Modelo Predictivo para La Toma de Decisiones en La Gestión de Insumos y Medicamentos para El Hospital General de Táriba

Universidad Nacional Experimental del Tchira
Vice-Rectorado Acadmico
Decanato de Postgrado
Maestra en Informtica
Trabajo de Grado
Modelo predictivo para la toma de decisiones

en la gestin de insumos y medicamentos
para el Hospital General de Triba
Autor: Zambrano Rodrguez, Hernn Alfonso.

Cdula de Identidad: V-21.766.033
Telfono: 0414-7534883
Correo Electrnico: zambranoplus@gmail.com
Tutor: Molina Monsalve, Marcel Mauricio.
Correo Electrnico: mmolina@unet.edu.ve
Trabajo de Grado, presentado como requisito para optar al Ttulo de Magster en
Informtica.
San Cristbal, Junio de 2.016
ii
DEDICATORIA
A mi madre Mara Gladys Rodrguez de Zambrano, por sus aos de lucha, su
infinito amor, sus sabios consejos. Mis logros en la vida se los debo a mi madre,
siempre vivirs en mi mente y corazn.
Te Amo Mam.
iii
RECONOCIMIENTOS
A Dios, por sus eternas bendiciones.
A mi padre Pablo Alfonso Zambrano Cuervo, por ser un excelente ser
humano.
A mis hijas Heliany Yineth y Mara Fernanda, por representar los amores de
mi vida.
A mi tutor MSc. Marcel Molina, por su apoyo y orientacin.
Al Hospital General de Triba, por su significativa colaboracin.
A la Universidad Nacional Experimental del Tchira (UNET). En especial a
los profesores que me impartieron clases, por su extraordinario profesionalismo.
iv
Universidad Nacional Experimental Del Tchira

Vice-Rectorado Acadmico
Decanato de Postgrado
Maestra en Informtica
Modelo predictivo para la toma de decisiones
en la gestin de insumos y medicamentos
para el Hospital General de Triba
Autor: Zambrano Rodrguez Hernn Alfonso.
Tutor: Molina Monsalve Marcel Mauricio.
Fecha: Junio 2.016
RESUMEN
El presente estudio se desarroll en el Hospital General de Triba ubicado en el
Estado Tchira Venezuela, donde el departamento de almacn no cuenta con un
sistema de informacin predictivo que le brinde estadsticas y proyecciones de los
insumos y medicamentos, informacin necesaria para la toma de decisiones,
principalmente en la cantidad de insumos y medicamentos que correspondan
adquirir. Partiendo de la necesidad en la institucin, se propuso desarrollar un modelo
predictivo para la toma de decisiones en la gestin de insumos y medicamentos, cuya
propuesta represent el objetivo general de esta investigacin. Con la finalidad de
lograr lo planteado, el estudio se centr en la inteligencia de negocios y la minera de
datos, desarrollando la investigacin de acuerdo con la metodologa: KDD
(Descubrimiento de conocimiento en bases de datos - Knowledge Discovery in
Databases). Se emple como herramienta para el proceso de minera de datos Weka
(Entorno para anlisis del conocimiento de la Universidad de Waikato - Waikato
Environment for Knowledge Analysis) para extraer conocimiento desde la base de
datos del sistema transaccional SAISYS, y el desarrollo de la herramienta informtica
se ejecut con la metodologa RAD (Desarrollo rpido de aplicaciones). Como
resultado de la investigacin, se determin que el modelo encontrado permitir
realizar las gestiones pertinentes de los insumos y medicamentos, a travs de
consultas y reportes de forma eficiente y eficaz que apoyan la toma las decisiones.
Palabras clave: Inteligencia de negocios, minera de datos, modelos predictivos,
weka.
v
NDICE
Pg.
Dedicatoria ................................................................................................................... iii
Reconocimientos .......................................................................................................... iv
Resumen ........................................................................................................................ v
ndice ............................................................................................................................ vi
Lista de tablas ............................................................................................................... xi
Lista de figuras ........................................................................................................... xiii
Lista de abreviaturas .................................................................................................. xiv
Introduccin ................................................................................................................ xv
CAPTULO I
EL PROBLEMA
1.1. Planteamiento del Problema. .............................................................................. 1
1.2. Formulacin del Problema. ................................................................................ 3
1.3. Hiptesis. ............................................................................................................ 4
1.4. Objetivos. ........................................................................................................... 5
Objetivo General. ................................................................................................... 5
Objetivos Especficos. ........................................................................................... 5
1.5. Justificacin. ....................................................................................................... 5
1.6. Alcance. .............................................................................................................. 6
vi
CAPTULO II
MARCO TERICO
2.1. Antecedentes de la Investigacin. ...................................................................... 8
2.2. Bases Tericas. ................................................................................................. 11
2.2.1. Inteligencia de Negocios - Business Intelligence (BI)............................... 11
2.2.2. Minera de Datos - Data Mining (DM). ..................................................... 12
2.2.3. Gestin de Inventarios. .............................................................................. 13
2.2.4. Proceso KDD. ............................................................................................ 15
2.3. Aspectos Legales. ............................................................................................. 17
2.3.1. Constitucin de la Repblica Bolivariana de Venezuela. (2000). Artculo
83. ........................................................................................................................ 17
2.3.2. Ley Orgnica de la Administracin Pblica. (2008). Artculo N 6. ......... 18
2.3.3. Ley de Infogobierno. (2013). Artculo N 34. ........................................... 18
2.3.4. Decreto N 1.399, con Rango, Valor y Fuerza de Ley de Contrataciones
Pblicas. (2014). Artculo N 1. ........................................................................... 18
2.4. Definicin de Trminos. ................................................................................... 19
2.4.1. Toma de Decisiones. .................................................................................. 19
2.4.2. Sistema Operacional o Transaccional. ....................................................... 19
2.4.3. Sistema de Informacin Gerencial. ............................................................ 20
2.4.4. Software Libre. .......................................................................................... 20
2.4.5. Base de Datos............................................................................................. 20
2.4.6. Repositorio de Informacin. ...................................................................... 21
2.4.7. MySQL. ..................................................................................................... 21
2.4.8. PHP. ........................................................................................................... 21
vii
2.4.9. Proceso ETL. ............................................................................................. 22

2.4.10. Weka. ....................................................................................................... 22
2.5. Sistema de Variables y Operacionalizacin. .................................................... 23
CAPTULO III
MARCO METODOLGICO
3.1. Contexto de la Investigacin. ........................................................................... 26
3.2. Nivel de Investigacin. ..................................................................................... 26
3.3. Diseo de la Investigacin. .............................................................................. 27
3.4. Poblacin. ......................................................................................................... 27
3.5. Tcnicas e Instrumentos de Recoleccin de Datos........................................... 28
Anlisis de Contenido. ......................................................................................... 28
La Observacin. ................................................................................................... 28
3.6. Validez y Confiabilidad.................................................................................... 29
3.7. Tcnicas de Procesamiento y Anlisis de Datos. ............................................. 30
CAPTULO IV
ANLISIS E INTERPRETACIN DE RESULTADOS
4.1. Seleccin e Integracin de los Datos. ............................................................... 32
4.2. Preparacin de los Datos. ................................................................................. 32
4.3. Transformacin. ............................................................................................... 34
Descripcin de las Variables No Nominales Seleccionadas. ............................... 35
Descripcin de las Variables Nominales Seleccionadas...................................... 36
4.4. Seleccin y Aplicacin de Algoritmos de Minera de Datos. .......................... 39
viii
Factores Determinantes en la Seleccin de las Tcnicas de Minera de Datos. .. 39

Breve Descripcin de los Modelos Seleccionados. ............................................. 41
Preprocesamiento con Weka. ............................................................................... 42
Opciones de Prueba Realizadas a cada Tcnica Seleccionada. ........................... 42
Criterios a Evaluar. .............................................................................................. 43
Pruebas Realizadas a las Tcnicas Seleccionadas. .............................................. 45
4.5. Interpretacin y Evaluacin de los Patrones Encontrados. .............................. 68
Relacin de las Variables. .................................................................................... 68
Anlisis de los Diagramas de Dispersin y el Coeficiente de Correlacin. ........ 72
Optimizando los Modelos Encontrados. .............................................................. 78
4.6. Desarrollo de la Herramienta Informtica para Consultar el Modelo Predictivo
Encontrado............................................................................................................... 81
CAPTULO V
CONCLUSIONES Y RECOMENDACIONES
5.1. Conclusiones. ................................................................................................... 95
5.2. Recomendaciones. ............................................................................................ 97
REFERENCIAS BIBLIOGRFICAS
LIBROS ................................................................................................................... 98
TRABAJOS ACADMICOS ................................................................................. 98
Trabajos de grado y tesis doctorales .................................................................... 98
Documentos y reportes tcnicos .......................................................................... 98
Documentos de tipo legal .................................................................................... 98
ix
FUENTES ELECTRNICAS ................................................................................ 99

Tesis en lnea ....................................................................................................... 99
Artculo de revista electrnica ........................................................................... 100
ANEXOS
1. Clasificacin de los listados por tipo de producto. ............................................ 102
2. Sistema Actual SAISYS. ................................................................................... 103
3. Estructura de la Base de Datos Actual. ............................................................. 104
4. Solicitud de Compra Actual. ............................................................................. 108
LISTA DE TABLAS
Pg.
Tabla 2.1. Operacionalizacin de variables. ............................................................... 24
Tabla 3.1. Sistemas de informacin utilizados............................................................ 31
Tabla 4.1. Simbologa empleada en el captulo. ......................................................... 32
Tabla 4.2. Matriz anlisis de la base de datos de SAISYS. ........................................ 33
Tabla 4.3. Seleccin de las variables de estudio. ........................................................ 34
Tabla 4.4. Variable cdigo del departamento por productos (dpto). .......................... 36
Tabla 4.5. Variable prioridad de adquisicin (prioridad). ........................................... 36
Tabla 4.6. Variable necesidad de refrigeracin (refrigerado). .................................... 37
Tabla 4.7. Variable restricciones en almacenaje (almacenaje). .................................. 37
Tabla 4.8. Variable estatus del registro (estatus). ....................................................... 37
Tabla 4.9. Variable cdigo del servicio destinatario (servicio). ................................. 37
Tabla 4.10. Evaluacin para determinar el tipo de rango. .......................................... 39
Tabla 4.11. Matriz seleccin de tcnicas de minera de datos orientadas a modelos
predictivos. .................................................................................................................. 40
Tabla 4.12. Valoracin estadstica kappa. ................................................................... 44
Tabla 4.13. Variables de entrada para las pruebas de la fase N 1. ............................ 46
Tabla 4.14. Prueba N 1. Fase N 1. Tcnica clustering. ............................................ 46
Tabla 4.15. Prueba N 2. Fase N 1. Tcnica J48. ...................................................... 47
Tabla 4.16. Prueba N 3. Fase N 1. Tcnica JRip. .................................................... 48
Tabla 4.17. Prueba N 4. Fase N 1. Tcnica Nave Bayes ........................................ 49
Tabla 4.18. Prueba N 5. Fase N 1. Tcnica OneR. .................................................. 50
Tabla 4.19. Prueba N 6. Fase N 1. Tcnica perceptrn multicapa. .......................... 51
Tabla 4.20. Prueba N 7. Fase N 1. Tcnica REPTree. ............................................. 52
xi

Tabla 4.37. Matriz pruebas de validacin a las tcnicas seleccionadas. ..................... 67
Tabla 4.38. Relacin entre los modelos encontrados. ................................................. 68
Tabla 4.39. Coeficiente de correlacin entre las variables.......................................... 72
Tabla 4.40. Prueba N 1. Fase N 4. ............................................................................ 74
Tabla 4.41. Prueba N 2. Fase N 4. ........................................................................... 74
Tabla 4.46. Resultados luego de las pruebas de la fase N 4. ..................................... 79
Tabla 4.47. Descripcin del modelo predictivo definitivo encontrado. ...................... 80
Tabla 4.48. Lista de cotejo. Descripcin de la herramienta informtica. .................... 82
xii
LISTA DE FIGURAS
Pg.
Figura 2.1. Ilustracin de un sistema de inteligencia de negocios. ............................. 12
Figura 2.2. Fases de la gestin de inventarios hospitalarios. ...................................... 14
Figura 2.3. Etapas del proceso KDD. .......................................................................... 16
Figura 3.1. Procedimiento para el anlisis de los datos. ............................................. 30
Figura 4.1. Diagrama de dispersin, X = codigo, Y = cantidad. ................................. 69
Figura 4.2. Diagrama de dispersin, X = dpto, Y = cantidad. .................................... 69
Figura 4.3. Diagrama de dispersin, X = costo, Y = cantidad. ................................... 70
Figura 4.4. Diagrama de dispersin, X = stockMin, Y = cantidad. ............................ 70
Figura 4.5. Diagrama de dispersin, X = stockMax, Y = cantidad. ............................ 71
Figura 4.6. Diagrama de dispersin, X = prioridad, Y = cantidad. ............................. 71
Figura 4.7. Pantalla iniciar sesin. .............................................................................. 83
Figura 4.8. Pantalla inicio de la herramienta informtica. .......................................... 84
Figura 4.9. Pantalla predecir individual. ..................................................................... 85
Figura 4.10. Pantalla predecir categorizada. ............................................................... 86
Figura 4.11. Pantalla predecir general......................................................................... 87
Figura 4.12. Pantalla estadstica individual. ............................................................... 88
Figura 4.13. Pantalla estadstica por fecha. ................................................................. 89
Figura 4.14. Pantalla estadstica en histogramas. ........................................................ 90
Figura 4.15. Pantalla actualizacin de usuarios. ......................................................... 91
Figura 4.16. Reporte prediccin de consumo mensual categorizada. ......................... 92
Figura 4.17. Reporte prediccin de consumo mensual general. ................................. 93
Figura 4.18. Reporte estadstica de consumo mensual. .............................................. 94
xiii
LISTA DE ABREVIATURAS
BI
Inteligencia de Negocios (Business Intelligence).
BPM
Gestin de Procesos de Negocios (Business Process Management).
DBF
Archivo de base de datos (Data Base File)
DM
Minera de Datos (Data Mining).
ETL
Extraccin, Transformacin y Cargar (Extract, Transform and Load).
GPL
Licencia Pblica General.
KDD
Descubrimiento de Conocimiento en Bases de Datos (Knowledge

Discovery in Databases).
MSDOS
Sistema Operativo de Disco de Microsoft (Microsoft Disk Operating

System).
MySQL
Lenguaje de Consulta Estructurado (My Structured Query Language).
PEPS
Primero en Entrar Primero en Salir.
PHP
Procesador de Hipertexto (Hypertext Preprocessor).
RAD
Desarrollo Rpido de Aplicaciones.
SAISYS
Sistema Administrativo e Inventario.
WEKA
Entorno para Anlisis del Conocimiento de la Universidad de Waikato

