Doctorado Facultad de Ingeniería de Sistemas e Informática

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

Browse

Now showing 1 - 20 of 47

Open Banking (Banca Abierta) en el Perú: Un framework para la generación de nuevos servicios financieros
(Universidad Nacional Mayor de San Marcos, 2026) Hidalgo Hidalgo, Pedro Martin; Rodriguez Rodriguez, Ciro
El Open banking (Banca Abierta) representa un avance evolutivo mediante el cual las organizaciones buscan reinventarse y alinearse con las tendencias emergentes del mercado, respondiendo a transformaciones continuas en la adopción de tecnología y en los patrones de acceso. Múltiples estudios empíricos aportan evidencia de la fuerte relación entre el Open banking, plataformas digitales y la transformación de los servicios financieros en el Perú, creando así una necesidad urgente de un framework para la implementación de Open banking. Sin embargo, en el contexto peruano, el Open banking sigue siendo un concepto relativamente novedoso, Según este estudio, todavía existe escasez de investigaciones científicas rigurosas que exploren la relación entre las iniciativas de Open banking y la creación de nuevos servicios financieros. Por lo tanto, el objetivo principal de este estudio es desarrollar un framework de Open banking, materializado mediante un prototipo funcional, a partir de la percepción de los actores del sistema financiero se pueda propiciar la generación de nuevos servicios financieros en el sistema financiero peruano. Para la validación del framework propuesto, se adopta un diseño de investigación cuantitativo de tipo explicativo, sustentado en un diseño preexperimental pre–post de un solo grupo, que permite evaluar empíricamente el impacto percibido del framework en la generación y diversificación de servicios financieros. Este enfoque pre–post resulta metodológicamente más adecuado que un diseño puramente transversal, dado que incorpora mediciones longitudinales antes y después de la intervención, lo que posibilita analizar relaciones causales entre la implementación del framework de Open banking y los cambios observados en las percepciones de los participantes. El siguiente capítulo desarrolla el marco teórico y regulatorio que sustenta esta investigación, integrando modelos conceptuales clave y evidencia reciente sobre Open banking.
Contribuciones a la detección de fraude en los seguros de salud
(Universidad Nacional Mayor de San Marcos, 2026) Villegas Ortega, José Hamblett; Mauricio Sánchez, David Santos
El fraude en los sistemas de seguros de salud (FSS) representa una de las amenazas financieras más críticas para la sostenibilidad de la salud pública global. A pesar de que el Aprendizaje Automático Supervisado (AAS) ha emergido como una herramienta con alto potencial disruptivo, la literatura actual evidencia una fragmentación metodológica, predominando enfoques ad-hoc que carecen de marcos sistemáticos que aseguren la replicabilidad y eficacia en entornos de datos altamente desequilibrados. La presente investigación tiene como objetivo proponer y validar empíricamente un marco metodológico integral diseñado específicamente para este dominio. Como piedra angular del estudio, se estableció un marco teórico robusto para la delimitación conceptual y de dominio del FSS. Esta fundamentación permitió identificar no solo la naturaleza del fenómeno, sino sus manifestaciones específicas y su interdependencia con los actores clave del sistema: el proveedor (prestador de servicios), el asegurado (usuario) y la entidad aseguradora. Bajo este enfoque sistémico, se desarrolló la metodología PDHIF (Phases for Detecting Health Insurance Fraud), una arquitectura estructurada en seis fases que amalgama el conocimiento experto del dominio pericial con el ciclo de vida avanzado de la ciencia de datos. Para la validación del modelo, se ejecutó un estudio de caso sobre un corpus masivo de 8.5 millones de reclamaciones pertenecientes a un seguro de salud público en el Perú, contrastando el desempeño de tres arquitecturas algorítmicas: Random Forest, XGBoost y Multilayer Perceptron. Los hallazgos revelan una asimetría crítica en el rendimiento de los modelos según el tratamiento de los datos. En escenarios con desequilibrio de clase natural, los algoritmos mostraron una ineficacia sustancial para la detección (F1-score < 0.521), a pesar de reportar precisiones nominales superiores al 98%, lo que evidencia el sesgo de la métrica tradicional. Por el contrario, tras la implementación de técnicas de balanceo dentro del marco PDHIF, el rendimiento experimentó una optimización drástica. El algoritmo Random Forest alcanzó una métrica F1, sensibilidad y AUC de 0.994, demostrando una capacidad de discriminación casi absoluta frente a reclamaciones anómalas. En conclusión, la investigación demuestra que la robustez de un sistema de detección no reside exclusivamente en la sofisticación del algoritmo, sino en la aplicación metódica de una arquitectura de fases especializada. El marco PDHIF se posiciona como un modelo de referencia para el desarrollo de sistemas de monitoreo financiero robustos, capaces de mitigar la fuga de recursos y fortalecer la integridad de los sistemas de salud.
