Doctorado Facultad de Ingeniería de Sistemas e Informática

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/129

Browse

Now showing 1 - 7 of 7

Modelo de agrupamiento para evaluar la calidad de enseñanza docente en la educación superior basado en aprendizaje automático
(Universidad Nacional Mayor de San Marcos, 2025) Zambrano Romero, Walter Daniel; Rodriguez Rodriguez, Ciro
Las Instituciones de Educación Superior (IES) tienen como finalidad brindar a sus estudiantes una educación de calidad, que permita mejorar la eficacia de la enseñanza de los docentes. La enorme cantidad de datos acumulados en las IES puede ayudar a descubrir conocimiento útil para la calidad de enseñanza lo que implica una importante tarea de análisis de datos para medir el desempeño de los docentes y predecir su efectividad en el ámbito educativo. Este estudio construye un modelo de aprendizaje automático de calidad de enseñanza docente (CEDU-ML) y su marco de factores de la calidad enseñanza docente (MFCED que diseño un artefacto de solución utilizando algoritmos de aprendizaje automático no supervisado con 26 criterios de factores para su medición, en las evaluaciones de desempeño docente, tiene como objetivo apoyar el crecimiento profesional de los educadores y mejorar los entornos de aprendizaje de los estudiantes, para este estudio se utilizaron 6 periodos académico. Asimismo, para mantener el nivel de calidad en el CEDU-ML y MFCED se empleó y validó un modelo de aprendizaje automático que clasifica la calidad de enseñanza de los docentes, donde se utilizaron los modelos de ML Kmeans con Silhouette Score: 0.72 y el modelo Agglomerative Clustering con Silhouette Score: 0.70, se identificó que Kmeans presentó ligeramente el mejor resultado aplicando una validación cruzada de 5 veces. Además, se aplicó el algoritmo de Random Forest, donde se obtuvo una precisión del 98,88 %, lo que evidencia una muy buena clasificación en el agrupamiento de los clusters. El estudio concluye que el uso de aprendizaje automático contribuye significativamente en la calidad de enseñanza docente, permitiendo identificar patrones que no están a vistas del ojo humano, para aplicar retroalimentaciones de mejoras a los docentes en las diferentes dimensiones del marco de factores. Este enfoque está desarrollado para la educación superior en una facultad y dos carreras, el cual podría extenderse a otros sectores de la educación, aplicarse a las diferentes facultades y agregar nuevas variables significativas que sigan optimizando el modelo.
Modelo de aprendizaje automático para mejorar la predicción de la quiebra de empresas
(Universidad Nacional Mayor de San Marcos, 2025) Quinteros Navarro, Dino Michael; Rodriguez Rodriguez, Ciro
El objetivo del trabajo de investigación fue desarrollar un modelo de aprendizaje automático para optimizar la predicción de la quiebra de empresas. El tipo de investigación fue aplicada con enfoque cuantitativo y diseño experimental. Asimismo, la muestra estuvo conformada por 379 empresas ubicadas en Lima Metropolitana, donde se realizó la aplicación de un instrumento (encuesta) y se clasificó en dos dimensiones: Entorno Empresarial y Situación Financiera. En ese marco, las actividades realizadas permitieron generar la matriz del conjunto de datos de 7,959 celdas. Posterior a ello, se ejecutaron 4 etapas, la primera etapa fue realizar el preprocesamiento: Limpieza de datos, normalización y categorización. La segunda etapa fue evaluar algoritmos y seleccionar el de mejor performance. La tercera etapa consistió en implementar el modelo mediante la identificación de factores relevantes y generar correlaciones. La cuarta etapa fue evaluar el modelo mediante métricas de performance. En ese sentido, los resultados mostraron que el modelo optimizado de aprendizaje supervisado (MO2A) obtuvo precisión 97%, exactitud 97%, sensibilidad 99% y f1-score 98%. Asimismo, para comprobar las hipótesis se realizaron las medidas estadísticas de Wilcoxon, coeficientes de correlación de Rho Spearman y Kappa de Cohen. Finalmente, se precisa que el desarrollo de un modelo de aprendizaje automático para mejorar la predicción de la quiebra de empresas propicia mejores panoramas para la toma de decisiones y evitar escenarios de quiebra empresarial.
Modelo de predicción basado en aprendizaje automático para la explicabilidad del riesgo de accidente vehicular por conducta de manejo
(Universidad Nacional Mayor de San Marcos, 2025) Lacherre Vargas, Javier Enrique; Rodriguez Rodriguez, Ciro
