El propósito de la presente investigación es modelar estadísticamente me-
diante el modelo red de base radial, la relación entre estilo de crianza, relaciones
familiares, situación laboral y nivel educativo; para clasicar a las mujeres y
hombres mayores de 14 años, de los distritos de San Juan de Lurigancho, Puno
y Tarapoto, en función a su percepción sobre los roles de género, e identicar
los factores que más inuyen en dicha percepción. El modelo propuesto clasi-
có correctamente al 82,8% de hombres y mujeres; identicó al nivel educativo,
maltrato (físico y/o psicológico) cuando era niña (o) y situación laboral, como los
factores que más inuyen en la percepción sobre su rol de género.
Palabras clave: red de base radial; función de base radial normalizada; rol
de género.
The purpose of this research is statistically modeled by network model of ra-
dial basis, the relationship between parenting style, family relationships, emplo-
yment status and educational level, to classify women and men over 14 years,
from the districts of San Juan de Lurigancho , Puno and Tarapoto; based on
their perception of gender roles, and identify factors that inuence this percep-
tion. The model correctly classied 82,8% of men and women, identify educatio-
nal level, abused (physical and / or psychological) when they were children and
PAIDEIA XXI
Vol. 5, Nº 6, Lima, mayo 2016, pp. 38-53
Resumen
Abstract
MODELO RED DE BASE RADIAL PARA CLASIFICAR
A LOS POBLADORES DE LOS DISTRITOS DE SAN
JUAN DE LURIGANCHO, PUNO Y TARAPOTO, SEGÚN
SU PERCEPCIÓN SOBRE LOS ROLES DE GÉNERO
María Estela Ponce Aruneri y Ofelia Roque Paredes
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
39
PAIDEIA XXI
employment status, as the factors that inuence the perception of their gender
role.
Keywords: radial basis network; normalized radial basis function; gender
role.
1. Introducción
La percepción es la función psíqui-
ca que permite al organismo, a través
de los sentidos, recibir, elaborar e in-
terpretar la información proveniente
de su entorno.
Una diferencia importante a men-
cionar es la que se reere al sexo y al
género. Mientras que sexo se reere a
la dimensión biológica de ser hombre
o mujer, género se reere a las dimen-
siones psicológicas, sociales, conduc-
tuales y culturales.
Los roles de género son el conjunto
de actividades y expectativas diferen-
tes para mujeres y hombres que mar-
can la diferencia respecto a cómo ser,
cómo sentir y cómo actuar. Estos roles
son asignados por la sociedad en que
vivimos y, como consecuencia de ello,
las personas se desarrollan como mu-
jeres o como hombres, identicándose
con los roles que por su sexo le han
sido asignados.
El concepto de “Roles de Género”
es importante para entender algunos
procesos que se interrelacionan en
la vida cotidiana. Su transformación
podría ser un paso importante para
conseguir vivir en una sociedad más
equitativa.
Las investigaciones y publicaciones
sobre este tema solo vienen aplicando
técnicas estadísticas univariadas y bi-
variadas, pero el género abarca varias
dimensiones, por lo que debe ser estu-
diado desde un enfoque multivariado.
En la actualidad, las técnicas basadas
en el aprendizaje adaptativo causan
gran impacto, debido a su extraordi-
naria aplicabilidad práctica, captan-
do la atención de los profesionales
estadísticos, los cuales comienzan a
incorporar modelos y técnicas de la
inteligencia articial, como las redes
neuronales articiales al conjunto de
herramientas estadísticas orientadas
a la clasicación de patrones, predic-
ción, entre otros.
Las redes neuronales articiales
constituyen una herramienta de mo-
delización (clasicación, predicción, re-
ducción, etc.) y análisis que se puede
integrar a diversos campos, como la ro-
bótica, la ingeniería, la psicología, entre
otras. Las redes neuronales tienen como
objetivo obtener modelos coherentes
con la realidad observada, de tal forma
que son los datos los que determinan el
comportamiento de la red, a través de la
especicación de sus estructuras, pará-
metros internos, entre otros.
En problemas de clasicación, po-
demos encontrar numerosos ejemplos
en los que las redes neuronales han
mostrado con frecuencia, una mejor
precisión que las técnicas estadísticas
clásicas, como el análisis discriminan-
te o la regresión logística.