Ecosistema de monitorización, predicción y visualización del consumo energético en edificios inteligentes
(Universidad Nacional Mayor de San Marcos, 2026) Veloz Zambrano, Jorge Luis; Túpac Valdivia, Yván Jesús
La investigación abordó la ineficiencia en la gestión energética de edificios inteligentes, identificando la brecha crítica entre la precisión de la monitorización técnica y la falta de compromiso conductual proactivo del usuario final, justificando así la necesidad de un sistema que integre funcionalidad y engagement. El Método se basó rigurosamente en la Ciencia del Diseño (DSR), enfocándose en la construcción y evaluación formal de un Ecosistema Inteligente híbrido que fusiona la monitorización IoT en tiempo real, la predicción basada en IA (SARIMAX) y una interfaz de avatar conversacional. Los Resultados validaron la Hipótesis General en tres pilares: Rigor Analítico, donde el modelo SARIMAX demostró un error de predicción MAE significativamente menor que ARIMA (<38.7%) al integrar variables exógenas, con residuos que satisficieron la condición de ruido blanco (p-value ≈ 0.99); Rendimiento Computacional Óptimo, alcanzando una latencia de interacción inferior a 10 segundos mediante la optimización de recursos (INT8/FP16) de los modelos de IA local, lo cual es crítico para la viabilidad en tiempo real; y Usabilidad Superior, evidenciada por un puntaje SUS promedio de 98.9 ("Mejor Imaginable") y una alta Calidad Hedónica (HQ=0.889), validando el engagement necesario para la adopción proactiva del usuario. Se concluye que la arquitectura propuesta no solo cumple con los requisitos de eficiencia computacional y usabilidad, sino que establece un modelo de diseño híbrido que produce una mejora significativa en la gestión energética del edificio, contribuyendo al conocimiento sobre la integración de la IA conversacional en infraestructuras críticas.
Predicción del estrés por frío del ganado lechero utilizando técnicas de aprendizaje automático
(Universidad Nacional Mayor de San Marcos, 2026) Lascano Rivera, Samuel Benjamín; Rivera Escriba, Luis Antonio
El objetivo de este estudio fue detectar de forma temprana el estrés por frío en vacas Holstein usando datos de collares inteligentes y modelado temporal. Se monitorearon 10 vacas durante un año (unidad de análisis: cow-day), generando 3 650 observaciones diarias y 87 600 registros horarios de actividad (comer, rumiar, descansar, otros). La señal conductual se preprocesó con un filtro circadiano y se extrajeron características mediante STFT (ventanas internas de 36 h y salto de 1 h); estas características se agregaron a paso diario para el entrenamiento. El etiquetado operativo (silver standard) combinó umbrales de distancia circadiana aprendidos en periodos estables con verificación clínica 2×/día y contexto térmico (THI). Se comparó un LSTM secuencial con baselines (por ejemplo, THI y modelos clásicos). El modelo LSTM mostró desempeño consistente para clasificación diaria de Normal/Leve/Alto, con métricas representativas de Precisión ≈82–84%, F1-macro ≈0,80 y ROC-AUC ≈0,85–0,88, superando a los baselines. En análisis de alerta temprana, el sistema anticipó una fracción relevante de eventos con ≥60 min de antelación, lo que permite acciones preventivas en el hato (refugio, manejo). A nivel de hato, el indicador diario de proporción de vacas con estrés se asoció con episodios de frío. Limitaciones: tamaño muestral reducido (10 vacas), una raza y un solo sitio. Para evitar circularidad, la etiqueta operativa (silver standard) se definió a partir de desviaciones circadianas consistentes en las señales de comportamiento y verificación clínica in situ. Los resultados apoyan la viabilidad de un monitoreo continuo de bienestar basado en collares y aprendizaje profundo, y justifican validaciones externas multicentro con biomarcadores fisiológicos y mayor diversidad ambiental.
