Upload
others
View
19
Download
0
Embed Size (px)
Citation preview
CAPITULO IV
BITACORA DE MANEJOS DE LOS DATOS
Este cuerpo es la bitacora que el autor de la investigación ha hilado los
detalles cotidianos del dia a dia, por esta razón los diseños cualitavos son
piezas unicas, en la indagación cualitativa los investigadores deben construir
formas inclusivas para descubrir las visiones múltiples de los participantes y
adoptar papeles más personales e interactivos con ellos (Hernández,
Fernández y Baptista, 2006).
Este apartado aborda el manejo de los datos a través de la codificación
abierta, axial, selectiva y central, así como la como las indicaciones y
resultados de la aplicación del Delfi a los diez (10) expertos, además, se realiza
la codificación del proceso de los mapas auto organizados a el memo del Delfi.
1. BITACORA ANALITICA ETAPAS DE LA TEORIA FUNDAMENTADA
En este apartado el autor de esta investigación comienza a desarrollar la
codificación abierta, en primer nivel de acuerdo a su sensibilidad busca que
vayan emergiendo las categorías.
1.1. SEGMENTOS PARA LA CODIFICACIÓN ABIERTA Del modelo esférico (Matricial) de Parayil (2002) tratado en marco teórico
el autor de este trabajo de investigación doctoral selecciona los segmentos de
los aspectos político, social y económico, además, de los atributos culturales,
cognoscitivos y funcional, igualmente del contexto selecciona otros
99
100
segmentos. La codificación se realiza en forma cualitativa, además, el
investigador ha seleccionado como “unidad constante” de análisis la línea la
finalidad de estas líneas es ir categorizando los aspectos y atributos del cambio
tecnológico según Parayil (2002), ver Figura 27 , codificación tipo cualitativa.
Figura 27, codificación se realiza en forma cualitativa,
fuente Hernández, Fernández-Collado y Baptista, (2006).
En la transcripción de la línea se observa que el autor de esta investigación
va seleccionando tres segmentos de los párrafos analizados, en el modelo del
cambio tecnológico según Parayil (2002). Asimismo, el proceso de generar
categorías se realiza sobre la base de la comparación constante entre
unidades de análisis. Las categorías surgen más rápidamente leyendo todo el
material (unidades) y el investigador internaliza el mismo.
El número de categorías crece conforme se revisa más unidades de
análisis ver figura 28, codificación abierta. Desde luego, al principio de la
comparación entre unidades se crean varias categorías; pero conforme
avanzamos hacia el final, el ritmo de generación de nuevas categorías
desciende.
101
1. El apoyo a la investigación y desarrollo (I + D). 2. Los consumidores influyen en la dirección cambio tecnológico. 3. Proceso cambio de conocimiento.
4. Cambio evolutivo. 5. Desarrollo de artefactos tecnológicos. 6. El hacer y resolver el mismo viejo problema.
7. Tecnologías industriales previas. 8. Impulsado por motivos económicos. 9. Aprender nuevas formas de hacer las cosas por ensayo y error.
10. El conocimiento tecnológico en los medios de producción. 11. El curso futuro del cambio tecnológico. 12. La cultura está presente en todas las categorías.
13. Las ideas forman el centro de la tecnología. 14. La tecnología se compone de actividades mentales y físicas. 15. La construcción de la tecnología son las ideas.
16. El potencial de sustitución de energía. 17. Las posibilidades de automatización. 18. Nuevos métodos de comunicación.
19. Conocer el tipo de modelo de negocio. 20. Contexto comercial. 21. Contrabandear coloquialmente bachaquear.
Figura 28, codificación abierta, elaboración propia
MET
OD
O C
OM
PAR
AC
IÓN
CO
NST
AN
TE
CO
NST
AN
TEC
ON
STA
NTE
Aspecto político
Aspecto social
Aspecto económico
Atributo cultural
Atributo cognitivo
Atributo funcional
Contexto cambio tecnológico
CODIFICACIÓN ABIERTA
102
1.2. UNIDAD CONSTANTE PARA LA CODIFICACIÓN AXIAL Este tipo de codificación también es del tipo cualitativa como la codificación
abierta, las unidades y categorías van emergiendo de los datos. Las unidades
se consideran en relación con las demás (conjunto de los datos), pudiendo
caer en una categoría previa o generar una nueva, ver figura 29, codificación
axial:
Figura 29 Codificación axial en segundo Plano, fuente: elaboración propia.
CODIFICACIÓN AXIAL
103
1.3. UNIDAD CONSTANTE PARA LA CODIFICACIÓN SELECTIVA En esta etapa de la codificación se les ha asignado códigos a las categorías
(se etiquetan) que emergieron de la codificación axial realizada en la etapa
anterior, con la finalidad de que el análisis sea más manejable y sencillo de
realizar, además, son una forma de distinguir a una categoría de otras. Pueden
ser números, letras, símbolos, palabras, abreviaturas, imágenes o cualquier
tipo de identificador fuente Hernández, Fernández-Collado y Baptista, (2006).
Como se muestra en la figura 30, codificación selectiva.
