Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning
La inhabilitación de profesionales titulados por impago de sus cuotas mensuales constituye un riesgo operativo significativo para la sostenibilidad financiera de las asociaciones profesionales. Este problema destaca la necesidad de contar con herramientas predictivas que puedan anticipar el riesgo d...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2026
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881763520027033600 |
|---|---|
| asesor_orcid_str_mv | 0000-0003-4142-7230 |
| asesor_str_mv | Sullon Macalupu, Abel Angel |
| author | Pretel Pretel, Rider Manuel Chavez Llempen, Yeny Elizabeth |
| author2 | Sullon Macalupu, Abel Angel |
| author_browse | Chavez Llempen, Yeny Elizabeth Pretel Pretel, Rider Manuel Sullon Macalupu, Abel Angel |
| author_facet | Sullon Macalupu, Abel Angel Pretel Pretel, Rider Manuel Chavez Llempen, Yeny Elizabeth |
| author_sort | Pretel Pretel, Rider Manuel |
| collection | Repositorio institucional |
| comunidad_str_mv | 5.Ingeniería 2. Maestría Tesis y disertaciones |
| description | La inhabilitación de profesionales titulados por impago de sus cuotas mensuales constituye un riesgo operativo significativo para la sostenibilidad financiera de las asociaciones profesionales. Este problema destaca la necesidad de contar con herramientas predictivas que puedan anticipar el riesgo de inhabilitación y proteger la estabilidad institucional. El objetivo principal del estudio consistió en desarrollar un modelo de aprendizaje automático supervisado para estimar el riesgo de inhabilitación entre los profesionales registrados, basándose en variables históricas y contextuales. Se llevó a cabo un estudio empírico, aplicado y cuantitativo mediante el análisis de más de 5,7 millones de registros financieros correspondientes a 27,964 profesionales registrados. Se evaluaron múltiples algoritmos de clasificación supervisada, incluidos modelos conjuntos como CatBoost y XGBoost, utilizando técnicas de validación cruzada estratificada y métodos de balanceo de clases para abordar el desequilibrio sustancial de los datos. Los resultados indican que CatBoost obtuvo el mejor desempeño (puntuación F = 57,96%; AUC = 0,72), mientras que XGBoost mostró una mayor estabilidad en la validación cruzada. En conclusión, el modelo desarrollado permite identificar oportunamente a los miembros con alto riesgo de descalificación, lo que facilita la implementación de sistemas de alerta temprana y estrategias proactivas de gestión financiera institucional. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9993 |
| institution | UPeU |
| jurado_str_mv | Abanto Ramirez, Carlos Daniel Lopez Gonzales, Javier Linkolk Tocto Cano, Esteban Sullon Macalupu, Abel Angel |
| language | Spanish |
| linea_str_mv | Inteligencia artificial |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Maestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/maestria-en-ingenieria-de-sistemas-direccion-tic |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning Pretel Pretel, Rider Manuel Chavez Llempen, Yeny Elizabeth Sullon Macalupu, Abel Angel Riesgo institucional Variables finacieras Variables sociodemograficas La inhabilitación de profesionales titulados por impago de sus cuotas mensuales constituye un riesgo operativo significativo para la sostenibilidad financiera de las asociaciones profesionales. Este problema destaca la necesidad de contar con herramientas predictivas que puedan anticipar el riesgo de inhabilitación y proteger la estabilidad institucional. El objetivo principal del estudio consistió en desarrollar un modelo de aprendizaje automático supervisado para estimar el riesgo de inhabilitación entre los profesionales registrados, basándose en variables históricas y contextuales. Se llevó a cabo un estudio empírico, aplicado y cuantitativo mediante el análisis de más de 5,7 millones de registros financieros correspondientes a 27,964 profesionales registrados. Se evaluaron múltiples algoritmos de clasificación supervisada, incluidos modelos conjuntos como CatBoost y XGBoost, utilizando técnicas de validación cruzada estratificada y métodos de balanceo de clases para abordar el desequilibrio sustancial de los datos. Los resultados indican que CatBoost obtuvo el mejor desempeño (puntuación F = 57,96%; AUC = 0,72), mientras que XGBoost mostró una mayor estabilidad en la validación cruzada. En conclusión, el modelo desarrollado permite identificar oportunamente a los miembros con alto riesgo de descalificación, lo que facilita la implementación de sistemas de alerta temprana y estrategias proactivas de gestión financiera institucional. 2026-01-19 2026-04-07T20:29:37Z 2026-04-07T20:29:37Z 2026-01-19 info:eu-repo/date/embargoEnd/2026-01-19 info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/9993 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9993 2026-11-10T17:45:09Z com_20.500.12840_18 5.Ingeniería com_20.500.12840_7 2. Maestría com_20.500.12840_5 Tesis y disertaciones col_20.500.12840_36 Magíster en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información |
| spellingShingle | Riesgo institucional Variables finacieras Variables sociodemograficas Pretel Pretel, Rider Manuel Chavez Llempen, Yeny Elizabeth Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title_full | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title_fullStr | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title_full_unstemmed | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title_short | Predicción del riesgo de inhabilitación en colegiados peruanos a través de algoritmos de Machine Learning |
| title_sort | prediccion del riesgo de inhabilitacion en colegiados peruanos a traves de algoritmos de machine learning |
| topic | Riesgo institucional Variables finacieras Variables sociodemograficas |
| topic_facet | Riesgo institucional Variables finacieras Variables sociodemograficas |
| url | https://hdl.handle.net/20.500.12840/9993 |
| work_keys_str_mv | AT pretelpretelridermanuel predicciondelriesgodeinhabilitacionencolegiadosperuanosatravesdealgoritmosdemachinelearning AT chavezllempenyenyelizabeth predicciondelriesgodeinhabilitacionencolegiadosperuanosatravesdealgoritmosdemachinelearning |