Modelo de explicabilidad para la deserción universitaria a través de aprendizaje automático
(Universidad Nacional Mayor de San Marcos, 2026) Quimiz Moreira, Mauricio Alexander; Calderón Vilca, Hugo David
La deserción estudiantil universitaria constituye una problemática compleja y persistente que afecta la eficiencia de los sistemas de educación superior, interrumpe las trayectorias formativas de los estudiantes y genera repercusiones académicas, sociales e institucionales. En este contexto, desarrolla un modelo de explicabilidad basado en el aprendizaje automático para predecir e interpretar los factores asociados a la deserción estudiantil universitaria. La investigación se desarrolló a partir de la información del sistema institucional de gestión académica. El conjunto de datos consolidado se conformó por 17 183 registros y, tras la depuración y validación de calidad, se trabajó con 36 variables sociodemográficas, económicas, institucionales, personales y académicas. Posteriormente, se aplican técnicas de preprocesamiento, tratamiento del desequilibrio de clases, selección de características, entrenamiento de modelos, optimización de hiperparámetros y evaluación mediante métricas robustas. Los resultados evidenciaron que los modelos de aprendizaje automático permiten identificar con alta capacidad discriminativa a los estudiantes en riesgo de abandono. Entre los algoritmos evaluados, Extra Trees presentó el mejor desempeño global, con F1- score de 0.892, recall de 1.000, precision de 0.971, accuracy de 0.998 y ROC-AUC cercano a 1.000, superando a Random Forest y Logistic Regression en el equilibrio entre sensibilidad y precisión para la clasificación de la clase minoritaria. Estos hallazgos confirman que los métodos de ensamble basados en árboles constituyen una alternativa especialmente robusta para el análisis de la deserción en escenarios con datos desbalanceados. El estudio concluye que el uso del aprendizaje automático, articulado con técnicas de explicabilidad, contribuye significativamente a la comprensión y la predicción de la deserción estudiantil universitaria, permitiendo identificar patrones y factores de riesgo que no son evidentes a simple vista y resultan fundamentales para orientar acciones de intervención y de permanencia estudiantil. Este enfoque fue desarrollado en el contexto de la educación superior, lo que demuestra su utilidad para apoyar la toma de decisiones institucionales con mayor precisión, transparencia y sustento analítico. Asimismo, su estructura metodológica puede extenderse a otras facultades, carreras e incluso a distintas instituciones de educación superior, incorporando nuevas variables significativas que continúen fortaleciendo y optimizando la capacidad predictiva y explicativa del modelo.
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 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.
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 de auditoría de seguridad VoIP
(Universidad Nacional Mayor de San Marcos, 2025) Gavilanez Alvarez, Oscar Danilo; Rodríguez Rafael, Glen Darío
La investigación se orientó al desarrollo e implementación de un modelo de auditoría de seguridad específico para sistemas VoIP, denominado VoIPSAM, que integra el abordaje de la ingeniería social mediante un plan estratégico de cultura de seguridad enfocado en la mitigación de riesgos asociados al factor humano. El objetivo general fue implementar un modelo que optimice la eficiencia temporal en la ejecución de auditorías frente a enfoques tradicionales, a partir de la identificación de requerimientos particulares de seguridad en entornos VoIP, el diseño de componentes especializados que incrementen la pertinencia de las evaluaciones y la elaboración de una guía metodológica que formaliza el procedimiento técnico de auditoría. La metodología adoptó un enfoque cuantitativo con diseño comparativo, descriptivo y estudio de caso, contrastando el modelo propuesto con un esquema tradicional mediante cronometraje de auditorías, encuestas estructuradas a expertos y análisis estadístico. Los resultados evidenciaron una reducción de 1430 minutos en el tiempo total de auditoría, un mayor porcentaje de cumplimiento (34,97 % frente a 16,92 %) y una cobertura superior en procedimientos e ítems evaluados, validándose estadísticamente las hipótesis relacionadas con la mejora en eficiencia, la relevancia de los componentes y la disminución de vulnerabilidades humanas, además de observarse un incremento en el nivel de madurez de los procesos evaluados; en consecuencia, se concluye que el modelo propuesto constituye una alternativa integral, técnicamente sólida y contextualizada que aporta valor académico y práctico al campo de la auditoría de seguridad en sistemas VoIP, ofreciendo una solución adaptable y eficaz frente a desafíos emergentes en entornos tecnológicos.
