Índice general
V International Workshop on Applied Statistic and Data Science 3
Ánimos y Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Página web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Ediciones Anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Fechas importantes y lugar del evento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Dirigido a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Objetivos y metodoloǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Invitados Internacionales y Charlas magistrales . . . . . . . . . . . . . . . . . . . . . . . . 5
Cursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Análisis de series de tiempo (Craig Robson, UK) . . . . . . . . . . . . . . . . . . . 6
Procesamiento de lenguaje natural (Jarnishs Beltrán, CH) . . . . . . . . . . . . . . 6
Apoyo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
El Workshop en algunas imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Sesión de Posters 11
Mario César Jaramillo Elorza, Aplicación Shiny para perfiles de verosimilitud . . . . 11
Jairo Fuquene-Patino, A semi-parametric Bayesian extreme value model using a Diri-
chlet process mixture of gamma densities . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Miguel Ernesto Velandia Feria, Sistema de alertas tempranas para la prevención de la
deserción universitaria con el uso de técnicas de machine learning . . . . . . . . . . . . . . 13
Nidia Milena Babativa Cortes, Métodos estad́ısticos para el análisis epidemiológico de
los factores de riesgo para osteoporosis en mujeres post menopaúsicas . . . . . . . . . . . 14
Lilibeth De Horta Narvaez, Detección de bots en twitter utilizando aprendizaje no
supervisado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Yenifer Matorel Silva, Análisis de redes aplicado al sistema de tránsito de transporte
urbano de Cartagena de Indias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Edgar Segundo Ramos Ramirez, Entrenamiento de modelos de aprendizaje automático
para pronosticar la deserción En programas académicos de la universidad de córdoba . . . 17
Elizabeth Valderrama Serrano, Asociación de las concentraciones dióxido de nitrógeno
NO2 y el ı́ndice de vegetación NDVI, en las zonas UCG 11 y 13, Cartagena de indias . . . 18
Lorena Ibañez Castro, Anaĺıtica aplicada al flujo de visitantes a un supermercado de
cadena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Luis Fernando Florez Garcia, Optimización del desempeño energético . . . . . . . . . 20
Kevin Andrés Sossa Valencia, Predicción de ecuaciones en MathML por medio de
procesamiento de lenguaje en base de datos de problemas matemáticos en español . . . . 21
Marco Aurelio Pérez Beńıtez, Detección de anomaĺıas en señales de LIDAR atmosférico
por medio de técnicas de inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . . . . 22
Andrea Carolina Menco Tovar, Análisis bibliométrico de enfermedades transmitidas
por alimentos en Colombia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Diego Herrera Malambo, Detección de anomaĺıas con técnicas no supervisadas: impacto
en la implementación de modelos de clasificación . . . . . . . . . . . . . . . . . . . . . . . 24
Rosa Yamiles Martinez Bello, Examinado la influencia de los factores socioeconomicos
en la incidencia del cáncer infantil en Colombia: un enfoque de aprendizaje automático . . 25
Jose Serna Lopez, Developing an EEG, DMN-based tool for mental illnes diagnosis and
measurement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Juseff Salim Jalal Luna, Detección de fraudes en el sistema de acueducto de la ciudad
de Cartagena, usando técnicas de machine learning . . . . . . . . . . . . . . . . . . . . . . 27
Cristian Hernandez, Elaboración de un modelo matemático que calcule los parámetros
adecuados para mejorar la calidad en la metalización de rollos de biobase de polipropileno
en Taghleef industries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Deiby Boneu Yepez, Optimización en el tratamiento para la dislipidemia mediante es-
trategias de machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Libardo Visbal Ballesteros, Impacto del covid19 en las caracteŕısticas estructurales y de
conexión de los componentes del ı́ndice S&P Latam 40 del mercado bursátil latinoamericano 30
Steven Calvo Benavides, Aplicación de modelo de regresión lineal y técnica de machine
learning para generar un modelo matemático que permita calcular el déficit habitacional
de vivienda en el distrito de Cartagena de indias y proyectarlo mediante mapas de calor,
desagregados por localidad, unidad comunera, barrios y manzanas . . . . . . . . . . . . . 31
Camilo Naufal, Drone mission and flight planning methodology for drainage water chan-
nels reconstruction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3

Libro de Memorias
V International Workshop on Applied Statistic and
Data Science
Proccedings book
Facultad de Ciencias Básicas
Julio 2023
Universidad Tecnológica de Boĺıvar, UTB.*
*V International Workshop on Applied Statistic and Data Science en la Facultad de Ciencias Básicas. Cartagena
de Indias, Colombia. Del 28 al 30 de Junio de 2023. Sede Campus Casa Lemaitre.
Comité Organizador y Académico:
Yady Tatiana Solano Correa, UTB
Andy Rafael Domı́nguez Monterroza, UTB
Julio Seferino Hurtado Marquez, UTB
Jorge Luis Villalba Acevedo, UTB
Lenny Alexandra Romero Pérez, UTB
David Sierra Porta, UTB
Asistencia en Organización y Desarrollo:
Yesenia Margarita Rodriguez Melendez, UTB
Mileibys Paola Aycardi Berrio, UTB
Rector
Alberto Roa Varelo
ViceRector Académico
Daniel Toro González
ViceRectora Administrativa
Maŕıa del Rosario Gutiérrez de Piñeres Perdomo
Secretaria General
Ana Maŕıa Horrillo Caraballo
Decana de la Facultad de Ciencias Básicas
Lenny Alexandra Romero Pérez
Dirección de Investigación, Innovación y Emprendimiento
Jairo Useche Vivero
UTB Global - Dirección de Internacionalización
Ericka Duncan Ortega
Dirección de Postgrado
Raúl Jose Padrón Carvajal
Maestŕıa en Estad́ıstica Aplicada y Ciencia de Datos - Director
David Sierra Porta
Diagramación, Edición, Compilación: David Sierra Porta.
