INTRODUCCION

El planeamiento en toda empresa es una necesidad importante, un

punto vital. Se puede incluso decir que el objetivo importante del
planeamiento es tratar de predecir lo que suceder en el futuro a base
de una recopilacin de hechos o sucesos que sucedieron con
anterioridad.
Los mtodos estadsticos comunes usan en general determinados
parmetros o datos asociados a perodos de tiempo cuya relacin con la
prediccin de demanda es complicada, la realidad es que la mayora de
los que toman decisiones a la hora de realizar la prediccin de demanda
lo hacen basndose en su instinto y experiencia. La realidad tambin
nos dice que la demanda se establece como un requisito primordial que
debe soportar el plan financiero o plan de ventas con lo que, la mayor
parte de las veces, el proceso de planificacin de la demanda est
fuertemente condicionado por elementos que, en un principio, tiene que
ver con el mercado y los clientes.
El mtodo usual de planeacin al interior de las empresas inicia con un
proceso de pronstico de la demanda, pronstico bien sea elaborado con
un simple crecimiento sobre resultados anteriores o mediante
herramientas tecnolgicas que permiten efectuar innumerables clculos
para tratar de que el pronstico sea lo ms cercano a la realidad.
Muchas de estas herramientas son extremadamente costosas y, peor
an, no son muchas las personas que pueden efectuar un pronstico
seguro a partir de los resultados de las mismas.
Inicialmente, los pronsticos en las empresas se elaboraban por
expertos que realizaban el anlisis de un simple crecimiento sobre
resultados anteriores mostrados en reportes histricos de ventas
(instinto y experiencia). Luego, se pas a utilizar mtodos estadsticos
convencionales (lineales) tales como los modelos bsicos de regresin,
el Anlisis de Series de Tiempo, etc.; estos mtodos estadsticos
convencionales usan en general determinados parmetros o datos
asociados a perodos de tiempo cuya relacin con la previsin de
demanda es complicada, la realidad es que muchos de los que toman
decisiones en el campo de la previsin de demanda lo hacen basndose
en sus instintos y experiencias, las cuales son utilizadas para valorar el
impacto de campaas promocionales, de introduccin de nuevos
productos u otros. Por muchos aos, este tipo de anlisis ha estado
dominado por la utilizacin de mtodos estadsticos lineales que se
pueden implementar de manera conveniente. Por este motivo, se
introdujo la idea de utilizar (RNA) en pronstico de Series de Tiempo que

fue aplicada por primera vez en 1964, cuando se utiliz una Red
Neuronal Artificial lineal para el pronstico del clima.
Actualmente, las Redes Neuronales Artificiales (RNA) son una de las
tcnicas ms usadas para la resolucin de pronsticos de este tipo
debido a sus ptimos resultados y su fcil metodologa de resolucin, es
as que su tipo de funcionamiento es muy eficaz para los pronsticos de
control de cantidad de productos, ya que al ingresar mayor informacin
aprende mucho ms rpido, as tener un porcentaje de respuesta lo ms
alto posible.
ANTECEDENTES
Redes Neuronales Artificiales
Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) estn
inspiradas en las redes neuronales biolgicas del cerebro humano. Estn
constituidas por elementos que se comportan de forma similar a la
neurona biolgica en sus funciones ms comunes. Estos elementos
estn organizados de una forma parecida a la que presenta el cerebro
humano.
Las ANN al margen de "parecerse" al cerebro presentan una serie de
caractersticas propias del cerebro. Por ejemplo las ANN aprenden de la
experiencia, generalizan de ejemplos previos a ejemplos nuevos y
abstraen las caractersticas principales de una serie de datos.

Aprender: adquirir el conocimiento de una cosa por medio del

estudio, ejercicio o experiencia. Las ANN pueden cambiar su
comportamiento en funcin del entorno. Se les muestra un
conjunto de entradas y ellas mismas se ajustan para producir unas
salidas consistentes.

Generalizar: extender o ampliar una cosa. Las ANN generalizan

automticamente debido a su propia estructura y naturaleza.
Estas redes pueden ofrecer, dentro de un margen, respuestas
correctas a entradas que presentan pequeas variaciones debido a
los efectos de ruido o distorsin.

Abstraer: aislar mentalmente o considerar por separado las

cualidades de un objeto. Algunas ANN son capaces de abstraer la
esencia de un conjunto de entradas que aparentemente no
presentan aspectos comunes o relativos.