En problemas reales, con frecuen-
cia se comprueba que el análisis dis-
María Estela Ponce Aruneri y Ofelia Roque Paredes
40
PAIDEIA XXI
criminante lineal o cuadrático, o la
regresión logística, no son capaces de
determinar las fronteras de decisión
de un problema de clasicación cuan-
do dichas fronteras de decisión al-
canzan un alto nivel de no linealidad.
Una técnica alternativa es no suponer
nada acerca de las distribuciones de
probabilidad de los datos y estimar di-
rectamente los coecientes del modelo
a partir de los datos de entrenamiento
disponibles.
Como herramientas de predicción/
clasicación, muchos autores vienen
estudiando las relaciones entre las
técnicas estadísticas convencionales y
los modelos de redes neuronales arti-
ciales, entre los que tenemos a W.S.
Sarle (1994), C.M. Bishop (1995), Vici-
no (1998). Las RNA han sido concep-
tualizadas como técnicas estadísticas
no paramétricas, al estar libres del
cumplimiento de los supuestos teóri-
cos de la estadística paramétrica.
Para nuestra investigación aplica-
remos el modelo de red de base radial,
utilizando como función de activación
para la capa oculta la denominada
función de base radial normalizada.
Los objetivos de la presente inves-
tigación, son:
a. Construir un modelo de clasi-
cación, utilizando la red de base
radial que asigne a las mujeres
y hombres mayores de 14 años
de los distritos de San Juan de
Lurigancho, Puno y Tarapoto,
en uno de los siguientes grupos:
más a los hombres, más a las
mujeres, ambos por igual; en
concordancia con sus percep-
ciones acerca de los roles de gé-
nero.
b. Determinar los factores inuyen-
tes en las percepciones sobre los
roles de género de la población
mayor de 14 años, de los distri-
tos bajo estudio.
2. Metodología
2.1. Modelo red de base radial
Las redes neuronales de base radial
(RBR) surgen con el objetivo de con-
seguir redes neuronales cuyo proceso
de aprendizaje sea mucho más rápido
que la red perceptrón multicapa.
Para ello, se diseñó una red en la
que las neuronas de su única capa
oculta tuvieran un carácter local, de
tal forma que a la entrada de nuevos
patrones hubiera menos neuronas
que procesar. Esta es de hecho su
principal diferencia con la red percep-
trón multicapa. El comportamiento lo-
cal de sus neuronas signica que cada
neurona de la capa oculta se activa en
una región diferente del espacio de pa-
trones o capa de entrada.
La mayor contribución a la teo-
ría, diseño y aplicaciones de esta red
se deben a Moody y Darken en 1989,
Renalds en 1989, Poggio y Girosi en
1990.
Las RBR denen hiperesferas o
hiperelipses que dividen el espacio
de entrada, por lo que cada neurona
oculta construye una aproximación
local y no lineal en una determinada
región de dicho espacio.
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
41
PAIDEIA XXI
Figura 1: Espacio de entrada dividido
por hiperferas o hiperelipses
2.2. Topología de la red de base ra-
dial
Las redes neuronales de base ra-
dial están conformadas por una capa
de neuronas de entrada, una capa de
neuronas de salida y solo una capa de
neuronas ocultas.
Las conexiones en este tipo de red
son todas hacia adelante, es decir, la
entrada de todas las neuronas de la
capa oculta preceden a la salida de to-
das las neuronas de la capa de entra-
da, y a su vez las neuronas de la capa
oculta transmiten su salida a todas
las neuronas de la capa de salida.
La construcción de una red RBR
requiere de una mayor cantidad de
neuronas en los nodos ocultos que en
las redes que usan backpropagation.
Las principales características de la
RBR:
Capa de entrada: reciben las
señales del exterior, no realizan
ningún preprocesado; por ello,
el peso de sus conexiones es
siempre igual a uno.
Capa Oculta: reciben las seña-
les de la capa de entrada y rea-
lizan una transformación local
y no lineal sobre dichas señales
(diferencia con el modelo de red
perceptrón multicapa).
Capa de Salida: realiza una
combinación lineal de las acti-
vaciones de las neuronas de la
capa oculta y actúa como salida
de la red; su función de activa-
ción es la función identidad.