Figura 30 Codificación selectiva en tercer Plano, fuente: elaboración propia
104
En esta fase de la codificación el autor de esta investigación cambia a la
codificación cuantitativa, cada unidad es asignada a la categoría y
subcategoría pertinentes. Las unidades se consideran de manera
independiente unas de otras y se asignan dentro del sistema de categorías,
Ver figura 31, codificación cuantitativa.
Ver figura 31, codificación cuantitativa.
Una vez que ha etiquetado las unidades ( subcategorías), que son producto
de la codificación axial, las sub-categorías se agrupan para formar categorías,
en este caso X1=cambio de conocimiento, X2=cambio evolutivo, X3=aprender
nuevas formas, origina la categoría 1 “desde la trayectoria”, en el caso de la
categoría 2 “ la naturaleza” está es representada por las subcategorías
X4= conocimientos tecnológicos y X5= ideas, la categoría 3 “ la dinámica
interna” está representada por la sub-categoría X6=automatización.
De acuerdo con el autor de esta investigación basada en la teoría
fundamentada, de tipo straussiana, se interpreta que al ir codificando van
105
emergiendo las categorías, a las cuales se le asigna un código. En la
codificación cuantitativa, las categorías son como “cajones" conceptuales; en
la cualitativa son conceptos, experiencias, ideas, hechos relevantes y con
significado. La creación de categorías, a partir del análisis de unidades de
contenido, es una muestra clara de por qué el enfoque cualitativo es
esencialmente inductivo (Hernández, Fernández-Collado y Baptista, 2006).
1.4. COMPARACIÓN DE CATEGORIAS CODIFICACIÓN CENTRAL Para completar idealmente el ciclo del análisis cualitativo debemos de:
a) Producir un sistema de clasificación (tipologías).
b) Presentar temas y teoría.
Generar hipótesis, explicaciones y teorías, con base en la selección de
temas y el establecimiento de relaciones entre categorías comenzamos a
interpretar los resultados y entender el fenómeno de estudio, así como generar
teoría.
1.4.1. SISTEMA DE CLASIFICACIÓN
El autor de esta investigación usa el criterio de acuerdo con Oliber (2003),
el menciona que el cambio tecnológico se analiza desde el punto de vista de
los insumos o “entradas, así como también Parayil (2006), afirma que el
cambio tecnológico debe ser analizado a partir de tres ángulos
complementarios: determinado a través de su trayectoria, desde su naturaleza;
y desde su dinámica interna.
106
Se ha sometido el texto de cambio tecnológico de Parayil (2002), a
codificación abierta cuyo resultado de la etapa ha sido 21 segmentos elegidos
mediante codificación cualitativa (Ver Anexo I), estos 21 segmentos fueron
reducidos en la etapa de codificación axial en 7 unidades o subcategorías (Ver
Anexo I), las cuales también fueron codificadas en forma cualitativa.
En esta etapa el investigador utiliza la codificación cuantitativa ha
preparado un cuadro 10, llamado proceso para hacer las sentencias, en este
caso como unidad constante se usa el párrafo, este párrafo será categorizado
con el criterio de valoración del diferencial semántico, el cual utiliza adjetivos
bipolares separados con una escala estimativa con un rango de siete (7)
puntos (Seijas, 2006).
El memo DELFI para experto preparado ver Anexo III, es utilizado por el
autor de esta investigación para aplicar el método DELFI a los diez (10)
expertos para realizar su categorización cuantitativa respectivamente.
107
CONCEPTO
COD
SUBCATEGORIAS
SENTENCIAS
Cambio tecnológico en la distribución de combustible en zonas de frontera
X1 Cambio de conocimiento
1.-Las restricciones de las regulaciones gubernamentales, ambientales y de los recursos interactúan en el cambio de conocimiento hacia la políticas que le son establecidas a los usuarios del sistema automatizado instalado en las estaciones de servicio PDV.
X2 Cambio evolutivo
2.-Las estaciones de servicio marca PDV, han puesto en uso la tecnología de los lectores de identificación por radio frecuencia (LIRF) para resolver los problemas y las necesidades de sus usuarios en ella y sus alrededores. Los artefactos tecnológicos forman parte del cambio evolutivo para fortalecer la convivencia social.
X3 Aprender nuevas formas
3.-La transferencia tecnológica es motivada por la actividad económica. La marca PDV, ha conservado los mismos operadores de isla, ellos han aprendido nuevas formas del manejo de los lectores de identificación por radio frecuencia (LIRF) en las estaciones de servicio del municipio Maracaibo.
X4 Conocimiento tecnológico
4.-El conocimiento tecnológico se produce debido al cambio en los medios de producción, los cambios introducidos por la automatización en las estaciones de servicio marca PDV, afectara la cultura del usuario que surten combustible en las estaciones de servicio automatizadas en el municipio Maracaibo.
X5 Ideas 5.-Las ideas como experiencia humana forman el centro de la tecnología. La idea de usar lectores identificadores de radio frecuencia (LIRF) en las estaciones de servicio se debe a la creciente sofisticación de las maquinas.
X6 Automatización
6.. La automatización como control de la cantidad de combustible que pueden surtir diariamente los usuarios en las estaciones servicio marca PDV, son la manifestación física del cambio de conocimiento.
