Magíster en Ingeniería de Negocios con Tecnologías de Información / La deserción conlleva costos altísimos a los estudiantes, sobre todo aquellos que sus familias no disponen de los recursos y debe solicitar créditos, quedando endeudados y debiendo pagar por no lograr obtener un grado o título. Por otro lado, también genera costos a la institución, ya que se determinan cupos de ingreso a cada Programa de Formación, los cuales se utilizan en su totalidad y se espera que los estudiantes permanezcan hasta lograr su graduación y/o titulación. El objetivo del proyecto es diseñar una estrategia para disminuir las deserciones tempranas de los estudiantes de pregrado de la Universidad de Chile, a través de la creación y aplicación de un modelo que permita detectar tempranamente a los posibles desertores de los estudiantes de pregrado. El presente proyecto contempla estudiantes que hayan ingresado sólo a través de la Prueba de Selección Universitaria y las deserciones que ocurren en el primer año, realizándose un piloto con el Programa de Formación de Arquitectura. Se utilizan las metodologías de Ingeniería de Negocios y Proceso de Extracción del Conocimiento (KDD) para obtener un modelo el cual debe ser ejecutado los primeros días del año, cuando se obtiene la matrícula de los estudiantes nuevos, luego se publica el listado de estudiantes que podrían desertar en el Sistema de Información para la Gestión Académica (SIGA), donde los Profesionales contratados para realizar el seguimiento y acompañamiento de los estudiantes se informan, para luego llevar a cabo sus actividades con los estudiantes. En el presente proyecto se ha obtenido un modelo de redes neuronales, el cual considera las variables de Educación Secundaria: Grupo Dependencia y Nota de Enseñanza Media; PSU: Puntaje de Prueba de Lenguaje y Comunicación, puntaje de Prueba de Matemáticas, Puntaje Ponderado y Preferencia; Socioeconómico: Ingreso Bruto y si tiene o no beca; Personal: Género; y Grupo Familiar: Número de integrantes del grupo familiar y si están vivos sus padres. El modelo tiene un resultado sobresaliente, ya que predice al 74,32% de los estudiantes que van a desertar en su primer año de carrera. Se realizó un análisis de sensibilidad en la evaluación económica del proyecto, lo cual permite apreciar que los beneficios sobre los costos son notablemente mayores, haciendo que el proyecto sea muy rentable. Se han obtenido beneficios que no estaban presupuestados como la creación del portal SIGA, los formularios de registro con posteriores reportes de análisis y un comparador de modelos, que permite realizar en menor tiempo todas las combinaciones de modelos evaluados.

Esta tesis propone el uso de procesamiento digital de imágenes para el control de clasificación, a través de redes neuronales, en un sistema de llenado automático de botellas. Las imágenes de las tres botellas fueron capturadas por una cámara web, dichas imágenes a través de algoritmos de MatLab pasaron a escala de grises y fueron almacenadas en una matriz de 20x20 que sirven como entrada a la red neuronal. Luego, la PC envió la información al sistema de control indicando el tipo de botella. De acuerdo a la información recibida el sistema de control activo el motor de la banda transportadora para hacer avanzar la botella hacia las estaciones de llenado, desecho, enchapado y selección. En la estación de llenado, el sistema de control activó los motores de llenado de acuerdo al tipo de botella. Si el llenado es muy alto o insuficiente, la base circular lleva a la botella a la posición de desecho. Si el llenado es el correcto, la base circular desplaza a la botella hacia la fase de clasificación. Se realizaron diferentes pruebas en el entrenamiento de la red neuronal en lo que respecta el número de iteraciones, donde se vio que 7000 iteraciones permiten que el reconocimiento sea eficiente. También para determinar la eficacia del llenado, se obtuvo que dos de cada diez botellas fueron rechazadas por mal llenado. En lo que respecta la productividad, con este sistema en media hora se puede tener hasta 38 botellas y en 8 horas hasta 608.