Este estudio tiene como objetivo desarrollar un modelo de predicción basado en aprendizaje automático para explicar el riesgo de accidentes vehiculares en vehículos pesados del sector minero, específicamente en carreteras rurales. Con datos de telemetría recolectados en tiempo real, se busca identificar patrones de comportamiento del conductor y condiciones del vehículo que logren predecir accidentes en tiempo real. Se usa un modelo ensamblado, que combina varios algoritmos de aprendizaje automático, con el fin de mejorar la exactitud y sensibilidad en la predicción de los riesgos. El estudio se estructura en tres fases principales. Primero, se lleva a cabo un estudio naturalista que recolecta datos de telemetría de vehículos pesados en operaciones mineras en carreteras rurales. En segundo lugar, se desarrolla y valida un modelo de predicción que combina modelos individuales para optimizar los resultados y lograr un equilibrio entre exactitud, sensibilidad y capacidad explicativa. Por último, se evalúa el modelo con un conjunto de datos independientes, y se demuestra que mantiene altos niveles de exactitud y fiabilidad. Los resultados obtenidos muestran que el modelo propuesto puede identificar de manera efectiva los riesgos de accidentes en función de 15 características del comportamiento del conductor. Además, el estudio confirma que un modelo ensamblado mejora significativamente los resultados en comparación con modelos individuales. Este enfoque está desarrollado para el sector minero, pero podría extenderse a otros sectores del transporte pesado. Por lo tanto, el estudio proporciona un modelo innovador para mejorar la seguridad vial y reducir el riesgo de accidentes en carreteras rurales.
Modelo de predicción de deserción de clientes de servicio postpago de telefonía móvil en empresas de telecomunicaciones
(Universidad Nacional Mayor de San Marcos, 2025) Freire Vera, David Andres; Rodriguez Rodriguez, Ciro
El sector de telecomunicaciones ha experimentado un crecimiento exponencial desde el año 2000, alcanzando 5.31 billones de usuarios hasta el 2022 y generando ingresos de 1.07 trillones de dólares, sin embargo, este crecimiento conduce a una intensa competencia entre las empresas para la adquisición de clientes, especialmente en servicios móviles, lo que a menudo resulta en una deserción de clientes "churn". Por ello, se vienen desarrollando múltiples investigaciones que presentan algoritmos de predicción, que ayuden a tomar acciones con antelación para evitar la fuga de clientes, sin embargo, no existe homogeneidad entre las variables utilizadas en el conjunto de datos, el diseño de pasos para obtención del modelo y su comprobación, por lo cual el objetivo de esta investigación consiste en determinar cómo contribuye el uso del modelo de aprendizaje automático a la predicción de la deserción de clientes postpago en empresas de telecomunicaciones, considerando las variables del conjunto de datos (pertenecientes o no al sector de telecomunicaciones), el diseño del modelo y su validación a través de técnicas como la validación cruzada, prueba t de Student y el test de McNemar, demostrando con un p-value cercano a 0 que el modelo supera significativamente a los modelos base, y alcanzando un F1 score de 84% y un recall de 74%. El estudio concluye que el uso de aprendizaje automático contribuye significativamente a predecir la deserción de clientes, proponiendo mejoras en la integración de datos externos y exploración de nuevas técnicas de ensamblaje. La implementación del modelo puede extenderse a otros sectores, sugiriendo incluir variables macro y microeconómicas para una visión más completa del cliente.
Modelo híbrido optimizado ARIMA–LSTM basado en aprendizaje automático para el pronóstico de denuncias por ciberdelitos contra el patrimonio en el Perú
(Universidad Nacional Mayor de San Marcos, 2026) Morales Barrenechea, Manuel Martin; Rodriguez Rodriguez, Ciro
El crecimiento sostenido de los ciberdelitos, en particular aquellos que afectan el patrimonio en el Perú, plantea retos significativos para la prevención y respuesta institucional. Esta investigación tiene como objetivo entrenar un modelo utilizando métodos de aprendizaje automático para maximizar la precisión de la estimación de denuncias con respecto a los delitos cibernéticos contra la propiedad, lo que podría permitir diseñar estrategias efectivas en la lucha contra el cibercrimen. Utilizando la metodología CRISP-DM, desarrollamos un híbrido basado en modelos ARIMA y LSTM. ARIMA fue entrenado para representar los elementos lineales de la serie temporal y LSTM para representar la complejidad de los patrones no lineales. Debido a que la serie original no era estacionaria según la prueba ADF, aplicamos diferenciación para transformar la serie inicial a estacionaria antes de utilizar ARIMA. Adicionalmente, se utilizaron técnicas de optimización de hiperparámetros en ambos modelos para mejorar su rendimiento predictivo. Los resultados muestran que el MAPE del modelo híbrido optimizado ARIMA-LSTM fue del 10.73% que es superior el rendimiento de los modelos individuales. La prueba estadística Diebold–Mariano evidenció diferencias significativas en favor del enfoque combinado. El modelo fue evaluado con datos de 60,378 incidencias reportadas por la Policía Nacional del Perú entre el 2018 y el 2023. Como conclusión, el modelo híbrido propuesto constituye una solución metodológicamente sólida y estadísticamente precisa para el pronóstico de denuncias, aportando una herramienta innovadora que puede ser utilizada por entidades responsables de la investigación criminal y el cumplimiento de la ley, como la Policía Nacional y Fiscalía de la Nación, para anticipar tendencias y fortalecer la lucha contra el cibercrimen.