Fuente: elaboración propia
CUADRO 10, PROCESO PARA REALIZAR SENTENCIAS
108
1.4.1.1 BITACORA DE CAMPO CATEGORIZACIÓN DE LAS UNIDADES
Para categorizar el cambio tecnológico en la distribución de combustibles
en zonas de frontera desde la perspectiva de las redes neuronales. El autor
de esta investigación ha asumido el método Delphi el cual esta englobado
dentro de los métodos de prospectiva, que estudian el futuro, en lo que se
refiere a la evolución de los factores del entorno tecno-socio-económico y sus
interacciones. Es un método de estructuración de un proceso de comunicación
grupal que es efectivo a la hora de permitir a un grupo de expertos, como un
todo, tratar un problema complejo. (Linstone, Turoff, 1975). La capacidad de
predicción de la Delphi se basa en la utilización sistemática de un juicio intuitivo
emitido por un grupo de expertos.
El objetivo de los cuestionarios sucesivos, es "disminuir el espacio
intercuartil, esto es cuanto se desvía la opinión del experto de la opinión del
conjunto, precisando la mediana", de las respuestas obtenidas. Dentro de los
métodos de pronóstico, habitualmente se clasifica al método Delphi dentro de
los métodos cualitativos o subjetivos.
La calidad de los resultados depende, sobre todo, del cuidado que se
ponga en la elaboración del cuestionario y en la elección de los expertos
consultados. Este método se emplea bajo las siguientes condiciones:
-No existen datos históricos con los que trabajar
-El impacto de los factores externos tiene más influencia en la evolución
que el de los internos
109
- Las consideraciones éticas y morales dominan sobre las económicas y
tecnológicas en un proceso evolutivo.
- Cuando el problema no se presta para el uso de una técnica analítica
precisa.
- Cuando se desea mantener la heterogeneidad de los participantes a fin
de asegurar la validez de los resultados
- Cuando el tema en estudio requiere de la participación de individuos
expertos en distintas áreas del conocimiento.
1.4.1.2 FASES DEL MÉTODO DELFI:
Definición de objetivos: En esta primera fase se plantea la formulación del
problema y un objetivo general que estaría compuesto por el objetivo del
estudio, el marco espacial de referencia y el horizonte temporal para el estudio.
Selección de expertos: Esta fase presenta dos dimensiones:
- Dimensión cualitativa: Se seleccionan en función del objetivo prefijado
y atendiendo a criterios de experiencia posición responsabilidad acceso a la
información y disponibilidad.
- Dimensión Cuantitativa: Elección del tamaño de la muestra en función
de los recursos medios y tiempo disponible.
Formación del panel. Se inicia la fase de captación que conducirá a la
configuración de un panel estable. En el contacto con los expertos conviene
informarles de:
- Objetivos del estudio
- Criterios de selección
110
- Calendario y tiempo máximo de duración
- Resultados esperados y usos potenciales
- Productos previstos (informe final).
Elaboración y lanzamiento de los cuestionarios: Los cuestionarios se elaboran
de manera que faciliten la respuesta por parte de los encuestados. Las
respuestas habrán de ser cuantificadas y ponderadas (año de realización de
un evento, probabilidad de un acontecimiento...)
Explotación de resultados: El objetivo de los cuestionarios sucesivos es
disminuir la dispersión y precisar la opinión media consensuada. En el
segundo envío del cuestionario, los expertos son informados de los resultados
de la primera consulta, debiendo dar una nueva respuesta. Se extraen las
razones de las diferencias y se realiza una evaluación de ellas. Si fuera
necesario se realizaría una tercera oleada.
En el caso de las redes neuronales, en específico los mapas auto
organizados la codificación del proceso pasa por cuatro (4) fases, el muestreo
de los datos de los patrones de entrenamiento y de los pesos sinápticos,
validación y prueba los dos (2) primeros, el muestreo es del tipo teórico,
El autor de esta investigación ha coordinado la aplicación de un Delfi, ha
seleccionado diez (10) expertos con la finalidad de valorar consensualmente
el memo (instrumento) para rellenar la tabla 2 para analizar el cambio
tecnológico en la distribución de las combustibles en el área de frontera desde
las perspectivas de las redes neuronales, para conformar los vectores
111
patrones para la muestra de validación y prueba de los mismo con el modelo
de los mapas auto organizados.
El autor de esta investigación recurre al criterio de valoración del diferencial
semántico, el cual utiliza adjetivos bipolares separados con una escala
estimativa con un rango de siete (7) puntos (Seijas, 2006), con los valores
obtenidos de los instrumentos se rellena la matriz del cuadro 2 , el autor de
la investigación aplica el método de muestreo intencional para generar los
valores de las unidades en forma aleatorias no uniforme de la muestra
vectorial armada de la matriz anterior , estos valores forman los vectores
patrones para la validación del (MAO) del cambio tecnológico en la
investigación.
1.4.2 TEMAS Y TEORIAS PARA LA CODIFICACIÓN CENTRAL
Figura 32 Saturación de categoría, fuente elaboración propia
112
El propósito de los mapas auto-organizados de Kohonen es capturar la
topología y la probabilidad de distribución de los datos de entrada, sobre todo
cuando no se dispone de mucha información, Kohonen (1989). En este
apartado el autor de esta investigación ha logrado que todas las categorías
acoplen con los objetivos planteado de la investigación, ya no se encuentran
categorías nuevas (significados diferentes); o bien, tales datos han “encajado”
fácilmente dentro de nuestro esquema de categorías (Coleman y Unrau,
2005).