(Waikato Environment for Knowledge Analysis).
xiv
INTRODUCCIN
La inteligencia de negocios en la actualidad se presenta como una herramienta

indispensable para las organizaciones que quieran estar en la vanguardia que requiere
la sociedad. La inteligencia de negocios permite a travs de su diversidad de
instrumentos y tcnicas analizar los datos fundamentales de la empresa y emplearlos
en la generacin de conocimiento, para mejorar la toma de decisiones y la
planificacin estratgica.
En relacin con lo anteriormente expuesto, la presente investigacin
comprende el desarrollo de la inteligencia de negocios, y por medio de uno de sus
principales instrumentos como lo es la minera de datos, buscar un modelo predictivo
que permita construir una herramienta informtica para la gestin de insumos y
medicamentos en el Hospital General de Triba.
En el marco del problema, surge como necesidad desarrollar una herramienta
informtica fundamentada por un modelo predictivo, que permita el soporte en la
toma de decisiones para la gestin de insumos y medicamentos, primordialmente en
la cantidades que se deben adquirir, con el objetivo de optimizar los recursos y lograr
bienestar social.
La presente investigacin tiene un nivel de conocimiento de tipo proyectiva,
en virtud que tiene como propsito la elaboracin de una propuesta o modelo como
solucin a un problema o necesidad de tipo prctico. De igual forma, es una
investigacin mixta, donde participan elementos de la investigacin documental e
investigacin de campo, entre los elementos empleados destacan los siguientes:
Libros, tesis, trabajos de grado, decretos, artculos cientficos, documentos
digitalizados, anlisis de contenido y la observacin.
El proyecto inicia con el captulo I, el cual describe el planteamiento,
formulacin del problema, hiptesis, objetivos de la investigacin, la justificacin y
xv
el alcance. El captulo II, presenta los antecedentes de la investigacin, las bases

tericas, los aspectos legales, la definicin de trminos, por ltimo, el sistema de
variables y operacionalizacin. En el captulo III, se indican el contexto, nivel y
diseo de la investigacin, de igual manera en el este apartado, se define la poblacin
objeto de estudio, las tcnicas e instrumentos de recoleccin de datos, la validez y
confiabilidad, para cerrar el captulo, se establecen las tcnicas de procesamiento y
anlisis de datos.
El captulo IV, comprende el anlisis e interpretacin de resultados,
desarrollado a travs de los siguientes procesos: Seleccin e integracin de datos,
preparacin de los datos, transformacin, seleccin y aplicacin de algoritmos de
minera de datos, interpretacin y evaluacin de los patrones encontrados, para
finalizar con, el desarrollo de la herramienta informtica para consultar el modelo
predictivo encontrado. En el captulo V, se presentan las conclusiones y
recomendaciones de la investigacin.
xvi
CAPTULO I
EL PROBLEMA
1.1. Planteamiento del Problema.

En la actualidad la inteligencia de negocios, entendida segn Recasens (2011)
como el conjunto de tecnologas que permiten interactuar con una diversidad de
datos, para ofrecer a los gerentes informacin relevante para mejorar el rendimiento
de la empresa. En tal sentido, la inteligencia de negocios constituye un rea de
conocimiento importante en la organizacin debido que aporta estrategias para la
eficiente y eficaz gestin de las organizaciones.
Los sistemas de informacin gerencial basados en inteligencia de negocios se
han convertido en factor fundamental en los logros empresariales. De acuerdo con
Martnez (2012) los mismos apoyan a la empresa en decisiones de alto nivel,
gestionando los procesos de negocio al satisfacer las necesidades de informacin de
la organizacin. Dentro de los sistemas de informacin gerencial, existen los basados
en modelos predictivos, los cuales constituyen la bsqueda del conocimiento en los
datos histricos relevantes, para pronosticar situaciones futuras (Bayter, 2008).
Las sociedades evolucionan a travs del avance de una serie de elementos,
entre los cuales se encuentra la salud. En Venezuela desde el ao de 1.911 se
emprendi un proceso que sent las bases con la finalidad de construir y preservar un
sistema de salud integral. A travs de lo que en la actualidad es el Ministerio del
Poder Popular para la Salud MPPS. Segn Hernndez (2010) en la constitucin de
1.999 se impulsaron polticas para disminuir los determinantes sociales con la
intencin de reducir las desigualdades, con base a principios de equidad y justicia
social.
Bajo el marco de referencia expuesto, en Venezuela existen un sistema de

salud pblica con hospitales tipo I, II, III y IV, que tienen sus propias caractersticas
segn la capacidad de los servicios que presta y la poblacin servida (Decreto N
1798, 1983). De acuerdo con esta clasificacin el Hospital General de Triba, es tipo
II, el cual tiene como misin:
Prestar servicios de promocin, prevencin y recuperacin de
enfermedades en el rea de la salud a la comunidad del Municipio
Crdenas y sus adyacencias, teniendo como prioridad el respeto,
humanizacin, tica y calidad en la prestacin de cada uno de nuestros
servicios, garantizando una docencia y capacitacin de alto nivel,
contando con talento humano altamente capacitado y comprometido
en prestar un servicio eficiente e idneo en todas las reas funcionales
del Hospital (Hospital General de Triba, 2015, p. 19).
Durante los ltimos aos este centro dispensador de salud ha crecido
notablemente, en su organizacin y por ende en la cantidad en cuanto a la atencin de
pacientes. En las diferentes reas que conforman la organizacin existe un gran
nmero de necesidades de automatizacin y optimizacin de procesos, que requieren
adaptarse a la evolucin que ha tenido la institucin.
Dentro de la perspectiva antes mencionada y de acuerdo con la experiencia
laboral del autor de esta investigacin que es funcionario del Hospital General de
Triba, la institucin requiere de manera fundamental la incorporacin de nuevas
tecnolgicas a fin de poder marchar dentro del tipo de desarrollo que tiene trazado,
caso especfico el departamento de almacn, donde entre otras actividades se realizan
las solicitudes de compras para la adquisicin de insumos y medicamentos necesarios
para el funcionamiento del hospital.
Las solicitudes de compra son listados realizados por tipo de producto, (Ver
Anexo 1). Las mencionadas solicitudes tambin llamadas fallas contienen entre otros
datos, la cantidad solicitada y la descripcin del insumo o medicamento requerido,
principal informacin para su elaboracin, y la misma se obtiene de forma manual
desde un sistema de inventario llamado Sistema Administrativo e Inventario
SAISYS, el cual est realizado en el lenguaje de programacin clipper, con el sistema

operativo de disco de Microsoft MSDOS (Ver Anexo 2).
El actual sistema procesa la informacin de primer nivel como son: compras
(entradas), consumos (salidas), posee una base de datos (Ver Anexo 3) con registros
desde enero de 2.010 hasta diciembre de 2.015. Pero el mencionado software no
presta todas las funcionalidades de un sistema de informacin requeridas por el
departamento, entre las que destacan estadsticas, proyecciones y principalmente el
estimado que se debe adquirir por cada insumo o medicamento.
La otra parte de la informacin para elaborar las solicitudes de compras las
aporta el supervisor de almacn de manera emprica, de acuerdo con sus
conocimientos por los aos de experiencia en el cargo, situacin que no brinda
estabilidad al proceso debido que el mismo est dependiendo de una sola persona y
no est fundamentado en patrones de consumo y estadsticas.
En la actualidad el procedimiento para realizar las solicitudes es de la
siguiente forma: El supervisor de almacn utilizando una hoja de clculo (Excel,
Calc) donde estn separadas las solicitudes por tipo de producto, y siguiendo el orden
de los artculos registrados por cada tipo, procede a consultar en el sistema SAISYS
la existencia de ese artculo, para luego de acuerdo con su experiencia colocar la
cantidad a solicitar por cada producto en la hoja de clculo. Y as elabora la solicitud
de fallas (Ver Anexo 4), siguiendo lo pautado en el Decreto N 1.399, con Rango,
Valor y Fuerza de Ley de Contrataciones Pblicas del estado venezolano.
1.2. Formulacin del Problema.

Actualmente en el Hospital General de Triba las solicitudes de compras o
fallas de insumos y medicamentos se realizan de forma manual, lo que origina un
proceso lento, tedioso, produciendo solicitudes con informacin poco veraz e
inconsistente, lo que trae como consecuencia la adquisicin de insumos y
medicamentos, sin seguir un patrn de consumo por parte de las reas del hospital,
causando en ocasiones desabastecimiento en algunos rubros y sobreabastecimiento en
otros. En el mismo sentido el departamento de almacn no cuenta con un sistema de
informacin predictivo que le brinde estadsticas y proyecciones de los insumos y
medicamentos, informacin necesaria para la toma de decisiones, principalmente en
la cantidad de insumos y medicamentos que se deben adquirir.
De acuerdo con lo anterior, surge la siguiente interrogante Es necesario
realizar un modelo predictivo que proporcione la informacin necesaria para la toma
de decisiones en la gestin de insumos y medicamentos?, a partir de lo anterior, se
formulan las siguientes sub interrogantes: Cmo se obtendrn los datos necesarios
para generar la informacin que servir en la toma de decisiones?, Cul tcnica ser
la ms idnea para encontrar patrones en los datos?, y Qu informacin ser
necesaria para la toma de decisiones?.
Partiendo de la necesidad que existe actualmente en la institucin y tomando
en consideracin lo que puede llegar a proporcionar la propuesta planteada en cuanto
a optimizar las solicitudes de compras en el Hospital General de Triba, surge la
necesidad de desarrollar un modelo predictivo que genere la informacin requerida
para la toma de decisiones, primordialmente la solucin tecnolgica debe predecir la
cantidad de insumos y medicamentos que se deben adquirir para un tiempo
determinado.
1.3. Hiptesis.
Es posible obtener un modelo predictivo para la gestin de insumos y
medicamentos, a partir de los datos histricos disponibles en la base de datos del
sistema SAISYS del Hospital General de Triba, mediante el uso de tcnicas de
minera de datos.
1.4. Objetivos.
Objetivo General.
Implementar un modelo predictivo para la toma de decisiones en la gestin de
insumos y medicamentos para el Hospital General de Triba.
Objetivos Especficos.
1.
Analizar la base de datos del Sistema Administrativo e Inventario

(SAISYS).
2.
Seleccionar tcnicas de minera de datos orientadas a modelos

predictivos.
3.
Realizar pruebas de validacin de las tcnicas seleccionadas.
4.
Desarrollar una herramienta informtica para la consulta del modelo

predictivo, como apoyo en la toma de decisiones.
1.5. Justificacin.
La inteligencia de negocios empleando modelos predictivos realizados por
medio de la minera de datos, ofrece ventajas competitivas a las organizaciones,
fortalecindolas y logrando que se mantengan en el tiempo dentro de escenarios
exitosos. Recasens (2011) afirma que los pronsticos revelan relaciones y tendencias
que permiten tomar decisiones creadas desde una base cientfica, generando
beneficios para las empresas, entre los que destacan: Incremento del volumen de
negocio, logro de objetivos, optimizar recursos y aumento de ingresos.
La implementacin del modelo predictivo propuesto podr realizar las
gestiones pertinentes de los insumos y medicamentos, a travs de reportes estadsticos
y proyecciones de forma sencilla, flexible, eficiente y eficaz que apoyarn a las

personas encargadas de tomar las decisiones en el hospital, contexto necesario para
mejorar el proceso de adquisicin de insumos y medicamentos, situacin que
originar solicitar las cantidades de artculos idneas para el ptimo funcionamiento
del hospital, generando principalmente beneficios econmicos y de bienestar social
tanto para la institucin como para sus pacientes.
El modelo planteado concede aportes a diferentes niveles, entre los que
destacan: El aporte terico, metodolgico, acadmico, prctico y social, donde las
metodologas, y tcnicas utilizadas para llevar a cabo el mismo, servirn de base para
futuras investigaciones, En consecuencia los aportes tericos, metodolgicos y
acadmicos se vern reflejados en aspectos relacionados con la inteligencia de
negocios haciendo nfasis en el rea de la minera de datos y sus diferentes
herramientas que conllevan al desarrollo e implementacin de sistemas que generan
conocimientos, de igual forma se proporcionarn aportes en el rea de inventarios de
hospitales, entre otros.
Los aspectos prcticos sern observables en la aplicabilidad, teniendo en
cuenta la utilidad que ofrece un modelo con las condiciones planteadas y con la
proyeccin de instalarse en otros centros de salud, pero sin duda alguna es el aporte
social el de mayor impacto que se producir con el actual proyecto, debido que el
modelo propuesto est orientado a proporcionar un mximo beneficio a la sociedad
involucrada en el desenvolvimiento cotidiano del hospital.
1.6. Alcance.
El propsito fundamental de la investigacin consiste en analizar la base de
datos del sistema transaccional SAISYS, para luego aplicarle tcnicas de minera de
datos, con el objetivo de generar un modelo predictivo. Una vez se tenga establecido
y probado el modelo predictivo se procede a desarrollar una sistema de consulta que
facilite a la alta gerencia la toma de decisiones en la gestin de insumos y

medicamentos en el Hospital General de Triba.
Con la finalidad de lograr lo planteado, el estudio se centrar en la inteligencia
de negocios y la minera de datos, las herramientas y metodologas a utilizar son las
siguientes: KDD (Descubrimiento de conocimiento en bases de datos - Knowledge
Discovery in Databases) se emplear como herramienta para el proceso de minera de
datos, se utilizar Weka (Entorno para anlisis del conocimiento de la Universidad de
Waikato - Waikato Environment for Knowledge Analysis) como sistema para extraer
conocimiento desde la base de datos del sistema transaccional SAISYS, y el
desarrollo de la herramienta informtica se ejecutar con la metodologa RAD
(Desarrollo rpido de aplicaciones).
CAPTULO II
MARCO TERICO
2.1. Antecedentes de la Investigacin.
Martha Hernndez R. (2011) En su trabajo: Procedimiento para el desarrollo

de un sistema de inteligencia de negocios en la gestin de ensayos clnicos en el
Centro de Inmunologa Molecular. Investigacin que surgi como parte de la
colaboracin existente entre la Universidad de las Ciencias Informticas y el Centro
de Inmunologa Molecular en la Habana Cuba. El objetivo fue desarrollar un
procedimiento que auxiliara en el almacenamiento y anlisis de los ensayos clnicos y
que facilitara la aplicacin integral de la inteligencia de negocios en esta actividad.
Se realiz una propuesta de procedimiento para conducir el desarrollo de
soluciones de inteligencia de negocios en el centro. El procedimiento fue evaluado a
partir del mtodo de experto Delphi y se obtuvo el resultado de "Muy adecuado". Se
cont adems con un aval del centro cliente, donde se valor de satisfactorio el
trabajo realizado. La implementacin de este procedimiento permitir almacenar toda
la informacin que se gestiona, de manera ntegra y estndar, con lo que se lograr
viabilizar los anlisis estadsticos que se necesitan realizar por parte de los
especialistas de la institucin.
El aporte del trabajo para la investigacin, se fundamenta en la aplicacin de
la inteligencia de negocios con el fin de mejorar el desempeo y por ende los
procesos de la organizacin, entre las herramientas y tcnicas empleadas, destaca el
procedimiento de inteligencia de negocios, a travs de la etapa de extraccin,
transformacin y carga de los datos, es decir, el proceso ETL.
Juan Soria Q. y Guillermo Mamani A. (2013). En su investigacin: Modelo de

