Repositorio DSpace

Resultados de la búsqueda

Mostrando 1 - 10 de 28

Modelo de Machine Learning para predecir la deserción universitaria a partir de factores socioeconómicos y académicos
(Universidad Peruana Unión, 2024-04-02) Izquierdo Marin, Sandra Sofia; Torres Navarrete, William Robert; Soria Quijaite, Juan Jesús
El estudio se centró en generar un modelo de Machine Learning que pueda predecir la deserción de los estudiantes de la Universidad Católica de Trujillo en el periodo 2021-2022, a partir de factores socioeconómicos y académicos, cuya efectividad sea superior al 75%. El diseño metodológico de este estudio fue mixto, ya que no solo utilizó un método estadístico, sino también el análisis documental de casos, los cuales están recolectado de forma numérica y categórica para determinar la relación entre factores socioeconómicos y académicos y la deserción universitaria de los estudiantes, así como explicar y predecir a través de ellos escenarios futuros de la variable dependiente. La población estudiada consistió en dos cohortes (2021 y 2022) de 11 carreras de nivel pregrado dictadas en la Universidad Católica de Trujillo; totalizando 3156 alumnos, de los cuales 789 han abandonado los estudios (índice de deserción del orden del 25%). En conclusión, el modelo propuesto es significativo (p- value: 0) en base a cuatro factores predictores (lugar de procedencia, hermanos, institución educativa de egreso y cantidad de cursos desaprobados). Además, los factores socioeconómicos abordados si se relacionan de forma significativa con la deserción universitaria, a excepción del género (masculino y femenino), cuya relación no es significativa (chi2=,338). Además, los resultados obtenidos mediante el análisis de chi- cuadrado indica que todos los factores académicos están relacionados de forma significativa. Finalmente, el modelo es capaz de clasificar correctamente 98.7% de las observaciones de entrenamiento.
Un análisis integral del brote de viruela simica utilizando un modelo conjunto de series temporales: un estudio de caso de países con zonas críticas
(Universidad Peruana Unión, 2024-04-08) Huaman Alfaro, Juan Carlos; Meza Cuba, Wilfredo; Iftikhar, Hasnain
La pandemia de coronavirus ha suscitado preocupaciones sobre la aparición de otras infecciones virales, como la viruela del mono, que se ha convertido en un peligro significativo para la salud pública. Por lo tanto, este trabajo propone una nueva técnica de conjunto de series temporales para analizar y predecir la propagación de la viruela del mono en los cuatro países con mayores tasas de infección por el virus de la viruela del mono. Este enfoque involucró el procesamiento de la primera serie temporal acumulativa de casos confirmados para abordar la estabilización de la varianza, la normalización, la estacionariedad y un componente de tendencia secular no lineal. Después de eso, se utilizaron cinco modelos de series temporales individuales y tres modelos de conjunto propuestos para estimar la serie temporal filtrada de casos confirmados. La precisión de los modelos se evalúa utilizando errores medios típicos de precisión, evaluación gráfica y una prueba estadística de igual precisión de pronóstico. Basado en los resultados, se encontró que el enfoque de pronóstico de conjunto de series temporales propuesto es una manera eficiente y precisa de pronosticar los casos confirmados acumulativos para los cuatro principales países del mundo y el mundo entero. Utilizando el mejor modelo de conjunto, se hace un pronóstico para los próximos 28 días (cuatro semanas), lo que ayudará a comprender la propagación de la enfermedad y los riesgos asociados. Esta información puede prevenir una mayor propagación y permitir un tratamiento oportuno y efectivo. Además, el enfoque novedoso de conjunto de series temporales desarrollado puede ser utilizado para pronosticar otras enfermedades en el futuro.
Adaptación y validación de la escala ATAI para evaluar las actitudes hacia la inteligencia artificial en estudiantes universitarios peruanos
(Universidad Peruana Unión, 2024-08-29) Zelarayan Adauto, Marisol Edith; Armas Castañeda, Richard Miller; López Gonzales, Javier Linkolk