A este hecho, se le denomina saturación de categorías, que significa que
los datos se convierten en redundante y los nuevos análisis conforman lo que
hemos fundamentado en conceptos. Ver figura 32, saturación de categoría
2. SISTEMATIZACIÓN DE LA DATA
El autor de esta investigación ha realizado dos (2) cuadros resumen con
la finalidad de sistematizar la recolección de los datos, para esto cuadro xx
Resumen de categorización por grupo, cuadro xx matriz de coincidencia por
ámbito y cuadro matriz de coincidencia por expertos.
La cantidad de datos a ser tratado por los mapas auto-organizadas es de
noventa (90) vectores de entrada, en total ciento sesenta (160) datos, cuáles
serán vaciados en cuadro del libro de vectores para su posterior tratamiento
por el mapa auto-organizado preparado después del entrenamiento. y,
113
selección de las categorías propuesta, basado en la ventaja de los mapas de
auto organizados de acuerdo a lo señalado anteriormente.
En el siguiente cuadro resumen xx, el autor de esta investigación ha
agrupado las categorías con la intención de analizar los temas y la teoría
después de aplicar MATLAB como se van agrupando las
sub-categorías para formar categorías desde la perspectiva de los mapas
auto-organizados ver cuadro 08 resumen de categorización
Cuadro 08 Categorización de grupos: Elaboración Propia
RESUMEN DE CATEGORIZACIÓN
CO
NFO
RMA
CIÓ
N D
E G
RU
POS
114
2.1 BITACORA DE CAMPO RESULTADOS DE LOS EXPERTOS
La información aportada por los diez (10) expertos del memo de los
expertos (ver anexo 1) es vaciada en una matriz de coincidencia por expertos
cuadro 09 con los siguientes objetivos:
1.- Visualizar los resultados en una forma global para ir conceptualizando.
2.- Normalizar los valores provenientes del Delfi para conformar los vectores
de entrada para categorización.
Fuente: Elaboración propia
CUADRO 09 MATRIZ DE COINCIDENCIA POR EXPERTOS
115
Los datos provenientes de la matriz de coincidencia cuadro 12, son usados
por el mapa auto organizado encargado de la validación esto se logra llevando
la escala de valoración diferencial semántico, la cual utiliza adjetivos bipolares
separados con una escala estimativa con un rango de siete (7) puntos, cuyo
rango va de uno (1) en uno (1) hasta el siete (7), donde el valor uno (1)
representa el negativo y el valor siete (7) el positivo en la escala (Seijas, 2006).
Para simular este tipo de variables, es necesario contar con un generador
de números uniformes y una función que, a través de un método específico,
transforme estos números en valores de la distribución de probabilidad
deseada. Según Coss (2010) existen varios procedimientos para lograr este
objetivo. Entre los procedimientos más comunes y más difundidos se pueden
mencionar:
1) El método de la transformada inversa.
2) El método de rechazo.
3) El método de composición
El autor de esta investigación fija posición con el primero, el método de la
transformada inversa el cual utiliza la distribución acumulada F(x) de la
distribución que se va a simular. Puesto que F(x) está definida en el intervalo
(0; 1), se puede generar un número aleatorio uniforme R y tratar de determinar
el valor de la variable aleatoria para la cual su distribución acumulada es igual
116
a R, es decir, el valor simulado de la variable aleatoria que sigue una
distribución de probabilidad f(x), generando números aleatorios uniforme se
pueden obtener valores de la variable aleatoria que siguen la distribución de
probabilidad deseada (Coss,2010).
En este caso el autor de esta investigación, desea generar números al azar
que sigan la siguiente distribución de probabilidad.
La distribución acumulada de esta distribución es:
igualando esta expresión con el numero uniforme R se obtiene:
X F(X)
1 0 2 0,17 3 0,33 4 0,5 5 0,67 6 0,83 7 1
EC (1)
EC (2)
Grafica 01, Distribución uniforme Fuente: Elaboración propia según (Coss,2010)
F(x) =(x-1) / 6 EC (3)
117
El cuadro xx de abajo muestra los valores producto de aplicar la
transformada inversa y llevarlos a un rango de entre cero y uno (0,1) con el
uso de la ecuación EC (3) con la finalidad de ser sometido a la aplicación
MATLAB de mapas autos organizados.
Fuente: Elaboración propia
3. BITACORA ANALITICA HERRAMIENTA PARA LA TOPOLOGIA
Con la finalidad de identificar las relaciones entre temas, debemos
desarrollar interpretaciones de los mismos, los cuales emergen de manera
consistente con respecto a los esquemas iniciales de categorización y las
unidades.
CUADRO 10 MATRIZ DE COINCIDENCIA POR EXPERTOS
118
De acuerdo con Hernández, Fernández y Baptista (2006) la labor de
encontrar sentido y significado a las relaciones entre categorías y temas puede
ser apoyada con diversas herramientas para visualizar tales relaciones como
es el caso de:
Diagramas de conjuntos o mapas conceptuales.
Matrices.
