Propuesta de Tesis Paolo Porras Cayotopa PREVICION DE LA EVOLUCION DE PRECIOS DE LOS MAYORISTAS DE GASOLINA DE 95, EN EL PERÚ, MEDIANTE REDES NEURONALES Paolo Porras Cayotopa 4 Noviembre 2006

Tesista PAOLO MARZOLINI PORRAS CAYOTOPA INGENIERIA DE SISTEMAS-UNI 10mo CICLO acdcpaolo@yahoo.es

PROPUESTA

PREVICION DE LA EVOLUCION DE PRECIOS DE LOS MAYORISTAS DE GASOLINA EN EL PERÚ, MEDIANTE REDES NEURONALES

Justificación del Problema En los últimos años se ha observado que el precio del petroleo ha llegado a un índice alto, afectando a la economía del mundo poniendo en riesgo a paises del tercer mundo. Esta alza afecta directamente a los precios de los combustibles afectando la economía de los consumidores; un claro ejemplo de ello, es la continua alza de la gasolina, que es uno de los combustibles con mas demanda en el Peru.

Ámbito de la investigación La presente investigación se limita al estudio de los mayoristas de combustibles ofertantes de gasolina 95 que operan en el mercado Nacional.

El Problema El precio de la gasolina 95, en la actualidad es variable con una frecuencia y monto no determinado para el publico. Representando un serio problema para la microeconomía y macroeconómicanacional. Aunque el costo de la energía representa generalmente porcentajes reducidos en los costos de las diversas actividades, ejerce una influencia determinante por sus efectos cualitativos, ya que su escasez originaría serios problemas a la estructura productiva, esto es, su efecto económico es muy superior a su costo neto. En estas condiciones, la oferta adecuada de energía es una condición previa para efectuar nuevas inversiones y por tanto, uno de los requisitos para el desarrollo económico es la existencia de una reserva de capacidad en el sector hidrocarburos. .

Objetivo Pronosticar precios con un error menor al 10% mensual de la gasolina 95 en un horizonte de 1 año. Capítulo 2 de Sampieri

Antecedentes Barker, D. (1990): "Analyzing Financial Health: Integrating Neural Networks and Expert Systems", PCAI, May-June 1990, pag 24-27 y publicado en Neural Networks in Finance and Investing. Ed. Trippi y Turban. Probus Publishing Company, 1992, Chicago. Cheng, N.S. y Pike, R.H. (1994): "Neural Networks: Applications and Promise for Accounting and Finance". 17th Congress of the European Accounting Association, abril 1994, Venecia, Italia. Capítulo 3 de Sampieri

METODOLOGIA DE LA INVESTIGACION

Tipo de Investigación Experimento puro Tipo de Investigación Correlacional Tipo de Diseño Experimental Experimento puro

DISEÑO DEL EXPERIMENTO

OBJETO DE LA INVESTIGACION Población PARTICIPACION EN EL MERCADO La población de mayoristas de gasolina 95 en el Perú esta representada por Relapasa y Petroperu.

Muestra Dada la poblacion de 2 mayorista, La muestra estará representada por el mayor de los dos ,este cuenta con el 65,5% de participacion en el mercado. Las características (variables) se deben capturar mediante su respectivo instrumento de medición.

Variables Variables independientes: Modelo de pronostico Cantidad de variables a involucrar. E X P R I M N T O Variables dependientes: Precio de lista mensual de la Gasolina de 95 de los mayoristas de combustibles. Precios y cotizaciones internacionales del barril de petróleo Precios de referencia de OSINERG Costos de importación. Demanda interna. Instrumento de medición Revisión de estadísticas de evolución de las variables. Revisión de estadísticas de evolución de precios por mes. Portal Petroperu.

Diseño Experimental Precios y cotizaciones internacionales del barril de petroleo ( VARIALBLE NO MANEJABLE) Precios de referencia de OSINERG Costos de importacion. Demanda interna. Se tomaran en cuenta los valores históricos de las variables independientes, los cuales en base a reglas de criterios del mayorista del combustible se . Se utilizara reglas de aprendizaje de redes neuronales Básicamente, la metodología para deducir una regla de aprendizaje de una red neuronal se resumen dos puntos: 1. Definición de la función de error, también denominada función de coste: mide la bondad del modelo. Cuanto más pequeña sea, más eficiente es el modelo. Lógicamente depende de los pesos sinápticos, que son las incógnitas a resolver en el entrenamiento. 2. Optimización de la función de error. Se busca un conjunto de pesos sinápticos que minimice la función de error. Esta búsqueda se realizará mediante un proceso iterativo denominado Descenso por el Gradiente.

