Machine learning para la validación de firmas manuscritas en el área de trámites en una notaría, Puno, 2025

• Autor: Calatayud Condori, Carlos Alberto
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/175494
• Enlace del recurso: https://hdl.handle.net/20.500.12692/175494
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Reconocimiento de formas; Procesamiento de la información; Biometría; Seguridad de la información; https://purl.org/pe-repo/ocde/ford#2.02.04

Enmarcada en el Objetivo de Desarrollo Sostenible (ODS) 9: "Industria, Innovación e Infraestructura", esta investigación buscó modernizar la seguridad jurídica notarial en Puno durante 2025, determinando el grado de optimización que el machine learning aporta a la validación de firmas manuscritas. Se aplicó un enfoque cuantitativo preexperimental, comparando el proceso antes (Pre-test) y después (Post-test) de implementar el sistema en 30 registros del dataset CEDAR. Se midieron la tasa de aciertos (precisión), la tasa de falsos positivos (seguridad) y el tiempo de procesamiento (eficiencia). Los datos, recolectados con fichas de registro y analizados en SPSS V.27 mediante la prueba de Wilcoxon, revelaron una optimización estadísticamente significativa (p < 0.001). La precisión promedio aumentó del 68.10% al 96.53%, la seguridad mejoró al reducir los falsos positivos del 31.90% al 3.47%, y la eficiencia se disparó al disminuir el tiempo por firma de 14.37 a 2.33 segundos. Se concluye que el machine learning optimiza integralmente la validación de firmas, mejorando su precisión, seguridad y eficiencia. Esta tecnología es una solución disruptiva para la modernización notarial, contribuyendo a la prevención del fraude, al fortalecimiento de la seguridad jurídica y a la transformación digital del sector.