Mapa auto-organizado (MAO)
El autor de esta investigación ha tomado como herramienta para las
teorías y las explicaciones los mapas auto-organizado (MAO) de Kohonen, la
idea en esta sección es mostrar los resultados de las categorías 1, categoría
2, categoría 3, desde esta perspectiva para conceptualización sobre el cambio
tecnológico a través de la comparación de la codificación cuantitativa de las
mismas.
3.1 BITACORA ANALITICA APLICACIÓN DEL MAO
En esta etapa el autor de esta investigación desarrolla en forma práctica
todos los conceptos tratados en las bases sobre los mapas auto organizados,
tanto como inicialización de los pesos, entrenamiento y validación.
119
3.2. TIPO DE INICIALIZACIÓN DE PESOS
Los vectores de peso resultante de las neuronas de la capa de salida,
obtenidos al final del proceso de aprendizaje, representan los centros de los
aglomerados. Los patrones resultantes de los vectores de peso pueden
depender del tipo de la inicialización pesos. Hay varias maneras de cómo
inicializar matriz de pesos, algunos de ellos están representados en la figura
33, Fuente Susuki (2013).
Figura 33 Pesos vectores de inicialización, Fuente Susuki (2013).
A continuación, detallamos los casos los casos (a) los pequeños números
al azar, (b) Vectores cerca del centro de masa de los insumos, (c) Algunos de
los vectores de entrada son escogidos al azar como los vectores de pesos
iniciales. El autor de este trabajo de investigación fija posición con la opción
(a) para la inicialización de los pesos de los vectores, pequeños números al
azar
120
3.3. ENTRENAMIENTO DE MAPA AUTO- ORGANIZADO
De acuerdo, con los pasos de las instrucciones de la tabla xx del algoritmo
de entrenamiento el primer paso, pautado por el autor de este trabajo de
investigación es fijar posición con la opción (a) para la inicialización de los
pesos de los vectores de entrada, donde se escoge pequeños números al
azar entre 0 y 1, en este caso la matriz nxm, n=6 son representados por la
cantidad de unidades seleccionadas, en el caso de m se puede determinar en
forma aleatoria , en este caso el tamaño del diagrama hexagonal es de 6x4 y
la cantidad de pesos sinápticos son 6x4x6=144 ver figura 34.
Figura 34 Fuente: elaboración propia, topología Hexagonal de los mapas auto organizados
121
1.- En primer lugar, se inicializan los pesos (W ji) con valores aleatorios pequeños y se fija la zona inicial de vecindad entre las neuronas de salida.
(Wji) : Peso de la conexión entre la neurona i de la capa de entrada y la neurona j de la capa de salida.
EK=(e1(k)…..eN
(K))
2.- A continuación se presenta a la red una información de entrada (la que debe aprender) en forma de vector Ek=(e1
(k)....... eN(k)) componentes
cuyas ei(k) serán valores continuos.
ei(k) : Componente í-ésimo del vector k-ésimo de
3.- Puesto que se trata de un aprendizaje competitivo se determina la neurona vencedora de la capa de salida. Esta será aquella j cuyo vector de pesos WJ (vector cuyas componentes son los valores de los pesos de las conexiones entre esa neurona y cada una de las neuronas de la capa de entrada) sea el más parecido a la información de entrada Ek (patrón o vector de entrada).
0≤ Wij
SI
SI
NO
NO
SI
EK= Wij
SE UBICA WJI EN EL MAPA
t= 1000& j=M &
J≤M
i≤N
t≤1000
SI NO
0≤ α(t)
SI
NO
NO
SI
J=J+1
i=i+1
t=t+1
FI
4.- Se calculan las distancias o diferencias entre ambos vectores, considerando una por una todas las neuronas de salida.
5.-Zonaj*(t) es la zona de vecindad alrededor de la neurona vencedora j* en la que se encuentran las neuronas cuyos pesos son actualizados. El tamaño de esta zona se puede reducir en cada iteración del proceso de ajuste de los pesos, con lo que el conjunto de neuronas que pueden considerarse vecinas cada vez es menor (Ver Figura 22). Sin embargo, en la práctica es habitual considerar una zona fija en todo el proceso de entrenamiento de la red.
Para j ε Zona j*(t)
6.- El proceso se debe repetir, volviendo a presentar todo el juego de patrones de aprendizaje E1, E,2 un mínimo de 500 veces (t≥500).
CUADRO 11 ALGORITMO DE ENTRANAMIENTO SEGÚN KOHONEN elaboración
DIAGRAMA DE FLUJO INSTRUCCIONES
0≤ W ij ≤ 1,1≤ J ≤ M
1≤ i ≤ N, 0≤ α(t) ≤1
1≤ t ≤1000
122
Para el t=0 son inicializados con valores aleatoriamente los 144 pesos
sinápticos, ver Cuadro 12 y Cuadro 13.
Cuadro 12 Fuente: elaboración propia, matriz de pesos sinápticos
Cuadro 13 Fuente: elaboración propia, matriz con valores para t=0
Para el segundo paso tenemos que debemos generar unos vectores de
entrada o patrones de acuerdo a la posición fijada en este apartado
(ver figura 36), tenemos que estos vectores pueden ser inicializados de varias
maneras: aleatoria, a partir de muestras o conformado de una forma lineal, el
autor de esta investigación fija posición con la inicialización con valores
aleatorios entre 0 y 1 (ver cuadro 17) , el algoritmo del mapa auto organizado
es lo suficientemente robusto como para aceptar una inicialización aleatoria de
los vectores prototipo. Hernández (2008)
123
Los vectores prototipos de entrada inicialmente desordenados en el espacio
son ordenados a lo largo del entrenamiento, no obstante, la inicialización
aleatoria no es la más rápida, de todas formas, se obtienen buenos resultados.
