Test de Orientacin Vocacional via Web a travs de

un Sistema Inteligente basado en Redes Neuronales

Artificiales
Kield Benites - Carlos Cnepa Prez
Universidad Nacional Mayor de San Marcos, Facultad de Ingeniera de Sistemas e Informtica
Av. Germn Amezaga s/n, Ciudad Universitaria, Lima Octubre 2013 - Per
kield0704@gmail.com
ccanepap@unmsm.edu.pe

Resumen:
Cuando un estudiante culmina la educacin secundaria, se encuentra en la difcil decisin de
elegir alguna ocupacin que desempear en su futuro a largo plazo; una sabia eleccin se
puede conseguir si la persona tiene un suficiente autoconocimiento pero en la mayora de los
casos no es as; es por eso que se recurre a la ayuda de un psiclogo que evalu cual podra ser
su camino. En esta investigacin se propone realizar un Test de Orientacin Vocacional va
Web a travs de un Sistema Inteligente basado en Redes Neuronales para ayudar a muchos
estudiantes en este complicado proceso de orientacin, capaz de sugerir carreras
profesionales o tcnicas afines a sus cualidades, esto ser posible gracias a un Sistema
Inteligente Computacional como son las redes neuronales artificiales, y para ser ms exactos
se aplicar el Perceptron Multicapa.
Palabras claves: Orientacin Vocacional, Sistema Inteligente Computacional, Test de
Orientacin Vocacional, Redes Neuronales Artificiales, Perceptron Multicapa.
Abstract:
When a student completes secondary education, is in the difficult decision of choosing an
occupation that he will exert in its long-term future, one wise choice can be achieved if the
person has a sufficient self but in most cases it isnt so, for this reason we need the help of a
psychologist that tested which could be their way. In this research intends to conduct a
Vocational Guidence Test via Web through an intelligent based on artificial neural network to
help to many students in this complicated orientation process, competent to suggest careers
professional or technical according to their qualities, it will be possible thanks to a
Computational Intelligence System such as artificial neural networks, and to be more exact
well apply the Multilayer Perceptron.
Key words: Vocational Counseling, Computational Intelligence System, Vocational Counseling
Test, Artificial Neural Networks, Multilayer Perceptron.

1. INTRODUCCION
La vida es un proceso de cambios y
decisiones en la que estamos inmersos
como seres humanos, un hito muy
importante es decidir que vamos a
desempear en nuestro da a da como un
servicio a nuestra sociedad, mientras
gozamos de buena salud. La interrogante
que surge a cada persona en cierta etapa
de su vida, comnmente en la adolescencia
cuando culmina sus estudios secundarios,
es: Qu voy a ser cuando sea adulto?,
refirindose con esta pregunta a que
carrera profesional u ocupacin debo
seguir en un futuro prximo, y a la vez que
sea el ms adecuado para m.
La aparicin de las redes neuronales
artificiales desde hace ms de 50 aos, ha
sido una fuente de conocimiento que poco
a poco se ha cimentado y ha logrado una
madurez con el pasar de los aos, debido a
las grandes aplicaciones que se ha podido
lograr gracias al estudio constante de las
mismas. Es innegable las numerosas
aplicaciones en diferentes reas del saber,
por ejemplo en las finanzas se utilizan
sistemas de otorgamiento de crditos,
sistemas de reconocimiento de patrones
de voz y huellas dactilares usados como
sistemas de alta seguridad, en las
telecomunicaciones se utilizan Equalizers
como procesadores programables de redes
neuronales para la igualacin de canales
digitales [1], entre muchas otras que
podemos mencionar sobre esta gran
alternativa para la solucin de problemas
complejos que cuentan en muchos casos
con un alto grado de incertidumbre. Las
Redes Neuronales han sido catalogadas
como
sistemas
inteligentes
computacionales basados en datos [2], el
trmino inteligente se puede describir
como la capacidad del sistema para
responder adecuadamente frente a nuevos

