Prediccion de la actitud desertora de los

operarios textiles de la Empresa Servitejo S.A a

traves de Redes Neuronales
Lenin Sanchez

Dedicatoria
Dedico este trabajo a mi familia, por el cari
no apoyo que me ofrecen a cada
instante, sobretodo en los momentos de mayor dificultad y en donde se
necesitan mas fuerza para salir adelante.

Glosario de Terminos
a)Ausentismo Laboral
Seg
un la OIT,el ausentismo laboral,como el perodo de baja laboral atribuible
a una incapacidad del individuo, con excepcion hecha para la derivada del embarazo normal o prision.
b)Satisfaccion laboral
Sensacion que experimenta un individuo al lograr el equilibrio entre una necesidad o grupo de necesidades y el objeto o los fines que la reducen, es decir, la
actitud del trabajador frente a su propio trabajo.
c)Red Neuronal
Las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automatico inspirado en la forma en que funciona el sistema nervioso
de los animales.
d)Perceptron
Es una neurona artificial y unidad basica de inferencia en forma de discriminador.
e)Funcion de Activacion
Es la salida de un nodo dada una entrada o un conjunto de entradas.
f)Perceptron Multicapa
El perceptron multicapa es una red neuronal artificial (RNA) formada por
m
ultiples capas, esto le permite resolver problemas que no son linealmente
separables, lo cual es la principal limitacion del perceptron (tambien llamado
perceptron simple)
g)Aprendizaje
Las RNA tienen la habilidad de aprender mediante una etapa que se llama
etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cual es la salida (respuesta) esperada.
f)Correlacion
En probabilidad y estadstica, la correlacion indica la fuerza y la direccion de
una relacion lineal y proporcionalidad entre dos variables estadsticas.

1.Marco Teorico

Resumen
El proposito del presente estudio fue mostrar como una red neuronal artificial (RNA) puede ser u
til para predecir el el comportamiento desertor de los
operarios textiles de la empresa Servitejo S.A. Mas especficamente, se trata
de desarrollar una red neuronal del tipo backpropagation capaz de discriminar
que trabajador desertara o no , a partir de la informacion presente en la base
de datos de la empresa. La muestra esta compuesta por 100 operarios textiles que desertaron en el a
no 2014 y 100 operarios que actualmente trabajan
en dicha empresa(2015). Se explican las diferentes fases llevadas a cabo para
desarrollar la RNA: seleccion de las variables relevantes y el procesamiento
de los datos, division de la muestra en grupo de entrenamiento, validacion y
test, del modelo de red,con esto se pretende mostrar que las RNA pueden dar
informacion acerca del grado de influencia que tiene cada variable predictora
sobre la actitud desertora del operario.

Introduccion
La empresa textil Servitejo S.A ha podido verificar de una manera periodica, la salida de los operarios textiles, que semana a semana de una manera
unilateral dejan sus puestos de trabajo perjudicando la productividad de la
empresa, este problema ha sido detectado por el gerencia de Recursos Humanos sin embargo no se ha logrado disminuir los impactos y las consecuencias de
cese de los mismos. El presente trabajo de investigacion busca dar solucion de
la manera mas practica posible a este problema logrando a traves de la prediccion utilizando las redes neuronales y teniendo como base la informacion de los
operarios de la empresa, con el objeto de lograr un diagnostico a fin de sugerir
estrategias que conlleven a disminuir la cantidad de operarios que desertan.
En la actualidad existen ERP y paquetes de software que ayudan al manejo de
la informacion de los recursos humanos y su respectiva gestion en la toma de
desiciones, a
un as, de momento son escasos los ejemplos de implementacion
de redes neuronales que complementen esta labor .Se toma como referencia la
informacion de la empresa que involucra a aquellos operarios que desertaron
arbitrariamente cuyos datos permiten a la red poder ser entrenada y pueda
identificar bajo que condiciones un operario deserta, posteriormente se utiliza
la informacion de los operarios que trabajan actualmente y cuyos datos le permita predecir con anticipacion a la red neuronal quienes seran los proximos en
retirarse espontaneamente de la organizacion.