Los vectores del libro de código inicialmente desordenados en el espacio de
entrada son ordenados a lo largo del entrenamiento.
Fuente. Elaboración propia
Figura 35 Inicialización de vector de entrada
Cuadro 14 Fuente: Elaboración Propia, libro de código de vectores
124
Las neuronas de entrada (filas) y la neurona de salida con sus respectivos
pesos sinápticos (columna), donde el valor en la neurona de salida Yj es de
J=1 y los valores de Xi, son i=1,2,3,4,5,6 …22,23,24 como se muestra a
continuación en la figura 36, en este paso se realiza el cálculo de la distancia
Euclides, se toma un vector prototipo del cuadro 14 y se realiza la operación
con cada uno de los 144 pesos sinápticos mostrados en la Cuadro 13.
Figura 36 Fuente elaboración propia, diagrama del nodo J=1 de entrada
de acuerdo a la Ecuación 6 y calculo en el nodo 1
Fila
(6)
Vector 1 (0,05, 0,77, 0,02, 0,11, 0,78, 0,23)
columna
125
(7)
Ahora se sustituye los valores del vector 1 y los de la columna de la matriz
de los pesos sinápticos en la ecuación 6 y 7
(6)
Este cálculo se repite en los 24 nodos con la finalidad de encontrar la
distancia euclidea más pequeña, la cual representa en el mapa de Kohonen la
neurona vencedora, ya que es más parecida al vector de entrada, estos
resultados se encuentran tabulados en la Cuadro 15 resumen anexa.
Cuadro 15 Resumen de la distancia euclidea, elaboración propia.
De los datos tabulados en la Cuadro 15, se encuentra demarcada la neurona
J=2, lo que resulto la neurona vencedora la cual presenta la menor distancia
con el vector1, de acuerdo con el flujograma del cuadro 11, debemos calcular
126
ahora, los pesos sinápticos para t=t+1, en este caso t=1, un factor de
aprendizaje α=0,6 y un factor de vecindad ƞ=1, utilizando la ecuación 8 tal
como se muestra a continuación siendo:
푒( ) : Componente i-esimo del vector k-esimo de entrada
푤 ̇∗ (푡): Peso de la conexión entre la neurona i de la capa de entrada y la neurona j de la capa de salida (vencedora).
Este cálculo se repite hasta 200 veces para lograr la convergencia de la red,
para Silva, Cicero, Gorgonio (2005), la tarea de analizar y agrupar objetos
similares en un grupo determinado, tomando en consideración una o más
características comunes existentes entre ellos, es una actividad importante
inherente a la conducta humana, ya que, de manera general, posibilita la
organización de los objetos. Por lo tanto, el agrupamiento se realiza a menudo
de forma intuitiva y termina inadvertida por el usuario.
Ahora en un diagrama topológico hexagonal del mapa auto organizado, se
representa cada nodo la cual representa, el grupo de los 144 pesos sinápticos
es representado en un diagrama topológico hexagonal de 24 neuronas donde
cada una de ella recibe el aporte de los vectores de entrada y los mismos han
푤 (푡 + 1) = 푤 ∗ (푡) + 훼(푡)*ƞ(r) 푒( ) −푤 ̇∗ (푡) (8)
α 0,6 0< t <6η 1
VECTOR1 0,05 0,77 0,02 0,11 0,78 0,23 D(2) 0,02 0,78 0,33 0,10 0,34 0,01
(t+1) * D(2) 0,04 0,77 0,14 0,11 0,60 0,14
127
sido identificado por un numero arbitrariamente en el diagrama topológico
hexagonal mostrado seguidamente (Ver figura 37), (Kohonen, 2001).
Figura 37 elaboración propia, diagrama topológico hexagonal, Kohonen (2001)
El agrupamiento (cluster) puede definirse como un conjunto de entidades
cohesivas, por lo que las entidades internas (que pertenecen al grupo) son
más similares entre sí, y más diferente de entidades externas (que no
pertenecen al grupo), Mirkin (2005). Por lo tanto, la agrupación puede ser
entendida como una técnica capaz de dividir un conjunto de datos en uno o
más sub-conjuntos, teniendo en cuenta la similitud existente entre sus
elementos.
128
3.4 CATEGORIZACIÓN CUANTITATIVA CON SOFTWARE
La agrupación es una técnica estadística de uso general, aplicado en
diferentes campos del conocimiento y ampliamente utilizado en las actividades
relacionadas con el análisis de datos. Algunas de las numerosas aplicaciones
de la agrupación en diferentes contextos incluyen su uso: en psicología,
biología, medicina, Tan (2005).
Su aplicación mayormente es el análisis de grandes bases de datos en la
que hay limitada información inexistente sobre su estructura y el objetivo
principal de su uso es precisamente permitir la comprensión y descripción de
los datos desconocidos hasta entonces, Tan (2005).
