un comportamiento adaptativo capaz de
reconocer patrones, dotada de la regla del aprendizaje denominado de
autoasociacin, donde el estmulo y la unidad de respuesta estn asociados por la
accin de las entradas.
En 1969 Minsky y Papert publican Perceptrons: An Introduction to
Computation Geometry, donde realizan una seria crtica del Perceptrn, debido
principalmente a su naturaleza lineal.
A partir de aqu existe un declive en las RNA, debido a que surgen algunas
demostraciones de que no era factible crear una teora automatizada de la inteligencia.
Pero en 1980 surge un renacimiento de las RNA, con investigadores como Hopfield,
que construyen nuevos modelos de clulas, arquitecturas y algoritmos de aprendizaje
que servirn de base a los modelos ms investigados actualmente, los denominados
Modelos Biolgicos. Hopfield presenta, con un fuerte fundamento matemtico y de
forma coherente, el modo de trabajar de los modelos de RNA y establece que dichas
redes deben ser primero modelos cerebrales y luego dispositivos tiles de
procesamiento. Fue clave su claridad y el anlisis matemtico en los modelos
analizados.
Actualmente, las RNA son un campo de gran inters debido, por un lado, a la
habilidad de estos sistemas para aprender automticamente y para poder funcionar de
forma aceptable tanto en presencia de informacin inexacta como cuando se producen
deterioros o fallos en sus componentes, y por otro, al inters existente por la bsqueda
de arquitecturas de computadoras que permitan el procesamiento en paralelo, de
11

forma similar a los modelos neurofisiolgicos del cerebro, pudindose de este modo
intercambiar descubrimientos entre los modelos de RNA y los modelos en
Neurociencia.
2.2.3.3 Algoritmos genticos

Los Algoritmos Genticos son algoritmos de bsqueda inspirados en procesos
de seleccin natural, basados en la teora de la evolucin de Darwin. Establecen una
analoga entre el conjunto de soluciones de un problema y el conjunto de individuos
de una poblacin natural. Se aplican principalmente en problemas de optimizacin y
se comportan de un modo muy eficaz en problemas de superficie compleja, con
mltiples mnimos locales y grandes espacios de bsqueda.
Est justificado su uso en aquellos problemas cuya complejidad no permita
una solucin directa. Por ejemplo los no resolubles polinomialmente (NP-duros).
Los fundamentos de los AG se encuentran detrs de la idea de que la
naturaleza utiliza potentes medios para impulsar la evolucin satisfactoria de los
organismos. Los organismos que son poco aptos para un determinado ambiente
mueren, en tanto que los que estn bien adaptados para vivir, se reproducen.
Ocasionalmente se producen mutaciones al azar y, aunque la mayor parte de stas
implican la pronta muerte del individuo mutado, algunas dan como resultado nuevas y
satisfactorias especies. As, los AG se encuentran dentro de las llamadas tcnicas de
Computacin Evolutiva.
Los AG trabajan sobre poblaciones de individuos que representan soluciones
al problema. Para ello utilizan las operaciones de seleccin, cruce y mutacin, propias
de la gentica. De esta manera, mediante individuos se codifican diferentes soluciones
al problema, inicialmente aleatorias. Luego estos individuos se agrupan en una
poblacin y se van combinando entre s de forma que a medida que pasan las
generaciones se van ajustando ms a la solucin final. Los individuos de una
generacin gentica compiten entre s para ofrecer la mejor solucin al problema que
se est tratando de resolver
12

2.2.3.3.1 Historia
Los primeros intentos para relacionar informtica y evolucin, a finales de los
50 y principios de los 60, tuvieron poco xito porque, basndose en los textos de
biologa del momento, se crea en la mutacin en lugar del cruce para producir nuevas
combinaciones de genes. Fue a principios de los 60, cuando Hans J. Bremermann de
la Universidad de California-Berkeley aadi una nueva forma de cruce. En ella, las
caractersticas
de
la
descendencia
se
determinaban
sumando
los
genes
correspondientes de los dos progenitores. Lamentablemente, este procedimiento de