1.1 Marco Teorico

1.1.1 Desercion Laboral
Seg
un el autor Hernandez Sanchez[1] La desercion laboral se puede definir a
la desercion laboral cuando una empresa experimenta una reduccion gradual
de su fuerza de trabajo, pues el personal se retira y los jefes de departamento
no contratan los suplentes pertinentes. Un fenomeno de desercion no ocurre
necesariamente porque el negocio esta tomando medidas concretas para poner
fin a los contratos de trabajo, sino que puede provenir de empleados, que dejan
voluntariamente la empresa.Por lo tanto el tema de la desercion es un tema
de suma importancia para una organizacion, pues pese a los esfuerzos para
modernizar aspectos como la infraestructura,a
un es un continuo reto afrontar
las dificultades que supone el decaimiento rendimiento laboral.En esta parte
del marco teorico se expondra de que manera la insatisfaccion laboral tiene
incidencia en la desercion y abordar aspectos que generan el retiro de los trabajadores, como el salario, la poltica de promociones y el modelo de relacion
con el jefe y sus compa
neros.[1]
1.1.1.1 Factores de desercion
Entre los principales factores de desercion laboral [1]
a) Insatisfaccion con el puesto de trabajo.
b) Insatisfaccion con la empresa.
c) Insatisfaccion con el sueldo.
d) Insatisfaccion con las polticas de la empresa
e) Insatisfaccion con el jefe y/o compa
neros de trabajo
El autor Marquez Perez(2004),expone un estudio sobre la naturalezade la
desercion laboral.Menciona que la mayora de estudios sobre el comportamiento organizacional se mueve bajo tres ejes:
a) Compromiso con el trabajo
b)Insatisfaccion laboral
c)Comprromiso organizacion
Se detalla que la desercion laboral puede ser concebido como la actitud de
un empleado con dejar su empleo.Un detonante de la desercion es la insatisfaccion que abarca aspectos como la desmotivacion,la negligencia , la deslealtad,
etc.[3]
Otros autores[2] ,se
nalan que los directivos al analizar el resultado de estudiar la insatisfaccion laboral, podran saber los efectos que producen en los
trabajadores las polticas, normas, procedimientos y las aplicaciones de las
mismas en la organizacion[2].

Como la decision de desertar es la consecuencia de la insatisfaccion del

trabajador con su puesto, DElia(2009), manifesto que existen una serie aproximaciones que explican esta situacion:
El trabajo en s mismo, considera que las variables fundamentales para la
insatisfaccion son la falta de autonoma, creatividad, responsabilidad y la variedad de la tarea[3].
De las relaciones humanas,enfatiza el contexto de la interaccion y las relaciones interpersonales existentes entre compa
neros de trabajo y entre autoridades y subordinados[2].
Aproximacion Economica- Estructura, hace mencion a los factores mas
importantes que refieren a las polticas de la organizacion sobre el salario prestaciones y ascensos[3].
1.1.1.2 El Rendimiento laboral
Seg
un el autor Robins[3], el rendimiento laboral es el resultado alcanzado
en un entorno de trabajo con relacion a los recursos disponibles. El concepto
dependera de los objetivos o de las metas fijadas para el trabajador en cuestion.Adicionalmente Salazar Larran propone la siguiente definicion de rendimiento laboral:Es la eficiencia de los trabajadores, medida en vol
umenes de
produccion satisfactoria, por empleado, por hora,por hombre, por jornada de
trabajo[4].
1.1.1.2.1 Factores del rendimiento laboral
El analisis de los factores del rendimiento laboral se ha establecido claramente que la productividad es el resultado de la intervencion de un vasto
n
umero de factores, entre ellos tenemos los individuales(como por ejemplo los
factores fsicos del trabajador, los factores de entrenamiento y los factores psicologicos), as como los situacionales( la naturaleza del trabajo a desarrollar
,naturaleza de la empresa,etc)[12].
1.1.1.2.1 Evaluacion del rendimiento laboral
La medicion del rendimiento laboral ha recibido diferentes nombres, sin
embargo hacen referencia a la eficiencia y la productividad del trabajador
en el desempe
no de las tareas de su puesto medido en terminos de habilidades,competencias y produccion.Seg
un el autor Tiffin (2004)define la evaluacion
del rendimiento como la calificacion de meritos, el cual consiste en la valoracion sistematica de la capacidad de un empleado realizada por una persona
conocedora de su labor.La evaluacion del rendimiento es una actividad crtica
de la administracion del personal.Su meta es proporcionar un cuadro preciso
8

del rendimiento de los trabajadores en el pasado y ofrecer una perspectiva de

su posible rendimiento en el futuro[2].
Las fases de la evaluacion son tres y son:
a) Durante el entrenamiento previo:Es decir, mientras el trabajador se halla aprendiendo la tarea o actividad.
b) Por simulacion,osea se crea un ambiente artificial de trabajo y se plantean situaciones crticas donde se desempe
na el trabajador.
c)Durante el trabajo real, se consideran aspectos como la produccion de
trabajador, su comportamiento laboral y las opiniones y juicios sobre el trabajador.

