updated datasets

dataset_infos.json

@@ -0,0 +1,7 @@
+{
+  "name": "unam_tesis",
+  "version": "1.0.0",
+  "dependencies": {
+    
+  }
+}

dataset_tesis.csv

@@ -1,6 +1,6 @@
 texto|autor_nombre|autor_apellido|titulo|año|carrera
 El objetivo de esta tesis es elaborar un estudio de las condiciones asociadas al aprendizaje desde casa a nivel preescolar y primaria en el municipio de Nicolás Romero a partir de la cancelación de clases presenciales ante la contingencia sanitaria del Covid-19 y el entorno familiar del estudiante. En México, la Encuesta para la Medición del Impacto COVID-19 en la Educación (ECOVID-ED) 2020, es un proyecto que propone el INEGI y realiza de manera especial para conocer las necesidades de la población estudiantil de 3 a 29 años de edad, saber qué está sucediendo con su entorno inmediato, las condiciones en las que desarrollan sus actividades académicas y el apoyo que realizan padres, tutores o cuidadores principales de las personas en edad formativa. La ECOVID-ED 2020 se llevó a cabo de manera especial con el objetivo de conocer el impacto de la cancelación provisional de clases presenciales en las instituciones educativas del país para evitar los contagios por la pandemia COVID-19 en la experiencia educativa de niños, niñas, adolescentes y jóvenes de 3 a 29 años, tanto en el ciclo escolar 2019-2020, como en ciclo 2020-2021. En este ámbito de investigación, el Instituto de Investigaciones sobre la Universidad y la Educación (IISUE) de la Universidad Nacional Autónoma de México público en 2020 la obra “Educación y Pandemia: Una visión académica” que se integran 34 trabajos que abordan la muy amplia temática de la educación y la universidad con reflexiones y ejercicios analíticos estrechamente relacionadas en el marco coyuntural de la pandemia COVID-19. La tesis se presenta en tres capítulos: En el capítulo uno se realizará una descripción del aprendizaje de los estudiantes a nivel preescolar y primaria del municipio de NicolásRomero, Estado de México, que por motivo de la contingencia sanitaria contra el Covid-19 tuvieron que concluir su ciclo académico 2019-2020 y el actual ciclo 2020-2021 en su casa debido a la cancelación provisional de clases presenciales y bajo la tutoría de padres, familiar o ser cercano; así como las horas destinadas al estudio y las herramientas tecnológicas como teléfonos inteligentes, computadoras portátiles, computadoras de escritorio, televisión digital y tableta. En el capítulo dos, se presentarán las herramientas necesarias para la captación de la información mediante técnicas de investigación social, a través de las cuales se mencionará, la descripción, contexto y propuestas del mismo, considerando los diferentes tipos de cuestionarios, sus componentes y diseño, teniendo así de manera específica la diversidad de ellos, que llevarán como finalidad realizar el cuestionario en línea para la presente investigación. Posteriormente, se podrá destacar las fases del diseño de la investigación, que se realizarán mediante una prueba piloto tomando como muestra a distintos expertos en el tema. De esta manera se obtendrá la información relevante para estudiarla a profundidad. En el capítulo tres, se realizará el análisis apoyado de las herramientas estadísticas, las cuales ofrecen explorar la muestra de una manera relevante, se aplicará el método inferencial para expresar la información y predecir las condiciones asociadas al autoaprendizaje, la habilidad pedagógica de padres o tutores, la convivencia familiar, la carga académica y actividades escolares y condicionamiento tecnológico,con la finalidad de inferir en la población. Asimismo, se realizarán pruebas de hipótesis, tablas de contingencia y matriz de correlación. Por consiguiente, los resultados obtenidos de las estadísticas se interpretarán para describir las condiciones asociadas y como impactan en la enseñanza de preescolar y primaria desde casa.|María de los Ángeles|Blancas Regalado|Análisis de las condiciones del aprendizaje desde casa en los alumnos de preescolar y primaria del municipio de Nicolás Romero |2022|Actuaría