simulacin de inventario basado en redes neuronales artificiales supervisadas y
algoritmos genticos para optimizar el stock de medicamentos de la Clnica Ricardo
Palma. Estudio mediante el cual se desarroll un modelo analtico de abastecimiento
de medicamentos basado en redes neuronales artificiales que optimiza el inventario
de los medicamentos del sector privado de salud, caso Clnica Ricardo Palma ubicada
en San Isidro, Lima Per. El tipo de investigacin fue aplicada, descriptiva y
propositiva. Los datos analizados correspondieron al volumen de las ventas
semanales de medicamentos de los aos 2.005 al 2.009.
El objetivo era minimizar la incertidumbre al momento de decidir la cantidad
de medicamentos a pedir, estimando la demanda semanal del medicamento. Los
resultados afirman que el modelo de red neuronal artificial concurrente tiene mayor
precisin en el pronstico frente a los modelos estadsticos, series de tiempo y
regresin lineal, lo cual permite planificar las compras de medicamentos y reducir el
costo total.
La contribucin que ofrece este estudio radica en la optimizacin de los
inventarios en los centros de salud, basado en modelos de gestin de inventario y
utilizando el mdulo de OptQuest de la herramienta Crystal Ball. Donde a travs de la
construccin de un modelo de simulacin, se busca predecir la cantidad optima de
medicamentos a requerir.
Isidora Vielma G. (2013). En su tesis: Mejoramiento de la gestin de insumos

de pabelln del Hospital Exequiel Gonzlez Corts. Proyecto que propone un diseo
para el proceso de adquisicin e inventario de los insumos de pabelln en el hospital
peditrico Exequiel Gonzlez Corts, situado en Santiago de Chile, a partir de
patrones de procesos de negocio, desde la arquitectura empresarial del hospital, hasta
el diseo de los diagramas en Gestin de Procesos de Negocios (Business Process
10
Management) BPM. Finalmente, se generaliza la experiencia en base a la

construccin de un framework, para cualquier tipo de empresa que requiera generar
un plan de insumos a partir de un plan de produccin definido.
El proyecto es probado mediante un piloto, el cual contempla la
implementacin de acuerdos de abastecimiento para 3 grupos de productos, que
representan el 15% del gasto en insumos del hospital. Las cantidades se determinan
en base a las lgicas de negocio. El ahorro promedio calculado con los precios de las
ofertas presentadas es de 36%, siendo de 68% en el mejor escenario y de 10% en el
peor, lo que permite ahorrar recursos o bien acceder a productos de mayor calidad y
precio, sin aumentar el presupuesto, asegurando la provisin de insumos y evitando
quiebres de inventario.
Con lo antes mencionado, el aporte de la investigacin se fundamenta en
establecer un modelo de inventario que garantiza un ptimo abastecimiento, a travs
de la implementacin de un software que permite reducir costos, proveer mecanismos
de control y un proceso flexible de las compras. Contexto requerido en la gestin de
insumos y medicamentos en el Hospital General de Triba.
Juan Snchez R. (2010). En su trabajo de grado: Sistema web para diagnstico

de enfermedades prevalentes en la infancia mediante tcnicas de minera de datos y
aprendizaje automtico. Estudio que se realiz en la Universidad Nacional
Experimental del Tchira, Municipio San Cristbal, Venezuela. Proyecto que
consisti en desarrollar un sistema web, fundamentado en tcnicas de minera de
datos para producir modelos predictivos que permitan apoyar en el diagnstico de
enfermedades prevalentes en la infancia.
Actualmente la sociedad se est viendo afectada por la mortalidad infantil,
ocasionada por enfermedades recurrentes. El sistema desarrollado maneja dos
componentes principales, el primero sistematiza la aplicacin de la estrategia
11
Atencin Integral a las Enfermedades Prevalentes de la Infancia la cual brinda

lineamientos de trabajo para enfrentar las principales enfermedades que afectan a los
nios, el segundo componente lo constituye una plataforma inteligente para el
desarrollo de modelos predictivos que permite determinar posibles diagnsticos.
El aporte ofrecido para la presente investigacin, se basa en la utilizacin de
tcnicas de minera de datos para elaborar modelos predictivos que faciliten la toma
de decisiones. Entre las tcnicas empleadas presenta: Arboles de decisin, reglas de
clasificacin, clustering y redes bayesianas. Empleando Weka como herramienta para
el anlisis de los datos.
2.2. Bases Tericas.
2.2.1. Inteligencia de Negocios - Business Intelligence (BI).

Los tiempos de vida de los negocios son cada vez ms vertiginosos por lo que
se deben tomar decisiones muy veloces, por lo tanto se requiere de la informacin
oportuna en el momento y el lugar correcto. La inteligencia de negocios consiste en
un conjunto de herramientas que son usadas para obtener, y analizar datos sobre el
funcionamiento de la empresa, los cuales pueden ayudar a lograr un conocimiento
amplio de los factores que afectan su desempeo (Ventas, produccin, operaciones
internas, entre otras) y de esa manera tomar decisiones para lograr mejores resultados.
La recoleccin y procesamiento de los datos produce informacin, y es la
mente humana la que la convierte en inteligencia al adecuarla con un contexto
especfico para un individuo o caso en particular. El proceso que produce
inteligencia es la coleccin continua con verificacin y anlisis de la informacin que
permite comprender el problema o la situacin de una manera accionable de acuerdo
a un usuario final. (Gonzales, 2012, p. 9).
12
Figura 2.1. Ilustracin de un sistema de inteligencia de negocios.

Fuente: (Recasens, 2011, p. 24).
2.2.2. Minera de Datos - Data Mining (DM).

Consiste en un conjunto de tcnicas y algoritmos que sirven para hacer
anlisis de grupos de datos, extrayendo patrones y relaciones entre ellos,
convirtindolos en informacin til para quienes toman las decisiones, concepcin
segn Martnez (2012). El empleo de la minera de datos en las empresas se realiza
para identificar nuevas oportunidades de negocio, adecuar los productos ofrecidos o
encontrar los clientes ms valiosos con el fin de retenerlos, para de esta manera
aumentar los ingresos y reducir las prdidas o costos de las empresas.
La minera de datos se debe entender como un soporte para los analistas, y no
reemplaza el conocimiento que tienen los especialistas del negocio, tampoco descarta
la necesidad de entender los datos. Para Martnez (2012) no funciona por s sola, ya
que los patrones que se encuentren en los datos deben ser interpretados y validados
para ver si responden a las consultas del negocio, y si son aplicables en el mundo real.
Los modelos de minera de datos se clasifican como predictivos y
descriptivos. En el primer caso, se tiene una variable con valor desconocido, y la
13
finalidad es determinarlo. Esta variable se llama respuesta, dependiente u objetivo,

mientras que aquellas utilizadas para hacer la prediccin son los predictores o
variables independientes. Los modelos predictivos requieren ser entrenados,
utilizando un conjunto de datos de entrenamiento cuyo valor de variable dependiente
es conocido. La idea es que el modelo permita resultados en base a un aprendizaje, y
as se vaya ajustando con la realidad conocida. A este tipo de modelos se les conoce
adems como modelos de aprendizaje supervisado.
Por otra parte, se tienen los modelos descriptivos, en los cuales no se cuenta
con un resultado conocido para poder guiar a los algoritmos, y por ello se conocen
como modelos de aprendizaje no supervisado, donde el modelo se va ajustando de
acuerdo con las observaciones o datos entregados, y se acude muchas veces a
argumentos heursticos para evaluar la calidad de los resultados. Tanto para los
modelos predictivos y como para los modelos descriptivos existen una variedad de
mtodos de minera de datos que se pueden utilizar, con el fin de buscar
conocimiento. Dentro de los mtodos predictivos se encuentran la clasificacin y
regresin, Entre los descriptivos existen el clustering y las reglas de asociacin.
2.2.3. Gestin de Inventarios.

Por lo general en las empresas exitosas, utilizan el criterio que dice: "quien
compra bien, vende o produce bien". El tener una buena poltica de compras, permite
un manejo fluido a la organizacin y una disminucin en sus costos, lo que
obviamente mejorar su rentabilidad. A juicio de Aldas (2013) debido a lo anterior es
necesario estudiar los inventarios desde el instante en que se proyecta la compra, es
decir involucrarlos en los procesos de planeacin de la compaa y en su
contrapartida obligatoria, el control.
Los inventarios bsicamente son recursos utilizables que se encuentran
almacenados para su uso posterior en un momento determinado. Gestionar un
14
inventario, es la administracin eficiente del mismo, a travs de un manejo adecuado

de la planificacin, rotacin y control, que incluye desde la negociacin con el
proveedor hasta la venta del producto. Los principales objetivos de la gestin de
inventarios son: Minimizar los costos y riesgos de mantener inventarios, minimizar
costos y riesgos de adquirir inventarios, maximizar el rendimiento sobre la inversin
en inventario, optimizar el nivel de produccin cuando estos sean fabricados en la
empresa, maximizar la eficiencia de los departamentos de compras, produccin y
ventas, permitir mantener un nivel ptimo de inventario.
Figura 2.2. Fases de la gestin de inventarios hospitalarios.
Las fases que comprende la gestin de inventarios hospitalarios se especifican

a continuacin.
1.
Planificacin: Etapa en la cual se analizan las cantidades a solicitar de

acuerdo con las existencias y rotacin de los insumos y medicamentos.
2.
Prioridades: Se identifican los insumos y medicamentos a requerir,

tomando en cuenta los productos primordiales para el funcionamiento del
hospital, en funcin de los recursos econmicos disponibles para la
compra.
15
3.
Registro: Se deben realizar los asientos de los registros de las entradas y

salidas de todos los productos.
4.
Almacenamiento: Empleando la tcnica primero en entrar primero en salir

(PEPS) se almacenan los insumos y medicamentos.
5.
Suministro: Fase en la cual se realiza la entrega de los productos a cada

departamento de la institucin, de acuerdo con su consumo.
6.
Control: Etapa donde se revisan peridicamente los artculos, para

determinar los que estn prximos a vencer y los de poca rotacin, y de
esta forma dinamizar los productos que estn dentro de estos parmetros.
7.
Auditoria: A travs de chequeos quincenales e inventarios semestrales

entre la existencia fsica y la presentada por los registros, se constata la
integridad del inventario.
2.2.4. Proceso KDD.

Etapa mediante la cual se localiza informacin en un gran grupo de datos para
producir conocimiento. El objetivo principal de esta metodologa es automatizar el
procesamiento de los datos, permitiendo a los usuarios dedicar ms tiempo a las
tareas de anlisis y al descubrimiento de relaciones entre los datos. (Martnez, 2012,
p. 26).
16
Figura 2.3. Etapas del proceso KDD.

Fuente: (Martnez, 2012, p. 26).
1.
Identificacin de la situacin en estudio: Establecer el problema a

resolver, entendiendo las metas del proceso y cules son los objetivos.
2.
Seleccin e integracin de los datos: Se obtienen los datos desde los

sistemas transaccionales, los cuales pueden venir en diferentes formatos y
en algunas oportunidades con errores.
3.
Preparacin de los datos: Etapa de limpieza y pre-procesamiento, donde

se escogen tcnicas y estrategias para corregir errores en el conjunto de
datos seleccionados, se trata la informacin faltante y unifican formatos.
4.
Transformacin: Lapso en el que se pueden reducir o agrupar los datos en

las caractersticas de inters. Se consolida la informacin y se escoge una
estructura acorde con las necesidades del problema que permita
almacenarla, por ejemplo un data mart.
17
5.
Seleccin y aplicacin de algoritmos de Minera de Datos (Data Mining)

DM: Empleando tcnicas segn la situacin planteada y el anlisis que se
quiera hacer. Las tcnicas seleccionadas permitirn generar modelos de
minera de datos, y con ello revelar patrones de informacin implcitos en
los datos.
6.
Interpretacin y evaluacin de los patrones encontrados: Identificando los

nuevos conocimientos y auxilindose en los expertos del negocio para ver
si se pueden tomar acciones con estos resultados. Para interpretarlos, es
necesario visualizarlos de varias formas, validando los patrones y
modelos de datos, documentando los procedimientos y consideraciones
de manera que se formen propuestas de valor para el negocio.
(Martnez, 2012) Las etapas iniciales del proceso KDD son muy importantes
porque sern la base sobre la cual se har minera de datos. Si la preparacin de los
datos no est bien hecha, los resultados obtenidos en los anlisis no sern confiables.
(p. 27). La relacin entre el proceso KDD y los Data Warehouses, sucede cuando el
primero busca contar con datos procesados, limpios y consolidados, mientras que los
segundos brindan una arquitectura bien definida en donde almacenar la informacin
con esas caractersticas.
2.3. Aspectos Legales.
2.3.1. Constitucin de la Repblica Bolivariana de Venezuela.

(2000). Artculo 83.
Apartado de la constitucin que estable la salud como un compromiso social
esencial, es un derecho a la vida que el gobierno debe garantizar. Para ello el Estado
desarrollar polticas destinadas a satisfacer las necesidades que tienen todas las
personas en el sector salud, dentro de ese marco el gobierno debe participar
18
activamente en la promocin, defensa y cumplimiento de las medidas establecidas

relacionadas con la salud de todos los ciudadanos del pas. Considerando lo anterior,
se establece que la realizacin del actual proyecto promover en gran medida la
participacin que debe tener el Estado, para brindar un eficiente servicio de salud a su
poblacin.
2.3.2. Ley Orgnica de la Administracin Pblica. (2008). Artculo

N 6.
Artculo mediante el cual se fija la actuacin de la administracin pblica
nacional, la cual debe estar al servicio de las personas, para atender y satisfacer sus
necesidades, en reas prioritarias como la salud, Para tal efecto la administracin
debe mejorar continuamente sus procesos, servicios y prestaciones pblicas. Contexto
que se lograr en el Hospital General de Triba a travs del desarrollo tecnolgico
planteado.
2.3.3. Ley de Infogobierno. (2013). Artculo N 34.

Seccin donde se estable que la administracin pblica nacional utilizar en
su gestin a travs de las tecnologas de la informacin, solo programas informticos
en software libre y estndares abiertos. Sobre la base de las consideraciones expuestas
el presente proyecto debe ser desarrollo en software libre, debido que el Hospital
General de Triba es un organismo de la administracin pblica nacional.
2.3.4. Decreto N 1.399, con Rango, Valor y Fuerza de Ley de

Contrataciones Pblicas. (2014). Artculo N 1.
El objeto del Decreto se encuentra expresado en este, su primer artculo, el
cual establece la regularizacin de las actividades del Estado en la adquisicin de
19
bienes, prestacin de servicios y ejecucin de obras, con el propsito de resguardar el

patrimonio pblico, fortalecer la soberana, incrementar la capacidad productiva y
asegurar la transparencia en las actuaciones de los contratantes, para propiciar el
crecimiento de la economa. Las solicitudes de compra del Hospital, se realizan
siguiendo lo establecido en el presente Decreto (Ver Anexo N 4).
2.4. Definicin de Trminos.
2.4.1. Toma de Decisiones.

