deletions | additions       diff --git a/section_Conclusiones_Las_RN_proporcionan__.tex b/section_Conclusiones_Las_RN_proporcionan__.tex  index c6c2627..47cf2aa 100644  --- a/section_Conclusiones_Las_RN_proporcionan__.tex  +++ b/section_Conclusiones_Las_RN_proporcionan__.tex 
...
En \'esta revisi\'on hemos considerado fundamentalmente el modelo de red m\'as sencillo. Los valores del error cuadr\'atico m\'inimo alcanzan valores del 0.002 como condici\'on de paro, ya establecida m\'inima alcanzada en la experimentaci\'on, entre las iteraci\'ones promedio de 1000 y 3000, mostrando los pesos adecuados para la realizaci\'on de la predicci\'on.   Se ha demostrado que el sistema de predicci\'on tiene la capacidad de predecir dentro de un margen de error de 2\%, este porcetaje de obtuvo por medio de  la experimentaci\'on. %Los par\'ametros del proceso se han optimizado con la ayuda del sistema de predicci\'on. Los resultados de la simulación muestran el buen desempe\~no y la pertinencia general de esta metodol\'ogía en la estimaci\'on de fen\'omenos de comportamiento no lineal.  En la actualidad se trabaja con nuevos tipos de redes m\'as que incorporan t\'ecnicas adicionales como son los algoritmos gen\'eticos y los modelos h\'ibridos. Con ello, se empieza a disponer de herramientas que se fundamentan en el c\'alculo intensivo y que desaf\'ian a los planteamientos estad\'isticos convencionales. Estas t\'ecnicas proporcionan nuevos puntos de vista que pueden ayudar a obtener herramientas m\'as eficaces en muchas aplicaciones pr\'acticas. As\'i, en un futuro no deber\'ia plantearse en t\'erminos de competencia entre estos nuevos m\'etodos y la estad\'istica, sino que debería contemplar su acercamiento y complementaci\'on para construir modelos de predicci\'on que sean m\'as v\'alidos.