Figura 2: Topología de la red de base
radial
De la capa de entrada a la capa
oculta no lleva ningún peso asociado;
solo la neurona de salida tiene umbral.
Aunque las RBR no son común-
mente utilizadas en aplicaciones que
impliquen un alto volumen de patro-
nes de entrenamiento, se le reconoce
como una red con una alta eciencia
en la fase de entrenamiento.
2.2.1. Activación de las neuronas de
la RBR
El modelo de redes neuronales arti-
ciales de base radial:
Transformación
lineal
Transformación local, Activación:
función radial gaussiana
María Estela Ponce Aruneri y Ofelia Roque Paredes
42
PAIDEIA XXI
*
1
1, 2,...,
() ()
m
k ik i k
i
kr
yn w n u
φ
=
=
=+
∑
Compuesto por p neuronas en la
capa de entrada, m neuronas en la
capa oculta, r neuronas en la capa de
salida, y patrón de entrada n.
wik es el peso sináptico de la co-
nexión entre la neurona oculta i a la
neurona de salida k;
uk es el umbral de la neurona de
salida k;
φi (n) son las activaciones de las
neuronas ocultas para los patrones de
entrada.
La función de base radial, se dene
como:
1, 2, ...,
()
()
i
i
ii
im
Xn C r
ndd
φφ φ
=
−
==




Donde:
φ es la función de base radial.
X(n) es el vector de entrada de la
red, que constituye la capa de entrada.
Ci son vectores que representan los
centros del cluster, peso asociado a la
neurona “i”.
di son números reales que repre-
sentan la desviación o dilatación de la
función de base radial..
( )
0.5
2
1
() ()
p
i j ij
j
r Xn C x n c
=

= −= −


∑
es la distancia euclidiana del vector de
entrada al centro de la función de base
radial.
Algunas funciones de base radial:
( )
( )
( )
2
2
2
2
1
1
1
1
r
r
re
rr
r
r
φ
φ
φ
−
+
=
= ∈ℜ
+
=
Denominadas: funciones gaussia-
na, inversa cuadrática e inversa mul-
ticuadrática, respectivamente.
La función gaussiana es la más uti-
lizada dentro de las redes neuronales
de base radial y su función de acti-
vación para las neuronas de la capa
oculta, es:
2
2
21, 2,...,
() i
r
d
iim
ne
φ
−
=
=
Algunos paquetes estadísticos
como IBM SPSS Statistics, incluyen
como función de activación para las
neuronas de la capa oculta, la función
de activación gaussiana normalizada:
2
2
2
2
2
2
1
1, 2,...,
()
i
i
r
d
ir
m
d
i
im
e
n
e
φ
−
−
=
=
=
∑
2.2.2. Carácter local de la RBR
Este carácter local se debe a que
dado un patrón o capa de entrada (X)
a la red, sólo aquellas neuronas ocul-
tas cuyo centro esté en la vecindad de
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
43
PAIDEIA XXI
dicho patrón se van activar: el resto de
neuronas ocultas permanecerán inac-
tivas o con un menor nivel de activa-
ción; es decir, a medida que el patrón
se aleja del centro, el valor de la función
tiende al valor mínimo de su recorrido.
Las salidas de las redes de neuro-
nas de base radial son, por tanto, una
combinación lineal de gaussianas,
cada una de las cuales se activa para
una determinada porción del espacio
denido por los patrones de entrada.
Figura 3: Activación local de las neuro-
nas ocultas en una red de base radial
2.2.3. Diseño de la arquitectura de
la RBR
El número de neuronas de la capa
de entrada y salida de una red de base
radial, está dado por el número de
variables explicativas y las variables
de respuesta, respectivamente. Para
nuestro caso, las variables explicativas
son la relación entre estilo de crianza,
relaciones familiares, situación laboral
y nivel educativo, y los cuatro tipos de
percepciones sobre rol de género con-
forman las variables de respuesta.
Se realizó un análisis previo para de-
terminar las variables más relevantes y
signicativas para el problema a tratar.
El número de neuronas oculta de la
red se determina por pruebas y error, va-
riando el número de neuronas hasta con-
seguir que la red resuelva el proble
ma.