En el ambiente empresarial resaltan aquellos empresarios que se han
destacado por el xito alcanzado en el manejo de sus organizaciones, escenarios que
se materializan a travs de la oportuna y acertada toma de decisiones. La cual segn
Guilln (2012), consiste bsicamente en elegir una opcin entre las disponibles,
evaluando previamente las alternativas a los efectos de resolver un problema, para
tomar una decisin, es necesario conocer, comprender y analizar el problema para as
poder darle solucin.
2.4.2. Sistema Operacional o Transaccional.

Los sistemas de informacin operacionales o transaccionales se encargan de
automatizar tareas y procesos que se efectan a diario en la empresa, manejando
datos del funcionamiento de la organizacin. Sus principales prioridades son la
disponibilidad y el rendimiento en el procesamiento a un nivel detallado. A pesar de
ser una fuente de datos completa, este tipo de sistema no se emplea en la toma de
decisiones de alto nivel, porque al procesar una gran cantidad de datos tarda en
entregar las respuestas, tampoco responden a todas las preguntas que puede tener el
negocio ya que slo cuenta con clculos simples.
20
2.4.3. Sistema de Informacin Gerencial.

Un sistema de informacin es un grupo organizado de elementos (Hardware,
software, recurso humano, entre otros) que interactan entre s procesando datos,
dando lugar a informacin en funcin de los objetivos o necesidades de una
organizacin, as lo indica Aldas (2013). Partiendo de lo anterior, un sistema de
informacin gerencial es una herramienta informtica que apoya la toma de
decisiones en la empresa, con informacin confiable y oportuna, permitiendo lograr
ventajas competitivas, impulsos estratgicos y control gerencial.
2.4.4. Software Libre.

Es el software que respeta la libertad de los usuarios para ejecutarlo, copiar,
distribuir, estudiar, modificar y mejorarlo. Libre no significa que sea gratis, aunque
en la mayora de los casos suele estar disponible gratuitamente. El software libre
ofrece las siguientes libertades: Primero ejecutarlo con cualquier propsito, segundo
estudiarlo y adaptarlo a sus necesidades, tercero distribuir copias y cuarto mejorarlo
para luego hacer pblicas las mejoras. Con la nica limitacin del copyleft, el cual
indica que la redistribucin del software, con o sin cambios, debe dar las mismas
libertades que antes.
2.4.5. Base de Datos.

Para Aldas (2013) es un conjunto de elementos o hechos relacionados,
adaptados en una estructura especifica, es decir, comprende el repositorio en donde
est almacenada sistemticamente toda la informacin principal e importante para
una empresa. Las principales caractersticas de las bases de datos son: Independencia
lgica y fsica de los datos, redundancia mnima, acceso concurrente por parte de
mltiples usuarios, integridad de los datos, consultas complejas optimizadas, respaldo
21
y recuperacin, seguridad de acceso, auditora, y acceso a travs de lenguajes de

programacin estndar.
2.4.6. Repositorio de Informacin.

Los repositorios de informacin nacieron como sistemas que aprovechaban
los datos desde los distintos sistemas operacionales, con el objetivo de ayudar con
informacin confiable y oportuna al proceso de toma de decisiones. (Arias, 2012, p.
9). Los datos guardados en un repositorio pueden distribuirse a travs de una red
informtica, como internet, o de un medio fsico, como un disco compacto. Pueden
ser de acceso pblico o estar protegidos y requerir de una autentificacin previa. Los
repositorios ms conocidos son los de carcter acadmico e institucional. Los
sistemas de repositorios suelen integrarse e interoperar con otras aplicaciones.
2.4.7. MySQL.
Sistema robusto de gestin de bases de datos relacional, multihilo,
multiusuario y multiplataforma, programado en C y C++, con licenciamiento dual
(GPL y uso comercial), muy empleado en aplicaciones web. Aldas (2013) lo describe
como sencillo de usar e increblemente rpido, es uno de los manejadores de base de
datos ms usados, por estar disponible de forma gratuita. Existen varias interfaces que
permiten a aplicaciones desarrolladas en diferentes lenguajes de programacin,
acceder a las bases de datos MySQL.
2.4.8. PHP.
Lenguaje de programacin multiparadigma (Orientado a objetos, imperativo,
programacin por procedimientos), multiplataforma, flexible y de alto rendimiento,
con licenciamiento PHP (Licencia de software libre no copyleft y licencia de cdigo
22
abierto). Entre sus caractersticas destacan las siguientes: Dirigido al desarrollo de

aplicaciones web, curva de aprendizaje corta, lenguaje interpretado, programacin del
lado del servidor, capacidad de conexin con la mayora de gestores de bases de datos
y extensa documentacin.
2.4.9. Proceso ETL.

Conjunto de tcnicas que se utilizan al disearse un sistema de informacin
que rene datos desde distintas partes, para agruparlos en una sola fuente. El proceso
consiente en: Primero, extraer los datos desde sistemas informticos, bases de datos,
entre otros. Segundo, transformarlos a valores y formatos especficos. Y tercero,
cargarlos en la base de datos o repositorio final.
2.4.10. Weka.
Es un software que ha sido desarrollado por la universidad de Waikato en
Nueva Zelanda, bajo licencia GNU-GPL, consta de un conjunto de libreras JAVA
para la extraccin de conocimientos desde bases de datos, mediante las interfaces que
ofrece o para embeberlos dentro de cualquier aplicacin. Soporta varias tareas
estndar de minera de datos, especialmente, reprocesamiento de datos, clustering,
clasificacin, regresin, visualizacin, y seleccin. (Rodrguez y Daz, 2009, p. 78).
23
2.5. Sistema de Variables y Operacionalizacin.

Proceso cuyo principal logro es identificar los indicadores que hacen
observable, medibles y operativos los objetivos especficos del trabajo en estudio,
para poder evaluar adecuadamente los resultados de la investigacin. El sistema de
variables y operacionalizacin constituye la base y el inicio del desarrollo de la
solucin tecnolgica planteada. A partir de los indicadores establecidos se procede a
elaborar los instrumentos de recoleccin de informacin.
24
Tabla 2.1. Operacionalizacin de variables.
Objetivo general
Objetivo
especfico
Implementar un modelo predictivo para la toma de decisiones en la gestin de insumos y

medicamentos para el Hospital General de Triba.
Variable
Conceptualizacin
Dimensiones
1. Analizar la base de
datos del Sistema
Administrativo e
Inventario (SAISYS).
Base de datos
de SAISYS.
Conjunto de datos
organizados y relacionados,
con caractersticas de
redundancia mnima,
integridad, respaldo,
seguridad de acceso,
auditora, y acceso a travs
de lenguajes de
programacin estndar.
Preprocesamiento.
2. Seleccionar
tcnicas de minera de
datos orientadas a
modelos predictivos.
Tcnicas de
minera de
datos
orientadas a
modelos
predictivos.
Algoritmos destinados al
anlisis de grupos de datos
para extraer patrones y
relaciones entre ellos, con la
finalidad de generar
informacin til como
soporte en la toma de
decisiones (Martnez, 2012).
Entradas.
Indicadores
- Incluir.
- Modificar.
- Eliminar.
- Variables numricas.
- Variables nominales.
Salidas.
- Clase numrica
discretizada.
Tcnica /
Instrumento
Anlisis de
contenido /
Matriz de
datos.
Anlisis de
contenido /
Matriz de
datos.
25
Objetivo
especfico
Variable
3. Realizar pruebas de Validacin de

validacin de las
las tcnicas
tcnicas
seleccionadas
seleccionadas.
4. Desarrollar una
herramienta
informtica para la
consulta del modelo
predictivo, como
apoyo en la toma de
decisiones.
Herramienta
informtica
para la
consulta del
modelo
predictivo,
como apoyo
en la toma de
decisiones.
Conceptualizacin
Dimensiones
Proceso mediante el cual se

comparan las tcnicas de
minera de datos, con base al
conocimiento del
investigador y los resultados
generados por cada tcnica
en estudio, con el objetivo de
identificar el mejor modelo
predictivo (Martnez, 2012).
Conjunto de
entrenamiento.
Estructura tecnolgica
basada en la inteligencia de
negocios y fundamentada en
la minera de datos por
medio de un modelo
predictivo, desarrollada con
el fin de apoyar la toma de
decisiones eficientes y
eficaces (Recasens, 2011).
Indicadores
Tcnica /
Instrumento
- Clasificacin
correcta.
- Clasificacin
incorrecta.
- Estadstica kappa.
- Error absoluto.
- Curva ROC.
Anlisis de
contenido /
Matriz de
datos.
Interfaz web.
- Usabilidad.
- Intuitiva.
Observacin /
Lista de
cotejo.
Predicciones.
- Individual.
- Categorizada.
- General.
- Generar documento.
Estadsticas.
- Individual.
- Por fecha.
- Histogramas.
Validacin
cruzada.
Porcentaje de
divisin.
CAPTULO III
MARCO METODOLGICO
3.1. Contexto de la Investigacin.

El propsito del presente estudio est orientado en una investigacin aplicada,
donde a travs de la utilizacin de conocimientos en la prctica, se busca aplicarlos en
la realidad para solucionar problemas de forma directa e inmediata, elabora productos
para satisfacer necesidades. Esta investigacin antes que el desarrollo de teoras,
busca conocer para actuar, para construir y persigue en la mayora de los casos el
logro de objetivos en provecho de la sociedad.
El tipo de investigacin de acuerdo al ambiente de estudio y las fuentes
empleadas es mixta, donde participan factores de la investigacin documental e
investigacin de campo. La investigacin documental se alcanz a travs de fuentes
utilizadas para elaborar el marco terico y metodolgico como libros, tesis, trabajos
de grado, decretos, artculos cientficos y documentos digitalizados. La investigacin
de campo se logr debido a que se emplearon herramientas para la recoleccin de
datos desde la realidad donde sucedieron los hechos.
3.2. Nivel de Investigacin.

La actual investigacin se encuentra ubicada en el rea de la ingeniera en
tecnologas de informacin y comunicacin, dentro de la lnea de ingeniera de
software de aplicacin en el campo de los sistemas de apoyo a las decisiones
gerenciales. El nivel de conocimiento de la investigacin es proyectiva, la cual tiene
como propsito la elaboracin de una propuesta o modelo como solucin a un
problema o necesidad de tipo prctico.
27
El mtodo utilizado en la investigacin es la induccin, mediante el cual se

emple el razonamiento e inicia de hechos particulares aceptados como vlidos, para
obtener conclusiones cuya aplicacin es de carcter general (Bernal, 2010). El
mtodo inductivo comienza con una recoleccin de datos, se categorizan las variables
observadas, en ocasiones se hace nfasis en el hallazgo de variables crticas que
permitan efectuar exploraciones sistemticas, se establecen regularidades y relaciones
entre los datos, para luego someterlos a prueba a partir de observaciones controladas
y finalmente se puede obtener una estructura de generalizaciones relacionadas
sistemticamente que posibiliten elaborar una teora.
3.3. Diseo de la Investigacin.

Diseo mediante el cual a juicio de Hernndez, Fernndez y Baptista, (2010)
se recoge la informacin necesaria para responder de forma concreta las preguntas de
la investigacin, adems de cubrir los objetivos fijados, especficamente se refiere al
plan o estrategia creada para obtener la informacin requerida. Si el diseo se realiza
cuidadosamente, sern mayores las posibilidades de xito para producir conocimiento
como resultado final del estudio.
3.4. Poblacin.
Son las personas u objetos que tienen relacin directa con el caso en estudio,
as lo afirma Tamayo (2010) es la totalidad de unidades o individuos que participan
en el caso a ser estudiado. La poblacin la determina el objetivo general de la
investigacin y en el presente estudio est representada por la base de datos de
SAISYS, de donde a travs del proceso KDD se extrajeron los datos relevantes que
generaron informacin para la construccin del modelo predictivo, base fundamental
en la realizacin de la solucin tecnolgica.
28
3.5. Tcnicas e Instrumentos de Recoleccin de Datos.
Anlisis de Contenido.
Proceso que estudia contenidos especficos de la investigacin, de una manera
objetiva y sistemtica, para determinar informacin relevante inherente al caso de
estudio (Hernndez, et al., 2010). A travs del anlisis de contenido realizado en
detalle, profundidad y exhaustividad, se obtiene un conocimiento deducido valido
aplicado a un contexto, determinado por la capacidad de inferencia del analista, por lo
tanto el rigor de la objetividad juega un rol fundamental en la ejecucin de la presente
tcnica de recoleccin de datos.
En la presente investigacin la tcnica de anlisis de contenido empleando el
instrumento de matriz de datos, origino un factor primordial para el logro de varios
objetivos especficos, debido que se utiliz para registrar, revisar y analizar
informacin de los siguientes elementos del caso en estudio: En la base de datos de
SAISYS, durante el proceso de seleccionar las tcnicas de minera de datos orientadas
a modelos predictivos y en el desarrollo de las pruebas de validacin de las tcnicas
seleccionadas.
La Observacin.
Tcnica mediante la cual a travs del uso de los sentidos, se capta
directamente la realidad que rodea un caso de estudio. Este mtodo de recoleccin
de datos consiste en el registro sistemtico, vlido y confiable de comportamientos y
situaciones observables, a travs de un conjunto de categoras y subcategoras.
(Hernndez, et al., 2010, p. 260). Datos que luego de analizarlos generan informacin
valiosa para lograr los objetivos planteados en la investigacin. Los pasos que debe
tener la observacin son:
29
1.
Determinar el objeto que se va a observar.
2.
Establecer los objetivos de la observacin.
3.
Determinar la forma con que se van a registrar los datos.
4.
Observar cuidadosa y crticamente.
5.
Registrar los datos observados.
6.
Analizar e interpretar los datos.
7.
Elaborar conclusiones.
En el presente estudio la tcnica de la observacin se realiz a la herramienta

informtica desarrollada para la consulta del modelo predictivo, los datos se
registraron en un instrumento denominado lista de cotejo, para posteriormente ser
analizados y determinar si el proyecto propuesto ofrece la informacin necesaria en el
proceso de negocio, para solucionar la problemtica existente en la gestin de
insumos y medicamentos del Hospital General de Triba.
3.6. Validez y Confiabilidad.

La validez de un instrumento est dada en si realmente evala lo que se
intenta medir. La misma est determinada por la sumatoria de los resultados de la
validez de contenido, validez de criterio y validez de constructo. La confiabilidad de
un instrumento de medicin se refiere al grado en que su aplicacin repetida al mismo
individuo u objeto produce resultados iguales. (Hernndez, et al., 2010, p. 200). De
acuerdo con lo anterior, la confiabilidad indica que el instrumento no tiene errores,
por lo tanto sus resultados son vinculados y consistentes. La validez y la confiabilidad
representan la ausencia del azar.
30
3.7. Tcnicas de Procesamiento y Anlisis de Datos.