Fotos, Artes Gráficas y Página Web: José David Vergara Saltaŕın, Anyi Xiomara Giraldo Rivas.
Diseñadora Gráfica: Luisa Fernanda Garćıa Yaber.
Producción audiovisual: Carlos David Ortiz Caro.
Ediciones UTB
ISSN: XXXX-XXXX
Universidad Tecnológica de Boĺıvar. Parque Industrial y Tecnológico Carlos Vélez Pombo Km 1 Vı́a
Turbaco. Cartagena de Indias, D. T. y C., - Colombia
www.utb.edu.co
(c) 2023
V International Workshop on Applied Statistic and
Data Science
Ánimos y Motivación
El valor de los datos y de los profesionales con experiencia en datos está creciendo exponencialmente.
Los expertos prevén que el mercado mundial de big data crecerá hasta los 103.000 millones de dólares
en 2027, duplicando con creces las estimaciones realizadas en 2018. Ese crecimiento expansivo seguirá
aumentando la demanda de profesionales capacitados que puedan hacer un uso significativo de enormes
volúmenes de datos.
La ciencia de los datos y la estad́ıstica aplicada son esenciales para hacer que los grandes datos sean
relevantes para una amplia gama de empresas, industrias, instituciones y academia. Aunque estas dos
disciplinas operan en algunos de los mismos espacios, no son idénticas. Tanto la ciencia de los datos como
la estad́ıstica aplicada tienen sus ráıces en el campo de la estad́ıstica y están relacionadas con él. Gran
3
Libro de Memorias V International Workshop on Applied Statistic and Data Science
parte de los conocimientos y la formación básicos necesarios para una carrera en estos campos se basan
en una formación estad́ıstica similar. Sin embargo, la principal diferencia entre la ciencia de los datos y
la estad́ıstica es su enfoque único para dar sentido a los datos y resolver problemas.
Hay matices y excepciones en estos campos que se solapan, pero la ciencia de los datos suele utilizarse
para hacer predicciones y optimizar las búsquedas en grandes campos de datos y bases de datos. Aplica
técnicas como las herramientas de aprendizaje automático y la inteligencia artificial a problemas que
normalmente requeriŕıan inteligencia humana, pero que son demasiado amplios para resolverlos de forma
eficiente por esas v́ıas más tradicionales. La ciencia de los datos pretende hacer predicciones precisas de
comportamientos y patrones futuros en un mercado o industria determinados.
Sin embargo, la estad́ıstica aplicada sigue siendo crucial para resolver muchos problemas del mundo real
y sacar conclusiones esenciales para las empresas y organizaciones. Los estad́ısticos descubren la mejor
manera de recopilar datos, realizar mediciones y cuantificar la incertidumbre alĺı donde las soluciones de
la ciencia de los datos basada en las máquinas podŕıan resultar dif́ıciles de manejar.
“El objetivo final del análisis estad́ıstico suele ser sacar una conclusión sobre qué causa qué, basándose
en la cuantificación de la incertidumbre. En cambio, el objetivo final del análisis de la ciencia de datos
suele ser más bien una base de datos espećıfica o un modelo predictivo”. (https://www.displayr.com/
statistics-vs-data-science-whats-the-difference/)
Página web
https://www.utb.edu.co/workshop-applied-statistic-and-data-science/#
Ediciones Anteriores
El Workshop ha sido un evento con historia. Las ediciones anteriores han sido: WorkShop en Estad́ıstica
Aplicada (2012, Cartagena- Colombia), II Workshop en Estad́ıstica Aplicada (2016, Cartagena- Colombia),
III International Workshop on Applied Statistics (2019, Cartagena- Colombia) y el último IV International
Workshop in Applied Statistics and Data Science (2022, Cartagena- Colombia).
Fechas importantes y lugar del evento
El evento se desarrolló en las instalaciones de la Universidad Tecnológica de Bolivar en la Facultad de
Ciencias Básicas. Campus Casa Lemaitre, Calle del Bouquet Cra.21 #25-92, Barrio Manga, Cartagena-
Colombia. El evento duró 3 d́ıas intensos desde 28 al 30 de junio de 2023.
Dirigido a
Todos los investigadores y profesionales de diferentes disciplinas que deseen conocer de Ciencia de Datos
y Estad́ıstica Aplicada en el manejo de grandes volúmenes de datos, aśı como también a estudiantes de
pregrados y posgrados de ingenieŕıas, ciencias básicas o de economı́a y negocios, interesados en desarro-
llar habilidades en temas relacionados con Estad́ıstica Aplicada y Ciencia de datos. Además también es
propicio para todos los profesionales del sector empresarial que desempeñan funciones donde el análisis
de datos es requerido para la toma de decisiones.