1.1.2 Redes neuronales

Se define una rede neuronal(RN) como el conjunto de elementos mas simples que se interconectan en paralelo en forma jerarquica y que emulan las
redes neuronales cerebrales[4] .El objetivo es poder representar sistemas de
mayor complejidad pueden tener retroalimentacion. Una de sus caractersticas
destacables es que pueden aprender de la experiencia a traves de la generalizacion de casos[5].
Las neuronas se distribuyen en la red formando capas de un n
umero determinado de elementos basicos. Es decir, existe una capa de: entrada que recibe
directamente la informacion proveniente de las fuentes externas de la red, capas
ocultas que son internas a la red y no tienen contacto directo con el exterior
, logrando estar interconectadas de distintas maneras, lo que determina junto
a su n
umero, las distintas topologas y una capa de salida que transfiere la
informacion de la red hacia el exterior[4].
La topologa de las redes neuronales es como se organizan las neuronas en
la red formando capas o agrupaciones de neuronas mas o menos alejadas de la
entrada y la salida de la red. Por lo tanto, los parametros fundamentales de la
red seran: el n
umero de capas, el n
umero de neuronas por capa, el grado de
conectividad y el tipo de conexiones ente neuronas[4].
1.1.2.1 Aprendizaje de una red neuronal (Algoritmo de retropropagacion)
Los autores Hinton y Williams[6]desarrollaron un metodo de aprendizaje
automatico que permitio que una red neuronal basada en el perceptron para
que aprendiera la asociacion existente entre los patrones de entrada y las clases
correspondientes de salidas.[5]
Como se buscaban formas de Aprendizaje Automatico o Machine Learning (se
puede definir como un conjunto de programas computacionales que mejoran
con la experiencia), estos sistemas deben ser capaces de adquirir conocimientos
de alto nivel para la resolucion de problemas mediante ejemplos provistos por
un instructor o supervisor debiendo generar representaciones internas de los
conceptos. Para lograr esto se modifico la red del perceptron de Rosenblatt [7]
agregandole capas ocultas, con conexion hacia adelante y sin conexiones recurrentes . Pero, no fue suficiente con introducir algunas modificaciones topologicas a la red, sino que se requeran modificaciones en el algoritmo de aprendizaje; por lo tanto fue desarrollado el metodo de aprendizaje no supervisado
denominado tambien backpropagation, basado en la regla delta generalizada ,
logrando as, una ampliacion del rango de aplicacion de las redes neuronales[6].
El funcionamiento general de una red neuronal artificial del tipo backpropagation, as como el de otras redes neuronales, se puede dividir en dos partes:
10

una etapa de entrenamiento y una etapa de puesta en marcha. La primera

consiste en el aprendizaje de un conjunto predefinido de observaciones de entrada?salida dados como ejemplo (utilizando n atributos de entrada y un u
nico
atributo o clase, de salida), empleando un ciclo propagacion-adaptacion de dos
fases.[8].
En la primera fase se aplican los atributos de entrada a la capa de entrada
de datos a la red y los valores generados se propagan desde esta capa hacia
las superiores hasta generar una salida, en la capa de salida de la red. Para
realizar el entrenamiento, se compara el resultado obtenido en cada neurona
de salida con el valor deseado para cada neurona en particular y obteniendose
un error para cada una de las unidades de salida.[8]
En la segunda fase, los errores de las unidades de salida se transmiten hacia
atras, pasando por todas las neuronas de las capas intermedias que contribuyan directamente a la salida, recibiendo el porcentaje de error aproximado a
la participacion de las neuronas intermedias en la salida original[7].
Este proceso se repite capa por capa hasta llegar a la capa de entrada y
hasta que cada neurona haya recibido un error que describa su aporte al error
total. Debido a ello el algoritmo se denomina tambien de retro-propagacion o
propagacion hacia atras, donde los errores se calculan con respecto a los aportes de las neuronas desde la capa de salida hasta la capa de entrada y es con
respecto al valor del error recibido que se reajustan los pesos de las conexiones
entre cada par de neuronas en la red, de manera de que el error total cometido
para ese patron disminuya. Dado que la fase de funcionamiento es similar a
otras redes neuronales artificiales se debe realizar un analisis mas profundo del
metodo de aprendizaje[6].
El metodo de backpropagation utiliza una funcion o superficie de error asociada a la red, buscando el estado de mnimo error estable a traves del camino
descendente de la superficie de error . Es por esto que se debe realizar la retroalimentacion para realizar las modificaciones en los pesos iniciales en un valor
proporcional al gradiente decreciente de dicha funcion de error. En la Figura
1 se puede ver un esquema de este tipo de redes neuronales artificiales[9].
1.1.2.2 Funcionamiento de la Red
En esta etapa se ingresa un patron p de entrada Xp: xp1,xpi,,xpN, que
se transmite a traves de los pesos wji desde la capa de entrada hacia la capa
oculta. Las neuronas de esta capa intermedia transforman las se
nales por aplicacion de una funcion de activacion un valor de salida que se transmite a traves
de los pesos vkj hacia la capa de salida. Repitiendo la misma operacion que en
el caso anterior, las neuronas de la u
ltima capa dan la salida de la red[9]. La
11