-El paso veloz de los avances del internet y poder computacional en el siglo XXI han traído a la puerta de la estadística nuevos retos y oportunidades, particularmente en el área de la exploración, análisis y predicción de datos. Las herramientas y conocimientos que obtenemos en la licenciatura en actuaría en la Facultad de Ciencias de la UNAM nos hacen los candidatos ideales para enfrentar esta nueva era de información, y uno de los campos con perspectivas muy prometedoras es el aprendizaje estadístico automatizado o statistical machine learning. En esta tesis se abordarán dos algoritmos eficaces para la predicción que, aunque surgieron afinales del siglo XX, son usados ampliamente en la industria y la investigación actuales. Estos son Random Forest, propuesto por Leo Breiman, y boosting por gradiente, desarrollado por Jerome Friedman. Ambos métodos se basan en un algoritmo antecesor, los árboles de decisión CART (Classificación and Regression Trees), introducidos por los dos autores arriba mencionados, junto conRichard Olsen y Charles Stone. La decisión de presentar este tema surgió de una fascinaciónpersonal con el mecanismo de los árboles de decisión de llegar a predicciones, por medio dela división de una base de datos heterogénea en subconjuntos homogéneos. Dicha idea también permite una interpretación simple e intuitiva de la base de datos a la mano, a través desu representación gráfica. Esta fascinación continuó con el conocimiento de Random Forest y boosting: el primero es un conjunto de árboles, todos idénticamente distribuidos, donde se hace la predicción siguiendo un principio de democracia; el segundo construye árboles sucesivamente, cada uno con base en los que lo precedieron, para que, al terminar, la suma de todos sea la predicción final. Aunque el enfoque es únicamente en estos dos algoritmos, las técnicas mostradas de preparación de los datos, aplicación de los algoritmos y selección y evaluación de los ajustes sonestándares en la comunidad demachine learning, por lo que los mismos pasos puestos en práctica pueden ser usados en otros algoritmos, aquellos donde se busque predecir una nueva observación ya partir de una o más variables explicativas x, con base en un conjunto de datos observados. En este sentido, el primer capítulo tocará una breve historia de la evolución del aprendizaje estadístico, empezando con un ejemplo familiar para los estudiantes y enseñantes de estadística: el modelo de regresión lineal. Esto da entrada a las diferentes metas de esta disciplina que, inspirado en el trabajo de Efron (2020), se discuten como estimación, atribución y predicción.La regresión lineal ajusta un modelo queestimacoeficientes que expliquen un fenómeno através de las variables explicativas, atribuye una significancia a dichos coeficientes y sirve para predecir información nueva. Con un enfoque en la predicción, se hablará de las funciones depérdida, útiles para construir y evaluar algoritmos de predicción, además de su aplicación en la estimación del error de predicción. Serán explicadas las diferentes versiones de esa estimación: error aparente, errores de conjuntos de entrenamiento y de prueba, error porrepeated training-test(referida en Jameset al.(2016) como validation set approach) y error por validación cruzada. Además, se mencionarán componentes importantes en los ajustes: el sesgo y la varianza.El segundo capítulo es donde se presentan los algoritmos centrales de la tesis. Empezando por los árboles de decisión, tanto en el caso de clasificación (cuando la variable a predecir escategórica) como en el de regresión (cuando pertenece a los números reales). Se hablará de su construcción y técnicas para controlar su tamaño, y se complementará con imágenes parailustrar la mecánica de los árboles. Aunque los árboles son altamente interpretables y con bajosesgo (es decir, el valor esperado de la estimación no es muy diferente al valor real), pueden ser muy inestables, afectando la predicción datos nuevos. Por ello, el capítulo continuará con la propuesta para tomar el bajo sesgo de los árboles y reducir su varianza: Random Forest, además de su antecesor bagging. Ambos se basan en boostrap, una herramienta de remuestreo poderosa, y se basan en una colección de árboles, cuyo promedio reduce dramáticamente la varianza. |Luis Carlos|Cortés Ruiz|Boosting con árboles de decisión y random forest |2022|Actuaría