La tarea de identificar elementos similares a los existentes en un conjunto
de entrada requiere la adopción de una medida de distancia entre los
elementos que pueden determinar la proximidad entre ellos. Hay dos tipos de
métricas de distancia: similitud muestra la similitud entre los elementos, es
decir, mayor es la similitud, más por igual (o cerca de) los artículos están.
Disimilitud medidas de la diferencia entre los elementos, mayor es la
disimilitud, son más diferentes (o lejos), Frei (2006).
La tarea de reconocimiento de patrones, es una de las principales
aplicaciones de este tipo de red, donde la neurona ganadora significa ser la
neurona más similar, a partir de la existente en el mapa de salida, con
el valor presentado a la entrada de la red. La neurona ganadora tiene, junto
129
a su vecindad, sus valores mejorados, de modo que, si la misma entrada
se presenta posteriormente a la red, esa región del mapa será aún mayor,
Silva, Cicero, Gorgonio (2005),
La estrategia de este enfoque se puede dividir en dos etapas: en la primera
etapa, el algoritmo se utiliza para identificar la agrupación de las categorías
que tienen un perfil similar, de acuerdo con un criterio de selección, tales que
pertenecen a la misma sub-categorías; en la segunda etapa, se aplica un
algoritmo para visualizar como se distribuyen las unidades con respecto a las
categorías del cambio tecnológico.
Uno de los métodos utilizados tradicionalmente para etiquetar los elementos
del conjunto de entrada en las tareas de agrupamiento que utilizan el algoritmo
de mapas auto-organizados es llevar a cabo un nuevo proceso de agrupación
en las neuronas del mapa para identificar grupos de neuronas y asignar
elementos similares que están asociados con esas neuronas como
pertenecientes a un mismo grupo.
Para el caso de la categoría dinámica interna del cambio tecnológico, se
ha tomado la sub categoría atributo funcional, para ello se tiene previsto la
unidad automatización. En el cuadro 19, se ha diseñado con un de sesgo
intencional, que ha propuesto el autor de la investigación con la intención de
utilizar el principio de superposición, la respuesta de un circuito lineal a varias
130
fuentes de excitación actuando simultáneamente, es igual a la suma de las
respuestas que tendría cada una por separado. (Rodríguez, De la Peña, 2005).
Figura 39 Principio de superposición, elaboración propia según (Rodríguez, De
la Peña,2005).
CODIFICACIÓN EXPERTOS NORMALIZADA
Cuadro 16 elaboración propia, codificación cuantitativa
En el cuadro 16 cada categoría es valorada con la finalidad de lograr
alcanzar los objetivos, producto del resultado del Delfi de cada uno de los
131
expertos, se considera cada uno de los códigos que miden estos aspectos y
se anulan los demás. A continuación, el autor de esta investigación ha
realizado la corrida del mapa auto organizado utilizando los valores
normalizados del cuadro 19 de códigos de indicadores con el software
MATLAB con licencia Id 3685106 para lograr los siguientes resultados: Libro
de vectores para cambio tecnológico.
3.4.1. CATEGORIZACIÓN CUANTITATIVA DE LOS INDICADORES
El recorrido de esta investigación de tradición cualitativa aplica una técnica
sistémica y un procedimiento de análisis que permite al investigador
desarrollar teoría sustantiva con el apoyo de los mapas auto organizados, para
lo cual se tiene previsto alcanzar el objetivo general a través los siguientes
objetivos específicos.
El primer objetivo específico es determinar la trayectoria del
cambio, con los valores de los códigos de la matriz de validación
y pruebas provenientes de la aplicación del Delfi va emergiendo de los datos
la teoría que dará respuesta a los mismos. Para el caso de la
categoría determinar la trayectoria del cambio tecnológico, la relación
entre la sub categorías de los aspectos políticos, social, económico
ayudan a conceptualizar la misma, para ello se tiene previsto las unidades
X1=Cambio de conocimiento, X2=Cambio evolutivo, X3=Aprender nuevas
132
formas, de acuerdo al principio de superposición (Rodríguez, De la Peña,
2005).
.
Cuadro 17 elaboración propia, codificación cuantitativa X1, X2, X3
Los resultados que se muestran a continuación son los resultados de los
indicadores de la categoría trayectoria en este caso solo se trabaja con los
indicadores X1, X2, X3 a continuación los resultados:
Figura 40 Resultado de los indicadores X1, X2, X3, elaboración propia con MATLAB.
133
X1 X2 X3 X4 X5 X6E1 0,00 0,00 0,00 0,50 0,83 0,00E2 0,00 0,00 0,00 0,67 1 0,00E3 0,00 0,00 0,00 0,67 0,83 0,00E4 0,00 0,00 0,00 0,83 0,83 0,00E5 0,00 0,00 0,00 0,67 0,83 0,00E6 0,00 0,00 0,00 0,67 0,83 0,00E7 0,00 0,00 0,00 1 0,67 0,00E8 0,00 0,00 0,00 1 1 0,00E9 0,00 0,00 0,00 1 0,5 0,00E10 0,00 0,00 0,00 0,67 1 0,00
Exp
erto
s Codigos Indicadores
Para el caso del segundo objetivo específico la categoría describir la
naturaleza del cambio tecnológico, la relación entre la sub categorías, el
atributo cultural y cognitivo apoyan a describir la naturaleza del mismo, para
ello se tiene previsto las unidades X4= conocimiento tecnológico y X5=ideas,
de realizar la corrida con los valores de la tabla xx Código de indicadores X4 y
X5.