funcion de activacion utilizada en cada una de las neuronas debe ser derivable
de primer orden.
Algunos autores como del Brio y Sanz Molina, sostienen que el mejor procedimiento para entrenar una red neuronal es el cross validation, es decir entrenar
y validar a la vez, usando el ochenta por ciento de los patrones para entrenar
y el veinte restante como conjunto de pruebas[9].
1.1.2.3 Aprendizaje de la Red
En la etapa de aprendizaje, se busca minimizar el error entre la salida obtenida por la red y la salida deseada luego del entrenamiento con el conjunto
de datos patrones. Es por ello, que en las redes backpropagation el aprendizaje
es de tipo supervisado, ya que es el usuario (o supervisor) quien determina
cual es la salida deseada ante la presentacion de un patron de entrada dado
Para modificar los pesos se sigue la fundamentacion matematica del algoritmo
backpropagation basado la tecnica del gradiente decreciente [9].
Suponiendo una red formada por dos pesos, se puede visualizar como un
espacio de dos dimensiones y como el error cometido es funcion de los pesos
de la red; en este caso, para cualquier combinacion de valores de los dos pesos,
le correspondera un valor de error para el conjunto de entrenamiento donde
estos valores de error se pueden visualizar a traves de una superficie del error
que puede diferentes topografas (especie de sabana)[8].
El proceso de entrenamiento comienza, en este caso un punto de la sabana,
representado por los pesos iniciales de la red y el algoritmo de aprendizaje se
centra en obtener la informacion local de la pendiente de la superficie o sea el
gradiente. A partir de esa informacion se pueden ir modificando los pesos en
forma iterativa en forma proporcional a dicha pendiente, a fin de asegurar un
descenso a traves de la superficie del error hasta alcanzar el mnimo mas cercano al punto de partida. Cuanto mayor sea el n
umero de pesos considerados
el espacio se va convirtiendo en un plano multidimensional en el que aplicaran
los principios mencionados[9].
El error o valor delta asociado a una neurona oculta j esta determinado por
la suma de los errores que se cometen en las k neuronas de salida que reciben
como entrada la salida de esa neurona oculta j, por propagacion del error hacia
atras[10].
1.1.2.4 Evaluacion de la Red
Para obtener una aproximacion funcional optima se deben elegir cuidadosamente las variables a emplear, es decir se trata de incluir en el modelo las
12

variables que realmente predigan la variable dependiente o de salida, pero que

no covaren entre s , debido a que podran provocar un sobreajuste (overfitting) innecesario. Esto sucede cuando el n
umero de parametros o de pesos de
la red resulta excesivo en relacion al problema a tratar y al n
umero de patrones de entrenamiento disponibles. El sobreajuste disminuye la capacidad
de la red de proporcionar una respuesta correcta ante patrones que no han
sido empleados en su entrenamiento. Se entiende por generalizacion de la red
a la capacidad de dar una respuesta correcta ante patrones que no han sido
empleados n su entrenamiento [10] Del Brio y Sanz Molina recomiendan dos
formas de bajarlo: un parada temprana (usando cross validation) o limitando
el tama
no de la arquitectura de la red. La variable cuya eliminacion causa el
menor decremento en la ejecucion de la red es eliminada. Este procedimiento
se debe repetir sucesivamente hasta que la eliminacion de mas variables involucra una disminucion sensible en la ejecucion del modelo [11].