cruce estaba limitado, porque slo se poda aplicar a caractersticas que se pudieran
sumar de alguna manera significativa.
En esta poca, John Holland, considerado el padre de los AG, haba estado
investigando en el anlisis matemtico de la adaptacin y se haba convencido de que
la recombinacin de grupos de genes mediante el cruce, era la parte ms importante
de la evolucin. Holland se preguntaba cmo lograba la naturaleza crear seres cada
vez ms perfectos. A principios de los 60 se dio cuenta de que la evolucin era una
forma de adaptacin ms potente que el simple aprendizaje y tom la decisin de
aplicar esta idea para desarrollar programas bien adaptados para un fin determinado. A
mediados de los 60 haba desarrollado una nueva tcnica de programacin, el
algoritmo gentico, que se adaptaba a la evolucin tanto por cruce como por
mutacin.
David Goldberg, discpulo de Holland y uno de los lderes actuales en AG, fue
uno de los primeros que trat de aplicar los esta tcnica a problemas industriales.
2.2.3.4 Programacin Gentica
John Koza, en 1992, adapt los AG para la creacin de programas de
computador, permitiendo que las tcnicas de Computacin Evolutiva se utilizaran
para construir grandes poblaciones de programas que evolucionan y finalmente
obtienen, de forma automtica, un programa que constituye la solucin a un problema
dado. l mismo bautiz a esta nueva tcnica como Genetic Programming o
Programacin Gentica.
As, la Programacin Gentica (en adelante PG) surge como una evolucin de
los AG tradicionales, manteniendo el mismo principio de seleccin natural. Es una
13

tcnica de bsqueda en la que, a partir de un conjunto inicial de programas

(poblacin), stos se van combinando sucesivamente, formando distintas generaciones
para dar lugar a programas mejores. Al igual que los AG, la PG tambin forma parte
de las denominadas tcnicas de Computacin Evolutiva.
La mayor diferencia entre los AG y la PG es la forma de codificacin de la
solucin al problema. En PG la codificacin se realiza en forma de rbol, de forma
similar a cmo los compiladores leen los programas segn una gramtica prefijada.
La codificacin de cada solucin particular se realiza en trminos del propio
problema. En los AG tradicionales era necesario realizar una tarea de
codificacin/decodificacin, pero en la PG esto ya no es necesario, puesto que la
solucin buscada va a ser encontrada, como ya se dijo previamente, como un
algoritmo en forma de rbol.
La PG proporciona una gran versatilidad y variedad de problemas resolubles y,
adems, permite la obtencin de soluciones de forma jerrquica.
En definitiva, la PG es muy potente pero tambin compleja, ya que, entre otras
exigencias, requiere especificar el juego de instrucciones, con el fin de delimitar el
problema. A pesar de su complejidad es legible, robusta y verstil y se utiliza mucho
en robtica y optimizacin.
2.2.4
Otras tcnicas adaptativas
2.2.4.1 Hardware evolutivo

Tras esta tcnica subyace la idea del desarrollo de mquinas y robots que sean
capaces de replicarse a partir de componentes simples y adapten su comportamiento a
fallos.
As, se pretende que el Hardware Evolutivo sea capaz de autoadaptarse en
tiempo real, reconfigurando su arquitectura de manera dinmica y autnoma,
mediante una interaccin con el ambiente.
Se utilizan tcnicas evolutivas para la sntesis de circuitos robustos al ruido y a
los cambios, como mecanismo de adaptacin al ambiente.
14

2.2.4.2 Learning classiffier systems

Los cientficos han soado durante aos con conseguir mquinas que pudiesen
reaccionar con el entorno, de manera semejante a como los humanos lo hacen. Los
sistemas clasificadores con aprendizaje o Learning Classifier Systems (en adelante
LCS), pueden considerarse como una aproximacin con AG al aprendizaje a partir de
la interaccin con el entorno. Aunque esta definicin tal vez est un poco obsoleta, ya
que los LCS han evolucionado empleando tcnicas muy diferentes.
En general, un LCS toma un conjunto de entradas y produce un conjunto de
salidas que indican una cierta clasificacin de las entradas. Un LCS aprende cmo
clasificar sus entradas. Esto implica a menudo mostrar al sistema muchos ejemplos
de los patrones de la entrada, y sus salidas correctas correspondientes.
Esta tcnica se puede situar en un punto intermedio entre los Algoritmos
Genticos y los Sistemas Conexionistas.
2.2.4.3 Ant colony simulation

Es una meta-heurstica (tcnica que sirve como apoyo a otra) inspirada en el
comportamiento de colonias reales de hormigas.
Para su implementacin, existe una poblacin de agentes simples que
producen en su conjunto un comportamiento global ms complejo. Simulan el
comportamiento de las hormigas, las cuales se unen para conseguir objetivos que no
podran lograr de forma individual. Las hormigas dejan un rastro de feromonas por
donde pasan. Esto les permite por ejemplo encontrar el camino ms corto hasta una
fuente de comida. Cuando una hormiga encuentra una fuente de comida, coge la que
puede, la lleva al hormiguero y vuelve a por ms. La hormiga que encuentra el
camino ms corto puede hacer ms viajes, lo cual incrementa el nivel de feromona
de ese camino en particular. Esto atraer al resto de las hormigas, que seguirn el
camino con un rastro mayor de feromonas, lo cual reforzar todava ms la ruta, por
lo que en poco tiempo todas las hormigas seguirn el camino ms corto hasta la fuente
de comida y se habr conseguido una optimizacin del proceso.
15

