RSS 1.0Maestría en Estadística Aplicada
Recent Submissions
-
Modelo tucker3 y conglomerados en la evaluación del proceso social global con los ODS 1, 5 y 10(Universidad Peruana de Ciencias Aplicadas (UPC)PE, 2026-02-06)El progreso social global enfrenta desafíos persistentes que van más allá del crecimiento económico, requiriendo la reducción de la pobreza, la promoción de la igualdad de género y el cierre de las brechas estructurales de desigualdad. Los Objetivos de Desarrollo Sostenible (ODS) son clave para monitorear estas dimensiones. Sin embargo, sus indicadores son analizados de forma separada, lo que limita la comprensión y monitoreo a lo largo del tiempo. La presente tesis propone la aplicación del modelo Tucker3, una técnica multivariante capaz de integrar tres dimensiones de países, indicadores y años para construir un indicador sintético de progreso social. La investigación abarca datos reportados por países miembros de las Naciones Unidas entre 2015 y 2024 de los ODS1, 5 y 10, y la aplicación de técnicas de agrupamiento en clústeres para clasificar países con perfiles de progreso similares. Los resultados muestran que el modelo Tucker3 alcanzó un 95.29% de ajuste, evidenciando su alta capacidad explicativa. A partir del indicador sintético, los países se clasificaron en tres grupos: progreso social alto, medio y bajo. El análisis resalta que los niveles de pobreza desempeñan un papel clave en la diferenciación de clústeres lo que revela una brecha persistente entre países desarrollados y en desarrollo, especialmente tras los efectos de la contracción económica, el debilitamiento de la cohesión social y el agudizamiento de los conflictos tras la pandemia. Los hallazgos proporcionan un marco sólido para medir, comparar y segmentar el progreso social global, ofreciendo a los responsables de políticas públicas una herramienta integral para guiar estrategias focalizadas y acelerar el avance hacia la Agenda 2030.
-
Modelo predictivo basado en Machine Learning para la tasa de aprobación en un programa académico de inglés con metodología Flipped Learning en una universidad privada de Lima(Universidad Peruana de Ciencias Aplicadas (UPC)PE, 2026-01-25)La presente tesis busca desarrollar un modelo predictivo basado en Machine Learning para anticipar la tasa de aprobación en un programa académico de Inglés implementado con metodología Flipped Learning en una universidad privada de Lima. El estudio se da con un enfoque cuantitativo, de alcance correlacional y explicativo, con diseño no experimental y de corte transversal. La población abarca 5182 estudiantes del semestre académico 2025-I, pertenecientes a los niveles de Inglés 0 al 5 (6 en total). Mientras que la muestra representativa aleatoria comprende 895 alumnos. Se utilizó bases institucionales para obtener los datos, los cuales fueron sometidos a procesos de depuración y transformación. Las variables predictoras clave fueron: responsabilidad académica, evaluaciones continuas, actividades de producción oral y asistencia, junto con el estado de aprobación que actuó como la variable dependiente. Los algoritmos de clasificación supervisada fueron —Regresión Logística, Árboles de Decisión, Random Forest, XGBoost, KNN y SVM—, implementados con el software de análisis de datos y aprendizaje automático, Orange Data Mining 3.39.0, hecho por Python, evaluando así, el desempeño a través de métricas de precisión, exactitud, sensibilidad, F1-score y AUC. Los resultados obtenidos muestran que la responsabilidad académica es la variable predictora más influyente, seguida de las evaluaciones continuas (nota obtenida de los test de progreso al termino de cada unidad en la plataforma de estudios Evolve Digital) y la producción oral (nota obtenida en las actividades de producción oral que son presentadas de forma asíncrona a través de videos), mientras que la asistencia frecuente refuerza positivamente el rendimiento. Dentro de los niveles donde no se considera la evaluación internacional como parte del Sistema de Evaluación, la Regresión Logística logró los mejores resultados (AUC = 0.956), mientras que, en los niveles con evaluación internacional, el modelo Random Forest, logró (CA = 92.6%). De esta manera, afirmamos que los modelos predictivos son herramientas eficaces para predecir tempranamente los estudiantes en riesgo de desaprobar, permitiendo la implementación de intervenciones educativas oportunas y fortaleciendo la gestión académica institucional.