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 conceptual para sistemas de gestión de aprendizaje social en ambientes Blended Learning
(Universidad Nacional Mayor de San Marcos, 2025) Hidalgo Cajo, Byron Geovanny; Delgadillo Ávila, Rosa Sumactika
La investigación tuvo como objetivo desarrollar un modelo conceptual que explique los factores determinantes de la adopción de Sistemas de Gestión del Aprendizaje (LMS) con enfoque social en entornos de Blended Learning en la educación universitaria. El estudio se sustentó en una revisión sistemática de la literatura para la identificación de constructos teóricos y la formulación de hipótesis, proponiendo un modelo inicial que integró variables como calidad del sistema, calidad del contenido, presencia social, utilidad percibida, facilidad de uso percibida, norma subjetiva, satisfacción y uso continuo. La validez de contenido fue establecida mediante juicio de expertos y la contrastación empírica se realizó en la Universidad Nacional de Chimborazo (Ecuador), a través de la aplicación de cuestionarios a docentes y estudiantes. El análisis de datos se efectuó mediante modelado de ecuaciones estructurales con PLS-SEM, lo que permitió validar dos modelos finales diferenciados por perfil de usuario. Los resultados evidenciaron que la calidad del sistema, la calidad del contenido y la presencia social influyen de manera significativa en la utilidad y facilidad de uso percibida, así como en la norma subjetiva y la satisfacción del usuario, alcanzando altos valores de R² y Q² que confirman una adecuada capacidad predictiva. Se concluye que estos factores resultan determinantes para la adopción y el uso continuado de los LMS sociales, y que el modelo propuesto constituye un aporte teórico y aplicado para optimizar los entornos de aprendizaje híbrido en la educación superior, fortaleciendo la interacción, el aprendizaje colaborativo y la experiencia centrada en el estudiante.
Arquitectura de honeynet con integración de datos para el análisis de evidencia digital
(Universidad Nacional Mayor de San Marcos, 2025) Velasco Silva, Danny Patricio; Rodríguez Rafael, Glen Darío
La honeynet surgió como una herramienta de seguridad informática, diseñada intencionalmente para ser detectada, atacada y comprometida por intrusos en un entorno controlado. Está compuesta por una serie de entornos de red y sistemas señuelo, conocidos como honeypots, los cuales, una vez instalados y configurados, simulan servicios y vulnerabilidades reales con el objetivo de atraer a los intrusos. Esta infraestructura permite observar en tiempo real las acciones de los atacantes, facilitando el análisis profundo de sus tácticas, técnicas, estrategias y objetivos, proporcionando información valiosa para el desarrollo de defensas más eficaces frente a amenazas cibernéticas. A lo largo de los últimos años, se han implementado diversas arquitecturas honeynet con el propósito de mejorar la detección y análisis de ataques, sin embargo, estos estudios han evidenciado una limitación persistente en la falta de integración de datos. En este contexto, el propósito principal de esta investigación es desarrollar una arquitectura de honeynet con integración de datos para el análisis de evidencia digital, que mejore la interoperabilidad propia de la heterogeneidad en los datos proporcionados por las herramientas utilizadas en honeynet en cuanto a confiabilidad y tiempos de respuesta. Se elaboró una ontología honeynet para integración de datos, mediante una especificación explícita y formal de una conceptualización compartida, desarrollada en la herramienta de código abierto Protégé, tomando como base metodológica methontology, la cual fue la base para la arquitectura honeynet con integración de datos para el análisis de evidencia digital, las herramientas que se utilizaron en la arquitectura honeynet para la captura de datos son: Firewall, Sebek, Snort, Argos, P0f, con la finalidad de capturar el comportamiento del intruso dentro de la honeynet, generando una base de datos unificada con toda la información recopilada. La investigación adoptó un enfoque cuantitativo, con un nivel descriptivo y explicativo, y se enmarcó en un diseño cuasiexperimental, mediante la validación de indicadores técnicos con el juicio de expertos y pruebas de hipótesis. Los resultados obtenidos en la evaluación de la arquitectura de honeynet con integración de datos evidencian mejoras sustanciales para el análisis de seguridad digital. Se observó una mejora significativa en la recopilación y comparación de atributos de los datos capturados, lo que facilitó la identificación de patrones de ataque y correlación de eventos, la integración de datos permitió el acceso centralizado a información proveniente de diversas fuentes a través de una sola vista, simplificando la labor del analista, otro hallazgo clave fue la reducción de los tiempos de detección de ciberataques, lo que permite actuar con prontitud ante amenazas y reducir el riesgo de daño a la infraestructura tecnológica, incrementando la confianza de los analistas en el proceso y en los resultados obtenidos permitiendo una mejor gestión para la toma de decisiones de manera eficaz y oportuna.