4
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Objetivos y metodoloǵıa
Este evento reunió a varios profesionales expertos del área que se encargaron de ofrecer a partir de varios
cursillos su experiencia y proporcionar aśı una visión desde cada unas de sus experticias en el contexto de
la estad́ıstica aplicada y la ciencia de datos. De modo que este evento representó un importante espacio
para compartir experiencias y aprender acerca de los usos y casos de uso de la estad́ıstica y la ciencia de
datos en muchas áreas. Los cursos fueron prácticos y aplicados y a través de la dinámica los participantes
explorarán técnicas, metodoloǵıas, teoŕıas y aplicaciones particulares. Además se contó con una sesión
de posters para que los participantes expongan sus ideas, trabajos en curso, casos particulares de uso
y aplicación en un forum que permita la retroalimentación y compartir de experiencias que ayuden,
potencien y contribuyan a la generación de sinergias y trabajos colaborativos entre los participantes.
El workshop constó con 2 cursos, de este modo los cursos se realizaron de manera secuencial y se tuvo
la oportunidad de seguir el curso completamente. Adicionalmente los cursos fueron diseñados para tener
una gran cantidad de horas prácticas en la que los participantes podrán interactuar, probar, experimentar
con la ayuda de los talleristas.
Se contó con una sesión de networking y presentación de posters en la que los participantes interactua-
ron con todos en el workshop y expusieron sus ideas, trabajos, investigaciones, problemas, desaf́ıos, etc.
Pudieron contar con la ayuda de los talleristas, expertos en el área y personas invitadas que pudieran
ofrecer sus ideas y ayudas en la presentación. Esta fue una oportunidad valiosa para la socializar, estrechar
lazos y discutir perspectivas con otros participantes.
Invitados Internacionales y Charlas magistrales
Andy Doḿınguez Monterroza, Cand. PhD. Investigador y profesor Timepo Completo de la
Universidad Tecnológica de Boĺıvar y miembro del grupo de investigación de Gravitación Matemática
Aplicada de la FAcultad de Ciencias Básicas de la misma universidad. Trabaja en diversos proyectos
relacionados con series de tiempo, topoloǵıa y redes complejas.
• Charla Magistral: Ciencia de Redes y Sus Aplicaciones (En español)
Craig Robson, PhD. Profesor de Ingenieŕıa Centrada en Datos en la Escuela de Ingenieŕıa de
la Universidad de Newcastle (Reino Unido), su trabajo se centra en el uso de datos y métodos de
ciencia de datos para evaluar los impactos del cambio climático. Sus áreas de investigación incluyen
la ciencia de datos espaciales, los marcos de evaluación integrados, la complejidad de las redes, la
resiliencia de las redes y la visualización de datos.
• Curso: Análisis de Series de Tiempo (En inglés)
Jarnishs Beltran, PhD. Investigador y Profesor Asociado de la Universidad de Valparaiso, Chile,
experto en ciencia de datos. Sus intereses principales se centran en el manejo de herramientas y
habilidades en el procesamiento de lenguaje natural y machine learning para entender coherencia y
evolución de emociones en contextos de contenido textual.
• Curso: Procesamiento de Lenguaje Natural (En español)
5
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Cursos
Análisis de series de tiempo (Craig Robson, UK)
El curso de análisis de series de tiempo que se llevó a cabo en el V International Workshop in Applied
Statistics and Data Science se enfocó en proporcionar a los participantes una perspectiva de ciencia de
datos sobre la teoŕıa, procesos y métodos para analizar datos temporales. El curso se impartió utilizando
ejemplos prácticos con datos abiertos y de libre acceso, y se empleó el lenguaje de programación Python,
un lenguaje de código abierto y ampliamente utilizado en el análisis de datos.
A continuación, se presenta una lista de temas y contenido que se abordaron durante el curso:
Introducción a las series de tiempo: Definición y conceptos básicos de series de tiempo. Componentes
de una serie de tiempo: tendencia, estacionalidad y ruido. Aplicaciones en ciencia de datos y campos
relacionados.
Preprocesamiento de datos de series de tiempo: Limpieza y manejo de datos faltantes. Conversión
de fechas y frecuencias de muestreo.
Visualización y exploración de series de tiempo: Gráficos de ĺıneas, gráficos de puntos y gráficos de
autocorrelación. Identificación de patrones y comportamientos en los datos.
Modelado y pronóstico básico: Modelos de media móvil y promedio. Métodos de alisado exponencial.
Pronóstico a corto plazo y tendencias.
Modelos avanzados de series de tiempo: Modelos ARIMA (AutoRegressive Integrated Moving Ave-
rage). Estacionariedad y diferenciación. Selección de órdenes de modelos.
Técnicas para series de tiempo estacionales: Modelos SARIMA (Seasonal ARIMA). Decomposición
estacional.
Evaluación y validación de modelos: Métricas de rendimiento para pronósticos. Validación cruzada
en series de tiempo.
Aplicaciones prácticas: Pronóstico de demanda en ventas y marketing. Predicción de datos climáticos
y medioambientales.
Cada tema se acompañó de ejemplos prácticos utilizando Python para implementar los métodos y
técnicas aprendidas. Los participantes pudieron aplicar estos conocimientos para analizar y pronosticar
diferentes tipos de datos de series de tiempo y adquirir habilidades que pueden ser trasladadas a otros
entornos de codificación y análisis de datos.
