Maestría Facultad de Ciencias Matemáticas

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/42

Browse

Browsing Maestría Facultad de Ciencias Matemáticas by browse.metadata.advisor "Huamán Gutiérrez, Zoraida Judith"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Efecto del tamaño de muestra en los índices de ajuste del análisis factorial confirmatorio sobre el cuestionario PHQ-9 aplicado a la población peruana
    (Universidad Nacional Mayor de San Marcos, 2022) Tarazona Cochachin, Moises Enrique; Huamán Gutiérrez, Zoraida Judith
    Determina el efecto del tamaño de muestra en los índices de ajuste del análisis factorial confirmatorio sobre el cuestionario PHQ-9 aplicado a la población peruana. Investigación aplicada, de diseño experimental, población conformada por 34476 registros de la encuesta ENDES-INEI 2018, y el tamaño de muestra estuvo conformado por muestra elegidas mediante el muestreo Bootstrap con 100 réplicas en cantidad de 50, 100, 250, 500, 750, 1000, 2500, 5000 y 10000 casos. El tamaño de muestra presenta un efecto directo en los índices de ajuste del análisis factorial confirmatorio sobre el cuestionario PHQ-9 aplicado a la población peruana, tal como se muestran en las figuras y tablas 2 al 21, donde se evidencia que el tamaño de muestra presenta un efecto directo con concavidad hacia arriba en el X2, X2/gl, AIC y BIC, efecto directo con concavidad hacia abajo en el CFI, TLI, NNFI, RFI, NFI, PNFI, IFI, RNI, GFI, AGFI, PGFI Y MFI, y en algunas medidas de bondad de ajuste un efecto indirecto en el RMSEA, RMR, SRMR y ECVI. Por lo que se contrasta un efecto directo e inverso del tamaño de muestra sobre las medidas de bondad de ajuste. El tamaño de muestra presenta efecto directo o indirecto según corresponda en los índices de ajuste del análisis factorial confirmatorio sobre el cuestionario PHQ-9 aplicado a la población peruana.
  • Thumbnail Image
    Item
    Factores que determinan el embarazo adolescente a través de las técnicas del machine learning en el Perú, 2019-2020
    (Universidad Nacional Mayor de San Marcos, 2024) Céspedes Panduro, Bernardo; Huamán Gutiérrez, Zoraida Judith
    Determina los factores más importantes que predicen el embarazo adolescente a través de la mejor técnica del machine learning en el Perú, durante los años 2019 al 2020. Para la elección de los factores asociados a la fecundidad adolescente para su posterior análisis se hace uso del marco teórico propuesto por Di Cesare e Rodríguez-Vignoli en el año 2006. Se propone nueve técnicas de machine learning como son: Máquina de Vectores Soporte, Regresión Logística Binaria, Árbol de decisión, AdaBoost, Gradient Boosting, XGBoost, ExtraTrees, Bagging y Random Forest para el estudio del embarazo adolescente en el Perú, eligiéndose la mejor técnica a partir de sus métricas (Accuracy y ROC AUC). El presente trabajo de corte transversal utilizó la base de datos de la Encuesta Demográfica y de Salud Familiar (ENDES) 2019-2020 que fue dirigida por el Instituto Nacional de Estadística e Informática (INEI), utilizándose una muestra de 16825 mujeres adolescentes encuestadas entre los años 2019 al 2020. El estudio encuentra que la mejor técnica para predecir el embarazo adolescente a partir de los factores que se han tenido en cuenta es Random Forest (Accuracy = 96.58% y AUC = 99%), por otro lado, los factores más importantes fueron: Ha tenido una primera unión, seguido por Alguna vez usó cualquier método anticonceptivo y Actualmente asiste a la escuela, colegio, instituto o universidad.