El estudio tuvo como objetivo adaptar y validar la escala ATAI (Actitudes Hacia la Inteligencia Artificial) para medir las actitudes de los estudiantes universitarios peruanos hacia la inteligencia artificial. Participaron en este estudio 200 estudiantes (129 mujeres; edad promedio = 22.45 años, (DE = 1.66) de una universidad pública en Perú. Se llevaron a cabo análisis factoriales exploratorios y confirmatorios para comprobar la validez de la estructura interna de la escala adaptada. Los resultados revelaron una estructura de dos factores: actitudes positivas y actitudes negativas. El análisis factorial confirmatorio inicial (Modelo 1) no reveló un ajuste totalmente aceptable. Sin embargo, un modelo reajustado (Modelo 2) basado en indicadores de modificación mostró un ajuste considerablemente mejor a los datos según varios índices de bondad de ajuste. La escala adaptada demostró ser confiable, con coeficientes alfa de Cronbach y omega de McDonald adecuados. El índice de ajuste del modelo de dos factores fue: chisq = 47.9 /df= 5,0; SRMR = 0.127, RMSEA = 0.93, TLI = 0.21, CFI = 0.86. Estos descubrimientos proporcionan evidencia preliminar de la validez y confiabilidad de la escala ATAI adaptada para medir las actitudes hacia la inteligencia artificial en la población de estudiantes universitarios peruanos.
Aplicación de aprendizaje automático en espectros de infrarrojo cercano para la predicción de humedad en comino molido
(Universidad Peruana Unión, 2025-04-27) Villalta Arellano, Segundo Ramos; López Gonzales, Javier Linkolk
El comino (Cuminum cyminum L.) es una de las especias más valoradas a nivel mundial, y el contenido de humedad constituye un parámetro crítico para evaluar su calidad y seguridad. Este estudio tuvo como objetivo evaluar el rendimiento de algoritmos de aprendizaje automático en el análisis de espectros de infrarrojo cercano (NIR) para la predicción de humedad en comino molido. Se recolectaron seis muestras de comino y se obtuvieron espectros NIR en el rango de 1100-2100 nm. Los espectros, expresados en absorbancia, fueron pretratados utilizando Savitzky-Golay (SG) y normalización de manera independiente, seguidos por una optimización mediante análisis de componentes principales (PCA). Los datos completos y los optimizados se modelaron empleando regresión lineal múltiple (MLR) y máquinas de vectores de soporte cuadrático (QSVM). Los modelos se entrenaron mediante validación cruzada de 5 particiones con 30 repeticiones, evaluando su desempeño mediante el coeficiente de determinación (R²) y la raíz del error cuadrático medio (RMSE). En el conjunto de datos completo, QSVM con pretratamiento SG obtuvo los mejores resultados (R² = 0.99; RMSE = 0.0582). Para los datos optimizados, QSVM combinado con normalización presentó un rendimiento destacado (R² = 0.97; RMSE = 0.0919). Estos hallazgos resaltan que QSVM, gracias a su capacidad para capturar relaciones no lineales, ofrece predicciones más precisas y robustas en comparación con MLR. Este estudio sugiere explorar técnicas avanzadas basadas en aprendizaje profundo y/o algoritmos complementarios que puedan mejorar el rendimiento de los modelos predictivos.
Modelo predictivo de precios de alquiler de departamentos en la provincia de Lima usando técnicas de Machine Learning
(Universidad Peruana Unión, 2024-04-15) Cacñahuaray Huaraca, Jimmy Christian; Jiménez Novoa, Silvia Mónica; Ospina Galindez, Johann Alexis
Este estudio investiga las variaciones y previsibilidad de los precios de alquiler en el sector inmobiliario de Lima. mercado en 2023, utilizando un corpus de 3.675 registros inmobiliarios. A través de estadística descriptiva análisis, se identificaron diferencias significativas en los precios de alquiler entre distritos, lo que refleja disparidad económica y diversidad en las opciones de vivienda. Los modelos de aprendizaje automático fueron implementado para predecir los precios de alquiler seleccionando características de la propiedad como la plaza metraje, número de dormitorios, baños y garajes. Los modelos fueron evaluados en base a su precisión y eficiencia computacional, mostrando una variabilidad significativa. El modelo WeightedEnsemble_L2 se destacó, presentando altos niveles de precisión y un R² indicando una previsibilidad sólida. El análisis de importancia de las características reveló que los pies cuadrados y el número de talleres son los predictores más importantes. Estos hallazgos ofrecen valiosos ideas para las partes interesadas en el mercado inmobiliario y subrayar la eficacia de Métodos de aprendizaje automático en la valoración inmobiliaria.
Modelado y pronóstico de precios de electricidad utilizando la técnica de conjuntos de series de tiempo: aplicación al mercado eléctrico peruano
(Universidad Peruana Unión, 2024-04-02) Mancha Gonzales,Salvatore; Iftikhar, Hasnain