La presente tesis, tuvo como objetivo mostrar una estrategia a través de redes neuronales, para los vehículos del Cuerpo General de Bomberos Voluntarios del Perú (CGBVP) durante una emergencia en el distrito de Surco, contribuyendo a la fluidez vehicular de las unidades en situaciones de emergencia. A nivel mundial se puede apreciar que se han desarrollado diferentes estrategias o sistemas que apoyan a las unidades de emergencia. El desarrollo del sistema propuesto consiste en preparar los semáforos con anticipación al paso de una unidad. Para ello se consideraron dos tipos de datos, ubicación y dirección, con el fin de activar los semáforos tiempo antes que el vehículo llegue a la intersección. El presente estudio analizó la red Neuronal LVQ (Learning Vector Quantization) y 2 tipos de red Backpropagation con el fin de determinar cuál de ellas es la más adecuada para el caso propuesto. Finalmente a través de simulaciones se determinó la red Backpropagation [100 85 10] obtuvo mejores resultados, siendo el de regresión igual a 0.99 y presentando valores de error en un rango de 10^-5 o menores. El algoritmo por Backpropagation [100 85 10] demostró durante sus 3 simulaciones responder correctamente a los 3 escenarios planteados. Demostrando únicamente variaciones pequeñas durante las simulaciones pero ninguna superando valores aceptables de 0 o 1 lógico. The following thesis had as objective to show a strategy using neural networks to help vehicles of the fire fighter brigade in Peru (CGBVP) during emergencies on the district of Surco, helping with the response times of the unit on emergency situations. Worldwide can be seen that strategies or systems are being used to help lower the problems of traffic. The development of the proposed system consist on preparing the traffic lights previous the arrival of the unit to the intersection. For this 2 type of data is being considered, location and direction, in order to activate the lights time before the vehicle arrives to the intersection. The present study analyzed the LVQ (Learning Vector Quantization) and 2 types of backpropagation networks in order to determine which of them is the most fitting for the situation to handle. Finally, going through the simulations it was determined that the [100 85 10] backpropagation network had the best response, being the regression 0.99 and showing error on the range of 10^-5 or lowers. The algorithm by backpropagation [100 85 10] showed during the 3 simulations that works property on all 3 situations. It showed small variations on some of the simulations but nothing out of the acceptable values of a logic 1 or 0.

Memoria para optar al Título Profesional de Ingeniero Agrónomo mención Manejo de Suelos y Aguas / El suelo es uno de los grandes reservorios de carbono del planeta. El cambio que se genera al pasar de ecosistemas naturales a agroecosistemas genera pérdidas importantes del carbono orgánico (CO) acumulado, por lo que es necesario disponer de métodos adecuados que permitan evaluar su estado. Para esto se utilizaron 440 series de suelos con el objetivo de modelar la distribución espacial del CO en los suelos de Chile entre las Regiones de Valparaíso y de Los Ríos (32o 9’ 2” – 40o 40’ 52” lat. S y 0 – 600 m.s.n.m.) mediante el uso de técnicas geoestadísticas con el fin de estimar la cantidad de CO almacenado en los primeros 25 cm de suelo. Se utilizaron dos líneas de modelación, una con todos los datos (0,3 – 20% CO) y otra que excluyó 19 outliers (0,3 – 11,8% CO) y se utilizaron cuatro métodos: Kriging Ordinario, Co-Kriging, Kriging Ordinario con semivariogramas locales y Kriging de residuales de red neuronal. Todos los métodos mostraron buenos resultados (R2 > 0;67) luego de comparar los valores reales de CO con los predichos por los modelos mediante validación cruzada. Sus desempeños mostraron ser dependientes de la línea de modelación, reforzando la influencia de los outliers en el proceso de modelación. La cantidad total y promedio por hectárea de los suelos del área de estudio fue estimada en 873,58 43 Tg (1012 g) y 75,12 3,18 Mg ha-1 respectivamente. / Soil is one of the major reservoirs of carbon on Earth. Changes generated when moving from natural ecosystems to agroecosystems cause significant losses of the organic carbon (OC) accumulated on it, making necessary to have appropriate methods to evaluate its status. To achieve this, data of 440 soil series were used with the objective of modelling the spatial distribution of soil organic carbon (SOC) between Valparaíso and Los Ríos Regions (32o 9’ 2” – 40 o 40’ 52” lat. S and 0 – 600 m.a.s.l) using geostatistical techniques, in order to estimate the amount of OC stored in the first 25 cm. Two modelling lines were used, one with all the data (0,3 – 20% OC) and another that excluded 19 outliers (0,3 – 11,8% OC), using four methods: Ordinary Kriging, Co-Kriging, Ordinary Kriging with local semivariograms and Artificial Neural Network Residual Kriging. All methods showed good results (R2 > 0;67) after comparing the real values of SOC with those predicted by the models using cross-validation. Performance proved to be dependent on the modelling line, reinforcing the influence of outliers in the modelling process. Total SOC and average SOC per hectare in the study area was estimated at 873,58 43 Tg (1012 g) and 75,12 3,18 Mg ha-1 respectively.

