Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning

Simple item page
dc.contributor.advisorSullon Macalupu, Abel Angel
dc.contributor.authorPretel Pretel, Rider Manuel
dc.contributor.authorChavez Llempen, Yeny Elizabeth
dc.date.accessioned2026-04-07T20:29:37Z
dc.date.available2026-04-07T20:29:37Z
dc.date.embargoEnd2026-01-19
dc.date.issued2026-01-19
dc.description.abstractLa inhabilitación de profesionales titulados por impago de sus cuotas mensuales constituye un riesgo operativo significativo para la sostenibilidad financiera de las asociaciones profesionales. Este problema destaca la necesidad de contar con herramientas predictivas que puedan anticipar el riesgo de inhabilitación y proteger la estabilidad institucional. El objetivo principal del estudio consistió en desarrollar un modelo de aprendizaje automático supervisado para estimar el riesgo de inhabilitación entre los profesionales registrados, basándose en variables históricas y contextuales. Se llevó a cabo un estudio empírico, aplicado y cuantitativo mediante el análisis de más de 5,7 millones de registros financieros correspondientes a 27,964 profesionales registrados. Se evaluaron múltiples algoritmos de clasificación supervisada, incluidos modelos conjuntos como CatBoost y XGBoost, utilizando técnicas de validación cruzada estratificada y métodos de balanceo de clases para abordar el desequilibrio sustancial de los datos. Los resultados indican que CatBoost obtuvo el mejor desempeño (puntuación F = 57,96%; AUC = 0,72), mientras que XGBoost mostró una mayor estabilidad en la validación cruzada. En conclusión, el modelo desarrollado permite identificar oportunamente a los miembros con alto riesgo de descalificación, lo que facilita la implementación de sistemas de alerta temprana y estrategias proactivas de gestión financiera institucional.
dc.description.escuelaEscuela de Posgrado
dc.description.lineadeinvestigacionInteligencia artificial
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/9993
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectRiesgo institucional
dc.subjectVariables finacieras
dc.subjectVariables sociodemograficas
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04
dc.titlePredicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning
dc.typeinfo:eu-repo/semantics/masterThesis
renati.advisor.dni06812118
renati.advisor.orcidhttps://orcid.org/0000-0003-4142-7230
renati.author.dni40968877
renati.author.dni40778180
renati.discipline612467
renati.jurorAbanto Ramirez, Carlos Daniel
renati.jurorLópez Gonzales, Javier Linkolk
renati.jurorTocto Cano, Esteban
renati.jurorSullon Macalupu, Abel Angel
renati.levelhttps://purl.org/pe-repo/renati/level#maestro
renati.typehttp://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineMaestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información
thesis.degree.grantorUniversidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.nameMaestro en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Rider_Trabajo_Maestro_2026.pdf
Size:
2.13 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
203.88 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de similitud.pdf
Size:
992.98 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Magíster en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información