Esta tcnica ofrece resultados muy interesantes en problemas de optimizacin

combinatoria.
2.2.4.4 ADN molecular

En esta tcnica se utiliza el ADN de seres vivos para resolver problemas
computacionales.
Es una tcnica masivamente paralela y muy prometedora, pero en la actualidad
el procesado de la informacin (probetas con piezas de ADN) es realizado por el
investigador y es muy laborioso y lento.
2.2.4.5 Coevolucin
Consiste en el uso de varias poblaciones dependientes mediante tcnicas
evolutivas.
La relacin tpica es la de depredador-presa. Esto es, en paralelo, se entrena
una poblacin de depredadores y otra de presas. As, a medida que los depredadores
mejoran, las presas se ven obligadas a perfeccionarse y viceversa.
2.2.4.6 Artificial Inmune systems

Estos sistemas estn inspirados en el Sistema Inmune Natural. Son sistemas
masivamente paralelos. Permiten detectar situaciones no habituales, proporcionar una
memoria direccionable por contenido o distinguir entre entradas tpicas y anormales.
Pueden utilizarse en problemas de optimizacin y bsqueda.
2.2.4.7 Vida artificial

La Vida Artificial trata acerca de la creacin de modelos computacionales con
comportamientos biolgicos. Se emplean mltiples agentes simples para conseguir un
comportamiento complejo.
16

Ronald ofrece una de las definiciones ms completa: la Vida Artificial es una

disciplina experimental que consiste fundamentalmente en la observacin de los
comportamientos de ejecucin, aquellas interacciones complejas generadas cuando las
poblaciones de criaturas artificiales hechas por el hombre estn inmersas en entornos
reales o simulados.
En muchos casos se busca determinar los mecanismos de interaccin entre los
individuos de una colectividad que hacen emerger comportamientos adaptativos o
inteligentes al nivel de toda la colectividad de organismos.
2.2.5
IA y tecnologas convergentes
Como se explic al comienzo de este captulo, la IA es una rama de la ciencia
en la que intervienen mltiples disciplinas y reas de conocimiento y como tal debe

ser entendida para comprender la importancia de la integracin de los conocimientos
de dichas disciplinas en aras de conseguir nuevos avances.
La ciencia en general y la IA en particular han alcanzado un punto en el cual
varias de sus disciplinas deben unificarse para seguir avanzando rpidamente. La
convergencia de tales disciplinas puede iniciar un nuevo renacimiento, incluyendo una
visin integral de la tecnologa basada en herramientas de transformacin, en las
matemticas de sistemas complejos, y en un entendimiento unificado causa-efecto
del mundo fsico que abarca desde la nanoescala a la escala planetaria.
As, los adelantos conseguidos en campos aparentemente tan diferentes como
la Biologa, la Fsica, las Ciencias de los Materiales, la Microelectrnica o los
Microsistemas, convergen en un punto: el estudio de entidades de dimensiones fsicas
similares, comparables a los tamaos moleculares. Este punto comn facilita e
impulsa la sinergia entre los conocimientos cientficos y tecnolgicos que lo
sustentan, dando lugar a la aparicin de las denominadas Tecnologas Convergentes
(NBIC, por Nano y Microtecnologas, Biotecnologa, Tecnologas de la Informacin y
Ciencias del Conocimiento).
La integracin y sinergia de las cuatro tecnologas (nano-bio-infocogno)
tienen su origen en la nanoescala, dnde se establecen los bloques de construccin de
la materia.
17

Las NBIC aparecen hoy en da como una tendencia tecnolgica con un gran
impacto desde los puntos de vista cientfico, tecnolgico, econmico y social. La
convergencia tecnolgica har posible en un futuro el uso indistinto y combinado de
los diferentes elementos bsicos (tomos, clulas, genes, nanodispositivos y
nanopartculas, agentes, etc.) como unidades constituyentes de la arquitectura de
verdaderos sistemas hbridos.
El enorme valor aadido de estas Tecnologas Convergentes proviene no tanto
del desarrollo de cada una de ellas sino del conocimiento y la experiencia necesarios
para su uso combinado. Si bien es cierto que estos campos se han estudiado
tradicionalmente desde ngulos diferentes (Biologa, Fsica, etc.), el verdadero
impacto de los mismos provendr del efecto multiplicador de su desarrollo y
utilizacin conjunta.
Se prev el nacimiento y el rpido desarrollo de una combinacin sinrgica
entre Nanotecnologa, Biotecnologa, Informtica y Ciencias del Conocimiento que
requerir un nuevo planteamiento de los diferentes campos del conocimiento humano
y que llevar a desarrollos tecnolgicos absolutamente innovadores. En un futuro
inmediato estas tecnologas conjuntas aportarn mejoras en la calidad de vida as
como soluciones a una realidad social, econmica y geogrfica en sectores tan
relevantes como la salud, agricultura y ganadera, medio ambiente, y otros muchos.
Las Tecnologas Convergentes (NBIC) tendrn claras implicaciones en reas
clave de la actividad humana, incluyendo: el trabajo, el aprendizaje, las
interrelaciones personales, y la evolucin humana. Avanzando simultneamente en
varias de estas actividades se podra alcanzar una era de innovacin y prosperidad que
constituira un punto de inflexin en la evolucin de la sociedad humana.
2.2.5.1 Aplicaciones de las NBIC