Memoria para optar al título profesional de Ingeniero en Recursos Naturales Renovables / La cartografía climática es de interés científico, económico y ambiental. En el caso de Chile, actualmente se encuentra dispersa, en escala inapropiada o no disponible en formato digital. Esta se ha generado a partir de diferentes áreas, y elaborado tradicionalmente mediante la interpolación de datos de estaciones meteorológicas, usando métodos lineales o trazado experto de isolíneas. Los métodos lineales están limitados debido a su naturaleza (Lam, 1983; Dowd, 1994), en cambio el trazado isolíneas se ve limitado por el conocimiento de la zona. Actualmente las Redes Neuronales Artificiales (RNA) buscan superar estas limitaciones, y poseen la ventaja de ser funciones no lineales con capacidad de aprendizaje. Este estudio es sobre la elaboración de cartografía climática de temperatura media mensual (TMM) y precipitación media mensual (PMM) de la Región del Libertador General Bernardo O’Higgins, mediante el uso de RNA. Para este fin se hizo usó de información de TMM y PMM de estaciones meteorológicas, la que se complementó con información fisiográfica (Latitud, Longitud, Altitud, Exposición, Pendiente, Vegetación, Distancia de la costa). Esto sirvió de insumo para los modelos topoclimáticos mensuales de RNA multicapa del tipo “feed-forward”. Cada mes contó con tres modelos, diferenciados en la cantidad variables usadas. El primer escenario descartó variables mediante análisis stepwise, dejando aquellas que fueron significativas para elaborar modelos mensuales (SimSTEP). El segundo usó todas las variables fisiográficas (SimE7), y el tercero sólo tomó en cuenta latitud, longitud y altitud (SimE3). Posteriormente estos modelos fueron comparados con un modelo global (WorldClim). Los tres modelos, mostraron una alta correlación con los datos de estaciones meteorológicas (R2 entre 70% y 92%), dando cuenta de una buena habilidad de generalización (R2 de 70% en promedio para el subgrupo de validación). La espacialización de los datos mostró una estrecha relación de las variables de entrada y la representación cartográfica, y la distribución espacial de las estaciones. Al comparar con WorldClim, SimE3 mostró una mayor similitud visual y numérica. Las RNA son una herramienta útil para estudios ambientales. Pero al igual que otro tipo de modelos se ven limitados por los datos, en este caso la baja densidad de estaciones fue relevante en la representación cartográfica. / Climate Mapping has scientific, economic and environmental relevance. In Chile, the information is currently scattered, in inappropriate scale or not available in digital. Usually generated from different areas, and traditionally made by interpolating weather data by linear methods or expert knowledge. The linear methods are limited due to his nature (Lam, 1983; Dowd, 1994); and expert contours are limited by the knowledge of the area. Currently Artificial Neural Networks (ANN) tries to overcome these limitations, have the advantage of being nonlinear functions with learning ability. This study is about climate mapping monthly mean temperature and precipitation (MMT and MMP) in the Region of Libertador General Bernardo O'Higgins, using ANN. MMT and MMP Information was gathered from meteorological stations and completed with physiographic data (latitude, longitude, altitude, exposure, slope, vegetation, coast distance). This information was used as input for monthly models of topoclimate ANN multilayer feed-forward. Each month had three models, with different variables. The first model discriminate significant variables using a stepwise analysis (SimSTEP), second model used all physiographic variables (SimE7), and the third model used latitude, longitude and altitude (SimE3). These models were compared with a global model (WorldClim). These models showed high correlation with the weather stations data (R2 between 70% and 92%), and good generalization ability (R2 over 70% average in validation subgroup). Spatialized data showed close relationship with input variables and cartographic representation and the station spatial distribution. These models were compared with Worldclim, SimE3 showed a visual and numerical the best similarity. ANNs area useful tool for environmental and interpolation studies. However like other models are limited by the data density, in this case the low density of stations in the study area.

