Examinando por Autor "Calatayud Madariaga, Esther Ruth"

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 2 de 2
  • Miniatura
    info:eu-repo/semantics/masterThesis
    Simulación computacional de un modelo matemático para la detección de la diabetes mellitus, Abancay 2016
    Calatayud Madariaga, Esther Ruth; Apaza Tarqui, Alejandro , 2017-05-19 - (Universidad Nacional del Altiplano. Repositorio Institucional - UNAP)
    En el presente trabajo de investigación se da a conocer el modelo matemático y su respectiva simulación computacional para que un paciente de EsSalud Abancay detecte si podría sufrir de la diabetes mellitus, año 2016. Dentro de los objetivos está la identificación del problema de salud en el paciente que tuviera alta concentración de glucosa en la sangre, formular el modelo matemático para la detección de la diabetes mellitus mediante una ecuación diferencial, resolver dicha ecuación juzgando el modelo matemático acorde a la realidad así como realizar la respectiva simulación computacional. Se trata de una investigación descriptiva con una población de 50 y una muestra de 15 usuarios (pacientes) respectivamente. Para determinar este modelo se realizó cinco mediciones de concentración de glucosa en la sangre en un periodo de cuatro horas, para ello el paciente se presenta en ayunas y se le realiza la medición de concentración de glucosa en la sangre, luego se le da una dosis de glucosa y después de una hora se efectúa una segunda medición de concentración de glucosa y se repite el proceso durante las tres horas restante. Se obtuvo el modelo matemático (d^2 g)/(dt^2 )+2α dg/dt+〖w_0^2 g=0〗_que condujo a 〖 G〗_j (t)=G_0+Ae^(-αt_j ) cos⁡(wt_j-d) para j= 1,2,3,4 y con la simulación computacional se diagnosticó diabetes leve o normalidad.
  • Miniatura
    info:eu-repo/semantics/doctoralThesis
    Uso de Machine Learning para predecir el rendimiento académico con factores socioeconómicos en estudiantes de los primeros semestres en una universidad de los andes del Perú
    Calatayud Madariaga, Esther Ruth; Canqui Flores, Bernabé , 2025-07-18 - (Universidad Nacional del Altiplano. Repositorio Institucional - UNAP)
    El bajo rendimiento académico en cursos fundamentales como Matemática Básica representa un desafío significativo en las universidades andinas del Perú, particularmente en los primeros semestres. El objetivo ha sido implementar el modelo de machine learning más óptimo para predecir el rendimiento académico de estudiantes de primeros semestres en el curso de Matemática Básica de la Universidad Nacional Micaela Bastidas de Apurímac (UNAMBA), considerando factores socioeconómicos, en el periodo 2018-2019. La metodología se basó en un enfoque cuantitativo de tipo aplicado con diseño no experimental predictivo, analizando una muestra de 599 estudiantes mediante técnicas de machine learning, evaluando cuatro algoritmos: CatBoost, Random Forest, Naive Bayes y Redes Neuronales, implementados en Python, utilizando métricas como accuracy, precision, recall, F1-score y ROC-AUC. Los resultados demostraron que el algoritmo CatBoost alcanzó el mejor rendimiento con una precisión global del 80,97%, superando significativamente a las alternativas evaluadas. El análisis de factores socioeconómicos reveló que el 54,9% de estudiantes alcanzaron rendimiento “Suficiente”, con variaciones significativas entre carreras profesionales y factores como el nivel educativo de los padres y procedencia rural/urbana. Concluyendo, la implementación de una aplicación web que integra el modelo predictivo optimizado proporciona una herramienta valiosa para la identificación temprana de estudiantes en riesgo académico, contribuyendo a la mejora de las estrategias de intervención académica en contextos universitarios andinos.