Hipótesis Se puede crear un modelo que permita pronosticar de manera oportuna y correcta la evolución de los precios mensual de la gasolina 95 con un error menor al 10%. Capítulo 5 de Sampieri

MODELO DE SOLUCION

Modelo de Solución Se utilizara el siguiente modelo: Se Utilizara una red neuronal para modelar el problema debido a la presencia de variables difíciles de cuantificar por medio de una ecuación. Precios Internacionales Modelo de Pronostico de precio en el mercado nacional. Precios Osinerg Precio Pronosticado Precio Promedio anterior Demanda Interna

Diseño del Software Se experimentarabajar con el programa MATLAB y su Toolbox de Redes Neuronales. La Regla de Widrow–Hoff o LMS. Esta regla es muy importante, ya que es la base de la mayoría de los algoritmos de aprendizaje de un amplio conjunto de redes neuronales.

ANÁLISIS DE FACTIBILIDAD

Datos y Experimentos Mecanismo de muestreo: Se registraran los precios de referencia y los valores de las variables dependientes y se introduciran en eL software. Se pretende conseguir un algoritmo mediante una red neuronal supervisada que calcule el precio de lista del mayorista de muestra en el mercado. EJ: PRECIOS DE REFERENCIA-OSINERG

S1 S2 S3 S4 S5 S6 S7 S8 S9 Estudio del problema Elaboración del modelo Validación de variables Validación del modelo Elaboración de software Levantamiento de datos reales. Prueba Comparacion de resultados,reales y pronosticados

COSTOS Costos por hora del proyecto: $50 Licencia de Software: Matlab

MARCO TEORICO

Una neurona no tiene capacidad para realizar un proceso lógico, pero un conjunto de ellas sí. Por tanto, las neuronas se agrupan para realizar trabajos de cálculo lógico en redes. Las redes están compuestas de capas. Generalmente, una red neuronal típica tendrá tres capas: una de entrada de datos, otra oculta donde se procesan los datos y una tercera de salida de los resultados. Cada una de las capas contendrá un número determinado de neuronas en función del diseño que haya decidido el analista y del tipo de trabajo que vaya a realizar la red. Todas las neuronas que contiene una capa se conectan con todas las neuronas de la siguiente capa. De esta manera, cuando una neurona obtiene un resultado, lo envía a todas las neuronas de la capa siguiente. Evidentemente ese resultado será ponderado por cada neurona por el peso sináptico.

Existen diferentes programas informáticos que permiten manejar redes neuronales de manera sencilla. Uno de los más potentes es el Toolbox de Redes Neuronales de MatLab. Una de las decisiones que debe realizar el analista a la hora de diseñar una red neuronal es elegir el algoritmo de aprendizaje. El Toolbox de MatLab ofrece diferentes algoritmos que tienen unas características específicas. Es muy difícil elegir el algoritmo adecuado para cada problema. Un algoritmo que es rápido y consigue soluciones satisfactorias para un problema no es eficaz para otro, o se vuelve muy lento. Hay veces que es preferible un algoritmo que trabaje de manera lenta, debido al resultado que se quiere obtener, y otras veces se necesita rapidez y la precisión de los datos no es tan importante. En la siguiente tabla se muestra una lista de los algoritmos que ofrece MatLab ordenador de más lento al más rápido. Generalmente se aconseja elegir el más rápido e ir eligiendo, si no es muy preciso, los siguientes, que aunque menos rápidos pueden darnos mejores precisiones. De todos modos el algoritmo Levenberg – Marquardt es el mejor algoritmo para problemas que no sean muy grandes.

CONCLUSIONES

Conclusiones El tema se muestra como solucion en el pronostico de las variaciones inesperadas para el minorista y el consumidor final. El método de previsión de precios esta ampliamente investigado y utilizado en el campo financiero, representando una solución a la incertidumbre de la variabilidad del mismo. La muestra a utilizar representa mas del 50% de la población motivo por el cual la distorsion a la realidad es minima.