En una RBR, añadir o eliminar
unas pocas neuronas ocultas podría
inuir signicativamente en los resul-
tados de la red. Es por esta situación
que en los últimos años se han rea-
lizado una serie de estudios que per-
miten determinar en forma automáti-
ca el número adecuado de neuronas
ocultas y los parámetros asociados a
dichas neuronas (centros y desviacio-
nes).
2.3. Entrenamiento o aprendizaje
de la RBR
Este proceso permite estimar los
parámetros del modelo: centros y des-
viaciones de las neuronas ocultas, los
pesos de las capas ocultas a las capas
de salida, y los umbrales de las neuro-
nas de salida.
Como las capas de neuronas en
una RBR realizan tareas diferentes, se
separa el proceso de optimización en
dos procesos:
La determinación de los pará-
metros de la capa oculta, se rea-
liza mediante la optimización en
el espacio de entradas.
La determinación de los pará-
metros de la capa de salida, se
realiza mediante la optimización
en base a las salidas que se de-
sea obtener.
Los métodos utilizados para el pro-
ceso de aprendizaje de la RBR, son:
híbrido, totalmente supervisado, y un
tercer método, que es la combinación
de los dos anteriores.
El método híbrido es el más utili-
zado por los resultados satisfactorios
que proporciona.
María Estela Ponce Aruneri y Ofelia Roque Paredes
44
PAIDEIA XXI
Método de aprendizaje híbrido, tiene dos fases:
Figura 4: Fases de aprendizaje del método híbrido
Dados los patrones de entrada y
salida deseadas {X(n), Y(n)}, podemos
resumir este método de aprendizaje en
los siguientes pasos:
1° Fase no supervisada:
Aplicar el método de k-medias al
conjunto de patrones de entrada,
para calcular los centros de las
funciones de base radial, siendo k
el número de neuronas ocultas en
la red.
Calcular las desviaciones de las
funciones de base radial, utilizando:
- Media uniforme de las distan-
cias euclidianas del centro a los
p centros más cercanos.
- Media geométrica de la distan-
cia del centro a sus vecinos más
cercanos.
Figura 5: Fase no supervisada, de aprendizaje del método híbrido
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
45
PAIDEIA XXI
2° Fase supervisada
Se determinan los pesos y um-
brales de la capa de salida, me-
diante el siguiente proceso ite-
rativo:
9 Los valores iniciales de los
pesos y umbrales de la capa
de salida, se asignan aleato-
riamente.
9 Tomar un patrón del conjun-
to {X(n), Y(n)}, y se calcula la
salida de la red Y*(n) para el
patrón de entrada X(n).
9 Evaluar el error cometido
por la red para dicho patrón
“e(n)”.
9 Se modican los parámetros
de la red, utilizando las si-
2.4. Evaluación del modelo de RBR
2.4.1. Validación cruzada
Consiste en dividir los datos de la
muestra en tres partes; una se uti-
liza como conjunto de entrenamiento
para determinar los parámetros esti-
mados del modelo de RBR; la segun-
da muestra denominada muestra de
prueba es un conjunto independiente
de datos que se utiliza para realizar
un seguimiento de los errores du-
rante el entrenamiento, con el n de
evitar un sobre entrenamiento de la
red. La tercera muestra, denominada
muestra de reserva, es otro conjunto
guientes reglas de aprendi-
zaje:
*
1
*
1
() ( 1) ( () ()) ()
() ( 1) ( () ())
1, 2,.., , 1, 2,...,
ik ik k k i
kk kk
wn wn yn yn n
un un yn yn
k ri m
αφ
α
= −+ −
= −+ −
==
9Se repiten los pasos dos,
tres, y cuatro, para todos los
patrones de entrenamiento.
9Se repiten los pasos dos, tres,
cuatro y cinco, hasta que la
suma de los errores de todos
los patrones se estabilice:
2
*
1
1
() () ()
2
r
kk
k
en yn yn
=

=−

∑
independiente de datos que se utili-
za para evaluar la RBR nal; el error
de la muestra de reserva proporciona
una estimación “sincera” de la capa-
cidad predictora del modelo de RBR.
2.4.2. Clasicación
Muestra una tabla de clasica-
ción para cada variable dependiente
categórica. Cada tabla proporciona
el número de casos clasicados co-
rrecta e incorrectamente para cada
categoría de variable dependiente.