Procesamiento de lenguaje natural (Jarnishs Beltrán, CH)
El curso se enfoca en proporcionar a los participantes herramientas y técnicas para procesar datos de
lenguaje natural desde una perspectiva computacional. El objetivo es permitir a los estudiantes utilizar R
y RStudio para trabajar con datos de Twitter y realizar análisis de sentimientos y construcción de redes
semánticas de hashtags. Se espera que los participantes tengan una palabra clave espećıfica y relevante
de carácter poĺıtico para realizar búsquedas en Twitter durante el taller.
A continuación, se presenta una descripción del contenido y temas que se abordaron en cada d́ıa del
taller:
6
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Dı́a 1: Creación de la API de Twitter. Extracción de datos de Twitter. Preprocesamiento de datos y
primeras visualizaciones. Introducción al Procesamiento de Lenguaje Natural (NLP) y su importan-
cia en la ciencia de datos. Configuración de la API de Twitter para acceder a datos en tiempo real.
Extracción de datos de Twitter utilizando R y la API. Preprocesamiento de los datos extráıdos:
limpieza, tokenización y eliminación de stop words. Visualizaciones iniciales: nubes de palabras para
explorar términos más frecuentes y gráficos de frecuencia de palabras.
Dı́a 2: Análisis de sentimientos usando diccionarios. Discusión de técnicas de clasificación de sen-
timientos. Introducción al análisis de sentimientos y su aplicación en el procesamiento de lenguaje
natural. Uso de diccionarios de sentimientos para asignar polaridad a palabras y textos. Interpreta-
ción de los resultados del análisis de sentimientos y su relevancia en la comprensión de la opinión
pública. Comparación de técnicas de clasificación de sentimientos basadas en diccionarios y técnicas
de Machine Learning (ML). Posibilidades de investigación mixta en el área de análisis de sentimien-
tos y discurso de odio como un ejemplo destacado.
Dı́a 3: Introducción al concepto de redes y aplicaciones en redes semánticas de hashtags. Conceptos
básicos de las redes y su representación en el análisis de datos. Medidas de centralidad en redes
y su importancia en el análisis de datos de lenguaje natural. Aplicación práctica: construcción de
redes semánticas de hashtags en Twitter. Análisis de la estructura de las redes semánticas y su
interpretación. Discusión sobre el uso de redes semánticas en el análisis de tendencias y opiniones
en redes sociales.
Cada d́ıa del taller combina conceptos teóricos con ejemplos prácticos utilizando R y RStudio para el
análisis de datos de lenguaje natural de Twitter. Al final del taller, los participantes debeŕıan ser capaces
de utilizar estas técnicas para analizar datos poĺıticos relevantes en la plataforma de Twitter y explorar
su aplicación en la investigación académica en ciencias sociales y computacionales.
Apoyo
El evento contó con el apoyo y soporte de la edición número 20 de la Escuela de Verano UTB 2023
(https://www.utb.edu.co/utb-global/internacionalizacion-en-casa/escuela-de-verano/) de
la Dirección de Internacionalización en la cual esta actividad se ha enmarcado, por eso la organización
del ASDS expresa su profunda gratitud a la profesora Ericka Duncan Ortega (Directora de Interna-
cionalización) y a Natalia De Jesus Caraballo Noriega (Coordinadora de Proyectos Internacionales
y Visibilidad) por tu esfuerzos en hacer esta edición posible.
También se contó con el apoyo de la Dirección de Mercadeo y Comunicaciones con especiales agrade-
cimientos a Mavy Catherine Gutierrez Cedeno (Directora de Mercadeo Y Comunicaciones), Jose
David Vergara Saltarin (Coordinador de Comunicaciones Institucionales) y aAnyi Xiomara Giraldo
Rivas (Gestora de Contenidos Web).
Adicionalmente alguna parte de los fondos para cubrir todas las becas otorgadas en en este evento
han sido posibles gracias al apoyo del Instituto Colombiano de Crédito Educativo y Estudios
Técnicos en el Exterior - ICETEX, a los cuales agradecemos y honramos con un reconocimiento.
La Sociedad Colombiana de Estad́ıstica (SCE-Co) y el Instituto IberoAmericano de Estad́ısitca (IASI)
ayudaron en la difusión y comunicación a través de las redes aliadas.
El evento quisiera expresar un profundo y especial agradecimiento a Yesenia Margarita Rodriguez
Melendez (Auxiliar Administrativo de la Facultad de Ciencias Básicas) por su invaluable entrega y apoyo
7
Libro de Memorias V International Workshop on Applied Statistic and Data Science
en todos los procesos del evento, aśı como también a Mileibys Paola Aycardi Berrio (Profesional de
Apoyo Administrativo Y Bienestar Posgrados) y Astrid Carolina Herrera Uparela (Profesional de
Apoyo Administrativo y Bienestar Pregrado). Sin la ayuda de estas personas nada hubiere podido ser
posible.