Una vez obtenida la informacin a travs de los instrumentos de recoleccin
de datos se procedi a codificarla, tabularla, analizarla y as obtener informacin
relevante para el desarrollo de la investigacin. Segn Bernal (2010) consiste en
procesar los datos (Dispersos, desordenados) conseguidos de la poblacin en estudio,
con la finalidad de generar datos (Agrupados y ordenados), a partir de los cuales se
realiza el anlisis segn los objetivos y las preguntas de la investigacin.
Figura 3.1. Procedimiento para el anlisis de los datos.

Fuente: (Hernndez, et al., 2010, p. 278). Adaptado por el autor.
Los datos obtenidos mediante el anlisis de contenido y la observacin se

analizaron cuantitativamente a travs de sistemas de informacin desarrollados para
tal fin, la forma tradicional de hacerlo manualmente ha quedado relegada, en especial
cuando hay un volumen considerable de datos. Por lo tanto la interpretacin de los
datos se efectu por medio de sistemas de informacin, en la siguiente tabla se
especifican los anlisis y procedimientos realizados con cada sistema de informacin.
31
Tabla 3.1. Sistemas de informacin utilizados.

Sistema de
informacin
Weka.
Tcnicas de anlisis y procedimientos

1. Preprocesamiento (Filtrado, eliminacin, balanceo).
2. Estudio de las tcnicas de minera datos orientadas a
modelos predictivos.
3. Generar diagramas de dispersin.
4. Calcular coeficientes de correlacin.
5. Calcular la media de cada variable.
6. Calcular la desviacin estndar de cada variable.
Excel Calc.
1. Leer documentos dbf.

2. Preparacin de los datos (Limpieza y preprocesamiento).
3. Generar documentos csv y arff.
4. Generar grficas de clasificaciones correctas.
5. Generar grficas de estadsticas kappa.
6. Calcular coeficientes de correlacin.
7. Construccin de tablas y matrices.
CAPTULO IV
ANLISIS E INTERPRETACIN DE RESULTADOS
Tabla 4.1. Simbologa empleada en el captulo.
Smbolo
Descripcin
Aprobado, positivo.
Reprobado, negativo.
Alto, aumento.
Bajo, disminucin.
Paridad, igual.
4.1. Seleccin e Integracin de los Datos.

Los datos se obtienen desde el sistema SAISYS, el cual guarda la informacin
en un archivo de base de datos (Data Base File, dbf) que puede ser ledo desde una
hoja de clculo como excel o calc, los registros a ser analizados son los comprendidos
desde enero de 2.010 hasta diciembre de 2.015. La base de datos est conformada por
una tabla maestro con 4.479 registros y una de transacciones con 81.119 registros.
4.2. Preparacin de los Datos.

Proceso mediante el cual se procedi a revisar las hojas de clculo de la tabla
maestro y transacciones obtenidas en la fase anterior. La preparacin de los datos
consisti en realizar actividades de limpieza y pre-procesamiento, para corregir
errores en el conjunto de datos seleccionados. Las acciones ejecutadas se presentan en
la siguiente tabla.
33
Tabla 4.2. Matriz anlisis de la base de datos de SAISYS.

Actividad
Tabla
Observaciones
Descripcin
Modificar Incluir
Crear atributo
primaria.
de
Maestro
clave
Transacciones
No aplica para la tabla maestro, debido que posee clave
primaria, representada por el cdigo.
Llenar atributos vacos

deducibles.
Atributos
errados
deducibles.
Columnas que no contenan
datos.
Ninguna.
Registros que contenan ms

del 70% de los atributos
vacos o incompletos.
Registros afectados: 6 de la tabla maestro y 333 de la

tabla transacciones.
Registros con la cantidad

igual a 0.
No aplica para la tabla maestro, debido que el atributo

cantidad solo corresponde con la tabla transacciones.
Se eliminaron 156 registros.
Registros con cdigo vaco.
No aplica para la tabla maestro, por ser el cdigo su

clave primaria, por lo tanto dicho campo no presentaba
vacos. Se eliminaron 178 registros.
Registros con ms del 70%

de los datos errados,
atpicos o ruidosos.
Registros afectados: 834 de la tabla maestro y 1004 de

la tabla transacciones.
2
3
4
Eliminar
Ninguna.
Se eliminaron 18 columnas de la tabla maestro y 6
columnas de la tabla transacciones.
34
4.3. Transformacin.
Etapa del proceso KDD que permiti reducir y agrupar los datos. El resultado
de la fase anterior se import a MySQL y a travs del lenguaje de programacin PHP,
se consolidaron todos los datos en un repositorio de informacin denominado master
con 79.448 registros.
Tabla 4.3. Seleccin de las variables de estudio.
N
Valor
Caractersticas
Descripcin
id
Entero.
Identificacin.
codigo
Carcter (5).
Cdigo.
descripcion Carcter (60).
Descripcin.
dpto
Carcter (2).
Cdigo de departamento por productos.
unidad
Carcter (6).
Unidad de presentacin.
costo
Flotante.
Costo.
stockMin
Entero.
Mnima provisin.
Tipo/variable
Independiente.
8
stockMax
Entero.
Mxima provisin.
prioridad
Carcter (1).
Prioridad de adquisicin.
10
refrigerado
Carcter (1).
Necesidad de refrigeracin.
11
almacenaje
Carcter (1).
Tipo de almacenaje.
12
estatus
Carcter (1).
Estatus del registro.
13
fecha
Carcter (7).
Fecha de la transaccin.
14
servicio
Carcter (3).
Cdigo del servicio destinatario.
15
cantidad
Entero.
Cantidad.
Dependiente.
35
Descripcin de las Variables No Nominales Seleccionadas.

id: Variable clave primaria del repositorio de informacin master, numero
correlativo desde 1 hasta 79.448.
codigo: Contiene el cdigo del producto, variable tipo carcter, sus valores
fluctan entre 10.001 y 90.322.
descripcion:
Variable
tipo
carcter,
almacena
la
descripcin
especificaciones de cada insumo o medicamento.

unidad: Corresponde con la unidad de medida de los productos, entre otros
presenta los siguientes valores: amp, fco, sbr, rollo, kit, bto y cja.
costo: Variable de valores numricos continuos, sus valores oscilan entre 0 y
16.500, con una media de 318,33 y una desviacin estndar de 1.261,86.
stockMin: Almacena la mnima provisin de cada insumo, valores
numricos no continuos que fluctan entre 0 y 3.000, presentando una media de
130,64 y una desviacin estndar de 336,86.
stockMax: Contiene la mxima provisin de cada producto, valores
numricos no continuos que oscilan entre 0 y 36.000, mostrando una media de
1.353,25 y una desviacin estndar de 3.810,81.
fecha: Variable tipo carcter que guarda la fecha de la transaccin por
producto, para el estudio se utilizaron los datos correspondientes desde enero de
2.010 hasta diciembre de 2.015.
cantidad: Variable numrica entera, contiene la cantidad de cada insumo o
medicamento por transaccin, en el repositorio es la variable a predecir o
dependiente, presenta una media de 339,84 y una desviacin estndar de 945,40.
36
Descripcin de las Variables Nominales Seleccionadas.
Tabla 4.4. Variable cdigo del departamento por productos (dpto).

N
Valor
Descripcin
01
Material mdico.
02
Medicamento.
03
Instrumental.
04
Odontologa.
05
Laboratorio.
06
Papelera.
07
Radiologa.
08
Mantenimiento.
09
Nutricin
Tabla 4.5. Variable prioridad de adquisicin (prioridad).

N
Valor
Descripcin
Alta.
Media.
Baja.
37
Tabla 4.6. Variable necesidad de refrigeracin (refrigerado).

N
Valor
Descripcin
Si.
No.
Tabla 4.7. Variable restricciones en almacenaje (almacenaje).

N
Valor
Descripcin
Si.
No.
Tabla 4.8. Variable estatus del registro (estatus).

N
Valor
Descripcin
Compra.
Ajuste.
Salida a servicio.
Tabla 4.9. Variable cdigo del servicio destinatario (servicio).

N
Valor
Descripcin
101
Administracin.
102
Contabilidad.
103
Almacn.
105
Reproduccin.
106
Compras.
107
Computacin.
201
Servicios generales
202
Lencera.
mantenimiento.
N Valor
Descripcin
38
301
Coordinacin de
10
302
Consulta externa.
12
403
Pabelln.
enfermera.
11
303
Supervisin de
enfermeras.
13
404
Central de suministros.
14
405
Odontologa.
15
406
Emergencia.
16
408
Sala de parto.
17
501
Nutricin y diettica.
18
502
Radiologa.
19
503
Laboratorio.
20
504
Estadstica y registros de
salud.
21
505
Promocin social.
22
601
Talento humano.
23
702
Direccin.
24
703
Donativos.
25
704
Sociedad medico
26
707
Presupuesto.
cientfica.
Variable Discretizada: Se realiz la discretizacin de la variable

dependiente cantidad, la cual se segmento en grupos mltiplos de 5, con el propsito
de reducir la dispersin de los datos, proceso que se efectu a travs del lenguaje de
programacin PHP. En la siguiente tabla se detallan los factores que se tomaron en
cuenta para seleccionar el tipo de rango en la discretizacin.
39
Tabla 4.10. Evaluacin para determinar el tipo de rango.

Rango
Valido
Confiable
Decisin
500
100
50
5
Cierre: Para finalizar la etapa de transformacin, con los datos disponibles se

procedi a generar el documento arff, el cual es necesario para trabajar con la
herramienta Weka, actividad realizada con el lenguaje de programacin PHP.
4.4. Seleccin y Aplicacin de Algoritmos de Minera de Datos.
Factores Determinantes en la Seleccin de las Tcnicas de

Minera de Datos.
Entrada Variables numricas, variables nominales: Las tcnicas
seleccionadas deben aceptar como datos de entrada nmeros y valores nominales,
para la construccin del modelo.
Salidas Clase numrica discretizada: Es la clase a predecir, la cual es
numrica segmentada en grupos mltiplos de 5, por lo tanto la tcnica de minera de
datos seleccionada debe procesar como resultado este tipo de salida, para realizar el
modelo predictivo.
40
Tabla 4.11. Matriz seleccin de tcnicas de minera de datos orientadas

a modelos predictivos.
Entradas
N
Tcnicas de minera
Variables
numricas
Variables
nominales
Clustering.
J48.
JRip.
M5P.
Nave Bayes.
OneR.
Perceptrn multicapa.
Reglas de asociacin.
Regresin lineal.
10
REPTree.
Salidas
Clase
numrica
discretizada
Decisin de
seleccin
41
Breve Descripcin de los Modelos Seleccionados.

Clustering: Tcnica fundamentada en la segmentacin de un grupo diverso
de datos, en un conjunto de subgrupos (Clsteres) que presenta caractersticas
similares.
J48: Clasificador para generar un rbol de decisin C4.5 podado o sin podar,
se fundamenta en el concepto de entropa de la informacin.
JRip: Mtodo que implementa un aprendizaje de regla proposicional, repite
incrementalmente la poda para cortar la reduccin de errores.
Nave Bayes: Clasificador basado en el teorema de bayes, es rpido y poco
complejo, constituye una tcnica supervisada.
OneR: Tcnica basada en reglas para la construccin y el uso de un
clasificador 1R, es sencillo y rpido, utiliza para predecir el atributo con mnimo
error.
Perceptrn multicapa: Es una red neuronal artificial, tcnica que utiliza
backpropagation para clasificar los casos. Los nodos de esta red son todos sigmoideo
(Excepto cuando la clase es numrica, en cuyo caso los nodos de salida se convierten
en unidades lineales de umbral).
REPTree: rbol de decisin de aprendizaje rpido. Los valores perdidos se
tratan mediante el fraccionamiento de las instancias correspondientes en trozos, es
decir, como en C4.5.
42
Preprocesamiento con Weka.

Filtrado: Proceso mediante el cual se aplic el filtro supervisado de atributos
discretizacin (Discretize) al conjunto de datos, para discretizar valores numricos no
nominales, especficamente a los atributos: codigo, costo, stockMin y stockMax, pero
los resultados obtenidos con y sin el filtro en los modelos, eran iguales, por tal motivo
se decidi no utilizar en la investigacin las derivaciones de la presente fase.
Eliminacin: Utilizando la opcin de preprocesado, filtro no supervisado de
atributos para eliminar intiles (RemoveUseless), con la finalidad de remover
atributos constantes o que excedan el porcentaje mximo de varianza, se aplica solo a
los atributos nominales. Para el anlisis de los datos en estudio se estableci el
umbral de la ms alta varianza permitida en 30%, el resultado del proceso no elimino
ninguno de los atributos en estudio.
Balanceo: A travs de la opcin de filtro supervisado de instancias volver a
muestrear (Resample), se procedi a balancear la clase, con el objetivo de equilibrar
los datos, pero los resultados obtenidos en los modelos luego de utilizar esta opcin,
no eran tan ptimos como sin emplear la presente herramienta, por lo tanto no se
aplic al conjunto de datos.
Opciones de Prueba Realizadas a cada Tcnica Seleccionada.

Conjunto de entrenamiento: Con esta opcin se construye el modelo con
el 100% del conjunto de los datos disponibles, para luego hacer las pruebas sobre el
mismo conjunto de datos.
Validacin cruzada, 5 partes: Consiste en dividir en 5 segmentos los
datos. Weka toma cada parte y construye el modelo con las partes restantes, para
luego probar el modelo con la parte que tomo inicialmente y as sucesivamente repite
el proceso con todos los segmentos.
43
Porcentaje de divisin, 70%: Opcin de prueba que toma el 70% de los

datos disponibles, para construir el modelo, y la prueba las realiza con el restante
30% de los datos.
Criterios a Evaluar.
Clasificacin correcta: Corresponde al porcentaje de datos clasificados
como aciertos durante la construccin del modelo predictivo, cuanto ms prximo a
100% sea el valor resultante, el modelo es ms efectivo, se considera un modelo
valido cuando la clasificacin correcta es superior al 70%. En la presente
investigacin el modelo se califica como aprobado si la clasificacin correcta supera
el 75%.
Clasificacin incorrecta: Constituye el porcentaje de datos clasificados
como desaciertos al momento de construir el modelo predictivo, Los modelos con
clasificacin incorrecta mayor o igual al 25% no son considerados vlidos.
Estadstica kappa: Segn Corso (2009) mide la coincidencia de la
prediccin con la clase real. Sus valores estn establecidos entre 0 y 1. Al respecto,
mientras ms se acerque el valor resultante a 0 no hay concordancia, entre tanto
cuanto ms cerca de 1 se encuentre existe mayor concordancia, En la presente
investigacin el modelo se califica como aprobado si la estadstica kappa supera el
0,75 de fuerza de concordancia.
44
Tabla 4.12. Valoracin estadstica kappa.