casos, retroalimentndose y a su vez

aprender de ellos continuamente.
Voy a orientar el uso de las redes
neuronales hacia un campo del saber como
es la Psicologa, el cual se preocupa por
estudiar la conducta humana, teniendo
como caso especfico una tarea como es la
orientacin vocacional, el cual no es un
proceso fcil puesto que se enfrentan a
muchas realidades de jvenes en busca de
ayuda respecto a este tema; en este
sentido las redes neuronales artificiales
brindar apoyo a este proceso delicado,
dicho de esta manera porque influir en
gran medida, en la decisin que tome el
evaluado sobre que seguir para su futuro .
Posteriormente mostraremos en el
artculo, comenzando en la seccin 2 una
explicacin de cmo es el proceso de
orientacin vocacional, luego en la seccin
3 una breve descripcin de los Sistemas
Inteligentes Computacionales, en la
seccin 4 se ver lo que son las Redes
Neuronales Artificiales, y en la seccin 5 se
muestra los pasos que se seguir para la
implementacin de un Sistema Inteligente
basado en Redes Neuronales el cual no
presenta alguna metodologa en particular
sino que sigue un procedimiento en base a
experiencias de otros investigadores de
este tipo de sistemas inteligentes; y
finalmente en la seccin 6 se presentan las
conclusiones.

2. ORIENTACIN VOCACIONAL

Para aterrizar en lo que se refiere la

Orientacin
Vocacional,
podemos
desglosar el origen del trmino vocacin.
La palabra vocacin proviene del latn
vocatio, que significa llamar, de esta
manera se puede definir la vocacin como
lo que uno se encuentra llamado a ser en la
vida.
Tambin existe la orientacin profesional,
que es referido ms acerca del campo
laboral en s, se considera que la
orientacin profesional tiene una relacin
ms directa con el mundo laboral, se
concreta y restringe al ajuste con la
profesin y al puesto de trabajo concreto,
seran los procesos de elegir y adaptarse a
una profesin para satisfaccin propia y
beneficio de la sociedad [3].
La vocacin especifica se diferencia del
inters que nace de la utilidad de una
profesin, la diferencia entre vocacin e
inters radica en que el primero supone
una atraccin del trabajo como fin o cosa
en s, mientras que el segundo marcar la
atencin por el trabajo como medio o
cosa para.
2.1 Etapas del Desarrollo Vocacional
Toda persona atraviesa por varias etapas
dentro del desarrollo vocacional, estas
etapas van a facilitar la identificacin de las
tareas que les son propias a las personas
de acuerdo a su ciclo evolutivo, y lo que se
espera de ellas. Rivas (2003) [4] las clasifica
como sigue:
a) Etapa de Crecimiento (4 a 13 aos)
b) Etapa de Exploracin (14 a 24 aos)
c) Etapa de establecimiento (24 a 44 aos)
d) Etapa de Mantenimiento (45 a 65 aos)
e) Etapa de Desaceleracin (65 a ms)
2.2 Madurez Vocacional

De lo explicado anteriormente podemos

sintetizar que la vocacin no aparece de
improviso con carcter definitivo, sino que
se va desarrollando y concretando con el
pasar de los aos a travs de una madurez
interna de cada individuo y tambin con
ayuda de la educacin externa.
La madurez vocacional no es un simple
factor, sino un conjunto de ellos, es una
variable psicolgica multifactorial y
podemos agrupar los factores que la
integran en tres apartados [5]:
a) Actitudes positivas hacia la eleccin
vocacional
b) Rasgos psicolgicos definidos
c) Personalidad madura