Las NBIC tendrn infinidad de aplicaciones en el futuro, pero en este captulo
nos centraremos en los avances que las Tecnologas Convergentes proporcionarn en
los campos de Ciencias de la Salud y Ciencias de la Computacin.
18

2.2.5.1.1 Avances en ciencias de salud: Integracin-info-cogno-chips

El principal avance de las NBIC en este campo provendr de la posibilidad de
desarrollar dispositivos electrnicos de tamao tan reducido que podrn integrarse con
los organismos vivos, incluso a nivel celular. De este modo ser posible utilizar
nanochips, por ejemplo, en el procesamiento de la sinapsis en el sistema nervioso
central. Los nanochips podrn entonces reemplazar a los circuitos cerebrales. Estos
chips contendrn o se conectarn con Redes de Neuronas Neurogliales (Artificial
NeuroGlial Networks, ANGN) que podrn controlar la actividad sinptica o regenerar
clulas, en funcin del potencial de accin (Action Potential, AP) grabado, sustancias
entregadas, etc. As, podrn inhibir acciones excitadoras de neuronas presinpticas en
una sinapsis, generar AP excitador, etc. Podrn tambin liberar o inhibir
neurotransmisores u otras sustancias en reas daadas. Estas sustancias podran
almacenarse dentro de nano-buffers hechos de bio-tejidos. Adems, permitirn reparar
neuronas daadas, introducindoles material gentico. De esta forma las neuronas
daadas podrn sintetizar sustancias de nuevo (neurotransmisores, protenas de
canales daados, etc.). As, los nanochips sern tiles en el tratamiento de
enfermedades como Alzheimer, Parkinson, etc.
Los
nanochips
permitirn
desarrollar
nuevas
tcnicas,
como
la
Nanoelectroneurografa o la Nano-electromiografa, en las que un nanochip, con una

ANGN asociada, se conectara a un nervio o a un msculo. El chip tendra adems un
nanoelectrodo grabador y un nanoelectrodo de estimulacin, y se conectara a una
batera. La ANGN comparara las seales grabadas por el nanoelectrodo en el nervio o
en el msculo con las seales ptimas. El nanochip podra, por ejemplo, enviar datos
a un PC o PDA (a travs de una conexin inalmbrica) y generarse entonces un
informe para el paciente o para el doctor. Esto sera muy til en diagnstico. Tambin
podra utilizarse un nanochip para generar AP de cara a estimular la neurona
postsinptica o el msculo. Esto sera muy til en el tratamiento. Otra posibilidad
sera utilizar nanochips para introducir material gentico con el objetivo de sintetizar
alguna protena (Oligodendrocyte & Schwann). Esto sera muy til en el tratamiento
de enfermedades como la esclerosis mltiple. Por ltimo, un nanochip conectado con
biosensores podra sustituir neuronas sensitivas.
19

2.2.6
Avances en ciencias de la computacin
Las NBIC permitirn mejorar el comportamiento de los computadores con el

uso de sustancias biolgicas. Se podrn, por ejemplo, utilizar protenas para crear
biocomputadores que superen las actuales limitaciones de la tecnologa del silicio, o
desarrollar interfaces biolgicas que remitan directamente sus percepciones al
computador. Tambin se puede pensar en nanorobots construidos con carbono,
silicio y oxgeno, para capturar imgenes en el interior del cuerpo humano. Tales
robots podran analizar las imgenes y compararlas con las ptimas mediante ANGN
(reconocimiento de patrones, etc.).
Adems, el desarrollo de nuevos modelos computacionales basados en los
circuitos cerebrales permitir crear nuevos modelos de sistemas adaptativos, como las
citadas ANGN. Los descubrimientos hechos con la ayuda de estos modelos permitirn
comprender mejor la estructura y funcionamiento del cerebro. Esto permitir
desarrollar nuevas y mejores tcnicas de IA. Ser entonces posible de fabricar
dispositivos protsicos neurales. Por ejemplo, vista y odo artificiales, creados a partir
de ANGN con informacin de nanoelectrodos grabando en el cortex motor, visual,
auditivo, etc., entrenadas para visualizar imgenes, para escuchar sonidos, o bien para
permitir realizar movimientos de forma precisa con el cursor en un monitor, para
mover un brazo-robot, etc.
As, las Tecnologas Convergentes permitirn nuevos e importantes avances en la IA
y, ms all de eso, permitirn la integracin de los mismos con los seres vivos,
consiguiendo as verdaderos sistemas hbridos.
20