Estadstica kappa
Fuerza de concordancia
< 0,00
Pobre.
0,00 0,20
Leve.
0,21 0,40
Justa.
0,41 0,60
Moderada.
0,61 0,80
Sustancial.
0,81 1
Casi perfecta.
Fuente: (Landis y Koch, 1977, p. 165)
Error absoluto: Representa la media de la magnitud de los errores

individuales, as lo afirma Snchez (2010). En consecuencia, es la diferencia entre el
valor obtenido y el valor exacto.
Curva ROC: Es la representacin grfica de la sensibilidad frente a la
especificidad, es decir, simboliza la razn de verdaderos positivos contra la razn de
falsos negativos.
Coeficiente de correlacin: Expresa la intensidad de la relacin lineal
entre dos variables, presenta valores entre -1 y 1, mientras ms prximo sea el valor a
1 en cualquier direccin, ms fuerte es la relacin entre las dos variables, entre tanto,
cuanto ms cercano este de 0 el coeficiente de correlacin, la relacin ser ms dbil.
45
Pruebas Realizadas a las Tcnicas Seleccionadas.

Procedimiento realizado por fases, cada una de las mismas comprende un
conjunto completo de pruebas a cada tcnica seleccionada, para determinar cules son
las variables independientes que mejor predicen la variable dependiente, con el
propsito de encontrar un modelo predictivo que solucione el problema de la presente
investigacin.
Los resultados de cada prueba son tabulados en una tabla y representados
grficamente, se hace de las dos formas porque se complementan, debido que cada
representacin aporta valores agregados a la investigacin. La tabla refleja el valor
exacto de cada indicador, entre tanto, la grfica muestra el valor aproximado de cada
indicador y su valor mnimo requerido en la investigacin.
46
Tabla 4.13. Variables de entrada para las pruebas de la fase N 1.

Independientes
Dependiente
codigo, dpto, prioridad, fecha

cantidad
Tabla 4.14. Prueba N 1. Fase N 1. Tcnica clustering.
N
1
Opcin de prueba
Conjunto de entrenamiento.
Clasificacin
correcta
Clasificacin
incorrecta
23,65 %
76,35 %
Grfica
Clasificacin correcta
La clasificacin correcta no supera el 75%, por lo tanto el modelo se descarta.

Decisin de seleccin
47
Tabla 4.15. Prueba N 2. Fase N 1. Tcnica J48.

N
Opcin de prueba
Clasificacin Clasificacin Estadstica

correcta
incorrecta
kappa
51,02 %
48,98 %
0,4353
Validacin cruzada. 5 partes.
47,72 %
52,28 %
0,392
Porcentaje de divisin. 70 %.
43,32 %
56,68 %
0,3338
Grficas
Estadstica kappa
Ninguna clasificacin correcta supera el 75%, las estadsticas kappa se

encuentran entre los rangos de fuerza de concordancia justa y moderada, por lo tanto los
modelos se descartan.
Decisin de seleccin
48
Tabla 4.16. Prueba N 3. Fase N 1. Tcnica JRip.

N
Opcin de prueba

correcta
incorrecta
kappa
68,27 %
31,73 %
0,6143
66,69 %
33,31 %
0,5935
65,73 %
34,27 %
0,5808
Grficas
Estadstica kappa

encuentran entre los rangos de fuerza de concordancia moderada y sustancial, por lo
tanto los modelos se descartan.
Decisin de seleccin
49
Tabla 4.17. Prueba N 4. Fase N 1. Tcnica Nave Bayes.

N
Opcin de prueba

correcta
incorrecta
kappa
35,34 %
64,66 %
0,2493
33,26 %
66,74 %
0,227
33,28 %
66,72 %
0,2323
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia justa, por lo tanto los modelos se
descartan.
Decisin de seleccin
50
Tabla 4.18. Prueba N 5. Fase N 1. Tcnica OneR.

N
Opcin de prueba

correcta
incorrecta
kappa
77,84 %
22,16 %
0,7488
76,42 %
23,58 %
0,7326
76,05 %
23,95 %
0,7288
Grficas
Estadstica kappa
Las clasificaciones correctas superan el 75%, las estadsticas kappa se

encuentran en el rango de fuerza de concordancia sustancial, pero no superan el 0,75
requerido en la investigacin, por lo tanto los modelos se descartan.
Decisin de seleccin
51
Tabla 4.19. Prueba N 6. Fase N 1. Tcnica perceptrn multicapa.

N
Opcin de prueba

correcta
incorrecta
kappa
33,19 %
66,81 %
7,76 %
92,24 %
32,86 %
67,14 %
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia leve, por lo tanto los modelos se
descartan.
Decisin de seleccin
52
Tabla 4.20. Prueba N 7. Fase N 1. Tcnica REPTree.

N
Opcin de prueba

correcta
incorrecta
kappa
43,37 %
56,63 %
0,306
35,97 %
64,03 %
0,2017
35,33 %
64,67 %
0,188
Grficas
Estadstica kappa

encuentran entre los rangos de fuerza de concordancia leve y justa, por lo tanto los
Decisin de seleccin
53

Independientes
Dependiente
costo, prioridad, refrigerado, almacenaje, fecha

cantidad

N
1
Opcin de prueba
Clasificacin
correcta
Clasificacin
incorrecta
25,25 %
74,75 %
Grfica

Decisin de seleccin
54

N
Opcin de prueba

correcta
incorrecta
kappa
42,27 %
57,73 %
0,2643
41,35 %
58,65 %
0,2429
40,28 %
59,72 %
0,2309
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia justa, por lo tanto los modelos se
descartan.
Decisin de seleccin
55

N
Opcin de prueba

correcta
incorrecta
kappa
55,89 %
44,11 %
0,438
54,12 %
45,88 %
0,4109
53,59 %
46,41 %
0,4059
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia moderada, por lo tanto los modelos se
descartan.
Decisin de seleccin
56

N
Opcin de prueba

correcta
incorrecta
kappa
18,42 %
81,58 %
0,1211
17,34 %
82,66 %
0,1083
17,07 %
82,93 %
0,1061
Grficas
Estadstica kappa

descartan.
Decisin de seleccin
57

N
Opcin de prueba

correcta
incorrecta
kappa
66,72 %
33,28 %
0,6231
64,75 %
35,25 %
0,6014
63,99 %
36,01 %
0,593
Grficas
Estadstica kappa

encuentran entre los rangos de fuerza de concordancia moderada y sustancial, por lo
tanto los modelos se descartan.
Decisin de seleccin
58

N
Opcin de prueba

correcta
incorrecta
kappa
33,19 %
66,81 %
14,22 %
85,78 %
32,86 %
67,14 %
Grficas
Estadstica kappa
1
0,8
0,6
0,4
0,2
0
1

descartan.
Decisin de seleccin
59

N
Opcin de prueba

correcta
incorrecta
kappa
36,88 %
63,12 %
0,1896
34,91 %
65,09 %
0,1644
34,94 %
65,06 %
0,166
Grficas
Estadstica kappa

descartan.
Decisin de seleccin
60

Independientes
Dependiente
codigo, dpto, costo, stockMin, stockMax, prioridad, refrigerado,

almacenaje, fecha
cantidad

N
1
Opcin de prueba
Clasificacin
correcta
Clasificacin
incorrecta
23,65 %
76,35 %
Grfica

Decisin de seleccin
61

N
Opcin de prueba

correcta
incorrecta
kappa
78,76 %
21,24 %
0,7594
78,09 %
21,91 %
0,7517
77,30 %
22,70 %
0,7432
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia sustancial, las opciones de prueba,
conjunto de entrenamiento y validacin cruzada superan el 0,75 requerido en la
investigacin, por lo tanto los modelos 1 y 2 se eligen como candidatos para la solucin
del problema.
Decisin de seleccin
62

N
Opcin de prueba

correcta
incorrecta
kappa
77,31 %
22,69 %
0,7368
76,79 %
23,21 %
0,7306
76,43 %
23,57 %
0,7266
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia sustancial, pero no superan el 0,75
requerido en la investigacin, por lo tanto los modelos se descartan.
Decisin de seleccin
63

N
Opcin de prueba

correcta
incorrecta
kappa
47,63 %
52,37 %
0,4109
45,11 %
54,89 %
0,3825
45,61 %
54,39 %
0,3887
Grficas
Estadstica kappa

encuentran entre los rangos de fuerza de concordancia justa y moderada, por lo tanto los
Decisin de seleccin
64

N
Opcin de prueba

correcta
incorrecta
kappa
79,75 %
20,25 %
0,7706
79,75 %
20,25 %
0,7706
79,74 %
20,26 %
0,7709
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia sustancial, y superan el 0,75 requerido
en la investigacin, por lo tanto los modelos se eligen como candidatos para la solucin
del problema.
Decisin de seleccin
65

N
Opcin de prueba

correcta
incorrecta
kappa
33,19 %
66,81 %
15,09 %
84,91 %
32,86 %
67,14 %
Grficas
Estadstica kappa

descartan.
Decisin de seleccin
66

N
Opcin de prueba

correcta
incorrecta
kappa
61,23 %
38,77 %
0,5596
51,89 %
48,11 %
0,4532
51,24 %
48,76 %
0,4465
Grficas
Estadstica kappa

encuentran en el rango de fuerza de concordancia moderada, por lo tanto los modelos se
descartan.
Decisin de seleccin
Cierre: Para finalizar la etapa de seleccin y aplicacin de algoritmos de

minera de datos, en la siguiente tabla se detallan los modelos candidatos para la
solucin del problema, que cumplen con los requerimientos de la investigacin.
67
Tabla 4.37. Matriz pruebas de validacin a las tcnicas seleccionadas.
Fase
Tcnicas
Opcin de prueba
Clasificacin Clasificacin
correcta
incorrecta
Estadstica
kappa
Error
absoluto
Curva
ROC
78,76 %
21,24 %
0,7594
37,11 %
0,985
78,09 %
21,91 %
0,7517
37,71 %
0,957
79,75 %
20,25 %
0,7706
22,64 %
0,897
79,75 %
20,25 %
0,7706
22,59 %
0,897
Porcentaje de divisin. 70%.
79,74 %
20,26 %
0,7709
22,55 %
0,897
J48
OneR
Conclusin
Se determina que las tcnicas J48 y OneR, con la opcin de prueba conjunto de entrenamiento, son
las que mejores resultados aportan para la solucin del problema, por lo tanto son las utilizadas en la
siguiente etapa de la investigacin.
68
4.5. Interpretacin y Evaluacin de los Patrones Encontrados.
Tabla 4.38. Relacin entre los modelos encontrados.

N
Tcnica de
minera
J48
Total
Falsos
Precisin Sensibilidad Especificidad
positivos positivos
0,788
0,004
Variables empleadas por el modelo
Tcnica de
minera
OneR
0,788
0,996
codigo, dpto, costo, stockMin, stockMax,

prioridad, cantidad
Nmero de hojas: 77
Otras caractersticas
0,719
Tamao del rbol: 130
Total
Falsos
Precisin Sensibilidad Especificidad
positivos positivos
0,798
0,004
Variables empleadas por el modelo

Otras caractersticas
0,731
0,798
0,996
stockMax, cantidad
Nmero de reglas: 55
Fuente: Software Weka.
Relacin de las Variables.

Procedimiento a travs del cual utilizando diagramas de dispersin y la tabla
de coeficientes de correlacin, se analizan visualmente las variables utilizadas por las
tcnicas para construir los modelos respecto a la variable dependiente. Estudio que se
realiza con el propsito de conseguir factores determinantes que aumenten la
efectividad de los modelos.
69
Figura 4.1. Diagrama de dispersin, X = codigo, Y = cantidad.

Figura 4.2. Diagrama de dispersin, X = dpto, Y = cantidad.

70
Figura 4.3. Diagrama de dispersin, X = costo, Y = cantidad.

Figura 4.4. Diagrama de dispersin, X = stockMin, Y = cantidad.

71
Figura 4.5. Diagrama de dispersin, X = stockMax, Y = cantidad.

Figura 4.6. Diagrama de dispersin, X = prioridad, Y = cantidad.

72
Tabla 4.39. Coeficiente de correlacin entre las variables.

Dependiente
cantidad
Independiente
Cdigo
0,2739
dpto
0,2966
costo
0,0744
stockMin
0,9846
stockMax
0,9908
prioridad
0,5254
Anlisis de los Diagramas de Dispersin y el Coeficiente de

Correlacin.
Luego de observar cada diagrama de dispersin y la tabla de coeficiente de
correlacin entre variables, haciendo especial nfasis donde se muestra la relacin
entre stockMax y cantidad, por ser el stockMax la nica variable independiente que
coincidieron en emplear las dos tcnicas de minera de datos para construir el modelo
predictivo y la cantidad la variable dependiente o variable a predecir. Situacin
confirmada por el coeficiente de correlacin, debido que el stockMax y la cantidad
presentan la mejor relacin entre variables, con un ndice de dependencia positivo
casi perfecto.
En el diagrama de dispersin del stockMax y la cantidad (Figura 4.5.) se
observa que algunos pocos puntos que representa la cantidad, despliegan una
significativa dispersin con respecto al stockMax. En relacin a lo expuesto y con el
73
propsito de mejorar los resultados de los modelos, se realizan los siguientes

procedimientos y anlisis denominados pruebas de la fase 4.
1. Realizar la seleccin de atributos que ofrece Weka, al conjunto de
variables de entrada.
2. Modificar la discretizacin de la variable dependiente cantidad, la primera
discretizacin se realiz en la etapa de transformacin de los datos,
quedando conformada por grupos mltiplos de 5, y con la cual se
realizaron las pruebas de las fases N 1, 2 y 3. Se modifica la
discretizacin a grupos mltiplos de 2, para las pruebas de la fase N 4.
Con el objetivo de analizar el comportamiento de los modelos en estudio.
3. Mediante el uso del lenguaje de programacin PHP, se realiza una
bsqueda y reemplazo de los valores con mayor dispersin de la variable
cantidad, observados en el diagrama de dispersin stockMax y cantidad,
por valores promedios.
4. Realizar regresin lineal de forma individual a cada variable independiente
respecto con la variable dependiente, para comprobar las relaciones
deterministas en la construccin del modelo.
5. Modificar las opciones que ofrece Weka, para las tcnicas J48 y OneR, en
la construccin de los modelos en estudio, para analizar su tendencia.
74
Tabla 4.40. Prueba N 1. Fase N 4.

Seleccin de atributos
Variables evaluadas
Variables seleccionadas
codigo, dpto, costo, stockMin, stockMax, stockMax, fecha, cantidad

prioridad, refrigerado, almacenaje, fecha,
cantidad
Descripcin
A travs de la opcin de seleccin de atributos de Weka, se utiliz el
sub conjunto evaluador, donde se analiza el valor de un conjunto de atributos
considerando la capacidad de prediccin individual, junto con el grado de
redundancia entre ellos, el mtodo de bsqueda empleado fue el mejor primero.
Procedimiento realizado con el objetivo de reducir la cantidad de
variables empleadas en los modelos. Las variables seleccionadas son las
utilizadas en las siguientes pruebas de los modelos.