2.3 Evaluacin en Orientacin Vocacional

Dentro de lo que se denomina evaluacin
en orientacin vocacional, se procede a
utilizar
algunos
instrumentos
o
herramientas
elaborados
por
los
especialistas en esta rama de la psicologa,
que han sido debidamente fundamentados
y puestos a prueba con resultados que han
cubierto en gran medida la necesidad por
las que fueron creadas. En cuanto se
refiere a orientacin vocacional existen
algunos instrumentos que han sido
incorporados con el fin de identificar los
intereses laborales, sus expectativas
vocacionales, el nivel de conocimiento y
relacin con el mercado laboral del
evaluado.
Uno de los principales instrumentos que se
utiliza para medir los intereses y
preferencias profesionales ms utilizado
dentro del pas, es el CASM-83, el cual ha
surgido como una respuesta a la carencia
de herramientas que nos puedan servir
para tal objetivo y que satisfagan la

necesidad de nuestro contexto social. Para

tal fin se analizaron las prioridades de
nuestros jvenes estudiantes peruanos, sus
expectativas, inquietudes y esperanzas, y
pronto se descubri que para orientarlos
en su mediata ocupacin, se vena
utilizando herramientas de procedencia
extranjera (IPP, CIPSA, entre otros),
elaborados con la exigencia de la mtrica,
buenos para su realidad pero limitadas
para la nuestra [6].

definido en el Casm-83 tanto o mejor como

si lo hiciera un especialista en orientacin
vocacional.

3. SISTEMAS INTELIGENTES
COMPUTACIONALES
La inteligencia computacional (IC) es
definida segn Muoz Prez [7], como una
metodologa para el desarrollo de
computacin que muestra capacidad de
aprender y afrontar nuevas situaciones, de
manera que el sistema presenta algunos
atributos del razonamiento tales como la
generalizacin, asociacin y abstraccin.
Ruiz del Solar [2] hace una diferenciacin
en cuanto a la inteligencia artificial (IA) y la
inteligencia computacional (IC), tambin
podemos citar a Maguia Prez [8] , quien
tambin coincide en esta diferenciacin, y
menciona que la inteligencia artificial y la
inteligencia computacional estn basados
en conocimiento heurstico y datos
respectivamente; en este sentido los
sistemas inteligentes computacionales se
sostienen en los datos que servirn como
entradas para que sean procesadas; de
esta manera el proceso de orientacin
vocacional que inmersamente presenta un
test evaluador como uno de los pilares
donde se pueden descubrir gran parte de
las habilidades y aptitudes de los
estudiantes, cuyas respuestas al test
evaluador sern usadas como los datos de
entrada para el sistema inteligente
computacional, que deber orientar al
alumno hacia algn grupo ocupacional

Figura 1: Posicin de la Inteligencia

Computacional dentro de los sistemas
inteligentes
La IC segn Muoz Prez [7] se ocupa de la
teora, el diseo, desarrollo y aplicaciones
de paradigmas computacionales motivados
lingstica y biolgicamente, poniendo
nfasis en las redes neuronales, algoritmos
genticos,
programacin
evolutiva,
sistemas difusos y sistemas inteligentes
hbridos. La IC estudia problemas para los
que no hay algoritmos efectivos, bien
porque no es posible formularlos o porque
requieren unos tiempos de ejecucin
exponenciales (no polinomiales). Una
buena parte de la investigacin se centra
en funciones cognitivas de bajo nivel,
percepcin, reconocimiento de objetos,
anlisis de seales, descubrimiento de
estructuras en conjuntos de datos,
asociacin y control.
Segn Di Tada [9], el desarrollo actual de
sistemas de inteligencia computacional no
intenta
resolver
los
problemas
encontrando una solucin para obtener un

resultado ptimo, sino que el paradigma ha

sido reemplazado por el de alcanzar
resultados aceptables. Esta frase tiene un
alto nivel de indefinicin, como lo tienen,
en general, los problemas prcticos que se
presentan cotidianamente.

cualquier modelo de red neuronal segn

Marco Sobrevilla [10].