METODOLOGA
3.1
Diseo Metodolgico
3.1.1 Tipo
La presente investigacin es de tipo aplicada
3.1.2 Enfoque
El siguiente estudio es una investigacin se trata de un diseo
que se fundamenta en el enfoque cualitativo y en el paradigma
inductivo.
3.1.3 Nivel
El siguiente estudio de investigacin tendr un nivel aplicativo
debido a que se dar solucin a un problema
3.1.4 Diseo
En este caso la investigacin tendr un diseo pre-experimental
3.2
Poblacin y Muestra
3.2.1 Poblacin
La poblacin est comprendida por la EAP de Ingeniera
Electrnica (20 alumnos por laboratorio)
3.2.2 Muestra
La muestra, se determin mediante la frmula estadstica:
n=
Z 2Npq
e 2( N 1 ) +Z 2pq
Sabiendo que:
p: Probabilidad de xito(50 )
q : Probabilidad de fracaso(50 )
21

Z : Estadstico Z , a un 95 de confianza (1.96)

N :Tamao de la poblacin(20)
e : Presicin o error maximoadmisible (5 )

n :Tamao de la muestra
El tamao de la muestra es el siguiente:
n=
1.962200.50.5
0.052( 401 ) +1.9620.50.5
n=18
Ajustando el valor de
n0=
n
n
1+
N
18
18
=
=9,47
18 1.9
1+
20
Muestra ajustada: n0=9,47
3.3
Matriz de Operacionalizacin de Variables e Indicadores
Tabla 4. Matriz de Operacionalizacin de variables e indicadores
V. Independiente
VARIABLES
DIMENSIONES
INDICADORES
X1: Enfoques
X1.1: Cientfico
X1.2: Ingenieril
X2: Tecnicas adaptativas
X2.1: Redes de neuronas

X2.2: Algoritmos genticos
X2.3: Programacin gentica
X: Inteligencia artificial
Fuente. Elaboracin propia
22

3.4
Tcnicas e Instrumentos de recoleccin de datos

3.4.1 Tcnica a emplear
Para analizar la informacin se utilizarn las siguientes
tcnicas:
Observacin
3.4.2 Descripcin de los Instrumentos
La informacin necesaria para llevar a cabo este trabajo de

investigacin, se obtuvo de los siguientes instrumentos de recoleccin:
3.5
Dragon NaturalySpeaking 13
Ultra Hal text-to-Speach Reader
Tcnicas para el procesamiento de la Informacin

Para el procesamiento de la informacin se utilizaron las siguientes
tcnicas:
Ordenamiento y clasificacin
Registro manual
Procesamiento computarizado con Excel
SPSS para el anlisis de confiabilidad
23

RECURSOS Y CRONOGRAMAS
4.1
Recursos
4.1.1 Humanos
El presente trabajo de investigacin est conformado por los
siguientes tesistas:
1
SANCHEZ ANDRADE, Andree Amir
As mismo contamos con la asesora del Dr. SOSA

PALOMINO, Alcibiades, docente de la Universidad Nacional Jos
Faustino Snchez Carrin de Huacho.
4.1.2 Econmicos
El costo total del trabajo de investigacin asciende a un
promedio de S/3400 y ser autofinanciado por el responsable de la
investigacin.
4.1.3 Fsicos
Infraestructura del Laboratorio de la EAP de Ingeniera
Electrnica.
24

4.2
Cronograma de Actividades
Para desempear un adecuado control al desarrollo de nuestro proyecto
de investigacin y la inversin que ello supone, hemos programado desde el

mes de Setiembre del presente ao hasta el mes de Diciembre del mismo ao;
como se detalla a continuacin.
CRONOGRAMA DE ACTIVIDADES PARA LA ELABORACIN DE LA TES

DISEO, MODELAMIENTO E IMPLEMETACIN DE UNA PLATAFORMA DE
INVESTIGACIN MOVIL BASADA EN UN ROBOT MANIPULADOR DE CINCO GRADO
DE LIBERTAD
PERIODO: Del 14 de abril al 22 de Julio
N
SEMANAS
N
ACTIVIDADES
1 2 3 4 5 7 8 9 1
1 1 1 1 1 1
1
1
Eleccin del Tema
2
2
Elaboracin del Proyecto
3
3
Reelaboracin del Proyecto
4
4
XXXXXX
Ampliacin del Marco Terico
5
5
XXXX
Elaboracin del modelo matemtico
6
6
XXXX
Diseo mecnico del manipulador
7
7
XXX X X X X
Desarrollo de la interfaz grfica
8
8
XXX X X X X X X
Implementacin del manipulador
9Pruebas y obtencin de la informacin