Nuestros apoyantes:
El Workshop en algunas imágenes
8
Libro de Memorias V International Workshop on Applied Statistic and Data Science
9
Sesión de Posters
10
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Aplicación Shiny para perfiles de verosimilitud
Mario César Jaramillo Elorza∗, Valentina Tamayo Guaŕın, Juan Pablo Mart́ınez
∗Departamento de Estad́ıstica, Universidad Nacional De Colombia, Bogota, Colombia.
email: mcjarami@unal.edu.co
Resumen: Este proyecto propone una herramienta fundamental para la inferencia estad́ıstica, los
perfiles de verosimilitud, que permiten calcular un parámetro desconocido. Se desarrollará una aplicación
interactiva en R Shiny, basada en técnicas usadas en la literatura de inferencia estad́ıstica, con el objetivo
de facilitar la comprensión y la importancia de los perfiles de verosimilitud para estudiantes de estad́ıstica
y la investigación. La herramienta se enfoca en ayudar a los estudiantes a adquirir habilidades prácticas
en la construcción y la interpretación de los perfiles de verosimilitud, aśı como en su uso para seleccionar
modelos estad́ısticos y entender los resultados.
Palabras clave: Perfiles de verosimilitud, Aplicación interactiva, Shiny, Máxima verosimilitud.
11
Libro de Memorias V International Workshop on Applied Statistic and Data Science
A semi-parametric Bayesian extreme value
model using a Dirichlet process mixture of
gamma densities
Jairo Fuquene-Patino∗
∗Department of Statistics, University of California, Los Angeles, California, Estados Unidos.
email: jafuquenepatino@ucdavis.edu
Resumen: We propose a model with a Dirichlet process mixture of gamma densities in the bulk part
below threshold and a generalized Pareto density in the tail for extreme value estimation. The proposed
model is simple and flexible for posterior density estimation and posterior inference for high quantiles.
The model works well even for small sample sizes and in the absence of prior information. We evaluate
the performance of the proposed model through a simulation study. Finally, the proposed model is
applied to a real environmental data.
Palabras clave: generalized Pareto distribution, threshold estimation, Dirichlet process mixture.
12
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Sistema de alertas tempranas para la prevención
de la deserción universitaria con el uso de
técnicas de machine learning
Miguel Ernesto Velandia Feria∗, Oscar Andrés Raḿırez Avendaño, Marco Javier Peñaloza Pérez,
David Arango Londoño
∗Universidad Javeriana, Cali, Colombia.
email: miguel.velandiaf@cecar.edu.co
Resumen: El estudio aborda el problema de la deserción universitaria en la Facultad de Ciencias Básicas
e Ingenieŕıas de la Corporación Universitaria del Caribe (Cecar). Se presenta un marco conceptual basado
en investigaciones previas que utilizan enfoques cualitativos y cuantitativos, aśı como la ciencia de datos.
Se realiza un análisis exploratorio descriptivo de los datos de deserción correspondientes a los periodos
de 2019A-2022B. Este análisis se centra en comprender y examinar el fenómeno de la deserción en la
mencionada facultad. Se utilizan técnicas estad́ısticas y visualizaciones de datos para identificar factores
y tendencias relacionados con la deserción.
Luego, se entrenan varios modelos de machine learning, como la regresión loǵıstica, las máquinas de
soporte vectorial, los bosques aleatorios de decisión y las redes neuronales simples. Estos modelos permiten
predecir y emitir alertas sobre los riesgos de deserción en los programas de ingenieŕıa de sistemas e
industrial. Se desarrolla una API y una interfaz gráfica que integran el análisis exploratorio y el modelo
predictivo.
El sistema resultante permite predecir la probabilidad de deserción para nuevos estudiantes, configu-
rando un sistema de alertas tempranas. Esto contribuye a la comprensión y mitigación de la deserción
universitaria, aśı como a promover poĺıticas institucionales que buscan la permanencia de los estudiantes.
En resumen, el estudio propone un enfoque integral para abordar la deserción universitaria en la
Facultad de Ciencias Básicas e Ingenieŕıas de Cecar. Combina un marco conceptual, análisis exploratorio
de datos y modelos de machine learning para comprender el fenómeno, identificar patrones y factores
asociados, y desarrollar un sistema de alertas tempranas. Esto tiene como objetivo prevenir la deserción
y promover la permanencia de los estudiantes en los programas de ingenieŕıa.
Palabras clave: deserción universitaria, machine learning, ciencia de datos, predicción, sistemas
de alertas tempranas.
13
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Métodos estad́ısticos para el análisis
epidemiológico de los factores de riesgo para
osteoporosis en mujeres post menopaúsicas
Nidia Milena Babativa Cortes∗, Julio Seferino Hurtado Marquez
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: nbabativa@uniguajira.edu.co
Resumen: El diagnóstico de osteoporosis en mujeres Post menopaúsicas, determinado inicialmente por
criterios diagnósticos como la medición de la masa ósea a partir del uso de tecnoloǵıas basadas en las
definiciones de la OMS, que establece la medición de la masa mineral ósea para considerar DMO normal,
osteopenia y osteoporosis. El método se realiza a partir de análisis de componentes principales, que
permiten la visualización de los grupos y su nivel de representatividad, también se aplicó la técnica de
análisis de clúster que permitió observar la distancia, concentración o agrupación de variables a partir de
las gráficas en forma de dendogramas, aśı mismo aplico la técnica de correlación que permitió observar
la relación fuerte y débil de las variables analizadas. La data presenta 375 observaciones y 15 variables,
sin embargo la presencia de datos faltantes requiere de la implementación de un método de imputación
para la optimización de la data, existe correlación fuerte entre las variables prueba de calcio y glicemia,
entre las pruebas AST (aspartato amino transferasa) que permite medir la función renal y la prueba ALT
(alanino amino transferasa) cuya prueba determina la medición de la función del h́ıgado y el páncreas,
y al aplicar el modelo PSA, se observa a partir de la varianza acumulada una reducción de la data que
permitió, la observación de las variables más representativas que podŕıan orientar hacia la presencia
de factores de riesgo de osteoporosis, y se determinó que un numero de 10 clúster es suficiente para el
análisis del fenómeno de interés.