La cultura organizacional y transformación digital en la gestión de los proyectos de Tecnología de Información en la SUNAT
(Universidad Nacional Mayor de San Marcos, 2025) Perez Soncco, Justo; León Fernández, Cayo Víctor
El estudio analiza la relación entre la cultura organizacional, la transformación digital y la gestión de proyectos de tecnologías de la información en una entidad pública del sistema tributario peruano. Se desarrolló una investigación de enfoque cuantitativo, con diseño descriptivo-correlacional, no experimental y de corte transversal, aplicándose un cuestionario tipo Likert a 175 colaboradores del área de sistemas. El análisis incluyó validación y confiabilidad de instrumentos, estadística descriptiva, correlaciones de Spearman, regresiones lineales con errores robustos y un modelo de ecuaciones estructurales por parcelas. Los resultados evidencian niveles elevados de las variables estudiadas y confirman asociaciones positivas y significativas entre la cultura organizacional y la gestión de proyectos de TI, así como entre la transformación digital y dicha gestión, siendo esta última la variable con mayor efecto explicativo. El modelo estructural muestra que la transformación digital actúa como un mecanismo mediador parcial del impacto de la cultura organizacional sobre la gestión de proyectos de TI. Se concluye que el fortalecimiento de la cultura organizacional y, principalmente, el impulso de la transformación digital se asocian con una gestión más eficiente de los proyectos de tecnologías de la información, aportando evidencia relevante para la toma de decisiones estratégicas en contextos públicos de modernización tecnológica.
De la Crisis al Algoritmo: Modelos de Machine Learning para Predecir el Riesgo de Crédito en Perú
(Universidad Nacional Mayor de San Marcos, 2025) Noriega Zapata, Jomark Pablo; Herrera Quispe, José Alfredo
La presente investigación propone una metodología basada en escenarios para mejorar la predicción del riesgo crediticio en economías emergentes mediante la incorporación de factores externos exógenos que influyen en la estabilidad financiera, integrando variables asociadas a la severidad del COVID-19, anomalías climáticas y episodios de convulsión social en modelos de aprendizaje automático aplicados a la morosidad crediticia. Para ello, se emplearon series temporales nacionales y sectoriales sometidas a pruebas de estacionariedad y causalidad, las cuales fueron incorporadas como indicadores externos en modelos de machine learning desarrollados bajo el marco CRISP-DM y complementados con técnicas de explicabilidad como SHAP y LIME. El análisis incluyó más de 8.2 millones de registros y 367 000 créditos individuales otorgados por una entidad financiera regulada en Perú entre 2020 y 2023, demostrando que la integración de factores externos mejoró el desempeño de modelos como CNN y XGB hasta en siete puntos porcentuales en métricas AUC y ACC, especialmente en sectores económicos sensibles. Asimismo, escenarios como el COVID-MOV permitieron captar efectos diferidos al desplazar la curva de mortalidad en el tiempo, mientras que escenarios compuestos —clima y protestas— intensificaron el riesgo de incumplimiento entre un 10% y 18% en carteras sin respaldo estatal. Los resultados evidencian que el enfoque propuesto constituye un marco replicable y escalable para la modelización del riesgo crediticio ante shocks sistémicos, con implicancias relevantes para reguladores, gestores de riesgo y entidades financieras que operan en contextos volátiles.