9
9
X X X X X
X
Resultados y crtica
1
10
Conclusiones
1
11
X X
Revisin del borrador
2
12
X X
Redaccin Final
1
13
Presentacin
1
14
Sustentacin de la Tesis
25

Figura 3. Cronograma de actividades del desarrollo de la tesis

26

4.3
Presupuesto
Tabla 5. Presupuesto para el desarrollo de la Tesis

ITEM
DETALLES
CANTIDAD
1
2
Hojas bond A4 80 g
Memorias USB 8GB
8 millares
2 unidades
CDs
Laptop
Fotocopiado
Impresin de borradores
Impresin del informe final
Espiralado de borradores
COSTO UNITARIO
COSTO TOTAL
S/. 18,00
S/. 50,00
S/. 144,00
S/. 100,00
10 unidades
S/. 1,00
S/. 10,00
1 unidad
S/. 1700,00
S/. 1700,00
400 hojas
S/. 0,10
S/. 40,00
4 Unid. de 200 hojas
S/. 0,20
S/. 160,00
4 Unid. de 200 hojas
S/. 0,20
S/. 160,00
4 Unidades
S/. 4,00
S/. 16,00
Empastado del Informe final
4 Unidades
S/. 25,00
S/. 100,00
10
Adquisicin de Libros
8 Unidades
S/. 50,00
S/. 400,00
11
Licencia Office 2010
1 Unidades
S/. 550,00
S/. 550,00
12
Viticos
S/. 15,00
S/. 2 000,00
13
Materiales en General
15
Imprevistos (5%)
S/. 80,00
SUB TOTAL
S/. 5460,00
S/. 273,00
TOTAL GENERAL
S/. 5733,00
27

FUENTES DE INFORMACIN
5.1
Fuentes Bibliogrficas
Brockman, J. (2002). The Next Fifty Years. Science in the First Half of the Twentyfirst Century. New York: Vintage Books.
Gmez, A., Juristo, N., Montes, C., & J, P. (1997). Ingeniera del Conocimiento.
Madrid: Centro de Estudios Ramn Areces.
Hebb, D. (1959). The organization of Behavior. Montreal: Jhon wiley & Sons.
Holland, J. (1962). Outline for a Logical Theory of Adaptive Systems. Ohio: Journal
of ACM.
Holland, J. (1975). Adaption in Natural and Artificial Systems. Michigan: The
University of Michigan.
Holland, J. (1984). Sistemas Adaptativos Complejos; Redes de neuronas artificiales y
algoritmos genticos. Corua: Universidad de Corua.
Kurzwell. (1999). La era de las mquinas espirituales. Cuando los ordenadores
superen la mente humana. Barcelona: Editorial Planeta.
McCulloch, W., & Pitts, W. (1943). A Logical Calcullus Of The Ideas Inmanent In
Nervous Activity. Bull, 133-155.
Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computation
Geometry. Cambridge: MIT Press.
Neuman, J. (1996). The Theory of Self-Reproducing Automata. Illinois: Universidad
de Illinois Press.
Pazos, A. (1991). Estructura, dinmica y aplicaciones de las Redes de Neuronas
Artificiales. Madrid: Centro de Estudios Ramn Areces.
Ronald, E., & Sipper, M. (1999). Design, Observation, Surprise! A Test of
Emergence. Cambridge: Artificial Life Journal.
Rosenblatt. (1962). Principles of Neurodynamics. New York: Spartan Books.
Turing, A. (1950). Computing Machinery and Intelligence. MIND, 443-460.
28

Weiner, N. (1985). Ciberntica. Madrid: Tusquets editores.
29

ANEXOS
30
Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta a comandos de voz - 2016
ANEXO 1: MATRIZ DE CONSISTENCIA
PROBLEMA PRINCIPAL
OBJETIVO PRINCIPAL
JUSTIFICACIN
De qu manera el estudio de
tiempos, se relaciona con la
productividad de la operacin del
despacho de azcar en la
empresa AIPSAA, distrito
Paramonga - 2014?
Estimar un Estudio de Tiempos,