Palabras clave: Mineŕıa de datos, osteoporosis, epidemiologia, clúster, análisis de componentes
principales, correlación, modelo estad́ıstico.
14
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Detección de bots en twitter utilizando
aprendizaje no supervisado
Lilibeth De Horta Narvaez∗, Roberto Trespalacio Alies
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: ldehortana@yahoo.es
Resumen: Este estudio tiene como objetivo detectar bots en Twitter mediante el análisis de sentimientos
de un conjunto de tweets. La detección de bots en redes sociales es un desaf́ıo importante debido a su
capacidad para propagar información falsa y engañar a los usuarios. Para abordar este problema, se
utilizará el análisis de sentimientos para identificar patrones caracteŕısticos en los tweets generados por
bots y usuarios reales.
En primer lugar, se recopilará un conjunto de tweets de Twitter que incluya tanto contenido generado
por bots como por usuarios auténticos. Estos tweets pueden provenir de diferentes temas y áreas de interés
para garantizar la representatividad del conjunto de datos.
Posteriormente, se aplicará el análisis de sentimientos para evaluar las emociones y el tono expresado
en cada tweet. El análisis de sentimientos permitirá identificar si los tweets son positivos, negativos o
neutrales, lo que proporcionará información valiosa sobre la autenticidad del contenido.
Luego, se empleará aprendizaje no supervisado para encontrar diferencias y patrones distintivos entre los
tweets generados por bots y los generados por usuarios reales. Al utilizar técnicas de clustering y reducción
de dimensionalidad, se buscará agrupar los tweets en clusters o grupos que compartan caracteŕısticas
similares.
La identificación de clusters espećıficos que contengan predominantemente tweets generados por bots
podŕıa indicar la existencia de patrones de comportamiento caracteŕısticos de estas cuentas automati-
zadas. De manera similar, los clusters con predominancia de tweets de usuarios reales podŕıan revelar
caracteŕısticas distintivas de los contenidos auténticos.
Los resultados de este estudio proporcionarán una visión más clara sobre la presencia de bots en
Twitter y cómo se comportan en comparación con los usuarios reales. La detección temprana de bots
en la plataforma puede ayudar a prevenir la difusión de información falsa y proteger a los usuarios de
posibles intentos de manipulación.
En conclusión, este enfoque de detección de bots en Twitter a través del análisis de sentimientos y el
aprendizaje no supervisado representa un paso importante para abordar el problema de la propagación de
información falsa en las redes sociales. La combinación de estas técnicas puede proporcionar un análisis
más profundo y preciso de la autenticidad de los tweets, lo que permitirá tomar medidas preventivas
para mantener la integridad de la plataforma y proteger a sus usuarios.
Palabras clave: Análisis de sentimientos, NLTK.
15
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Análisis de redes aplicado al sistema de tránsito
de transporte urbano de Cartagena de Indias
Yenifer Matorel Silva∗, D. Sierra-Porta
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: ymatorel@utd.edu.co
Resumen: Este estudio se enfoca en realizar un análisis de redes al sistema de transporte urbano de
Cartagena de Indias con el propósito de identificar áreas donde el servicio de transporte público es in-
suficiente. Además, se contrastará la presencia del Mototaxismo en esas zonas para entender su posible
relación con la deficiencia del servicio de transporte público.
Para llevar a cabo el análisis, se recopilará información relevante sobre las rutas y el funcionamiento
del sistema de transporte urbano, incluyendo datos sobre frecuencia de rutas, capacidad de transporte,
horarios, entre otros factores que puedan influir en la eficiencia del servicio.
Se aplicarán técnicas de análisis de redes para mapear y visualizar la conectividad y flujo de tránsito
en la ciudad, identificando las áreas donde la oferta de transporte público no satisface adecuadamente la
demanda de los ciudadanos.
Además, se investigará la presencia y extensión del Mototaxismo en las zonas donde se ha detectado una
deficiencia en el servicio de transporte público. El Mototaxismo es un fenómeno informal de transporte que
puede surgir como respuesta a las limitaciones del transporte público formal y puede afectar la movilidad
y seguridad de los ciudadanos.
Mediante el contraste de estos datos, se buscarán patrones y relaciones entre la falta de servicio de
transporte público y la prevalencia del Mototaxismo en diferentes áreas de la ciudad. Este análisis permi-
tirá proponer estrategias efectivas para mejorar la calidad del transporte urbano y reducir la necesidad
de alternativas informales como el Mototaxismo.
Los resultados de este estudio podŕıan proporcionar información valiosa a las autoridades y planificado-
res de transporte de Cartagena de Indias para implementar soluciones adecuadas y orientadas a mejorar
la movilidad en la ciudad.
En conclusión, este análisis de redes aplicado al sistema de transporte urbano de Cartagena de Indias
es una herramienta fundamental para identificar áreas con servicio insuficiente y su relación con el
Mototaxismo. La comprensión de estas dinámicas permitirá proponer estrategias efectivas y mejorar la
calidad del transporte público en la ciudad, contribuyendo aśı a una movilidad más eficiente y sostenible
para sus habitantes.