En
este
sentido
la
inteligencia
computacional permitir resolver aquellos
problemas que los algoritmos tradicionales
no lo han hecho hasta nuestros das, pero
tampoco podemos decir que el resultado
ser ptimo, sin embargo ha sido un gran
colaborador para resolver problemas no
lineales con los cuales el hombre se ha
enfrentado en la vida.
Como todos sabemos que la perfeccin de
las cosas o personas es un pensamiento
idealista a la que uno siempre aspira, la IC
tambin est sujeta a este dilema, razn
por la cual se medir el margen de error
que deber ser mnimo para considerar sus
respuestas como un resultado aceptable.
4. REDES
(RNA)

NEURONALES

ARTIFICIALES

Las RNA conforman un paradigma

computacional dentro de los sistemas
inteligentes que surgi como producto de
la inspiracin de tratar de emular las
funciones bsicas del cerebro humano
como por ejemplo asociar cosas
particulares propios de cada individuo con
sucesos o acontecimientos del pasado; las
RNA han sido concebidas teniendo como
base la neurofisiologa. Una red neuronal
artificial est constituida por varios nodos,
cada nodo es llamado neurona artificial y
justamente hace su semejanza con las
redes neuronales biolgicas constituidas
por millones de neuronas biolgicas. Una
neurona Artificial, es una unidad elemental
de procesamiento de informacin para

Figura 2: Representacin de una red

neuronal con 3 capas
4.1 Elementos Bsicos
En el caso ms simple, cada neurona tiene
una serie de variables respecto a si misma.
En todo modelo artificial de neurona se
tienen cuatro elementos bsicos [11]:

Un sumador, que se encarga de

sumar
todas
las
entradas
multiplicadas por las respectivas
sinapsis.

Un conjunto de conexiones, pesos

o sinapsis que determinan el
comportamiento de la neurona.
Estas conexiones pueden ser
excitadoras (presentan un signo
positivo), o inhibidoras (conexiones
negativas).

Una funcin de activacin, lineal o

no lineal para limitar la amplitud
de la salida de la neurona.

Un umbral exterior, que determina

el umbral por encima del cual la
neurona se activa.

la red se pueden retener, incluso

sufriendo un gran dao.
Generalizacin: Pueden extender o
ampliar una cosa. Las redes
neuronales
generalizan
automticamente debido a su
propia estructura y naturaleza,
pueden ofrecer dentro de un
margen respuestas correctas a
entradas que presentan pequeas
variaciones debido a los efectos de
ruido o distorsin.

Figura 3: Representacin de una neurona

artificial

Abstraccin: Aslan mentalmente o

consideran por separado las
cualidades de un objeto. Algunas
redes son capaces de abstraer la
esencia de un conjunto de entradas
que aparentemente no presentan
aspectos comunes.

4.2 Ventajas de las Redes Neuronales

Una vez identificado dentro de que
contexto nacen las redes neuronales, como
explicamos en el apartado 3, nos resulta
ms sencillo apreciar cules son sus
verdaderas ventajas entre las que
podemos mencionar:
Aprendizaje Adaptativo: Consiste
en el aprendizaje para resolver
nuevas tareas, no sin antes realizar
un proceso de entrenamiento.
Auto-organizacin: Se refiere
cuando la red es capaz de realizar
su propia organizacin, agrupacin
o
clasificacin
luego
del
entrenamiento.

5. PROCESOS PARA LA IMPLEMENTACION

Para realizar una buena implementacin es
recomendable que se trabaje con alguna
metodologa, sin embargo
cuando
trabajamos con las redes neuronales, no
contamos con una que se haya definido, a
diferencia de los Sistemas Basados en
Conocimientos (SBC) que emplean una
metodologa llamada CommonKADS; no
obstante segn la experiencia de muchos
expertos que estudian este paradigma,
sugieren seguir ciertos procesos o etapas
para obtener xito en la implementacin.
Estos procesos son:

Tolerancia a fallos: La destruccin

parcial de una red conduce a una
degradacin de su estructura; sin
embargo, algunas capacidades de

son 11 grandes grupos, dentro de los

cuales se encuentran los diferentes perfiles
profesionales y tcnicos que podra seguir
el evaluado, la red neuronal determinar
en qu grado de afinidad se encuentra el
evaluado con los diferentes grupos
ocupacionales segn sus habilidades y
aptitudes determinados en funcin de lo
que haya contestado en el cuestionario.
5.2 Arquitectura de la red Neuronal