+El paso veloz de los avances del internet y poder computacional en el siglo XXI han traído a la puerta de la estadística nuevos retos y oportunidades, particularmente en el área de la exploración, análisis y predicción de datos. Las herramientas y conocimientos que obtenemos en la licenciatura en actuaría en la Facultad de Ciencias de la UNAM nos hacen los candidatos ideales para enfrentar esta nueva era de información, y uno de los campos con perspectivas muy prometedoras es el aprendizaje estadístico automatizado o statistical machine learning. En esta tesis se abordarán dos algoritmos eficaces para la predicción que, aunque surgieron afinales del siglo XX, son usados ampliamente en la industria y la investigación actuales. Estos son Random Forest, propuesto por Leo Breiman, y boosting por gradiente, desarrollado por Jerome Friedman. Ambos métodos se basan en un algoritmo antecesor, los árboles de decisión CART (Classificación and Regression Trees), introducidos por los dos autores arriba mencionados, junto conRichard Olsen y Charles Stone. La decisión de presentar este tema surgió de una fascinaciónpersonal con el mecanismo de los árboles de decisión de llegar a predicciones, por medio dela división de una base de datos heterogénea en subconjuntos homogéneos. Dicha idea también permite una interpretación simple e intuitiva de la base de datos a la mano, a través desu representación gráfica. Esta fascinación continuó con el conocimiento de Random Forest y boosting: el primero es un conjunto de árboles, todos idénticamente distribuidos, donde se hace la predicción siguiendo un principio de democracia; el segundo construye árboles sucesivamente, cada uno con base en los que lo precedieron, para que, al terminar, la suma de todos sea la predicción final. Aunque el enfoque es únicamente en estos dos algoritmos, las técnicas mostradas de preparación de los datos, aplicación de los algoritmos y selección y evaluación de los ajustes sonestándares en la comunidad demachine learning, por lo que los mismos pasos puestos en práctica pueden ser usados en otros algoritmos, aquellos donde se busque predecir una nueva observación ya partir de una o más variables explicativas x, con base en un conjunto de datos observados. En este sentido, el primer capítulo tocará una breve historia de la evolución del aprendizaje estadístico, empezando con un ejemplo familiar para los estudiantes y enseñantes de estadística: el modelo de regresión lineal. Esto da entrada a las diferentes metas de esta disciplina que, inspirado en el trabajo de Efron (2020), se discuten como estimación, atribución y predicción. La regresión lineal ajusta un modelo queestimacoeficientes que expliquen un fenómeno através de las variables explicativas, atribuye una significancia a dichos coeficientes y sirve para predecir información nueva. Con un enfoque en la predicción, se hablará de las funciones depérdida, útiles para construir y evaluar algoritmos de predicción, además de su aplicación en la estimación del error de predicción. Serán explicadas las diferentes versiones de esa estimación: error aparente, errores de conjuntos de entrenamiento y de prueba, error porrepeated training-test(referida en Jameset al.(2016) como validation set approach) y error por validación cruzada. Además, se mencionarán componentes importantes en los ajustes: el sesgo y la varianza.El segundo capítulo es donde se presentan los algoritmos centrales de la tesis. Empezando por los árboles de decisión, tanto en el caso de clasificación (cuando la variable a predecir escategórica) como en el de regresión (cuando pertenece a los números reales). Se hablará de su construcción y técnicas para controlar su tamaño, y se complementará con imágenes parailustrar la mecánica de los árboles. Aunque los árboles son altamente interpretables y con bajosesgo (es decir, el valor esperado de la estimación no es muy diferente al valor real), pueden ser muy inestables, afectando la predicción datos nuevos. Por ello, el capítulo continuará con la propuesta para tomar el bajo sesgo de los árboles y reducir su varianza: Random Forest, además de su antecesor bagging. Ambos se basan en boostrap, una herramienta de remuestreo poderosa, y se basan en una colección de árboles, cuyo promedio reduce dramáticamente la varianza. |Luis Carlos|Cortés Ruiz|Boosting con árboles de decisión y random forest |2022|Actuaría