Las redes neuronales artificiales son modelos matemticos simples que

implementan una funcin matemtica f tal que:
:
Siendo X lo que ingresa de dato e Y la respuesta que se requiere.
La naturaleza de la red viene del hecho de que la funcin f es la
composicin de otras funciones g que adems pueden ser una
composicin de otras funciones estableciendo una cadena de funciones
interconectadas que a la larga forman una red matemtica.
Las caractersticas especiales de los sistemas de computacin neuronal
permiten que sea utilizada esta nueva tcnica de clculo en una extensa
variedad de aplicaciones.
La computacin neuronal provee un acercamiento mayor al
reconocimiento y percepcin humana que los mtodos tradicionales de
clculo. Las redes neuronales artificiales presentan resultados
razonables en aplicaciones donde las entradas presentan ruido o las
entradas estn incompletas. Algunas de las reas de aplicacin de las
ANN son las siguientes:

Anlisis y Procesado de seales

Reconocimiento de Imgenes
Control de Procesos
Filtrado de ruido
Robtica
Procesado del Lenguaje
Diagnsticos mdicos
Prediccin
Otros

PLANTEAMIENTO DEL PROBLEMA

Es Posible la mejora de capacidades de prediccin de cantidad de
productos en el inventario para su venta al aplicar un, sistema de
prediccin de venta de Redes Neuronales Artificiales en la peluquera C y
D?
Lo rojo colocas si quieres puede que acepte pero dudo
Es posible mejorar la prediccin del stock de inventarios de los
productos disponibles para la venta en la peluquera C y D al
aplicar un sistema de prediccin basado en redes neuronales
artificiales?
DETERMINACION DEL OBJETO GENERAL

Lo que esta en amarillo elijes uno de acuerdo a lo que digas

despus del parntesis colocas si quieres o lo sacas puede que
no le guste como esta ya que hablamos de ganancia
Disear e implementar un sistema de pronstico de la cantidad de
productos vendidos ms adecuado, mediante el uso de la tcnica de
Redes Neuronales Artificiales para la obtencin de la menor tasa de error
entre la demanda real y la demanda pronosticada.
Desarrollar un sistema que utilice redes neuronales artificiales
para pronosticar la cantidad de productos vendidos con un alto
porcentaje de xito tomando en cuenta como variables los/las
(aca colocas lo que vas a utilizar para tu pronostico ej: ventas
realizadas en el periodo anterior y as le metes palabrera para
hacerlo ms grueso) llegando a obtener una menor tasa de error
entre la demanda real y la demanda proyectada para asi
conseguir un alto ndice de ganancia y mantener la satisfaccin
al cliente por parte de la peluquera A y C
DETERMINACION DEL OBJETO ESPECFICO

Evaluar el sistema utilizando datos estadsticos.

Obtener una base de datos histrica de la demanda de productos
de la peluquera, que ser usada para entrenamiento de RNA.
Disear un software de prediccin basado en la tcnica de redes
neuronales.
Averiguar el proceso de pronstico actual de demanda de
productos de la peluquera.

AMBITOS

mbito geogrfico
La presente investigacin se
mbito socio-econmico

mbito sectorial

Aumenta ms mbitos basndote en esas fotocopias solo el

social y sectorial te recomiendo

JUSTIFICACIONES

Justificacin Terica

La redes neuronales son parte de la inteligencia artificial conocidas

tambin como Redes Neuronales Artificiales (RNA), su estructura y
funcionamiento estn inspirados en las redes neuronales biolgicas,
estas consisten en un gran nmero de elementos simples de
procesamiento llamados nodos o neuronas que estn organizados en
capas. Cada neurona est conectada con otras neuronas mediante
enlaces de comunicacin, cada uno de los cuales tiene asociado un
peso. Los pesos representan la informacin que ser usada por la red
neuronal para resolver un problema determinado.
A s, las RNA son sistemas adaptativos que aprenden de la experiencia,
aprenden a llevar acabo ciertas tareas mediante un entrenamiento.
Mediante este entrenamiento o aprendizaje, las RNA crean su propia
representacin interna del problema, por tal motivo se dice que son auto
organizadas. Posteriormente, pueden responder adecuadamente cuando
se les presentan situaciones las que no haban sido expuestas
anteriormente, es decir, las RNA son capaces de generalizar de casos
anteriores a casos nuevos.

Justificacin Practica

Las Redes Neuronales ayudaran a poder realizar la prediccin de

cantidad de venta de un producto se podrn establecer las acciones que
debe tomar la peluquera a la hora de realizar los pedidos de un
producto.
Aumenta una justificacin social
ALCANCES
Tus alcances parecen ms requisitos no funcionales tal vez por
eso te pidi ms por qu no entendi
Se realizar el estudio acerca de la demanda de los productos de la
peluquera C y D, microempresa distribuidora de productosestablecida
en la ciudad de La Paz, y cmo influyen las variables dependientes en
los patrones de demanda de los productos de la peluquera,el pronstico
se llevar a cabo para su lnea de productos
Los casos de estudio, en primera instancia, se realizarn en la misma
empresa, luego se buscarn opciones de aceptacin de prediccin, para
poder llevar a cabo ms casos de estudio con el mismo sistema y de
esta manera, realizar las comparaciones debidas y los porcentajes de
resultados favorables que se desean obtener.
La plataforma a utilizar contempla el lenguaje de programacin JAVA, IDE
NetBeans 8.0 que es la ltima versin actual para la implementacin de

la capa de interfaz de usuario, una herramienta de software matemtico

MATLAB 8.5 para la implementacin de la red neuronal de la capa de
proceso.