En los mercados eléctricos actuales, el pronóstico preciso del precio de la electricidad proporciona información valiosa para la toma de decisiones entre los participantes, lo que garantiza un funcionamiento fiable del sistema eléctrico. Sin embargo, las complejas características de las series temporales de precios de la electricidad dificultan la obtención de previsiones precisas. Este estudio aborda este desafío introduciendo un enfoque para predecir precios en el mercado eléctrico peruano. Este enfoque implica el preprocesamiento de la serie temporal mensual de precios de la electricidad, abordando los valores faltantes, estabilizando la varianza, normalizando los datos, logrando la estacionariedad y considerando cuestiones de estacionalidad. Después de esto, se emplean seis modelos base estándar para modelar la serie temporal, seguidos de la aplicación de tres modelos de aprendizaje conjunto para pronosticar la serie temporal del precio de la electricidad. También se efectuaron comparaciones entre los precios de la electricidad pronosticados y observados utilizando medidas de precisión del error medio, evaluación gráfica y una prueba estadística de igualdad precisión de pronóstico. Los resultados mostraron que el enfoque de aprendizaje conjunto propuesto, es una herramienta eficiente y precisa para pronosticar los precios mensuales de la electricidad en el mercado eléctrico peruano. Además, los modelos de aprendizaje conjunto superaron los resultados de estudios anteriores. Finalmente, si bien se han realizado numerosos estudios globales desde diversas perspectivas, no se ha llevado a cabo ningún análisis utilizando un enfoque de aprendizaje conjunto para pronosticar los precios de la electricidad en el mercado eléctrico peruano.
Modelamiento de datos sobre el comportamiento del consumidor y hábitos de compra on-line
(Universidad Peruana Unión, 2024-05-14) Hernandez Zevallos, Alison Samantha; Grijalva Salazar, Rosario Violeta; Canas Rodríguez, Paulo Jorge
Con el crecimiento del comercio electrónico y la necesidad de desarrollar estudios sobre este tema, este artículo tiene como objetivo realizar un análisis exploratorio de datos integral en términos de sector y tipo de producto, temporalidad y ubicación geográfica, con el fin de estudiar patrones y formular hipótesis para investigaciones posteriores. Utilizando un estudio observacional transversal de datos de comercio electrónico en Brasil, realizamos un preprocesamiento en bases de datos transaccionales proporcionadas por la tienda de comercio electrónico Olist en el sitio Kaggle a través de una muestra aleatoria. El análisis se centró en analizar las métricas de precio de productos y la demanda de ventas, donde los principales resultados fueron la identificación de sectores más atractivos, patrones de consumo de estacionalidad y hora/día en relación con el precio y la demanda de ventas, y patrones espaciales en relación con los estados de Brasil. Nuestros resultados mostraron que la distribución del precio medio por sector de producto es homogénea, destacándose los sectores de cama, mesa y baño, deporte y ocio, y belleza y salud con una alta demanda, en comparación con los sectores de relojes y cosas interesantes que tienen una mediana más alta en relación con los otros. En cuanto a la estacionalidad y temporalidad, observamos una tendencia de crecimiento a lo largo del tiempo con patrones de ventas/hora y día más bajos los fines de semana y, finalmente, en el análisis espacial, se muestra la discrepancia en ventas y valor pagado por productos entre las regiones del sureste y las demás regiones.
Abordaje estadístico para la evaluación de la generación de residuos sólidos domiciliarios en hogares peruanos: 2014 – 2021
(Universidad Peruana Unión, 2024-10-03) Padilla Vento, Jorge Luis; Soria Quijaite, Juan Jesús
Este estudio aborda la evaluación de la generación de residuos sólidos domiciliarios en los hogares peruanos utilizando técnicas estadísticas y la metodología de minería de datos SEMMA y PCA. El objetivo es explorar cómo la gestión de residuos, la población y el índice GPC per cápita influyen en la producción de estos residuos en los departamentos peruanos. La muestra se obtuvo de la base de datos de informes anuales presentados por los municipios distritales y provinciales al MINAM a través del Sistema de Información para la Gestión de Residuos Sólidos (SIGERSOL), incluyendo datos de los 24 departamentos del Perú, con un total de 14,852 registros organizados en 196 fichas de registro. Se aplicaron técnicas estadísticas y la adaptación de la metodología SEMMA junto con el Análisis de Componentes Principales (PCA), El ANOVA de Welch mostró diferencias significativas en la generación de residuos sólidos domiciliarios entre los departamentos peruanos [F (6, 94.310) = 790.444; p = 0.0, p < 0.05]. Además, un Eta cuadrado de 99.09% Se encontró una relación positiva entre la producción de residuos sólidos domiciliarios RSD y el número de habitantes. Lima destacó con el mayor promedio de RSD 13,220.47 toneladas y un índice per cápita GPC del 50%. En el Grupo a Lambayeque 5,616.48 toneladas, Loreto 2,946.44 