Modelo Basado en Aprendizaje Profundo para Clasificar Células Neoplásicas en Imágenes de Citología de Líquido Pleural
(Universidad Nacional Mayor de San Marcos, 2025) López Córdova, Frida Mereyda; Vega Huerta, Hugo Froilán
El Derrame Pleural, es una patología que se manifiesta con la acumulación excesiva o fuera del rango normal de líquido pleural en la zona que rodea los pulmones. La citología es una rama de la medicina que estudia las células en sus diferentes aspectos morfológicos, funcionales y genéticos; desde microscopios simples hasta técnicas modernas, la evolución continúa, permitiendo su uso en oncología y análisis celular. El examen citológico es una técnica diagnóstica muy utilizada y de alta precisión para confirmar enfermedades y determinar su estadio. El proceso consiste en identificar signos atípicos, como células con formas y texturas irregulares. El diagnóstico médico se complica debido a la variabilidad de los estados patológicos en las muestras de líquido pleural, que pueden incluir enfermedades inflamatorias, infecciosas y neoplasias. La detección temprana de malignidad es crucial para un tratamiento oportuno, reduciendo el sufrimiento y potencialmente prolongando la vida del paciente. Además, la escasez de médicos patólogos y la demora en los diagnósticos abren oportunidades para la implementación de técnicas de inteligencia artificial, las cuales han demostrado un impacto significativo en la medicina diagnóstica en los últimos años. La investigación se llevó a cabo utilizando la metodología de Investigación en Ciencias del Diseño (DSR), lo que permitió un diseño estructurado, una implementación efectiva y una validación exhaustiva de la técnica propuesta. Se construyó un conjunto de datos de imágenes citológicas de líquido pleural que contiene 2640 imágenes de muestras de citología de líquido pleural. Para identificar células neoplásicas, se diseñó un modelo basado en Redes Neuronales Convolucionales (CNN), utilizando Transfer Learnig y tres arquitecturas de CNN pre entrenadas ResNet50V2, DesNet121 e InceptionV3. Se evaluó el desempeño al identificar células MAL (malignas) y células NFM (negativas para malignidad - benignas) según la clasificación del sistema internacional (TIS) para informar citología de líquidos serosos: riesgo de malignidad (MAL y NFM). Los tres modelos fueron entrenados, validados y evaluados con el mismo conjunto de datos, se evaluó el desempeño por modelo y se realizaron comparaciones combinadas mediante el Voting Classifier, para determinar qué modelo presenta la mejor precisión en la clasificación de imágenes citológicas. Los algoritmos de aprendizaje profundo propuestos para clasificar imágenes citológicas de líquido pleural lograron un rendimiento superior al 90% en pruebas. Las combinaciones más efectivas fueron ResNet+Inception y ResNet+DesNet, la primera combinación obtuvo mayor precisión (0.94) pero fue menos generalizable con un conjunto de datos externo, a diferencia la segunda combinación, aunque obtuvo una menor precisión (0.92) fue más generalizable cuando se probó en un conjunto de datos externo. Los resultados confirman el potencial del método propuesto para ayudar a los patólogos a lograr un diagnóstico más preciso.
Modelo de Gobernanza para Blockchain mediante BPM (Business Process Management) orientado a procesos inter-organizacionales
(Universidad Nacional Mayor de San Marcos, 2025) Solorzano Cadena, Ruben Dario; León Fernández, Cayo Víctor
El objetivo de la presente tesis Doctoral fue establecer de qué manera un modelo de gobernanza para Blockchain mediante BPM orientado a los procesos inter-organizacionales mejora el nivel de confianza del usuario y el nivel de alineación estratégica de los procesos inter-organizacionales. Los tipos de investigación abordados fueron: aplicada, descriptiva, relacional y transversal. El diseño de investigación fue no experimental, descriptivo y correlacional. La técnica para la recolección de datos aplicó la encuesta y el instrumento utilizado fue el cuestionario, cuya población estuvo conformada por 10 empresas locales. En ese contexto, la correlación positiva significativa de 0,688 entre el Modelo de Gobernanza para Blockchain mediante BPM y los procesos inter-organizacionales indica una sólida relación entre ambos. Se concluye que la implementación de un modelo de gobernanza para Blockchain mediante BPM mejora la gestión de procesos inter-organizacionales.