 Al estudiar una población humana desde un enfoque demográfico, podemos observar elementos caracter ́ısticos, como su tamaño, distribución o composición y los procesos que la determinan. Con el an ́alisis de estos elementos, es posible dise ̃nar y planificar políticas y programas sociales, económicos y de población de mejor manera. Este tipo de estudios conllevan el uso de datos cuantitativos que se obtienen regularmente de los censos, de las Estadísticas Vitales y de encuestas nacionales sociodemográficas. Además de contar con los datos, es importante darle un procesamiento adecuado y así obtener la información pertinente al tema de interés. En México, el Instituto Nacional de Estadística Geografía (INEGI) es el principal proveedor de informaci ́on sobre el territorio, los recursos, la economía y la población,con la cual es posible conocer las caracter ́ısticas de nuestro país y ayudar a la toma de decisiones (INEGI 2018). Algunos de los quehaceres del Instituto, son llevar a cabo los censos nacionales, las encuestas por muestreo y generar las estadísticas vitales a partirde los registros administrativos. Todo esto desde principios de la d ́ecada de los ochenta,cuando fue creado. En el ́ambito del comportamiento reproductivo de la población, los datos que proporciona el Instituto constituyen un pilar fundamental para el conocimiento de los niveles y tendencias de la fecundidad en nuestro país, que son elementos indispensables para comprender la dinámica demográfica (CONAPO 2005). Las fuentes de información que brinda el INEGI sobre los nacimientos que ocurren en el país son: los Censos de Población y Vivienda, con la pregunta de la fecha de nacimiento del ́ultimo hijo nacido vivo, las Estad ́ısticas Vitales de Natalidad con los nacimientos registrados y las encuestas por muestreo, particularmente la Encuesta Nacional de la Din ́amica Demogr ́afica(ENADID), con la historia de embarazos de mujeres en edad fértil.Este trabajo tiene como finalidad desarrollar el paquete fertilityRates escrito en el lenguaje de programación R que mediante el uso de los datos que proporcionan las historias de embarazos 1 de las encuestas, realice estimaciones puntuales y de intervalo al estudiar una población humana desde un enfoque demogr ́afico, podemos observar elementos característicos, como su tamaño, distribución o composición y los procesos que la determinan. Con el análisis de estos elementos, es posible diseñar y planificar políticas y programas sociales, económicos y de población de mejor manera. Este tipo de estudios conllevan el uso de datos cuantitativos que se obtienen regularmente de loscensos, de las Estad ́ısticas Vitales y de encuestas nacionales sociodemográficas. Además de contar con los datos, es importante darle un procesamiento adecuado y así obtener la información pertinente al tema de interés. En México, el Instituto Nacional de Estadística Geografía (INEGI) es el principal proveedor de información sobre el territorio, los recursos, la economía y la población, con la cual es posible conocer las características de nuestro pa ́ıs y ayudar a la toma dedecisiones (INEGI 2018). Algunos de los quehaceres del Instituto, son llevar a cabo los censos nacionales, las encuestas por muestreo y generar las estadísticas vitales a partir de los registros administrativos. Todo esto desde principios de la década de los ochenta, cuando fue creado. En el ́ambito del comportamiento reproductivo de la población, los datos que proporciona el Instituto constituyen un pilar fundamental para el conocimiento de losniveles y tendencias de la fecundidad en nuestro país, que son elementos indispensables para comprender la dinámica demográfica (CONAPO 2005). Las fuentes de información que brinda el INEGI sobre los nacimientos que ocurren en el paıs son: los Censos de Poblacíon y Vivienda, con la pregunta de la fecha de nacimiento del ́ultimo hijo nacido vivo, las Estadísticas Vitales de Natalidad con los nacimientos registrados y las encuestas por muestreo, particularmente la Encuesta Nacional de la Dinámica Demográfica (ENADID), con la historia de embarazos de mujeres en edad fértil. Este trabajo tiene como finalidad desarrollar el paquete fertilityRates escrito en el lenguaje de programacíon R que mediante el uso de los datos que proporcionan las historias de embarazos 1 de las encuestas, realice estimaciones puntuales y de intervalo|Yazmín Berenice|González Mayorga|FertilityRates: paquete desarrollado en R para estimar tasas de fecundidad con datos de las historias de embarazos |2022|Actuaría