toneladas y San Martín 1,596.07 toneladas registraron los promedios de RSD más altos, mientras que Amazonas 441.1 toneladas obtuvo el más bajo. Ucayali 60%, Loreto 58% y San Martín 57% mostraron los índices GPC más altos. En el Grupo b Ayacucho 701.81 toneladas tuvo el promedio de RSD más alto y Apurímac 497 toneladas el más bajo. Tacna y Apurímac con 44% y Moquegua 43% registraron los índices GPC más altos, mientras que Huancavelica 42% y Pasco 41% tuvieron los más bajos. En el Grupo C Piura 4,476.53 toneladas y La Libertad 3,478.46 toneladas mostraron los promedios de RSD más altos, mientras que Huánuco 859.41 toneladas y Cajamarca 812.74 toneladas registraron los más bajos. Ica y Piura lideraron con un GPC promedio del 48%, mientras que Puno y Junín con 43% tuvieron los valores más bajos.
Enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning
(Universidad Peruana Unión, 2023-11-30) Marroquin Marroquin, Urlish Kleyber; López Gonzales, Javier Linkolk
En la actualidad existen muchos métodos de predicción que se utilizan en el campo de la salud; no obstante, los estudios actuales requiere mayor estudio e indagación en la reactividad de resultados de las pruebas del virus de la inmunodeficiencia humana (VIH) utilizando modelos predictivos basados en Machine Learning, sin embargo, si se lograra predecir la reactividad positiva de la prueba de VIH de una persona con anterioridad, se podría realizar las acciones oportunas con antelación para poder brindarle una atención oportuna a la persona, además así poder asignar la preparación del tratamiento antirretroviral (TARV) y esquema de tratamiento a utilizar adecuado. Por tal motivo, este estudio propone un enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning. Los datos utilizados proceden de los registros del personal de salud que pertenecen a una brigada móvil y que realizan funciones de tamizaje de VIH a través del Aplicativo Móvil de Tamizaje ITS (App VIH) del Ministerio de Salud del Perú (Minsa). La metodología utilizada consistió en evaluar cuatro modelos de machine learning con los algoritmos “Decision Tree Classifier, Random Forest Classifier, Extra Trees Classifier y Extreme Gradient Boosting”, con la intención de comparar sus resultados y elegir al mejor modelo que presente el mejor desempeño, para luego ser utilizado a través de una interfaz gráfica, que permita determinar si una persona posee Reactividad Positiva o Negativa al resultado de la Prueba de VIH. Los resultados demostraron que el mejor modelo de machine learning para el estudio fue Extra Trees Classifier con un Accuracy Score de 98.19% en comparación con Decision Tree Classifier con el menor Accuracy Score de 98.03%; calculado a través de la precisión promedio usando el puntaje de validación cruzada con 10 interacciones de los datos de entrenamiento; esto indica que el modelo predice con una precisión del 98% la prueba de VIH. Por tal motivo, este modelo podrá ser usado en la toma de decisiones relacionadas con las personas que puedan contraer el VIH y así brindarles un tratamiento antirretroviral (TARV) adecuado, además de la misma forma, apoyar a las labores realizadas por las brigadas móviles urbanas en temas relacionados con el VIH.
Relaciones entre la adicción al teléfono inteligente, calidad del sueño y depresión: un analisis PLS-SEM en universitarios peruanos
(Universidad Peruana Unión, 2025-03-31) Huaranja Montaño, Max Alejandro; Tirado Rengifo, Arminda; Soto Rodríguez, Iván Dennys
Este estudio tiene como objetivo determinar la relación existente entre la adicción al teléfono inteligente, la calidad del sueño y la depresión en estudiantes universitarios peruanos. La investigación es explicativa, no experimental y transversal. En el estudio, participaron 385 universitarios empleando un muestreo no probabilístico. Los datos se recolectaron usando la versión corta de la Escala de Adicción al Teléfono inteligente (SAS-SV), el Índice de Calidad del Sueño de Pittsburgh (PSQI) y el Inventario de Depresión de Beck (BDI-II). Los hallazgos del análisis PLS-SEM indican que la adicción al teléfono inteligente se relaciona con la calidad del sueño (β = 0.661, p < 0.05) y la depresión (β = 0.299, p < 0.05). Asimismo, se observó un efecto significativo de la calidad del sueño sobre la depresión (β = 0.393, p < 0.05). Estos hallazgos resaltan la importancia de desarrollar intervenciones pedagógicas para disminuir el uso excesivo de los teléfonos inteligentes y optimizar la calidad del sueño, lo cual disminuye los síntomas de la depresión y promueve el bienestar mental de los estudiantes universitarios.

Filtros

Autor

Materias

Fecha

Tiene archivos

Ajustes

Ordenar por

resultados por página

Resultados de la búsqueda