Discretizacin
N
Tcnica
Resultado
J48
4,80 %
OneR
1,42 %
Descripcin
El proceso de modificar la discretizacin de la variable dependiente

cantidad a grupos mltiplos de 2, produce una disminucin en el rendimiento
de los modelos, valor que a posterior no es negativo, debido que al estar
discretizada la variable a predecir de esta forma, ofrece mayor confiabilidad a
los modelos, por lo tanto, en lo sucesivo se utilizara la variable cantidad,
discretizada en grupos mltiplos de 2.
75

Bsqueda y reemplazo
N
Tcnica
Resultado
J48
14,68 %
OneR
14,19 %
Descripcin
Despus de realizar la bsqueda y reemplazo de los valores con mayor

dispersin de la variable cantidad, se obtuvo un mejor modelo predictivo en
cada tcnica de minera de datos, con un aumento del 14,43% en promedio, de
la clasificacin correcta.

Regresin lineal
Dependiente
cantidad
Coeficiente de
correlacin
Error absoluto
codigo
0,2744
94,45 %
dpto
0,2962
85,71 %
costo
0,0744
99,77 %
stockMin
0,9922
13,30 %
stockMax
0,9984
2,10 %
prioridad
0,5287
73,01 %
refrigerado
0,0766
99,08 %
Independiente
76
almacenaje
0,0246
99,95 %
fecha
0,0584
99,52 %
Descripcin
Posterior de efectuar el proceso de bsqueda y reemplazo, se realiz
regresin lineal de forma individual a cada variable independiente respecto
con la variable dependiente, para comprobar las relaciones deterministas.
Proceso llevado a cabo con la variable dependiente cantidad continua, es
decir, sin discretizar. El resultado confirma que el stockMax y la cantidad
presentan la mejor relacin entre variables, con un ndice de dependencia
positivo casi perfecto.

Anlisis con Weka
N
Opcin
Valor por
defecto
Cambio
Resultado
0,97 %
Divisiones binarias.
Falso.
Verdadero.
rbol de colapso.
Verdadero.
Falso.
Factor de confidencia.
0,25
0,1
Factor de confidencia.
0,25
0,5
Depurar.
Falso.
Verdadero.
No verifica las capacidades.
Falso.
Verdadero.
No hace punto de divisin del
Falso.
Verdadero.
valor real.
8
Nmero de particiones.
Nmero de particiones.
10
77
10
Reducir la poda de error.
Falso.
Verdadero.
7,21 %
11
Semilla.
1940
12
Recaudacin de sub rbol.
Verdadero.
Falso.
1,92 %
13
Sin podar.
Falso.
Verdadero.
0,72 %
14
Utilizar Laplace.
Falso.
Verdadero.
15
Utilizar la correccin MDL.
Verdadero.
Falso.
Descripcin
Se realiz cada cambio de forma independiente, es decir, los restantes se
mantenan con el valor por defecto.
Durante la prueba se obtiene que la modificacin de la opcin divisiones
binarias aumenta el rendimiento del modelo, entre tanto, las opciones reducir la poda
de error, recaudacin de sub rbol y sin podar, disminuyen el rendimiento.
En consecuencia, para la siguiente prueba de la tcnica J48 solo se modifica la
opcin que aporta rendimiento positivo al modelo.
78

Anlisis con Weka
N
Valor por
defecto
Opcin
Cambio
Resultado
Depurar.
Falso.
Verdadero.
No verifica las capacidades.
Falso.
Verdadero.
Mnimo tamao del cubo.
0,01 %
Mnimo tamao del cubo.
12
0,05 %
Descripcin
Se realiz cada cambio de forma independiente, es decir, los restantes se
mantenan con el valor por defecto.
Durante la prueba se obtiene que la modificacin de la opcin mnimo tamao
del cubo, al valor de 1 aumenta el rendimiento del modelo, mientras que modificando
la misma opcin al valor de 12 disminuye el rendimiento del modelo.
En consideracin con lo expuesto, para la siguiente prueba de la tcnica OneR
solo se modifica la opcin que aporta rendimiento positivo.
Optimizando los Modelos Encontrados.

Luego de realizar las pruebas de la fase N 4, se procedi a modificar el
conjunto de opciones que ofrecen mejores resultados a cada tcnica, para determinar
el total del rendimiento de cada modelo. Los resultados se detallan en la siguiente
tabla.
79
Tabla 4.46. Resultados luego de las pruebas de la fase N 4.

N
Tcnica
Opcin de prueba
J48
Conjunto entrenamiento.
correcta
incorrecta
91,20 %
Estadstica
kappa
Error
absoluto
Curva ROC
0,9006
17,43 %
0,997
8,80 %
Tcnica
Opcin de prueba
OneR
Conjunto entrenamiento.
correcta
incorrecta
91,08 %
8,92 %
Estadstica
kappa
Error
absoluto
Curva ROC
0,8993
9,82 %
0,955
Grficas
Estadstica kappa
Conclusin
Posterior del anlisis de los modelos encontrados, se determina que las
tcnicas de minera de datos orientados a modelos predictivos J48 y OneR, aportan
soluciones ptimas al problema. Siendo el modelo construido por la tcnica rbol de
decisin J48 el que mejor porcentaje presento para predecir en la investigacin, se
elige como modelo para desarrollar la herramienta informtica.
80
Atendiendo las consideraciones anteriores, se establece positiva la hiptesis de

la investigacin, en consecuencia, si es posible obtener un modelo predictivo para la
gestin de insumos y medicamentos, a partir de los datos histricos disponibles en la
base de datos del sistema SAISYS del Hospital General de Triba, mediante el uso de
tcnicas de minera de datos.
Tabla 4.47. Descripcin del modelo predictivo definitivo encontrado.

Tcnica de minera de datos
correcta
incorrecta
kappa
91,20 %
8,80 %
0,9006
Total
positivos
Falsos
positivos
Precisin
0,912
0,002
0,866
Variables empleadas
J48
Error
absoluto
Curva ROC
17,43 %
0,997
Sensibilidad Especificidad
stockMax, fecha, cantidad
0,912
0,998
81
4.6. Desarrollo de la Herramienta Informtica para Consultar el

Modelo Predictivo Encontrado
El desarrollo de la herramienta informtica se inici a partir de las reglas
generadas por Weka a travs del modelo predictivo J48 encontrado. Se construyeron
dos libreras una de tipo JavaScript y otra de tipo PHP, se realizaron de esa forma
para tener el modelo disponible en dos formatos, bsicamente cada librera contiene
una funcin que recibe como parmetros las variables stockMax y fecha, para luego
aplicar las reglas del modelo y retornar el valor predictivo de la cantidad. Las libreras
se sometieron a diferentes pruebas para confirmar la veracidad de sus resultados,
despus de comprobar que proporcionaban informacin 100% fidedigna, se
aprobaron como aptas para la siguiente etapa del proceso.
Finalmente utilizando la librera PHP del modelo J48 y empleando la
metodologa RAD (Desarrollo rpido de aplicaciones) se procedi a desarrollar en el
lenguaje de programacin PHP, la herramienta informtica que consulta el modelo
encontrado, y por consiguiente, apoya en la toma de decisiones para la gestin de
insumos y medicamentos en el Hospital General de Triba. La cual ofrece las
caractersticas que se especifican en la siguiente tabla, posteriormente se presenta las
figuras con las principales pantallas y reportes que genera la herramienta informtica.
82
Tabla 4.48. Lista de cotejo. Descripcin de la herramienta informtica.

UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TCHIRA
VICE-RECTORADO ACADMICO
DECANATO DE POSTGRADO
MAESTRA EN INFORMTICA
LISTA DE COTEJO
Propsito: Evaluar la herramienta informtica que consulta el modelo predictivo.
Instrucciones: Marcar con un
Si
en la casilla que corresponda segn el siguiente criterio:
La caracterstica asociada al
componente est presente en la
herramienta informtica.
Componente
Caractersticas
No
La caracterstica asociada al
componente no est presente en
la herramienta informtica.
Si
No
1.1. Usabilidad.
1. Interfaz web.
1.2. Intuitiva.
2.1. Individual.
2.2. Categorizada.
2. Predicciones.
2.3. General.
2.4. Generar documento.
3.1. Individual.
3. Estadsticas.
3.2. Por fecha.

3.3. Histogramas.
Observacin general
La herramienta informtica cumple con

los requerimientos propuestos y soluciona la
problemtica planteada en la investigacin.
83
Figura 4.7. Pantalla iniciar sesin.
84
Figura 4.8. Pantalla inicio de la herramienta informtica.
85
Figura 4.9. Pantalla predecir individual.
86
Figura 4.10. Pantalla predecir categorizada.
87
Figura 4.11. Pantalla predecir general.
88
Figura 4.12. Pantalla estadstica individual.
89
Figura 4.13. Pantalla estadstica por fecha.
90
Figura 4.14. Pantalla estadstica en histogramas.
91
Figura 4.15. Pantalla actualizacin de usuarios.
92
Figura 4.16. Reporte prediccin de consumo mensual categorizada.
93
Figura 4.17. Reporte prediccin de consumo mensual general.
94
Figura 4.18. Reporte estadstica de consumo mensual.
CAPTULO V
CONCLUSIONES Y RECOMENDACIONES
5.1. Conclusiones.
El estudio se origin a travs de una investigacin proyectiva dentro del
contexto de la inteligencia de negocios a travs de la minera de datos, con el objetivo
de construir un modelo predictivo para la gestin de insumos y medicamentos en el
Hospital General de Triba. Siguiendo el proceso KDD se realiz la seleccin,
integracin, preparacin y transformacin de los datos, seleccin y aplicacin de
algoritmos de minera de datos, interpretacin y evaluacin de los patrones
encontrados.
Las tcnicas seleccionadas para realizar el anlisis fueron las siguientes:
Clustering, J48, JRip, Nave Bayes, OneR, perceptrn multicapa y REPTree. Los
requerimientos establecidos en la investigacin para elegir un modelo como aprobado
para la solucin de la problemtica planteada, se establecieron de la siguiente forma:
Clasificacin correcta superior al 75% y estadstica kappa mayor al 0,75 de fuerza de
concordancia.
La investigacin del modelo origino que la variable que mejor define la
prediccin de las cantidades de insumos y medicamentos, es la variable stockMax la
cual contiene la mxima provisin de cada producto, sus valores son numricos no
continuos que fluctan entre 0 y 36.000. La afirmacin de mejor definicin se
fundamenta en el diagrama de dispersin (Figura 4.5.) y el coeficiente de correlacin
(Tabla 4.39.), donde la variable stockMax presenta la mejor relacin entre variables.
No obstante las dems variables independientes utilizadas como entrada, mejoran el
rendimiento del modelo encontrado.
96
El proceso investigativo se realiz con una variable dependiente o de

prediccin (cantidad), la cual para las pruebas de las fases N 1, 2 y 3 se utiliz con
valores discretos mltiplos de 5, y para las pruebas de la fase N 4 se emple con
valores discretos mltiplos de 2, con el objetivo de ofrecer mayor confiabilidad al
modelo elegido para desarrollar la herramienta informtica.
Durante la investigacin se determin que el proceso de realizar la bsqueda y
reemplazo de los valores con mayor dispersin de la variable cantidad, aporto el
mejor resultado en el rendimiento de los modelos predictivos en cada tcnica de
minera de datos, con un aumento del 14,68% de la clasificacin correcta en el
modelo J48. Otra tcnica que gener aporte positivo en los modelos consisti en la
modificacin de las opciones que ofrece Weka, para la tcnica J48 gener un
aumento en el rendimiento del modelo encontrado de 0,97%.
Las tcnicas de minera de datos orientados a modelos predictivos J48 y
OneR, aportaron las soluciones ms ptimas al problema, de todas las tcnicas
analizadas en la investigacin. Siendo el modelo construido por la tcnica rbol de
decisin J48 el que mejor porcentaje presento para predecir, con una clasificacin
correcta de 91,20% y una estadstica kappa 0,9006 de fuerza de concordancia, se
eligi como modelo para desarrollar la herramienta informtica.
El desarrollo del estudio comprob que por medio del software Weka, se
pueden construir, probar y validar modelos de minera de datos de una manera rpida
y confiable, a travs de la amplia variedad de algoritmos y opciones de minera de
datos que ofrece la mencionada herramienta. Contexto determinante en la obtencin
del modelo para la solucin del problema de la presente investigacin, y por
consiguiente, establecer como positiva la hiptesis de la investigacin.
La herramienta informtica producto del modelo encontrado, ofrece mltiples
consultas y reportes predictivos que sirven de soporte para la toma de decisiones en
cuanto a la gestin de los insumos y medicamentos en el Hospital General de Triba.
97
La informacin generada por medio de la herramienta informtica es en relacin al

patrn de consumo de las reas de la institucin, en consecuencia, sus principales
logros son la optimizacin de los recursos y el bienestar social tanto para el hospital
como para sus usuarios.
5.2. Recomendaciones.
Se recomienda principalmente seguir tres lneas de accin, la primera lnea
consiste en realizar estudios para buscar nuevas variables, mientras tanto, la segunda
lnea de trabajo comprende efectuar pruebas con otras tcnicas de minera de datos,
por ltimo, la tercera lnea de accin est dirigida a emplear herramientas para el
descubrimiento de conocimiento o proceso de minera de datos diferentes a Weka,
como SQL Server Business Intelligence Development. Lo antes expuesto, se
recomienda como trabajos futuros con el objetivo de realizar comparacin de
resultados o para mejorar el rendimiento del modelo encontrado en la presente
investigacin.
98
REFERENCIAS BIBLIOGRFICAS
LIBROS
Bernal T., Csar A. (2010). Metodologa de la investigacin. (3ra ed.). Colombia:
Pearson Educacin.
Hernndez S., Fernndez C. y Baptista P. (2010). Metodologa de la investigacin.
(5ta ed.). Mxico: Mc Graw Hill.
Tamayo y T., M. (2010). El proceso de la investigacin cientfica. (4ta ed.).
Mxico: Limusa.
TRABAJOS ACADMICOS
Trabajos de grado y tesis doctorales
Snchez R., J. (2010). Sistema web para diagnstico de enfermedades prevalentes
en la infancia mediante tcnicas de minera de datos y aprendizaje
automtico. Universidad Nacional Experimental del Tchira, San Cristbal.
Documentos y reportes tcnicos

Hospital General de Triba. (2015). Manual Organizacional. Triba. Autor.
Documentos de tipo legal

Constitucin de la Repblica Bolivariana de Venezuela. (2000). Gaceta Oficial de la
Repblica Bolivariana de Venezuela No 5.453 (Extraordinaria). Marzo 24,
2000.
Decreto N 1.399, con Rango, Valor y Fuerza de Ley de Contrataciones Pblicas.
(2014). Gaceta Oficial de la Repblica Bolivariana de Venezuela N 6.154
(Extraordinaria). Noviembre 19, 2014.
Decreto N 1.798. (1983). Gaceta Oficial de la Repblica de Venezuela N 32.650.
Enero 21, 1983.
99
Ley de Infogobierno. (2013). Gaceta Oficial de la Repblica Bolivariana de