 De acuerdo con la OMS, las enfermedades cardiovasculares sonun conjunto de trastornos del corazón y de los vasos sanguíneos. Estas enfermedades en los últimos años han mostrado un crecimiento en México y en el mundo. Según la Encuesta Nacionalde Salud y Nutrición (ENSANUT)2018se estima que al año ocurren aproximadamente ciento cuarenta y dos mil defunciones por este motivo, siendo así la primera causa de muerte enel país, lo cual despierta la curiosidad por saber si esto sucede estadísticamente de igual forma en cualquier región o no. Los datos sobre las enfermedades cardiovasculares puedenregistrarse según el lugar donde vive la persona que la padece.Los datos espaciales pueden analizarse estadísticamente como cualquier otro tipo, sin embargo, cuentan con la singularidad de tener coordenadas que pueden aportar cierta información adicional con la que se pueden tener diversos resultados. Para este trabajo se utilizaron datos de la ENSANUT2012, en donde a las personas encuestadas se les preguntó si algúnmédico les diagnosticó un infarto, angina de pecho, insuficiencia cardiaca, hipertensión y/u otra enfermedad del corazón. Dado que en México cada municipio tiene diferentes característicasy goza de autonomía administrativa y de participación en los proyectos de desarrollo comunitario se creyó útil e importantedesarrollar esta tesis a dicho nivel geográfico. Uno de los principales retos para estimar el riesgo relativo depadecer alguna enfermedad cardiovascular en cada municipiode México fue la cantidad de datos faltantes, ya que en la EN-SANUT solo ochocientos ciencuenta de dos mil cuatrocientos cincuenta y siete municipios fueron encuestados. Esta circunstancia es la principal motivación para la realización de esta tesis,ya que mediante técnicas de estimación y análisis de datos deestas enfermedades se pueden tomar decisiones en relación aldiagnóstico, evaluación y planeación de programas de salud anivel nacional. El objetivo del presente estudio fue estimar el riesgo relativode padecer alguna enfermedad cardiovascular en cada muni-cipio mexicano para personas mayores a20años por mediode la estadística espacial, utilizando el modelo de Besag et al(1991) ajustado por medio de aproximaciones de Laplace. Los resultados se representaron en mapas que permiten visualizarde mejor forma el riesgo relativo en cada municipio, para cada grupo de edad y sexo.Esta tesis está dividida en tres capítulos: en el primero sepresentan las herramientas fundamentales de la estadística espacial e información teórica relacionada a la autocorrelación espacial en los modelos estadísticos, los modelos autorregresi-vos condicionales y simultáneos, y un apartado dedicado a la aproximación de Laplace anidada integrada, INLA. En el capítu-lo posterior se habla de la problemática general a nivel mundialy nacional, factores de riesgo y transiciones epidemiológicas de las enfermedades no transmisibles, en particular de las enferme-dades cardiovasculares. Por último, se explica la aplicación delmodelo de Besag (1991), se reportan los resultados obtenidos yuna discusión sobre los mismos. Las referencias y el código deRpueden ser consultados al final del trabajo como apéndice.|Luis Eduardo|González Medina|Análisis espacial de las enfermedades cardiovasculares en México :modelos predictivos |2022|Actuaría
 El objetivo del presente trabajo es realizar un análisis identificando los factores que intervienen en la creación de un Seguro enfocado a automóviles con tecnología nueva y mostrando que el mercado de seguros necesita crear productos para segmentos que empiezan a crecer a nivel mundial. En México existe el mercado de seguros el cual cuenta con una estructura sólida para hacer frente a los riesgos actuales y además existen diversas opciones, aun con esta solidez en el sector asegurador hay mucho mercado potencial en el ramo de Automóviles. Actualmente, los autos eléctricos que circulan en México cuentan con un seguro que no considera las características especiales, cuentan con el seguro tradicional que está dirigido a autos con un motor de combustión común, esto ocurre porque hoy no existe en el mercado un seguro dirigido solo a autos eléctricos y mostraréestas diferencias a considerar, por ejemplo: las tarifas actuales se calculan considerando un riesgo de un automóvil con combustible en el cual las cuotas consideran autopartes de un vehículo con motor de gasolina, no se considera pagar partes básicas para automóvil eléctrico, las asistencias viales que tiene el seguro son de pasa corriente y galones de gasolina en caso de que se ocupe etc., no se cuenta con una asistencia que tenga características especiales para autos eléctricos como recarga de batería. Por lo anterior, en el mercado no existe un seguro dirigido totalmente a un automóvil de características eléctricas, esto es una necesidad que en poco tiempo perfila a tener una gran demanda.|Claudia Yenit|Hernández Pedro|Propuesta de metodología de análisis para un nuevo producto dirigido a automóviles eléctricos |2022|Actuaría