y la relacin que existe con la
Productividad en la operacin
del despacho, en la empresa
AIPSAA, distrito Paramonga
-2014.
Problemas Especficos
Objetivos Especficos
El estudio se
fundamenta en el
hecho de brindar
mejoras en la
productividad de la
operacin de
despacho. Todo
proceso es
susceptible de ser
mejorado, por esta
razn se emple
los conceptos de
estudio de
tiempos, que
permite analizar la
operacin, para
luego determinar
el tiempo
estndar, y
balancear las
lneas,
permitindose
identificar la
actividad cuello de
botella que hace
muy elevado el
tiempo en la
operacin de
despacho en la
empresa AIPSAA,
en el distrito de
Paramonga 2014.
De qu manera el anlisis de
operacin, se relaciona con la
productividad en la operacin del
Paramonga - 2014?
De qu manera el tiempo
estndar se relaciona con la
Paramonga - 2014?
De qu manera el balance de
lnea, se relaciona con la
Paramonga - 2014?
Examinar un Anlisis de
Operacin, y la relacin que
existe con la Productividad en
la operacin del despacho de
azcar en la empresa AIPSAA,
distrito de Paramonga - 2014.
.
Determinar el Tiempo Estndar,
del despacho de azcar en la
empresa AIPSAA, distrito de
Paramonga - 2014.
Sustentar un Balance de Lnea,

del despacho de azcar en la
empresa AIPSAA, distrito de
Paramonga - 2014
HIPTESIS PRINCIPAL
VARIABLES
INDICADORES
El estudio de tiempo se
X: Variable
relaciona con la
Independiente
X1.1. Diagrama de
productividad en la
Anlisis de Procesos
operacin del despacho de
Estudio de
azcar, en la empresa
Tiempos
X2.1. Tiempo
Observado
- 2014.
DIMENSIONES
:
X2.2. Tiempo Normal
Hiptesis Especficas
El anlisis de operacin se
relaciona con la
productividad en la
- 2014.
El tiempo estndar se
relaciona con la
productividad en la
- 2014.
X1: Anlisis de
Operacin
X2: Tiempo
Estndar
X3: Balance de
Lnea
X2.3. Holgura
(Suplementos)
X3.1. Cantidad de
Operarios
TIPO Y DISEO
TIPO: La presente
investigacin es de
tipo no
experimental,
transversal debido
a que se
circunscribe en un
segmento de
tiempo durante el
presente ao.
DISEO: Es
descriptivo y
Correlacional.
X3.2. Ciclo
Productivo
Y1.1. Tiempos
Muertos
Y: Variable
Dependiente
Productividad
El balance de lnea se
DIMENSIONES
relaciona con la
:
productividad en la
Y1: Eficiencia
Y2: Eficacia
- 2014.
Y1.2. Utilizacin de
la capacidad
instalada
Y2.1. Cumplimiento
del plan de
produccin
Dnde:
M: Muestra
Ox: Observacin
de la V. I.
Oy: Observacin
de la V. D.
r: coeficiente de
correlacin.
ESTUDIO DE TIEMPOS Y PRODUCTIVIDAD EN LA OPERACIN DEL DESPACHO DE AZCAR EN LA EMPRESA

AIPSAA, DISTRITO PARAMONGA - 2014
31

ANEXO 2: MUESTREO
32

ANEXO 3: INSTRUMENTO
33

34

ANEXO 4: SUMARIO TENTATIVO

ESTUDIO DE TIEMPOS Y PRODUCTIVIDAD EN LA
OPERACIN DEL DESPACHO DE AZCAR EN LA EMPRESA
AIPSAA, DISTRITO PARAMONGA - 2014.
PORTADA
ASESOR Y MIEMBROS DEL JURADO
DEDICATORIA
AGRADECIMIENTO
INDICE
RESMEN
INTRODUCCIN
CAPITULO I: PLANTEAMIENTO DEL PROBLEMA
1.1.
1.2.
Descripcin de la realidad problemtica

Formulacin del problema
1.2.1. Problema general
1.2.2. Problemas especficos
1.3.
Objetivos de la investigacin
1.3.1. Objetivo general
1.3.2. Objetivos especficos
1.4.
Justificacin de la investigacin
CAPITULO II: MARCO TERICO
2.1.
2.2.
Antecedentes de la investigacin
Bases tericas
2.2.1. Estudio de Tiempos
2.2.1.1.
Mtodo de Trabajo
2.2.1.2.
Tiempo Estndar
2.2.1.3.
Balance de Lnea
2.2.2. Productividad
2.2.2.1.
Eficiencia
2.2.2.2.
Eficacia
2.3.
Definiciones conceptuales
2.3.1. Diagrama Hombre-Mquina:
2.3.2. Eficiencia
2.3.3. Estudio de tiempos
2.3.4. Cronmetro
2.3.5. Tiempo estndar
2.3.6. Diagrama de operaciones
2.3.7. Balance de lneas
2.3.8. Productividad
2.3.9. Suplemento
35