También se presenta el porcentaje de
casos totales que se clasicaron co-
rrectamente.
Figura 6: Fase supervisada, de aprendizaje del método híbrido
María Estela Ponce Aruneri y Ofelia Roque Paredes
46
PAIDEIA XXI
La salida deseada o regla de cla-
sicación es:
( )
1, 2,3,.......,
1,
0,
i
i
i
iq
si
tsi
=
∈
=∉
xY
xxY
2.4.3. Curva COR
Compara la tasa de falsos positivos
con la de verdaderos positivos. Una
curva COR proporciona una represen-
tación visual de la sensibilidad por
1-especicidad de todos los puntos
de corte de clasicación posibles.
2.5. Análisis de importancia de la
variable explicativa
Realiza un análisis de susceptibi-
lidad, para calcular la importancia de
cada variable explicativa en la determi-
nación de la RBR. El análisis se basa
en las muestras de entrenamiento y
comprobación combinadas. Así se crea
una tabla y un gráco que muestra la
importancia y la importancia normali-
zada de cada variable explicativa.
2.6. Muestra, capa de entrada y sa-
lida
En el presente trabajo se utiliza
el modelo de red de base radial para
clasicar a los pobladores mayores de
14 años de tres distritos del Perú, de
acuerdo a su percepción sobre los ro-
les de género: más a los hombres, más
a las mujeres, ambos por igual.
Trabajamos con la base de datos
proporcionados por el MIMP (Ministe-
rio de la Mujer y Poblaciones Vulnera-
bles), data utilizada para la investiga-
ción VIOLENCIA FAMILIAR Y SEXUAL
en mujeres y varones de 15 a 59 años,
realizado en los distritos de San Juan
de Lurigancho, Puno y Tarapoto, que
contenía una muestra de 1775 entre-
vistados (890 hombres y 885 mujeres).
El tipo de muestreo utilizado fue
probabilístico, trietápico e indepen-
diente por cada distrito.
El tamaño de la muestra total cal-
culado con un nivel de conanza del
90,0 %, un margen de error del 8,5 %
y una tasa de no respuesta del 10,0%.
La muestra se dividió en tres partes,
ver Tabla 1; la distribución se realizó
aplicando muestreo aleatorio simple.
Tabla1. Resumen del procesamiento
de casos
nPo rce ntaje
1241 69.9%
280 15.8%
254 14.3%
1775 100.0%
0
1775
M ue s tra
Vá lidos
Excluidos
Total
Entrenamiento
Prueba
Reserva
La capa de entrada (variables expli-
cativas):
X1 Trabaja actualmente.
X2 Nivel Educativo.
X3 Cuando era niña(o) recibió mal-
trato (físico y/o psicológico) por padres
o personas que la(o) criaron.
X4 Existencia de situaciones
violentas entre los padres de la
entrevistada(o).
X5 Ha sufrido alguna forma de
agresión sexual, antes de los 15 años.
X6 Ha sufrido agresión psicológica,
por algún miembro de su familia en
los últimos 12 meses.
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
47
PAIDEIA XXI
X7 Ha sufrido agresión física, por
algún miembro de su familia en los úl-
timos 12 meses.
X8 Ha sufrido agresión sexual, por
algún miembro de su familia en los úl-
timos 12 meses.
Los entrevistados recibieron los si-
guientes maltratos físicos y/o psicoló-
gicos, por sus padres o personas que
los criaron: cachetadas, reprimendas
verbales o gritos, patadas, puntapiés,
cocachos, golpes con látigos o correas,
jalones de cabello o de oreja, dejándo-
los encerrado, echándoles o hundién-
dolos en agua; entre otros.
Las agresiones psicológicas fre-
cuentes por algún miembro de su fa-
milia los últimos 12 meses: trato con
insultos, burlas o desprecio, ignorar o
rechazar, amenazas con hacerle daño
físico, prohibirle visitar a sus familia-
res y/o amistades, quitando o dañan-
do sus pertenencias; entre otras.
Las agresiones físicas frecuentes
por algún miembro de su familia en
los últimos 12 meses: cachetadas, ti-
rones del cabello o lanzamientos con-
tra la pared, patadas o puñetazos; en-
tre otras.