Modelo holístico de analítica avanzada para optimizar la toma de decisiones organizacionales
(Universidad Nacional Mayor de San Marcos, 2026) Morales Arevalo, Juan Carlos; Rodriguez Rodriguez, Ciro
En las organizaciones actuales, la toma de decisiones es cada vez más compleja. Esto se debe principalmente a que los datos suelen estar dispersos, presentan problemas de calidad y no siempre existen arquitecturas analíticas integradas que permitan transformar esa información en conocimiento accionable. Aunque la analítica avanzada y la toma de decisiones han sido ampliamente estudiadas, persiste una limitada articulación estructural entre ambas dentro de un mismo marco arquitectónico. Esta tesis doctoral aborda ese vacío mediante el diseño y validación de un Modelo Holístico de Analítica Avanzada orientado a optimizar la toma de decisiones organizacionales. Desde una perspectiva pragmática, la investigación se inscribe en la metodología Design Science Research (DSR), privilegiando el diseño, la construcción y la evaluación de un artefacto analítico por encima de la mera contrastación de hipótesis estadísticas. En relación con el Objetivo Específico 1, las fases del modelo fueron configuradas mediante la integración sistemática de marcos teóricos y el examen crítico de la literatura especializada, con lo cual quedó delineada su arquitectura conceptual. En coherencia con el Objetivo Específico 2, el Modelo Holístico de Analítica Avanzada se concibió a partir de la descomposición funcional de sus componentes y de la articulación de flujos de integración alineados con el proceso clásico de toma de decisiones —inteligencia, diseño y elección—. Respecto al Objetivo Específico 3, la validación se articuló mediante un juicio estructurado de expertos orientado a valorar pertinencia, utilidad y viabilidad. Con posterioridad, se implementó un caso aplicado con datos abiertos, incorporando técnicas de analítica avanzada en Python, lo que permitió constatar eficacia operativa, incremento en la confiabilidad de los datos, mayor coherencia analítica y precisión predictiva; tales resultados posibilitaron sustentar decisiones más consistentes y oportunas. En conjunto, los hallazgos permiten sostener el cumplimiento del objetivo general: desarrollar un modelo holístico de analítica avanzada con capacidad para optimizar la toma de decisiones organizacionales.
Modelo integrado de calidad de servicios usando BI, Servperf, Análisis Factorial y Análisis de Sentimientos, para determinar la satisfacción estudiantil universitaria
(Universidad Nacional Mayor de San Marcos, 2026) Moquillaza Henriquez, Santiago Domingo; Rodriguez Rodriguez, Ciro
La calidad de los servicios universitarios representa un componente esencial para la satisfacción y el desempeño estudiantil, en este contexto, la presente Tesis desarrolló un modelo integrado para medir la satisfacción de estudiantes universitarios de pregrado (N=404) en función de la calidad del servicio, combinando Business Intelligence (BI), Servperf, análisis factorial y análisis de sentimientos. Mediante una metodología aplicada, no experimental y transversal, se utilizaron softwares como SPSS y Python para el análisis estadístico. Los resultados clave confirmaron una fuerte correlación (0.762) y una asociación altamente significativa (Chi-cuadrado, p=0.000) que vincula la excelencia del servicio con el grado de satisfacción universitaria, hay varias pruebas estadísticas inferenciales a partir de las dimensiones, las cuales se pueden apreciar en el capítulo 4. Al explicar la satisfacción estudiantil en función a la calidad de servicio, el estudio demostró la superioridad de los modelos de Machine Learning. Específicamente, una red neuronal (R²=0.6459) explicó mejor la variabilidad que los métodos tradicionales. El aporte novedoso de la tesis entre otros es el desarrollo de un modelo reducido mediante análisis factorial (Apartado 4.2). Este modelo demostró ser robusto por los indicadores del análisis factorial confirmatorio y generó dimensiones e ítems inéditos, altamente representativos y útiles para determinar la satisfacción del estudiante universitario. A partir del modelo generado, Se tiene como contribución práctica, el desarrollo de un artefacto tecnológico en Power BI que integra y visualiza los datos. Esta investigación y el artefacto fue validada por juicio de expertos y pruebas estadísticas, demostrando su utilidad para la gestión. Se determinó que la satisfacción está influenciada por la calidad de la atención, y que el modelo integrado propuesto, materializado en la plataforma de BI, logra determinar eficazmente la incidencia que tiene la prestación del servicio en la valoración de la satisfacción del estudiante universitario.

Browse

Browsing Doctorado Facultad de Ingeniería de Sistemas e Informática by browse.metadata.advisor "Rodriguez Rodriguez, Ciro"