Venezuela No 40.274. Octubre 17, 2013.
Ley Orgnica de la Administracin Pblica. Decreto N 6.217. (2008). Gaceta
Oficial de la Repblica Bolivariana de Venezuela No 5.890 (Extraordinaria).
Julio 31, 2008.
FUENTES ELECTRNICAS
Tesis en lnea
Aldas, L. (2013). Sistema web para el control de facturacin e inventario de
medicamentos y bienes en el Hospital Regional Docente Ambato.
Universidad Tcnica de Ambato, Ecuador. Consultada el 18 de noviembre de
2014 en:
http://repo.uta.edu.ec/bitstream/handle/123456789/6249/Tesis_t853si.pdf?seque
nce=1
Arias, J. (2012). Diseo y construccin de un data mart para el filtro de opiniones
en la web a partir de datos originados en el portal educar Chile. Universidad
de Chile, Santiago de Chile. Consultada el 26 de noviembre de 2014 en:
http://tesis.uchile.cl/bitstream/handle/2250/111296/cf-arias_jc.pdf?sequence=1
Bayter, A. (2008). Mejoramiento en la gestin de compras e inventario de
medicamentos y dispositivos mdicos en la Clnica Prevencin y Salud IPS
LTDA, en el Banco Magdalena. Universidad Industrial de Santander,
Bucaramanga Colombia. Consultada el 18 de noviembre de 2015 en:
http://www.ddic.com.mx/investigacion/wpcontent/uploads/2013/10/busatamante2008tesis.pdf
Corso, C. (2009). Aplicacin de algoritmos de clasificacin supervisada usando
Weka. Universidad Tecnolgica Nacional, Facultad Regional Crdoba.
Argentina. Consultada el 7 de marzo de 2016 en:
http://www.investigacion.frc.utn.edu.ar/labsis/Publicaciones/congresos_labsis/cy
nthia/CNIT_2009_Aplicacion_Algoritmos_Weka.pdf
Gonzales, R. (2012). Impact de la data warehouse e inteligencia de negocios en
el desempeo de las empresas: investigacin emprica en Per, como pas en
vas de desarrollo. Universitat Ramn Llull. Consultada el 25 de noviembre de
2014 en:
100
http://www.tesisenred.net/bitstream/handle/10803/85876/GONZALES_Tesis
Doctoral_FV.pdf?sequence=1
Guilln, F. (2012). Desarrollo de un datamart para mejorar la toma de decisiones
en el rea de tesorera de la Municipalidad Provincial de Cajamarca.
Universidad Privada del Norte, Per. Consultada el 14 de enero de 2015 en:
http://repositorio.upn.edu.pe/handle/upnorte/123
Martnez, C. (2012). Aplicacin de tcnicas de minera de datos para mejorar el
proceso de control de gestin en Entel. Universidad de Chile, Santiago de
Chile. Consultada el 14 de enero de 2015 en:
http://www.tesis.uchile.cl/bitstream/handle/2250/112065/cfmartinez_ca.pdf?sequence=1
Recasens, J. (2011). Inteligencia de negocios y automatizacin en la gestin de
puntos y fuerza de ventas en una empresa de tecnologa. Universidad de
Chile, Santiago de Chile. Consultada el 25 de noviembre de 2014 en:
http://www.tesis.uchile.cl/tesis/uchile/2011/cf-recasens_js/html/indexframes.html
Vielma, I. (2013). Mejoramiento de la gestin de insumos de pabelln del
Hospital Exequiel Gonzlez Corts. Universidad de Chile, Santiago de Chile.
Consultada el 20 de enero de 2015 en: file:///C:/Documents and
Settings/Almac%C3%A9n/Mis documentos/Downloads/cf-vielma_ig.pdf
Artculo de revista electrnica

Hernndez, M. (2011). Procedimiento para el desarrollo de un sistema de
inteligencia de negocios en la gestin de ensayos clnicos en el Centro de
Inmunologa Molecular. ACIMED, 22(4), 349361. Consultada el 18 de
noviembre de 2014 en:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S102494352011000400006
Hernndez, T. (2010). Acciones sobre los determinantes sociales de la salud en
Venezuela. Revista Cubana de Salud Pblica, 36(4), 366371. Consultada el 10
de agosto de 2015 en: http://scielo.sld.cu/pdf/rcsp/v36n4/spu13410.pdf
Landis, J. Koch, G. (1977). The measurement of observer agreement for
categorical data. Biometrics, 33(1), 159-174. Consultada el 28 de marzo de
2015 en: http://www.jstor.org/stable/2529310
101
Rodrguez, Y., y Daz, A. (2009). Herramientas de minera de datos. Revista

Cubana de Ciencias Informticas, 3(3), 7380. Consultada el 20 de enero de
2015 en: https://rcci.uci.cu/index.php/rcci/article/view/78/70
Soria, J., y Mamani, G. (2013). Modelo de simulacin de inventario basado en
redes neuronales artificiales supervisadas y algoritmos genticos para
optimizar el stock de medicamentos de la Clnica Ricardo Palma.
INGETECNO, 2(1). Consultada el 15 de enero de 2015 en: file:///C:/Documents
and Settings/Almac%C3%A9n/Mis documentos/Downloads/176-552-1-PB
(2).pdf
102
ANEXOS
1. Clasificacin de los listados por tipo de producto.
tem
Descripcin
Material mdico.
Medicamentos.
Insumos para laboratorio.
Insumos para odontologa.
Insumos para radiologa.
Insumos para nutricin y diettica.
tiles de escritorio y oficina.
Materiales para mantenimiento y usos generales.
Insumos para limpieza y aseo.
10
Instrumental.
103
2. Sistema Actual SAISYS.
104
3. Estructura de la Base de Datos Actual.
Tabla maestro.
Id
Nombre
Descripcin
Observaciones
CODIMAE
Cdigo del artculo.
DESCRIP
Descripcin del artculo.
REFEREN
Referencia.
DEPARTA
Departamento.
UNIDAD
Presentacin.
CANTUNI
Cantidad por unidad.
EXISTE
Existencia.
PVP1
Precio1.
Ultimo costo.
PVP2
Precio2.
Ultimo costo.
10
PVP3
Precio3.
No tiene datos.
11
PVP4
Precio4.
No tiene datos.
12
COSTO
Costo.
13
ULTICOST
Ultimo costo.
14
STOCK
Mnima provisin.
15
FVENTA
Fecha de venta.
16
FCOMPRA
Fecha de compra.
17
PROVEE1
Proveeedor1.
No tiene datos.
18
PROVEE2
Proveeedor2.
No tiene datos.
Mayora tiene 001
Todos tiene 1
105
19
UBICA
Ubicacin.
No tiene datos.
20
AUDITO
Auditoria.
21
STATUS
Status.
22
EXISINIC
Existencia inicial.
23
FECHINIC
Fecha inicial.
24
IVA
Impuesto.
25
LABORAB
Laboratorio.
No tiene datos.
26
PESOB
Peso.
No tiene datos.
27
CODIREP
Cdigo del repuesto.
No tiene datos.
28
REEMPLA1
Reemplazo 1.
No tiene datos.
29
REEMPLA2
Reemplazo 2.
No tiene datos.
30
GRUPO
Grupo.
31
MARCA_REP
Marce del repuesto.
No tiene datos.
32
MARCA_VEH
Marca del vehculo.
No tiene datos.
33
MODELO_VEH
Modelo del vehculo.
No tiene datos.
34
MOTOR
Motor de vehculo.
No tiene datos.
35
FACTCOMP
Factura de compra.
No tiene datos.
36
STOCKMA
Mxima provisin.
37
VENCIMI
Vencimiento.
No tiene datos.
38
CODICONT
Cdigo contino.
No tiene datos.
Todos tienen 1
No tiene datos.
106
Tabla transaccional.
Id
Nombre
Descripcin
CORRGENE
Correlativo generado.
STATTRAN
Estatus de la transaccin.
TIPOTRAN
Tipo de transaccin.
CODITRAN
Cdigo de la transaccin.
STATBUSQ
Estatus de bsqueda.
FECHTRAN
Fecha de la transaccin.
CANTTRAN
Cantidad de la transaccin.
PVP_TRAN
Precio de venta al pblico de la
Observaciones
Blanco 1 2
1-2-9
Cdigo del producto.
No tiene datos.
Costo.
transaccin.
9
COSTTRAN
Costo de la transaccin.
CANTTRAN x
PVP_TRAN
10
COPRTRAN
Costo promedio de la transaccin.
COSTTRAN /
CANTTRAN
11
DESCTRAN
Descuento de la transaccin.
No tiene datos.
12
EXISTRAN
Existencia del artculo.
13
CORRFACT
Correlativo de la factura.
14
NOENTRAN
Nmero de entrada.
15
FACTTRAN
Factura de la transaccin.
16
NUMETRAN
Nmero de la transaccin.
17
CODIVEND
Cdigo del vendedor.
18
CODICLIE
Cdigo del cliente.
No tiene datos.
Blanco Cdigo del

servicio de destino.
No tiene datos.
107
19
IMPUTRAN
Imputacin de la transaccin.
20
ISV_TRAN
IVA de la transaccin.
21
CODIDESP
Cdigo de despacho.
No tiene datos.
22
VENCIMI
Vencimiento del producto.
No tiene datos.
108
4. Solicitud de Compra Actual.
Pg. 1/1
SOLICITUD DE MEDICAMENTOS
Solicitud N 15-015
CANT.
UNIDAD CDIGO
Fecha 29/05/2015
DESCRIPCIN Y ESPECIFICACIONES
150 AMP.
22.011
ACIDO FLICO I.V.
50 Gfa.
20.013
ALCOHOL ISOPROPILICO 70%
300 AMP.
20.338
AMINOFILINA 10 ml.
3.000 AMP.
20.451
AMPICILINA SULBACTAN 1,5 gr.
500 AMP.
20.042
ANTIESPASMDICO 20 mg / ml.
400 AMP.
20.268
ATROPINA 0,5 mg
100 AMP.
20.015
BETAMENTASONA 4 mg.
50 AMP.
20.395
BROMHEXINA 2ml.
50 FCO.
20.299
BROMURO DE IPATROPIO 30 ml. GOTAS
10
300 AMP.
20.540
CEFACIDAL 1 gr.
11
400 AMP.
20.062
CEFALOTINA 1 gr.
12
200 AMP.
20.318
CEFOTAXIMA 1 gr.
13
300 AMP.
20.370
CICLOKAPRON 500mg.
14
400 AMP.
20.679
CIPROFLOXACINA 100 mg.
15
100 FCO.
20.359
CLORURO DE POTASIO 7,5% 100 ml.
16
300 AMP.
20.305
DEXAMETASONA 4 mg 2 ml.
17
2.000 AMP.
20.276
KETOPROFENO I.V.
18
300 AMP.
21.074
TIOCOLCHICOCIDO I.V.
I.V I.M.

Modelo Predictivo para La Toma de Decisiones en La Gestión de Insumos y Medicamentos para El Hospital General de Táriba

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelo Predictivo para La Toma de Decisiones en La Gestión de Insumos y Medicamentos para El Hospital General de Táriba

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional Experimental del Tchira

Modelo predictivo para la toma de decisiones

Autor: Zambrano Rodrguez, Hernn Alfonso.

San Cristbal, Junio de 2.016

Universidad Nacional Experimental Del Tchira

2.4.9. Proceso ETL. ............................................................................................. 22

Factores Determinantes en la Seleccin de las Tcnicas de Minera de Datos. .. 39

FUENTES ELECTRNICAS ................................................................................ 99

Tabla 4.24. Prueba N 3. Fase N 2. Tcnica JRip. .................................................... 55

Inteligencia de Negocios (Business Intelligence).

Gestin de Procesos de Negocios (Business Process Management).

Archivo de base de datos (Data Base File)

Minera de Datos (Data Mining).

Extraccin, Transformacin y Cargar (Extract, Transform and Load).

Licencia Pblica General.

Descubrimiento de Conocimiento en Bases de Datos (Knowledge

Sistema Operativo de Disco de Microsoft (Microsoft Disk Operating

Lenguaje de Consulta Estructurado (My Structured Query Language).

Primero en Entrar Primero en Salir.

Procesador de Hipertexto (Hypertext Preprocessor).

Desarrollo Rpido de Aplicaciones.

Sistema Administrativo e Inventario.

Entorno para Anlisis del Conocimiento de la Universidad de Waikato

La inteligencia de negocios en la actualidad se presenta como una herramienta

el alcance. El captulo II, presenta los antecedentes de la investigacin, las bases

1.1. Planteamiento del Problema.

Bajo el marco de referencia expuesto, en Venezuela existen un sistema de

SAISYS, el cual est realizado en el lenguaje de programacin clipper, con el sistema

1.2. Formulacin del Problema.

Analizar la base de datos del Sistema Administrativo e Inventario

Seleccionar tcnicas de minera de datos orientadas a modelos

Realizar pruebas de validacin de las tcnicas seleccionadas.

Desarrollar una herramienta informtica para la consulta del modelo

y proyecciones de forma sencilla, flexible, eficiente y eficaz que apoyarn a las

facilite a la alta gerencia la toma de decisiones en la gestin de insumos y

2.1. Antecedentes de la Investigacin.

Martha Hernndez R. (2011) En su trabajo: Procedimiento para el desarrollo

Juan Soria Q. y Guillermo Mamani A. (2013). En su investigacin: Modelo de

Isidora Vielma G. (2013). En su tesis: Mejoramiento de la gestin de insumos

Management) BPM. Finalmente, se generaliza la experiencia en base a la

Juan Snchez R. (2010). En su trabajo de grado: Sistema web para diagnstico

Atencin Integral a las Enfermedades Prevalentes de la Infancia la cual brinda

2.2. Bases Tericas.

2.2.1. Inteligencia de Negocios - Business Intelligence (BI).

Figura 2.1. Ilustracin de un sistema de inteligencia de negocios.

2.2.2. Minera de Datos - Data Mining (DM).

finalidad es determinarlo. Esta variable se llama respuesta, dependiente u objetivo,

2.2.3. Gestin de Inventarios.

inventario, es la administracin eficiente del mismo, a travs de un manejo adecuado

Figura 2.2. Fases de la gestin de inventarios hospitalarios.

Las fases que comprende la gestin de inventarios hospitalarios se especifican

Planificacin: Etapa en la cual se analizan las cantidades a solicitar de

Prioridades: Se identifican los insumos y medicamentos a requerir,

Registro: Se deben realizar los asientos de los registros de las entradas y

Almacenamiento: Empleando la tcnica primero en entrar primero en salir

Suministro: Fase en la cual se realiza la entrega de los productos a cada

Control: Etapa donde se revisan peridicamente los artculos, para

Auditoria: A travs de chequeos quincenales e inventarios semestrales

2.2.4. Proceso KDD.

Figura 2.3. Etapas del proceso KDD.

Identificacin de la situacin en estudio: Establecer el problema a

Seleccin e integracin de los datos: Se obtienen los datos desde los

Preparacin de los datos: Etapa de limpieza y pre-procesamiento, donde