Influencia de la aplicación de técnicas econométricas de series de tiempo y Machine Learning en el pronóstico de la demanda de cursos de la Escuela Profesional de Ingeniería Textil y Confecciones de la UNMSM

• Autor: Corilloclla Huaman, Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/27545
• Enlace del recurso: https://hdl.handle.net/20.500.12672/27545
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales (Computación); Pronóstico; Aprendizaje automático (Inteligencia artificial); https://purl.org/pe-repo/ocde/ford#2.11.04; https://purl.org/pe-repo/ocde/ford#5.03.01; https://purl.org/pe-repo/ocde/ford#1.01.03

La presente investigación presenta el análisis de la serie de datos en las matrículas en los semestres comprendidos en periodos 2010–0 al 2021-I dentro de la Universidad Nacional Mayor de San Marcos de la Escuela Profesional de Ingeniería Textil y Confecciones donde se evalúa la calidad de pronóstico con el fin de mejorar el pronóstico en la cantidad de vacantes requeridos por los estudiantes al momento de iniciar nuevos ciclos académicos. El propósito de analizar la calidad de pronóstico beneficiará a resolver diversos cuellos de botella que se generan en el proceso operativo de la matricula, en la gestión por cursos, asignación de docentes, entre otros que se generan por la baja calidad de pronóstico. Se evaluaron tres métodos econométricos (ARIMA, Holt-Winters, Redes Neuronales) en el que se aplicaron tres estadísticos de prueba a los residuales de la serie: son cercanos a cero es decir siguen una distribución normal, están dentro de los intervalos de confianza de ACF y están distribuidos independientemente con la cual se comprueba si son métodos viables para la serie para así comprobar las hipótesis. En resultaos se comprueba de los tres modelos, el modelo Holt-Winters no es aplicable a la serie, sin embargo, los métodos ARIMA y las Redes Neuronales si superan las pruebas estadísticas, así pues, se concluye que el modelo ARIMA es el que tiene mayor calidad en pronostico debido a que el estadístico de prueba de error RMSE es menor siendo la mejor opción como método para la presente investigación.