Figura 4: Flujo de procesos para la

implementacin de la red neuronal

5.1 Identificacin de las variables de

entrada y salida
Este proceso de identificacin, est basado
en el anlisis de que variables sern
relevantes para tomarlo como entrada de
la red neuronal, y que necesariamente son
solo esas variables, no ms ni menos las
que necesita la red para su posterior
entrenamiento y validacin; como en la
orientacin vocacional nos basamos en un
test evaluador calificado, que debe ser
contestado a plenitud y verazmente,
puesto que si no se responde verazmente,
se estara afectando los resultados que al
final se le har de conocimiento al
evaluado, entonces cada variable de
entrada ser cada una de las preguntas que
debe ser contestada por el alumno, y las
salidas sern los diferentes grupos
ocupacionales definidos en el Casm-83 que

Segn la taxonoma de las redes

neuronales, se emplear una arquitectura
de red multicapa no recurrente, con
aprendizaje supervisado puesto que
conocemos la salida deseada que son los
grados de afinidad de adolescentes y
jvenes que fueron sometidos a esta
herramienta llamada Casm-83; la red que
cumple estos requisitos es la del
Perceptron Multicapa no Recurrente, esta
red emplear como algoritmo de
aprendizaje
al
denominado
Backpropagation o retro propagacin del
error.

Figura 5: Arquitectura de la red neuronal

empleada

5.3 Recoleccin selecta de Datos de

Entrada y Salida
Para realizar el experimento se tuvo que
recolectar datos representativos y sin ruido
(datos errneos o incompletos) que
permitan a la red entrenar con ms
probabilidades de xito en su aprendizaje.
La recoleccin de datos abarca todos los
test evaluadores que se han tomado para
la evaluacin de los alumnos interesados,
en nuestro caso es el cuestionario CASM83, mientras ms ejemplos (cuestionarios
resueltos) tengamos mucho mejor ser
para que el entrenamiento sea ptimo.
De esta manera se procedi a realizar
varias visitas al Consultorio Psicolgico de
San Marcos, recinto en donde utilizan el
Casm-83 para realizar evaluaciones en
orientacin vocacional. Fue as que se pudo
recabar varios diagnsticos de personas
que solicitaron ayuda en el Consultorio en
los aos 2012 y 2013; el trabajo realizado
fue ordenar la informacin que se
encontraba en los estantes archivados en
flderes y pasarlos como informacin
digital
que
era
necesaria
para
posteriormente
procesarla
por
computador.
Se pudo recolectar en total 60
diagnsticos, dentro de los cuales 24 eran
propios del recinto y los 36 restantes
fueron
generados
automticamente,
gracias a una plantilla Excel de apoyo que
usan dentro del Consultorio, pero que
cuenta con la aprobacin de los
especialistas del lugar, fue por eso que se
tom dicha plantilla y generamos 36
diagnsticos ms para completar una
cantidad de diagnsticos prudente para los
procesos de entrenamiento y validacin de
la red neuronal.

5.4 Ajuste de Datos de Entrada y Salida

Las redes neuronales requieren de datos
que es su principal materia prima por as
decirlo, estos deben tratarse con cuidado,
y es por esta razn que son sometidos a un
tratamiento en la cual mediante algn
mecanismo matemtico se tratar de
equilibrar los valores de entrada de la red.
El ajuste de datos tambin es conocido
como Normalizacin de Datos, es
utilizado como mencionamos en el prrafo
anterior, para evitar que las variables de
entrada presenten magnitudes muy
dismiles entre s, puesto que es muy
probable
que
repercuta
en
el
entrenamiento
y
la
validacin
consecuentemente.
Teniendo en claro la importancia del ajuste
de datos, realizamos la normalizacin
correspondiente de todas las variables de
entrada por cada diagnostico recogido,
adems por recomendacin una buena
normalizacin de datos debe proporcionar
datos entornos a cero, tanto para variables
de entrada como de salida.
5.5 Inicializacin de pesos de la Red
Neuronal
Las redes neuronales artificiales, as como
las redes neuronales biolgicas, se
encuentran conectadas entre s, de manera
tal que fluya la informacin captada por
una neurona y compartida hacia la otra
neurona. La conexin entre neuronas
artificiales se denomina peso o peso
sinptico, el cual es un valor real que se le
debe proporcionar a la red antes de que
comience su entrenamiento, este peso
ser por cada conexin entre neuronas,
entonces tendremos todo un conjunto de
pesos iniciales que sern agrupados