Las agresiones sexuales frecuen-
tes por algún miembro de su familia
en los últimos 12 meses: manoseos,
forzar a tener relaciones sexuales y
amenazas o acciones de represalia por
no aceptar tener relaciones sexuales;
entre otras.
No se consideró al esposo(a)/con-
viviente, ex-esposo(a)/ ex-conviviente
como miembro de la familia.
La capa de salida (Percepción
acerca de los roles de género):
Y1 A quien le corresponde realizar
las tareas del hogar.
Y2 A quien le corresponde mante-
ner económicamente a la familia.
Y3 A quien le corresponde la educa-
ción de los hijos.
Y4 A quien le corresponde decidir
sobre la sexualidad en la pareja.
Tareas del hogar: se consideraron
cocinar, lavar la ropa, hacer compras.
Educación de los hijos: corregirlos,
ocuparse de los asuntos escolares,
atenderlos cuando se enferman y lle-
varlos para su atención, jugar y llevar-
los a pasear, hablarles sobre sexuali-
dad.
Sexualidad en la pareja: momento
de tener relaciones, uso de anticon-
ceptivos, decidir cuándo tener hijos y
cuántos.
Las neuronas de la capa de entra-
da y salida se transformaron a una
escala nominal binaria, en el caso de
que las neuronas presentaban más de
dos alternativas se utilizaron variables
dummys.
3. Resultados y discusión
La Tabla 2 contiene la distribución
de la muestra bajo estudio. La mues-
tra total estaba conformada por:
49,9 % de mujeres y 50,1 % de
hombres; 33,1 % de los entrevistados
fueron del distrito de San Juan de Lu-
rigancho, 33,1 % de Puno y 33,8 % de
Tarapoto.
María Estela Ponce Aruneri y Ofelia Roque Paredes
48
PAIDEIA XXI
3.1. Perl de los entrevistados
El 53,6 % de las mujeres y el 72,1
% de los hombres se encontraban tra-
bajando al momento de realizarse la
entrevista.
Con respecto al nivel educativo al-
canzado, el 48,2 % de las mujeres al-
canzó nivel secundario y 50,4 % de los
hombres educación superior.
63,6 % de las mujeres y 55,6 % de
los hombres se encuentra actualmen-
te unidos.
72,8 % de las mujeres y 53,5 % de
los hombres tienen hijos.
86,2 % de las mujeres y el 92,1
% de los hombres sufrieron maltra-
to (físico y/o psicológico) cuando era
niña(o) por sus padres o personas que
la criaron.
47,6 % de las mujeres y 52,1 % de
los hombres manifestaron que hubo
situaciones violentas entre sus padres.
26,8 % de las mujeres y el 20,6 %
de los hombres señaló que sufrió algu-
na forma de agresión sexual, antes de
los 15 años.
9,8 % de mujeres y 4,7 % de hom-
bres sufrieron agresión psicológica,
por algún miembro de su familia en
los últimos 12 meses.
3,3 % de mujeres y 1,2 % de hom-
bres manifestaron haber sufrido agre-
sión física, por algún miembro de su
familia en los últimos 12 meses.
0,7 % de mujeres y 2,8 % de hom-
bres no sufrieron agresión sexual, por
algún miembro de su familia en los úl-
timos 12 meses.
Con respecto a quien le correspon-
de realizar las tareas del hogar, el 75,4
% de las mujeres y el 65,7 % de los
hombres consideran a ambos géneros
por igual.
El 79,7 % de mujeres y 62,2 % de
los hombres consideran que mantener
económicamente a la familia le corres-
ponde tanto a hombres como a muje-
res.
Respecto a quien debe ocuparse de
la educación de los hijos, 94,6 % de
mujeres y 96,1 % de hombres consi-
deran que esta tarea la deben realizar
mujeres y hombres.
Con respecto a las decisiones so-
bre la sexualidad de la pareja, el 94
% y el 95,6 % de mujeres y hombres
respectivamente, consideran que las
decisiones la deben tomar hombres y
mujeres por igual.
