Doctorado Facultad de Ingeniería de Sistemas e Informática

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

Browse

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

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    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.
  • Thumbnail Image
    Item
    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.