13

1.1.3 Relaciones Multivariadas y Correlacion

Las relaciones multivariadas, permite determinar la relacion que existen
entre dos o mas variables que permita desarrollar estudios de estimacion ,inferencia y prediccion[12].
El coeficiente de correlacion es una herramienta estadstica elemental e
importante para el estudio econometrico de relaciones lineales bivariadas que
involucran el uso de datos de corte transversal o series de tiempo,por lo tanto
o un instrumento que permita determinar la fuerza y el sentido de la posible
relacion existente entre los pares de variables[12].
1.1.3.1 Aplicaciones
Podemos definir como matriz de correlacion, a una tabla de doble entrada
F1,F2...F8 que muestra una lista multivariable horizontalmente y la misma
lista verticalmente y con el correspondiente coeficiente de correlacion llamado
r o la relacion entre cada pareja en cada celda, expresada con un n
umero que
va desde 0 a 1. El modelo tiene como objeto medir y mostrar la interdependencia en relaciones asociadas o entre cada pareja de variables y todas al mismo
tiempo.A traves del programa excel se facilita la elaboracion de una matriz de
correlacion, para determinar las variables que seran utilizadas en posteriores
estidios de pronostico[12].

14

2. Materiales y Metodos
2.1 Planteamiento del problema
A diferencia de decadas anteriores, el valor diferencial y competitivo de una
empresa, reside en sus trabajadores, el capital humano es aquel que permite
maximizar los demas recursos de la organizacion.Motivo por el cual parte de
la nueva y renovada gestion organizativa es la mejora constante de la calidad
de sus colaboradores y velar con que cuenten con las mejores condiciones para
desempe
narse.
En los u
ltimos a
nos, la empresa de Confecciones Servitejo S.A, ha evidenciado niveles preocupantes de desercion laboral, llevado a cabo en su mayora
por trabajadores que conforman el area de Operaciones1 , los cuales conforma
el 70 por ciento de toda la organizacion, pese a que se cuenta con un departamento de recursos humanos con una base de datos clasificada y que trata en
la medida de sus capacidades velar por el bienestar del trabajador aplicando
sus polticas internas, a
un no ha logrado prevenir el abandono inesperado de
los mismos2 , teniendo como visibles consecuencias que la empresa asuma los
sobrecostos operativos, la entrega de pedidos a destiempo, y en muchos casos
por la premura de atender la demanda externa( con toda la carga laboral que
ella implica),se realiza la incorporacion de nuevos trabajadores , obviando en
muchos casos los conductos regulares de seleccion, generando un decremento
sustancioso en el rendimiento promedio de los operarios de las lneas de produccion.
Como parte del problema cabe mencionar las escasas posibilidades que tiene un operario de crecer y ascender dentro de la empresa, a tal punto que
existen operarios con mas de 10 a
nos laborando y no han experimentado reconocimiento ni ascenso alguno, adicionalmente para que dicho operario logre
ser contratado con todos los beneficios de ley, este debe permanecer al menos
un a
no trabajando, bajo la modalidad de destajo, cosa que muy pocos trabajadores soportan pues lograr la contratacion se reduce a ganar el sueldo mnimo
y con beneficios poco convenientes.3
La informacion presente en la base de datos que gestiona los recursos humanos de la empresa no logra vislumbrar una vision clara del problema y mucho
menos generar alternativas de solucion, y es obvio que un operario que deserta
1
QUESADA, V. (2000) Prediccion dinamica mediante redes neuronales Universidad de
Jaen.
2
ATALAYA, M.C (1999) Satisfaccion Laboral y Productividad. Revista de la Facultad
de Psicologa de la Universidad Mayor de San Marcos. A
no III, No 5, 45-76
3
Deery, Erwin, Iverson y Ambrose (1995),

15

deja interrogantes con respecto a la naturaleza de su renuncia, dejando expuesto a la empresa a una constante merma de trabajadores, que la desestabiliza
.4

(Brooke y Price, 1989; Meli

an, 1998; Judge; Martocchio y Thoresen,1997).