Palabras clave: Redes, Transporte, Mototaxismo.
16
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Entrenamiento de modelos de aprendizaje
automático para pronosticar la deserción En
programas académicos de la universidad de
córdoba
Edgar Segundo Ramos Ramirez∗, Mario Alfonso Morales Rivera
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: adidactico31@gmail.com
Resumen: En este estudio, nos proponemos ajustar modelos de aprendizaje automático con el objetivo
de predecir la intención de los estudiantes de los programas académicos de la Universidad de Córdoba
de abandonar sus carreras. El objetivo es proporcionar un mecanismo de reconocimiento temprano de los
estudiantes que puedan optar por tomar esa decisión, permitiendo aśı una alerta temprana para la toma
de medidas preventivas.
La deserción estudiantil es un desaf́ıo importante en las instituciones académicas, y su identificación
temprana es esencial para implementar estrategias efectivas de retención y apoyo a los estudiantes en riesgo
de abandonar sus estudios. Para abordar este problema, utilizaremos técnicas avanzadas de aprendizaje
automático y análisis de datos.
En primer lugar, recopilaremos datos históricos y relevantes sobre los estudiantes matriculados en
los diferentes programas académicos de la Universidad de Córdoba. Estos datos incluirán información
demográfica, rendimiento académico, participación en actividades extracurriculares y cualquier otro factor
que pueda estar relacionado con la deserción estudiantil.
A continuación, llevaremos a cabo una limpieza y preprocesamiento exhaustivos de los datos para
asegurar que estén en un formato adecuado para el entrenamiento del modelo. Posteriormente, dividiremos
los datos en conjuntos de entrenamiento y prueba para poder evaluar el rendimiento de los modelos de
manera adecuada.
Luego, emplearemos diferentes algoritmos de aprendizaje automático, como árboles de decisión, regre-
sión loǵıstica, máquinas de soporte vectorial (SVM) y redes neuronales, para entrenar y ajustar nuestros
modelos predictivos. La elección de estos algoritmos se basará en su capacidad para manejar problemas
de clasificación y su rendimiento en la predicción de deserción estudiantil.
Finalmente, evaluaremos la precisión y efectividad de nuestros modelos utilizando métricas de evaluación
apropiadas, como precisión, recall, F1-score, entre otras. Buscaremos identificar el modelo con el mejor
rendimiento para realizar pronósticos precisos sobre la intención de deserción de los estudiantes.
El resultado esperado de este estudio es proporcionar a la Universidad de Córdoba una herramienta
efectiva de predicción de deserción estudiantil, lo que permitirá tomar medidas preventivas y de
intervención temprana para mejorar la retención y el éxito académico de los estudiantes. Este enfoque
puede ser una valiosa contribución para abordar el desaf́ıo de la deserción en instituciones académicas y
mejorar la calidad de la educación superior en Colombia.
Palabras clave: Entrenamiento, Modelos de aprendizaje automático, pronóstico, deserción, pro-
gramas académicos, Universidad de Córdoba.
17
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Asociación de las concentraciones dióxido de
nitrógeno NO2 y el ı́ndice de vegetación NDVI,
en las zonas ucg 11 y 13, Cartagena de indias
Elizabeth Valderrama Serrano∗, Yady Tatiana Solano
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: evalderrama@utb.edu.co
Resumen: Este art́ıculo presenta un análisis exhaustivo de la relación entre las concentraciones de dióxido
de nitrógeno (NO2) y el ı́ndice de vegetación (NVDI) en dos sectores distintos de Cartagena de Indias: la
zona franca UGC 11 y la zona UGC 13. La zona UGC 11 está conformada por varios barrios y se caracteriza
por una constante exposición a la contaminación proveniente de empresas y veh́ıculos, mientras que la
zona UGC 13 se destaca por su abundante vegetación urbana.
El estudio se llevó a cabo utilizando mapas satelitales de las misiones Sentinel 5 y Sentinel 3, correspon-
dientes al periodo comprendido entre abril de 2022 y marzo de 2023. Estos mapas satelitales permitieron
realizar una caracterización temporal de los cambios en los niveles de dióxido de nitrógeno y en el ı́ndice
de vegetación a lo largo del tiempo.
Mediante el análisis de los datos obtenidos de los satélites, se evaluó la posible asociación entre las
concentraciones de dióxido de nitrógeno y el ı́ndice de vegetación en ambas zonas. Se buscó identificar
patrones y tendencias que pudieran indicar una relación entre la presencia de vegetación y los niveles de
contaminación en el aire.
Los resultados de este estudio proporcionan una visión detallada de cómo las concentraciones de dióxido
de nitrógeno vaŕıan en función de la cantidad de vegetación presente en las áreas de estudio. Se espera
que estos hallazgos contribuyan a una mejor comprensión de los factores ambientales que influyen en la
calidad del aire en zonas urbanas y en áreas con alta exposición a la contaminación.
Este análisis es relevante para la planificación y gestión ambiental en Cartagena de Indias, ya que brinda
información valiosa sobre la relación entre la vegetación urbana y la calidad del aire en distintas zonas
de la ciudad. Asimismo, los resultados podŕıan servir de base para la implementación de estrategias de
mitigación y control de la contaminación en áreas urbanas con alta concentración de emisiones de dióxido
de nitrógeno.