Ingeniero Civil Mecánico / La necesidad por desarrollar métodos cuantitativos para la detección de daño que puedan ser utilizados en estructuras complejas ha llevado a una continua investigación de métodos basados en los cambios en las características vibracionales de una estructura. Estos métodos son capaces de detectar daños pequeños en cualquier sector de una estructura. Tienen la ventaja que la ubicación del daño no debe ser conocida a priori y tampoco es necesario tener acceso a ella. Un área con potencial y que aún está en investigación, es el uso de las anti-resonancias en la detección de daño. Las anti-resonancias se pueden determinar de manera más precisa que los modos normales (usualmente utilizados), lo que puede resultar en una evaluación más precisa del daño. Este trabajo busca desarrollar un algoritmo de detección de daño utilizando anti-resonancias cruzadas y redes neuronales. Las redes neuronales artificiales son eficientes técnicas computacionales, usadas ampliamente para solucionar problemas complejos en muchos campos del conocimiento. El método se valida mediante datos simulados y experimentales de una viga libre y empotrada en distintas situaciones de daño. El estudio se estructura de la siguiente manera: Se generan los modelos en elementos finitos de las vigas y se crean las bases de datos analíticas de los casos de falla. Con las bases se entrenan las RNAs, luego se validan para después hacer la toma de datos experimentales. Con estos datos se validan experimentalmente las RNAs. Más tarde se procede con la introducción de ruido a los datos analíticos y finalmente se comparan los resultados con los obtenidos anteriormente. Se tratan los casos de una sola falla y dos fallas simultaneas en algún par de los 20 elementos en los cuales se discretizó la viga. Los daños se simulan disminuyendo porcentualmente la matriz de rigidez de alguno de los elementos de la viga. Se logran detectar todos daños inducidos en las vigas, teniendo más éxito en la viga libre debido a que el empotramiento implementado no pudo simular las condiciones de borde completamente, lo que se traduce en que los datos obtenidos no condicen con los datos simulados analíticamente, los cuales obedecen a un empotramiento perfecto. Se estudia la introducción de ruido pseudo-aleatoreo que sigue una distribución uniforme y una normal. Se concluye que el ruido mejora los resultados pero no logra acercarse del todo al caso experimental, por lo que se propone analizar otro método de introducción de ruido.