2.3.10. Capacidad de produccin

2.3.11. Balanceo
2.3.12. Muestreo
2.3.13. Tiempo normal
2.4.
Formulacin de hiptesis
2.4.1. Hiptesis general
2.4.2. Hiptesis especificas
CAPITULO III: SITUACIN ACTUAL DE LA EMPRESA
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
Resea histrica
Descripcin de la operacin de despacho
Flujograma de la operacin de despacho
Organigrama funcional
Problemtica empresarial
Identificacin del problema a solucionar
CAPITULO IV: METODOLOGA

4.1.
Diseo metodolgico
4.1.1. Tipo
4.1.2. Enfoque
4.1.3. Poblacin y muestra
4.2.
Operacionalizacin de variables e indicadores
4.3.
Tcnicas de recoleccin de datos
4.4.
Tcnicas para el procesamiento de la informacin
CAPITULO V: RESULTADOS
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
5.8.
Desarrollo del estudio de tiempos

Determinacin de tiempo estndar
Determinacin del balance de lnea
Calculo de la Eficiencia
Calculo de la Eficacia
Calculo de la Productividad
Cuantificacin del impacto econmico
Validacin del estudio
CAPITULO VI: DISCUSIN, CONCLUSIONES Y RECOMENDACIONES

6.1.
6.2.
6.3.
Discusin
Conclusiones
Recomendaciones
CAPITULO VII: FUENTES DE INFORMACIN

7.1.
7.2.
7.3.
Fuentes Bibliogrficas
Fuentes Documentales
Fuentes Electrnicas
36

ANEXOS
Anexo 01: Matriz de consistencia
Anexo 02: Instrumento
Anexo 03: Procesamiento del estudio de tiempos
Anexo 04: Medicin de la productividad
Anexo 05: Procesamiento estadstico del instrumento
37

Plan de Tesis

Uploaded by

Document Information

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

Plan de Tesis

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL

JOS FAUSTINO SNCHEZ CARRIN

FACULTAD DE INGENIERA INDUSTRIAL, SISTEMAS E

Tabla 1: Sistema de suplementos por descanso.......................................................................19

Figura 1: Cmo se descompone el tiempo estndar de una tarea manual simple...................28

Anexo 1: Matriz de consistencia......................................................................................53

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

PLANTEAMIENTO DEL PROBLEMA

Descripcin de la Realidad Problemtica

relaciona un fenmeno natural con una analoga artificial a travs de programas

Formulacin del Problema

Cmo disear e implementar una inteligencia artificial en un

Cmo disear una inteligencia artificial en un ambiente cerrado

con respuesta a comandos de voz?

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Disear e implementar una inteligencia artificial en un ambiente

Disear la inteligencia artificial con respuesta a comandos de voz.

Implementar la inteligencia artificial en un ambiente cerrado.

conseguir reproducir en mquinas las capacidades cognitivas del ser humano. La

Delimitacin sustancial: La investigacin est delimitada al estudio de

Viabilidad del estudio

El estudio resulta viable ya que se cumplen las siguientes condiciones:

Se cuenta con los conocimientos sobre el tema seleccionado.

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Ronald, E., & Sipper, M. (1999). Design, Observation, Surprise! A Test of

elementos artificiales y, desde el punto de vista de la ingeniera, propone la creacin

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

de Lord Byron, que en el conocido rgimen de Lovelace establece lo siguiente: las

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

un programa de juego de damas capaz de aprender de su propia experiencia; el propio

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

tecnolgico o ingenieril y el punto de vista cientfico.

capaces de seguir funcionando adecuadamente a pesar de las circunstancias

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

2.2.3.1 Redes de neuronas artificiales

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

De momento ya han pasado ms de cien aos y sigue siendo vigente su

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

2.2.3.3 Algoritmos genticos

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

correspondientes de los dos progenitores. Lamentablemente, este procedimiento de

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

tcnica de bsqueda en la que, a partir de un conjunto inicial de programas

Otras tcnicas adaptativas

2.2.4.1 Hardware evolutivo

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

2.2.4.2 Learning classiffier systems

2.2.4.3 Ant colony simulation

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Esta tcnica ofrece resultados muy interesantes en problemas de optimizacin

2.2.4.4 ADN molecular

2.2.4.6 Artificial Inmune systems

2.2.4.7 Vida artificial

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

Ronald ofrece una de las definiciones ms completa: la Vida Artificial es una

en la que intervienen mltiples disciplinas y reas de conocimiento y como tal debe

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

2.2.5.1 Aplicaciones de las NBIC

Diseo e implementacin de una inteligencia artificial en un ambiente cerrado con respuesta

2.2.5.1.1 Avances en ciencias de salud: Integracin-info-cogno-chips

Nanoelectroneurografa o la Nano-electromiografa, en las que un nanochip, con una