matricialmente y que recibe el nombre de

Matriz de Conocimiento de la Red. La
matriz de conocimiento no debe ser
inicializado con un mismo valor, sino que
se utilizar algn algoritmo que genere los
pesos de manera aleatoria, y segn los
experimentos realizados, es recomendable
que se encuentren en un rango en torno a
0 (cero), como puede ser: [-0.5 0.5] o [01].

conocimiento que la red ha podido obtener

en una poca. Este proceso contina hasta
que la condicin de parada del algoritmo
de aprendizaje, este satisfecha, una
condicin de parada podra ser llegar a un
nmero de pocas determinado, o que el
error o desvi total de la red sea menor
que el tomado como referencia, o ambas
condiciones simultneamente de manera
que una excluya a la otra como suele
aplicarse.
El proceso de entrenamiento tendr un
costo computacional elevado tanto en
recursos como en tiempo de ejecucin
debido a la cantidad de variables entradas
a considerar y que son 143 entradas para la
red, y sin contar incluso las capas ocultas
necesarias que se deba considerar para el
entrenamiento del Perceptron Multicapa.

Figura 6: Matriz de pesos asociados a las

capa j e i con m y n neuronas
respectivamente.

5.6 Entrenamiento de la Red Neuronal

Una vez que se ha llegado a este proceso
de entrenamiento, la red estar sujeta a un
largo proceso de actualizacin de la matriz
de pesos iniciales de la red o matriz de
conocimiento de la red, debido a que en
cada poca, es decir cada ciclo de
entrenamiento en la cual se le presentan
solamente del total de ejemplos
(diagnsticos recogidos y generados) que
se obtuvieron en el proceso de recoleccin
de datos de entrada, por lo tanto en cada
poca tendremos una nueva matriz de

El objetivo en este proceso es obtener la

Matriz de Conocimiento final luego de
diversas pruebas, y llamamos pruebas a
las diferentes configuraciones que se
deber realizar en el Matlab, puesto que
aqu es donde se va realizar el
entrenamiento por las bondades que
brinda para trabajar con redes neuronales;
luego de realizar el entrenamiento con
cada configuracin establecida dentro del
NNTool propio del Matlab, se tomara en
cuenta aquellas que respondieron con un
alto performance.

5.7 Validacin de la Red Neuronal

En esta etapa de validacin, la red
neuronal recibir como entradas la
cantidad de ejemplos restantes, es decir las
que no se tom en el entrenamiento que
son del total de ejemplos que se tiene
disponible.

Por cada ejemplo que se someter a

evaluacin se determinara si la red ha
logrado responder correctamente, para
corroborar si ha respondido de manera
acertada, contamos con la salida de cada
ejemplo mostrado, y solo tendremos el
trabajo de corroborar la coincidencia de la
salida esperada con la obtenida por la red.
Cabe mencionar que en esta etapa
tambin se utilizar el NNTool mencionado
en el apartado anterior, es una
herramienta de gran ayuda para trabajar
con redes neuronales artificiales, fue por
eso que se opt hacer uso de ella. Posee
una interfaz grfica comprensible y de gran
informacin de los resultados tanto del
entrenamiento como de la validacin.
Una observacin importante es que la
matriz de pesos no se actualizara en esta
etapa, ya que se tomar como
conocimiento la matriz de pesos obtenido
despus del entrenamiento.