Modelo Sectrabank para mitigar el fraude informático en operaciones electrónicas a través de aplicaciones bancarias en dispositivos Android
(Universidad Nacional Mayor de San Marcos, 2025) Melendez Melendez, Jhon Rigner; Mayhuasca Guerra, Jorge Victor
El estudio desarrolla Sectrabank, un modelo de seguridad informática para mitigar el fraude en operaciones bancarias electrónicas en dispositivos Android. Aborda dos ataques frecuentes: SIM Swapping, que permite a ciberdelincuentes interceptar códigos de autenticación, y Fake Apps, que imitan aplicaciones oficiales para robar credenciales. Sectrabank refuerza la seguridad con un enfoque multicapa, combinando autenticación biométrica, validación de IMEI y geolocalización en tiempo real, ofreciendo una protección robusta y eficiente. Para evaluar la efectividad del modelo, se realizó un diseño experimental con dos grupos: un grupo experimental, donde los usuarios realizaron transacciones bancarias con la implementación de las medidas de seguridad del modelo Sectrabank y un grupo de control, sin medidas de seguridad. El modelo Sectrabank demostró ser una solución efectiva y confiable para mitigar el fraude en operaciones bancarias electrónicas en dispositivos Android, reduciendo significativamente los ataques de Fake Apps y SIM Swapping, con niveles de significación de 0.00 y altos porcentajes de efectividad en el grupo experimental (97.5% y 76.25%, respectivamente). Su diseño compacto y robusto, basado en un enfoque de seguridad multicapa que integra autenticación biométrica, validación del IMEI y geolocalización, permitió detectar y bloquear accesos fraudulentos antes de que se completaran transacciones no autorizadas. Además, los usuarios percibieron positivamente la usabilidad y confiabilidad del modelo, destacando su potencial para fortalecer la seguridad en plataformas bancarias móviles y su relevancia en un contexto de creciente fraude informático.
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 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.
Framework para la implantación de sistemas gestores de aprendizaje (LMS Learning Management System) en instituciones de educación superior
(Universidad Nacional Mayor de San Marcos, 2025) Salazar Fierro, Fausto Alberto; León Fernández, Cayo Víctor
Las Instituciones de Educación Superior (IES) enfrentan la necesidad de implantar sistemas gestores de aprendizaje (LMS) para aprovechar los beneficios tecnológicos. El presente proyecto propone un Framework denominado SimpleLMS, que incluye cinco componentes clave como guía para el proceso de implantación de LMS, basándose en el modelo de YIN. Se llevaron a cabo entrevistas con expertos en administración de tecnologías de la información, administradores de LMS y pedagogos de Argentina, Colombia, Ecuador y Perú, y se creó un sistema de códigos utilizando el software MaxQDA. Se identificaron cinco componentes: preparación (administrativos, tecnológicos y pedagógicos), actores involucrados (departamento de tecnología educativa, departamento de tecnologías de información, proveedor de LMS y comunidad educativa), proceso (pre-implantación, implantación y post-implantación), y actividades transversales (liderazgo, gestión de proyectos, gestión del cambio, capacitación). Además, se aplicó una encuesta de 22 preguntas con una prueba piloto, usando el alfa Cronbach a 26 expertos. Los análisis estadísticos (Traza de Pillai, Lambda de Wilks, Traza de Hotelling y Raíz Mayor de Roy) mostraron un valor de p significativo (0.000) y una eta parcial al cuadrado de 0.997, lo que indica que la varianza en la variable dependiente se explica por la intersección. La Raíz Mayor de Roy también mostró un valor de p significativo (0.025). En conclusión, el Framework SimpleLMS influye positivamente en la implantación del LMS en las IES.

Browse

Recent Submissions