Segunda Especialidad en Estadística Aplicada para Investigación

Permanent URI for this collection

https://hdl.handle.net/20.500.12840/3089

Browse

Browsing Segunda Especialidad en Estadística Aplicada para Investigación by Author "Ospina Galindez, Johann Alexis"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    Actitud hacia la estadística sobre las competencias investigativas en estudiantes peruanos de postgrado
    (Universidad Peruana Unión, 2023-09-06) Rosales Marquez, Cinthia; Silva Aguilar, Águeda; Ospina Galindez, Johann Alexis
    Las competencias investigativas son necesarias en estudiantes de postgrado, sin embargo, en diversas ocasiones son incipientes a causa de la actitud hacia la estadística ya que sugieren dificultad para los estudiantes de programas de educación. La investigación tuvo por objetivo establecer la influencia de la actitud hacia la estadística sobre las competencias investigativas en estudiantes de postgrado de una universidad peruana. El método utilizado fue de enfoque cuantitativo de tipo explicativo entre las variables actitud hacia la estadística y las competencias investigativas; se trabajó con una muestra probabilística de 148 estudiantes de maestría en educación. Para el procesamiento de los datos, se realizó el análisis de los datos mediante técnicas multivariantes (Análisis de componentes principales, ajuste a modelo Random Forest). Respecto a la actitud estadística identificada fue negativa el 75.7% de los estudiantes; asimismo que el 35.1% evidenciaron nivel bajo de competencias investigativas. El análisis de las dimensiones predictoras, demostró una significativa influencia de los componentes cognitivo y afectivo, sobre la variable respuesta. En general, el modelo demostró su de predicción sobre la variable respuesta, concluyendo así que las actitudes negativas hacia la estadística ejercen influencia sobre las competencias investigativas, asimismo, evaluación de dimensiones muestra indicios de esta afirmación.
  • No Thumbnail Available
    Item
    ANOVA Funcional para evaluar la contaminación de PM2.5 en diferentes estaciones de monitoreo de Lima en el periodo 2023
    (Universidad Peruana Unión, 2024-10-03) Pinto Lazares, Miriam Roxana; Perez Guerra, Uri Harold; Ospina Galindez, Johann Alexis
    This study addresses the evaluation of PM2.5 pollution in Lima through the application of Functional ANOVA, with the objective of identifying significant differences in PM2.5 functional data measured at different monitoring stations in the city of Lima. Using collected air quality data, temporal trends and spatial variability of PM2.5 pollution were analyzed to highlight critical areas and suggest specific environmental management strategies. The results indicate significant differences in air quality in Lima, highlighting the importance of implementing mitigation policies tailored to local characteristics. This advanced statistical approach provides an effective tool for environmental assessment, allowing a better understanding of pollution problems and facilitating evidence-based decision making for the protection of public health and the environment. This work underscores the need for continuous monitoring and detailed studies to inform regulatory actions and environmental conservation initiatives aimed at improving air quality and health in urban areas.
  • No Thumbnail Available
    Item
    Modelo machine learning para predicción de deserción estudiantil
    (Universidad Peruana Unión, 2024-05-14) Yataco Cañari, Walter; Jacha Rojas, Johnny Prudencio; Ospina Galindez, Johann Alexis
    El persistente problema de la deserción estudiantil impacta negativamente al sector educativo y a la sociedad en general. Este estudio presenta un modelo de aprendizaje automático que aprovecha datos de la Encuesta Nacional de Hogares para predecir la deserción escolar en Perú, integrando una amplia gama de variables sociodemográficas. La investigación llena un vacío en la literatura existente al proporcionar un modelo que incorpora variables sociodemográficas, un área no explorada completamente en estudios anteriores. El modelo predictivo tiene como objetivo identificar factores asociados con la deserción escolar, ayudando a los actores educativos a implementar intervenciones efectivas. Los hallazgos subrayan el potencial del modelo para mejorar los resultados educativos al permitir la identificación temprana de estudiantes en riesgo, facilitando así un apoyo específico. Este trabajo contribuye a perfeccionar los modelos predictivos de las tasas de deserción universitaria y sugiere el uso de métodos conjuntos para mejorar la precisión de las predicciones de un solo modelo. Las investigaciones futuras podrían explorar más a fondo metodologías computacionales como el aprendizaje profundo y los modelos híbridos para predecir las tasas de deserción escolar y su comparación con los resultados de este estudio, considerando factores influyentes adicionales que no se tratan en esta investigación.