Las redes neuronales siguen en constante

desarrollo y pese a que algunas
arquitecturas requieran altos tiempos de
ejecucin, actualmente el avance de los
computadores cuentan con procesadores
ms veloces que agilicen el proceso,
adems si definimos claramente las
variables relevantes de entrada y
eliminamos el ruido de estas, tambin
podemos
reducir
el
tiempo
de
procesamiento. El apoyo de esta tecnologa
hacia la orientacin vocacional no ser un
problema que no pueda resolver.
A partir de esta investigacin podemos
hacer hincapi, de que se puede
complementar el presente trabajo con
otros paradigmas como los algoritmos
genticos, la lgica difusa o sistemas
inteligentes hbridos que usan tanto los
datos como el conocimiento para resolver
problemas de mayor complejidad.

REFERENCIAS
6. CONCLUSIONES
La investigacin tratada en el artculo ha
sido apoyada grandemente por el
paradigma
de
la
inteligencia
computacional, que permite resolver
problemas de los cuales nos enfrentamos
en la vida cotidiana, problemas que hasta
no es posible ni siquiera formularlos, o los
tiempos de ejecucin son demasiado
elevados si se trabajan con algoritmos
tradicionales, por esta razn se investiga
nuevas formas o tcnicas as como las
redes neuronales que han servido para dar
solucin
a
numerosos
problemas
relacionados a las funciones bsicas del
cerebro, que una persona hace uso para
resolver problemas simples para l, pero
complejas para el computador.

[1]Daniel
Numberger,
Aplicaciones
Industriales
de
Redes
Neuronales,
http://www.numberger.de/studium/aplica
ciones_neuro.pdf, (17 de junio del 2013)

[2]Javier Ruiz del Solar, Procesamiento

Avanzado
de
Imgenes,
http://robotica.li2.uchile.cl/el710/Clase17.
pdf, (18 de setiembre del 2012)
[3]Antonia Beatriz Cepero Gonzales (2009),
Las
preferencias
profesionales
y
vocacionales del alumnado de educacin
secundaria y
formacin profesional
especfica, Universidad de Granada,
Granada-Espaa
[4]Rosalba Bartone Di Muro, Madurez
Vocacional y Perfil de valores humanos en
estudiantes
universitarios,

10

http://www.saber.ula.ve/bitstream/12345
6789/31486/4/articulo8.pdf,
(13
de
setiembre del 2012)
[5]Abanto Castillo Zoila (1999), Orientacin
Vocacional y Test Psicotcnicos.
[6]Luis Alberto Vicua Peri (2003).
Inventario de Intereses Profesionales y
Ocupacionales CASM 83, 3ra Edicin
Revisada, Lima Per.
[7]Jos
Muoz
Prez,
Inteligencia
Computacional inspirada en la vida (2010),
http://riuma.uma.es/xmlui/bitstream/hand
le/10630/4686/LECCION%20INAUGURAL%
202010.pdf?sequence=1, (22 de noviembre
del 2012)
[8]Rolando Maguia Prez (2009),
Inteligencia
Artificial,
http://ia2010fisig1.netne.net/docs/AIA00_
14.pdf, (22 de setiembre del 2012)
[9]Esteban Di Tada (2008), La Inteligencia
Computacional,
http://www.palermo.edu/ingenieria/downl
oads/UP%20ING6%20ok.pdf,
(22
de
noviembre del 2012)

[10]Marco Sobrevilla Cabezudo (2010),

Implementacin de Redes Neuronales para
mejorar el Anlisis de la Probabilidad de
Ocurrencia de Sismos en el Per, UNMSM,
Tesis de Pregrado, Lima-Per.
[11]Eybi Gil Zavaleta y Edith Rodrguez
Collas (2010), Sistema de pronstico de la
demanda de productos farmacuticos
basado en redes neuronales, UNMSM,
Tesis de Pregrado, Lima-Per.

11