vol. 1 núm. 2 (2022): aci. vol 1. no 2.

Objetivo. Analizar el impacto ambiental de las principales fuentes de emisión de GEI en Colombia durante el periodo 1990- 2018, mediante un análisis de datos tipo panel. Materiales y Métodos. El conjunto de datos del estudio corresponde a una serie temporal del BUR 3 del periodo 1990- 2018. A la cual se le realiza un análisis descriptivo y un análisis de datos tipo panel. Resultados. El modelo explica el 100% de la variabilidad de los datos. Conclusión. Se obtiene un buen ajuste del modelo a los datos, expresando una buena estimación del modelo.

Las aseguradoras en Colombia obtienen sus ingresos de las primas mensuales que pagan sus clientes, en este artículo se analizó una base de datos de una compañía de seguros, que ofrece un producto de seguro de vida individual con componente de ahorro; con el fin de mejorar los indicadores de riesgo de cartera, la cancelación de pólizas y aumentar los ingresos a través de un modelo para predecir la propensión de incumplimiento en el pago de las primas mensuales. Para lograr este objetivo se realizó la comparación de varios modelos teniendo como punto de referencia un modelo basado en reglas y los demás modelos se realizaron a través de la metodología machine learning, identificando el modelo Linear Discriminant Analysis como el mejor, obteniendo un resultado de recall de 0.58% e identificando las características o variables de cada cliente que se relacionan de manera directa con el incumplimiento y con ello predecir si los nuevos clientes que tendrán incumplimiento. Con este trabajo se establece un modelo que propone a la compañía herramientas que permitan la toma de decisiones y/o definir nuevas estrategias de mercadeo.

 En el presente trabajo se plantea un objetivo de análisis de bajo un modelo estadístico que permita estimar los precios de las acciones del índice Dow Jones (DJI); índice que pertenece a bolsa de New York compuesto por 30 de las acciones más significativas de todas las industrias, salvo transporte y servicios públicos que cotizan en la bolsa. Se realiza la estimación y el correspondiente análisis estadístico basándonos en información histórica desde el periodo 1 de enero del 2019 al 1 de enero del 2022; utilizando inferencia estadística desde el punto de vista de series de tiempo con herramientas tales como ARIMA y aplicación del modelo red neuronal para posteriormente comparar dichas propuestas y así seleccionar el modelo más acertado y su análisis descriptivo de la variable objetiva DJI

El presente artículo explora el fenómeno de hurto de bicicletas en Bogotá, y se enfoca en el día domingo, en el que la mayoría de ciudadanos usan la bicicleta de forma recreativa, aprovechando el espacio de la Ciclovía, el cual es monitoreado por autoridades policiales y del distrito, donde dealguna forma se intenta transmitir una sensación de seguridad y confianza, sin embargo, los robos continúan presentándose. El estudio genera un pronóstico de los hurtos de bicicleta durante el domingo de 6:00 a.m. a 6:00 p.m., lapso que comprende la Ciclovía recreativa, la cual se efectúa de 7:00 a.m. a 2:00 p.m., y se desarrolló mediante un análisis de series de tiempo con ayuda del modelo SARIMA, mostrando un pronóstico de robos que sucederán en los próximos dos (2) años y que presenta un nivel de error del 53%. La base de datos muestra las denuncias de hurtos de bicicleta mensuales ocurridas entre los años 2012 a 2021 en Bogotá durante el día domingo de 6:00 a.m. a 6:00 p.m. (fuente Secretaría Distrital de Seguridad, Convivencia y Justicia). El pronóstico de robos futuros se dirige a contribuir con la literatura teórica sobre robos de bicicletas, patrones del crimen y estrategias para difundir los riesgos y factores que puedan facilitar el hurto de bicicletas, en el transcurso de la Ciclovía y en horas anteriores y posteriores a su realización.

 La reabsorción radicular (RR) puede ser considerada una consecuencia iatrogénica común del tratamiento de ortodoncia observada por los ortodoncistas durante el tratamiento y su diagnóstico es principalmente radiográfico. El objetivo de este estudio es desarrollar un modelo que permita predecir la severidad de la RR que podría presentar un paciente considerando variables diagnósticas y del tratamiento. Esto le permitirá al ortodoncista prever la disposición del paciente a desarrollar RR al iniciar su tratamiento, con el fin de promover la toma de decisiones clínicas que permitan mantener la salud de los tejidos dentales. Metodología: Se toman 191 registros de un estudio realizado por Silva y cols. (2018), se realiza el respectivo etiquetado para la clasificación de la severidad de la reabsorción (OIEARRmax: Leve 0-15%, moderada/severa > 15%). Se entrenaron y evaluaron un modelo base y cuatro modelos de aprendizaje supervisado. Resultados: se creó un modelo de análisis discriminante lineal que permite predecir la severidad de la RR con una sensibilidad del 60.67% y una precisión del 74.88%. También se logran establecer como las variables más influyentes en el modelo el uso de aparatología funcional y Hyrax, edad, presencia de extracciones o mordida abierta y duración de tratamiento. El hábito de interposición lingual parece no tener un rol relevante en el desarrollo de la RR. Conclusión: se entrenaron y evaluaron diferentes modelos de aprendizaje automático supervisado, logrando buena sensibilidad y precisión con el modelo de análisis discriminante lineal (LDA), sin embargo, la elaboración de nuevos modelos de clasificación evaluando otras variables como antecedentes médicos y odontológicos personales, así como un mayor tamaño muestral para el entrenamiento del modelo, es requerida para buscar predicciones que sean aplicables con mayor seguridad en la práctica ortodóncica diaria.

En la industria del petróleo, al perforar un pozo de exploración, la incertidumbre es excesivamente alta ya que se quiere determinar las características del subsuelo y así las posibilidades de que exista petróleo o gas. Los métodos indirectos como la toma de registros eléctricos son los que proporcionan la base para los estudios de investigación geológica (facies sedimentarias, aguas subterráneas) lo cual es una actividad compleja que requiere tiempo pero que permiten al evaluador tomar decisiones. Mediante la aplicación de un modelo de aprendizaje automático se quiere reducir esta incertidumbre y minimizar el tiempo en el análisis de los registros eléctricos. En este estudio, se investiga la predicción de litología utilizando los registros eléctricos (Rayos Gamma, Neutrón, Densidad y Efecto fotoeléctrico (PEF)) tomados en la Fm. Otaraoa en Nueva Zelanda. Se realiza el entrenamiento de un modelo Supervisado en donde se abordan dos problemas: el primero de identificación de dos etiquetas (Arena y Arcilla) y el segundo de cuatro etiquetas (Arcilla arenosa, Arcilla arenosa calcárea, Arena arcillosa y Arena arcillosa calcárea). Se utiliza un pozo para entrenar un algoritmo para cada caso y luego dos pozos complementarios para probar su desempeño. Los resultados del modelo Extra Trees Classifier muestran que para el Problema 1 se obtuvo un Accuracy del 93 %, superando las métricas del modelo basado en reglas (Accuracy del 87 %), mientras que en el Problema 2 el Accuracy fue del 86 %. El modelo en el Problema 1 logró aprender a reconocer la litología preestablecida por el experto humano y para el Problema 2 es importante seguir alimentando el entrenamiento del modelo con mayor cantidad de datos de otros pozos o con descripciones litológicas de núcleos.