Tabla 2. Distribución de la muestra
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
49
PAIDEIA XXI
3.2. Resultados del modelo
La Tabla 3, muestra los resultados
de la etapa de entrenamiento, prueba
y reserva del modelo de red de base
radial. Con los resultados del entrena-
La gura 7, muestra la arquitectura
de la red de base radial para nuestra
investigación. Las ocho variables ex-
plicativas se reeren al estilo de crian-
za, relaciones familiares, situación
laboral y nivel educativo; y las cuatro
variables dependientes a la percepción
sobre los roles de género que tienen
los pobladores mayores de 14 años de
los distritos de San Juan de Lurigan-
cho, Puno y Tarapoto.
miento se estimarán los parámetros
del modelo y con los de la etapa de re-
serva se evaluara la capacidad predic-
tiva del modelo.
3.3. Evaluación del modelo
3.3.1. Validación del modelo y cla-
sicación
Con el modelo obtenido en la etapa
de entrenamiento, se procede a vali-
darlo, para evaluar su capacidad de
clasicación y predicción; utilizaremos
el segundo (280) y tercer grupo (250)
de datos. Los resultados se muestran
en la Tabla 4.
Tabla 3. Resumen del modelo
Suma de errores cuadráticos 619.021
17.0%
Suma de errores cuadráticos 137,542
a
17.2%
Reserva
17.4%
Entrenamie nto
Prueba
a. El número de unidades ocultas está determinado por el criterio de datos de prueba:
El número "óptimo" de unidades ocultas es el que produce el menor error en los datos
de prueba.
Tabla 4. Porcentaje global de clasicación correcta
Clasificación Pre dicción
Mue stra prue ba Muestra de reserva
Y
1
: Tareas del hogar 69,3% 69,7%
Y
2
: Mantener económicamente a la familia 71,1% 71,7%
Y
3
:Educación de los hijos 95,0% 94,1%
Y
4
: Sexualidad de la pareja 95,7% 94,9%
Porce ntaje promedio 82,8% 82,6%
Capa de salida
María Estela Ponce Aruneri y Ofelia Roque Paredes
50
PAIDEIA XXI
Los hombres y mujeres mayores de
14 años de los distritos de San Juan
de Lurigancho, Puno y Tarapoto, fue-
ron clasicados correctamente en un
69,3; 71,1; 95y 95,7 por ciento, con
respecto a su percepción sobre a quién
le corresponde realizar las tareas del
hogar, mantener económicamente la
familia, la educación de los hijos y de-
cidir sobre la sexualidad en la pareja,
respectivamente.
El porcentaje global de hombres y
mujeres clasicados correctamente de
acuerdo a su percepción acerca de los
roles de género, es del 82,8 %; y del
82,6% para las predicciones.
Figura 7: Red de base radial con ocho variables explicativas y las cuatro varia-
bles dependientes.
— Peso sináptico > 0
— Peso sináptico < 0
Función de activación de capa oculta: Softmax
Función de activación de capa de salida: Identidad
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
51
PAIDEIA XXI
3.3.2. Curva COR
Las siguientes guras muestran el
comportamiento de la curva COR (ca-
racterísticas operativas del receptor)
para cada una de las variables de res-
puesta del modelo red de base radial.
Figura 8: Curvas COR para las varia-
bles de la capa de salida
Figura 8: Curvas COR para las varia-
bles de la capa de salida
Podemos observar que las áreas
bajo la curva son aceptables.
3.4. Análisis de importancia de la
variable explicativa
La gura 9, presenta a las varia-
bles explicativas que más inuyen en
el modelo red de base radial:
X2, X3 y X1, es decir nivel educativo
alcanzado, cuando era niña(o) recibió
maltrato (físico y/o psicológico) por
padres o personas que la(o) crió, y si-
tuación laboral.
Figura 9: Importancia de las varia-
bles explicativas en el modelo de RBR
–– Más a las mujeres
–– Más a los hombres
–– Ambos por igual
–– Más a las mujeres
–– Más a los hombres
–– Ambos por igual
–– Más a las mujeres
–– Más a los hombres
–– Ambos por igual
–– Más a las mujeres
–– Más a los hombres
–– Ambos por igual
Variable dependiente: EDUCACIÓN DE LOS HIJOS
Variable dependiente: MANTENER ECONÓMICAMENTE A LA FAMILIA
Variable dependiente: TAREAS DEL HOGAR
Variable dependiente: SEXUALIDAD DE LA PAREJA
María Estela Ponce Aruneri y Ofelia Roque Paredes
52
PAIDEIA XXI
4. Conclusiones
1. El modelo red de base radial
proporciona el 82,8% de clasi-
caciones correctas; es decir,
aproximadamente1470 de los
1775 entrevistados que residen
en los distritos de San Juan de
Lurigancho, Puno y Tarapoto,
fueron clasicados de acuerdo
a su percepción sobre el rol de
género.