16

2.2 Objetivos
2.2.1 Objetivos generales
Desarrollar una red neuronal que permita predecirla actitud desertora de los
operarios textiles de la empresa Servitejo S.A, tomando como referencia la informacion presente en la base de datos de la empresa,utilizando la arquitectura
multicapa de aprendizaje supervisado y entrenado con el algoritmo de retropropagacion.
2.2.3 Objetivos Especficos
Diagnosticar cuales son las variables que influyen en la actitud desertora
del operario textil tomando como referencia la informacion presente en la base
de datos de los trabajadores que desertaron hasta la fecha de la empresa.
Dise
nar la red neuronal, suministrando patrones de entrada, utilizando la
arquitectura multicapa as como el algoritmo de retropropagacion de aprendizaje supervisado, cuyos resultados determinen bajo que valores (condiciones),el
operario desertara de la empresa.
Evaluar la red neuronal ahora como patrones de entrada los datos del grupo
de operarios que trabajan actualmente en la empresa y predecir si desertaran
o no de la misma.

17

2.3 Metodologa

Figura 1: Diagrama de Flujo de la Metodologa

a) Se utilizo el programa excel como la herramienta mas adecuada para la

seleccion de las variables que se utilizaran en la red neuronal.
b)Utilizando una muestra de 100 extrabajadores de la empresa se creo una
matriz de correlacion para poder determinar cuales son las variables (campos
de los registros), que guardan mas afinidad entre si para el trabajo en cuestion.
c) El siguiente paso es especificar las caractersticas de nuestra red neuronal, el cual contendra ocho capas de entrada, cuatro capas intermedias y
una capa de salida, utilizando el algoritmo de retropropagacion de aprendizaje
supervisado,y desarrollado con el programa Matlab.
d)Se procede a entrenar la red neuronal introduciendo los conjuntos de
valores encontrados en los registros de excel(patrones de entrada), y determinando bajo que valores se produce el resultado esperado(prediccion).
e)Se eval
ua la red ingresando ahora patrones de entrada pertenecientes a
una muestra de 100 operarios textiles que trabajan actualmente en la empresa, a fin de poder predecir quienes son aquellos trabajadores que tomaran la
decision de desertar.
18

4. Bibliografa:
[1]Diagnostico de satisfaccion laboral en una empresa textil peruana, 2003
[2]Comportamiento Organizacional Mexico ,Prentice Hall,1998 Kohonen,
T. (1988) Self-Organizing Maps Springer Series in Information Sciences, Vol.30,
Springer, Berlin, Heidelberg, NY(pp 236)
[3]Hilera Gonzalez; R. y Martnez Hernando, A. (2000) Redes Neuronales
Artificiales: Fundamentos, modelos y aplicaciones. Ra-ma, Madrid.
[4]Hinton, G. E.; Williams, R. J.(1986). Learning internal representations
by back-propagating errors in Parallel Distributed Processing: Explorations in
the Microstructure of Cognition. Eds. Cambridge.
[5]Rosenblatt, F. (1958), The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65, 386-408.
[6]Del Brio, B. M. y Sanz Molina, A. (2001) Redes neuronales y sistemas
difusos. Paraninfo.
[7]El Perceptron Multicapa. Revista Electronica de Psicologa Vol. 5, No.
2, Julio ISSN 1137- 8492.
[8]Smith, M. (1993). Neural networks for statistical modeling. New York:
Van Nostrand Reinhold.
[9]Erick Lahura ,Econometra Basica: Teora y Aplicaciones,PUCP.
[10]Arduoquin, Motivacion y Satisfaccion laboral,Mexico,Cecsa 2000
[11]Pe
na, Daniel. (2002): Analisis de datos multivariantes. McGraw-Hill,
Madrid.
[12]QUESADA, V. (2000) Prediccion dinamica mediante redes neuronales
Universidad de Jaen
[13]ATALAYA, M.C (1999) Satisfaccion Laboral y Productividad. Revista
de la Facultad de Psicologa de la Universidad Mayor de San Marcos. A
no III,
No 5, 45-76
[14]Rosenblatt, F. (1958), The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65,
19

386-408
[15]Del Brio, B. M. y Sanz Molina, A. (2001) Redes neuronales y sistemas
difusos. Paraninfo
[16]Palmer, A., Monta
no, J.J. y Jimenez, R. (2001) Tutorial sobre Redes
Neuronales Artificiales: El Perceptron Multicapa. Revista Electronica de Psicologa . 5, No. 2, Julio ISSN 1137- 8492
[17]Smith, M. (1993). Neural networks for statistical modeling. New York:
Van Nostrand Reinhold..

20