Ingeniera Civil Mecánica / Toda estructura en ingeniería se encuentra expuesta al daño y deterioro durante su vida útil. La información oportuna del deterioro que presenta puede incrementar la seguridad en su uso y mejorar su confiabilidad, además de reducir significativamente los costos asociados al mantenimiento. El uso de Redes Neuronales Artificiales (ANN en inglés artificial neural network) ha sido considerado en la detección de daño porque luego que la ANN es entrenada, utilizarla implica solo un gasto menor de recursos computacionales, lo que la hace idónea para monitoreo en tiempo real. Sin embargo, en la etapa de entrenamiento es necesaria gran capacidad computacional, la cual crece con la complejidad de la estructura. Además, mientras más elementos se quieran detectar con una red, más difícil se vuelve el entrenamiento y peores son los resultados. Esto último hace que la aplicación directa de redes neuronales en estructuras complejas sea casi imposible. Una solución es dividir la estructura en sub-estructuras y entrenar una red para cada sub-estructura por separado, este método se conoce como sub-estructuración. En el presente trabajo se obtiene un algoritmo capaz de identificar daño en estructuras de barras por medio del método de subestructuras combinado con ANN. Las frecuencias de resonancia y anti-resonancia de la estructura son las variables de entrada sensibles al daño y las variables de salida son factores de reducción de rigidez para cada elemento. El trabajo se divide en dos etapas principales; primero se modela en MATLAB la estructura mediante elementos finitos y se realiza un análisis con daño simulado, y luego se valida el modelo con una estructura experimental. El método de identificación de daño utiliza dos redes neuronales. La primera debe detectar la o las sub-estructura(s) con daño y la segunda debe detectar daños en cada elemento de la sub-estructura identificada por la primera red. De esta forma se reduce el tamaño de cada ANN, y con esto los recursos computacionales necesarios para entrenarlas. El daño en un elemento tiene dos representaciones; a nivel de elementos finitos se considera un factor de reducción de rigidez y a nivel experimental se considerarán cortes en las secciones. El desarrollo de la primera red entrega buenos resultados a nivel numérico y logra detectar las subestructuras dañadas en tres de los cuatro casos de daño experimental. Para su entrenamiento se incluyeron las frecuencias de resonancia y las frecuencias de anti-resonancia de los nodos límite de cada subestructura. Las redes de la segunda etapa, una para cada subestructura, se logran entrenar a nivel numérico dependiendo principalmente del número de entradas disponibles, lo cual permite que tres de las seis presenten resultados muy buenos. La validación con datos experimentales detecta los daños 5 existentes en los casos estudiados, pero sólo logra cuantificar y localizar uno de ellos. Por lo tanto, el uso de un método de sub-estructuración y redes neuronales para la identificación de daño en estructuras de barras, resultó correcto en la etapa de localización de subestructuras dañadas. Sin embargo, para la identificación de elementos dañados en cada sub-estructura es necesario asegurar una cantidad mínima de datos de entrada a la red (frecuencias de anti-resonancia) que permita el correcto entrenamiento de la red neuronal.

No description available.

Esta investigación evidencia las ventajas de automatizar el funcionamiento de una red neuronal, en el contexto de aplicaciones financieras de valoración de activos y portafolios. Demostramos que el establecimiento de forma manual de las funciones de activación tiene efectos adversos sobre la efectividad de la red; en términos de los niveles de error alcanzados. Se encuentra que el hacer una elección óptima puede disminuir entre un 20% y un 95% el ECM del modelo. Además se desarrollan las bases de un modelo teórico de resolución de Redes Neuronales que no requiere de la selección de una función de activación, ya que éstas son resultado del proceso de optimización del modelo

Ingeniero Comercial, Mención Administración / En el siguiente trabajo se busca demostrar que las Redes Neuronales pueden ser usadas para predecir la variación en el precio de una acción. Los resultados obtenidos nos ayudan a creer que estos métodos de inteligencia artificial están muy prontos a ser las herramientas esenciales para trabajar y desenvolverse en los mercados financieros. Una de nuestras motivaciones para hacer este trabajo tenía que ver con la efectividad de esta herramienta, y si dicha efectividad motiva a que ya estén siendo usadas en grandes compañías financieras y mesas de “trading” en otros países. Una característica a destacar es que a diferencia de estudios anteriores, éste se realiza con datos diarios. Al probar que el modelo funciona y es efectivo, concluimos que es posible obtener rentabilidades diarias, rápidas y a corto plazo. La aplicación se efectúa en una acción del mercado estadounidense, a pesar de la inestabilidad actual de dicho mercado afectado por la crisis financiera. La razón es porque la empresa estudiada se beneficia del gran plan de energía renovable implantado por el presidente Obama. Dicho plan, creado para la reactivación económica del país, otorga beneficios y solidez financiera a empresas como First Solar, dedicada a la producción de paneles solares. Si bien la metodología de este trabajo se basa en una red neuronal, se ocupan otras herramientas que ayudan al modelo, como las Bandas de Bollinger, la teoría de ondas de Elliott y el test de Perasan & Timmermann, entre otros. Todo esto en conjunto nos ayuda a demostrar que el modelo funciona con una significancia estadística, lo cual demostraremos más adelante. Conclusiones hay varias, pero creemos que la más importante es que los modelos financieros y las formas de predecir se están actualizando. Los modelos econométricos clásicos están obsoletos y los operadores, brokers y gente desenvuelta en éste ámbito no pueden quedar ausente ante estos cambios.