2. El nivel educativo alcanzado,
cuando era niña(o) recibió mal-
trato (físico y/o psicológico) por
padres o personas que la(o) cria-
ron y la situación laboral, son
los factores que más inuyeron
en la percepción sobre los roles
de género, de hombres y mujeres
mayores de 14 años, residentes
en los distritos de San Juan de
Lurigancho, Puno y Tarapoto.
3. Cuando se aplicó el modelo red
de base radial por separado para
hombres y mujeres, se obtuvo
que los factores que más inu-
yeron en la percepción sobre los
roles de género de las mujeres
son: nivel educativo, agresión
psicológica en los últimos doce
meses por algún miembro de su
familia, y cuando era niña reci-
bió maltrato (físico y/o psicoló-
gico) por padres o personas que
la criaron; mientras que para el
caso de los hombres: la situa-
ción laboral, haber sufrido al-
guna forma de agresión sexual
antes de los 15 años y el nivel
educativo alcanzado.
4. Las predicciones correctas sobre
las percepciones sobre roles de
género son del 82,6% de hom-
bres y mujeres de los tres dis-
tritos. La mayoría considera que
las tareas del hogar, mantener
económicamente a la familia,
la educación de los hijos y la
sexualidad de la pareja, deben
ser asumidos por igual entre
hombres y mujeres.
5. Para lograr la igualdad y equi-
dad de género, no es suciente
que se incremente porcentaje de
niños que asisten a la escuela o
que se den leyes para proteger
a las mujeres; es necesario edu-
car y reeducar a la familia; se
requiere programas que logren
transformar la cultura institu-
cional.
Agradecimiento
A la Dra. Ana María Alejandra Men-
dieta Trefogli, Directora Ejecutiva del
Programa Nacional contra la Violencia
Familiar y Sexual del MIMP, por facili-
tarnos la base de datos con la que tra-
bajamos en la presente investigación.
Modelo red de base radial para clasicar a los pobladores de los distritos de San Juan de Lurigancho, Puno y Tarapoto
53
PAIDEIA XXI
REFERENCIAS BIBLIOGRÁFICAS
[1] Aldabas-Rubira, E. (2002) Introducción al reconocimiento de patrones
mediante redes neuronales.
VII Jornadas de Conferencias - DEE- Campus Terrassa. Barcelona. Recu-
perado el 24 de enero del 2011, desde http://www.jcee.upc.edu/JCEE2002/
Aldabas.pdf
[2] Bardales, O., Huallpa, E. (2009) Violencia Familiar y Sexual en Mujeres
y Hombres de 15 a 59 años: Estudio realizado en los distritos de San Juan de
Lurigancho, Puno y Tarapoto. Lima: Ministerio de la Mujer y desarrollo Social.
[3] Bishop, C. (1995) Neural Networks for Pattern Recognition. United King-
dom. Oxford University Press.
[4] Haykin, S. (1999) Neural Networks a Comprehensive Foundation. 2. Ed.
New Jersey: Prentice Hall International.
[5] Hernández, J., Ramírez, Ma J. y Ferri, C.(2005). Introducción a la Minería
de Datos. Pearson Education S.A. Madrid.
[6] Hilera, J., Martínez, V. (1995) Redes Neuronales Articiales. Fundamen-
tos, modelos y aplicaciones. Madrid: Rama.
[7] Isasi, P., Galván, I. (2004) Redes de neuronas articiales. Un enfoque
práctico. Madrid: Pearson Prentice Hall.
[8] Pitarque, A., Roy, J., Ruiz, J. (1998) Redes neurales vs. Modelos estadís-
ticos: Simulaciones sobre tareas de predicción y clasicación. Psicológica, 19,
387 - 400.