Figura 38 Resultado por los indicadores X1, X2, X3, categoría Trayectoria elaboración con MATLAB
MAO Vecindad de los pesos
Cuadro 18 elaboración propia, codificación cuantitativa X4, X5
134
Los resultados que se muestran a continuación son los resultados de los
indicadores de la categoría mencionada, en este caso solo se trabaja con los
indicadores X4, X5 a continuación los resultados:
Figura 41 Resultado por los indicadores X4, X5, de la categoría naturaleza elaboración con MATLAB
MAO Vecindad de los pesos
Figura 42 Resultado por los indicadores X4, X5, de la categoría naturaleza elaboración con MATLAB
135
Cuadro 19 elaboración propia, codificación cuantitativa X6
Para el caso del tercer objetivo la categoría es caracterizar la dinámica
interna del cambio tecnológico, la relación entre la sub categorías, el atributo
funcional apoyan a describir la naturaleza del mismo, para ello se tiene previsto
el indicador X6= Automatización y realizar la corrida con los valores del cuadro
22, codificación cuantitativa con X6.
Figura 43 Resultado por el indicador X6
categoría dinámica interna, elaboración con MATLAB
X1 X2 X3 X4 X5 X6E1 0,00 0,00 0,00 0,00 0,00 0,67E2 0,00 0,00 0,00 0,00 0,00 1E3 0,00 0,00 0,00 0,00 0,00 0,83E4 0,00 0,00 0,00 0,00 0,00 0,83E5 0,00 0,00 0,00 0,00 0,00 0,83E6 0,00 0,00 0,00 0,00 0,00 0,83E7 0,00 0,00 0,00 0,00 0,00 1E8 0,00 0,00 0,00 0,00 0,00 1E9 0,00 0,00 0,00 0,00 0,00 0,83E10 0,00 0,00 0,00 0,00 0,00 1
Exp
erto
s Codigos Indicadores
-1 0 1 2 3 4 5 6 7 8-1
0
1
2
3
4
5
6
SOM Neighbor Weight DistancesMAO Vecindad de los pesos
136
3.4.2. CONCEPTUALIZACIÓN DE LAS CATEGORIAS
X1 X2 X3
X1 X2 X3
Figura 44, Resultado por el indicador X6 categoría dinámica interna, elaboración con MATLAB
Figura 45, Resultado por los indicadores X1, X2, X3, X4, X5, X6 para analizar el cambio tecnológico, elaboración con MATLAB
137
En este caso se toma en cuenta la participación de todos los indicadores, X1, X2, X3, X4, X5, X6, estos se encuentran en el cuadro 19, en la figura 43 se detallan gráficamente los vectores de entrada y su influencia con el libro de vectores dela cuadro 19, la figura 44 representa la vecindad de los pesos del mapa auto organizado con los valores normalizados.
4. PERSPECTIVA DE LOS EXPERTOS DE LOS INDICADORES
MAO Vecindad de los pesos
Figura 46, Resultado por los indicadores X1, X2, X3, X4, X5, X6 para analizar el cambio tecnológico, elaboración con MATLAB
Cuadro 20 elaboración propia, opinión de los expertos
138
El cuadro 20, opinión de los expertos está codificado cuantitativamente la
opinión de los expertos se ha realizado la transposición de los valores
normalizados del cuadro 10, en este caso se ha realizado un arreglo de seis
(6) filas que representan los indicadores y diez (10) columnas que representan
a cada uno de los expertos (ver cuadro 23). La figura 47 es el resultado de los
pesos de entrada de los diez (10) expertos en MATLAB
0 2 4 6 8
0
2
4
6
Weights from Input 1
0 2 4 6 8
0
2
4
6
Weights from Input 2
0 2 4 6 8
0
2
4
6
Weights from Input 3
0 2 4 6 8
0
2
4
6
Weights from Input 4
0 2 4 6 8
0
2
4
6
Weights from Input 5
0 2 4 6 8
0
2
4
6
Weights from Input 6
0 2 4 6 8
0
2
4
6
Weights from Input 7
0 2 4 6 8
0
2
4
6
Weights from Input 8
0 2 4 6 8
0
2
4
6
Weights from Input 9
0 2 4 6 8
0
2
4
6
Weights from Input 10
Figura 47, Resultado de los expertos E1, E2, E3, E4, E5, E6, E7, E8, E9, E10 con todos los indicadores sobre el cambio tecnológico
elaboración con MATLAB
E1 E2 E3 E4
E5 E6 E7 E8
E9 E10
139
-1 0 1 2 3 4 5 6 7 8-1
0
1
2
3
4
5
6
SOM Neighbor Weight DistancesMAO Vecindad de los pesos
La figura 48 representa el mapa auto organizado de la vecindad de los
pesos de salida, en el cual resume la selección realizada por cada uno de los
expertos a través del diferencial semántico aplicado en Delfi para cada
indicador
Figura 48, MAO de Vecindad de los expertos E1, E2, E3, E4, E5, E6, E7, E8, E9, E10 con todos los indicadores sobre el cambio tecnológico
elaboración con MATLAB