En conclusión, este art́ıculo proporciona una valiosa contribución al conocimiento cient́ıfico sobre la
relación entre el dióxido de nitrógeno y el ı́ndice de vegetación en zonas espećıficas de Cartagena de
Indias. El análisis de datos satelitales y la caracterización temporal de los cambios ambientales permiten
una comprensión más profunda de los factores que afectan la calidad del aire en estas áreas urbanas, lo
que puede guiar futuras estrategias de gestión ambiental y sostenibilidad.
Palabras clave: Índice de vegetación de diferencia normalizada (NVDI), Dióxido de nitrógeno
NO2, Sentinel 2, Sentinel 5P, Análisis Multitemporal.
18
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Anaĺıtica aplicada al flujo de visitantes a un
supermercado de cadena
Lorena Ibañez Castro∗, Andy Dominguez
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: libanez96@hotmail.com
Resumen: En este estudio, se aplica un enfoque de anaĺıtica descriptiva y técnicas de machine learning
y deep learning para caracterizar los patrones de consumo de visitantes en un supermercado de cadena
(MT). El objetivo principal es crear un modelo predictivo que permita pronosticar la demanda de visitas
en el tiempo, lo que permitirá optimizar los turnos operativos y mejorar la eficiencia en la atención al
cliente.
La metodoloǵıa se divide en tres fases principales. En primer lugar, se realiza un análisis descriptivo
exhaustivo para caracterizar los flujos de visitas en el supermercado MT. Esto implica examinar datos
históricos y actuales sobre el número de visitantes, los horarios de mayor afluencia, d́ıas de la semana más
concurridos, entre otros factores. La finalidad es identificar patrones temporales que ayuden a comprender
el comportamiento de los clientes en el establecimiento.
En la segunda fase, se aplican algoritmos supervisados de machine learning, en particular, redes neuro-
nales y Long Short-Term Memory (LSTM), para analizar y modelar la relación entre diferentes variables
y el flujo de visitantes. Estos algoritmos permiten capturar relaciones complejas y no lineales, proporcio-
nando una mayor precisión en la predicción de la demanda de visitas al supermercado.
La tercera fase se enfoca en el desarrollo de un modelo de pronóstico del flujo de clientes visitantes
utilizando técnicas de inteligencia artificial, en concreto, deep learning. Este modelo busca anticipar la
demanda futura con base en datos históricos y tendencias observadas en el comportamiento de los visitan-
tes. El resultado esperado es un modelo que pueda prever la cantidad de visitantes en distintos intervalos
de tiempo, lo que permitirá una optimización eficiente de los turnos operativos y recursos disponibles en
el supermercado.
La pregunta de investigación clave en este estudio es: ”¿Qué patrones temporales exhibe el flujo de
clientes visitantes al supermercado MT?”Para responder a esta pregunta, se analizan los datos obtenidos
a través de técnicas de visualización y análisis estad́ıstico, lo que proporcionará una comprensión clara y
detallada de los patrones y comportamientos de los visitantes.
El resultado esperado de este proyecto es la creación de un modelo preciso y confiable que pueda
pronosticar la demanda de visitas al supermercado MT en diferentes momentos del d́ıa y de la semana.
Este modelo permitirá una toma de decisiones más informada y una gestión eficiente de los recursos
humanos y loǵısticos, mejorando la experiencia del cliente y optimizando la operación general del
supermercado. En última instancia, esta investigación busca contribuir al campo del análisis de datos
aplicado al comercio minorista y al uso efectivo de técnicas de machine learning y deep learning en la
gestión de flujos de visitantes.
Palabras clave: Patrones de consumo, Visitantes, Supermercado, Machine learning, Anaĺıtica
descriptiva, Algoritmo supervisado, Redes neuronales, LSTM, Patrones temporales, Flujo de clientes,
Modelo de pronóstico Inteligencia artificial, Deep learning, Optimización, Turnos operativos.
19
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Optimización del desempeño energético
Luis Fernando Florez Garcia∗, Estiven Sánchez Barrera
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: luisfflorezg@gmail.com
Resumen: En este estudio, se aborda el desaf́ıo de optimizar el desempeño energético en el proceso de
extracción de petróleo. Mediante el monitoreo detallado de dicho proceso, se han identificado escenarios
de ahorro y sobre consumo de enerǵıa en comparación con un periodo base establecido como referencia.
Nuestra solución se centra en la aplicación de técnicas de Machine Learning para identificar las varia-
bles más significativas que afectan el desempeño energético y, posteriormente, determinar los rangos de
operación óptimos para estas variables. Este enfoque permite obtener recomendaciones precisas y efectivas
para mejorar la eficiencia del proceso.
Primero, se recopilan y analizan datos de diferentes fuentes relacionadas con el proceso de extracción de
petróleo. Estos datos incluyen información sobre variables operativas, consumo de enerǵıa y otros factores
relevantes. Utilizando técnicas de limpieza y preprocesamiento de datos, nos aseguramos de que los datos
estén listos para el análisis.
A continuación, aplicamos técnicas avanzadas de Machine Learning, como regresión y algoritmos de
clasificación, para identificar las variables más influyentes en el desempeño energético del proceso de
extracción de petróleo. Estas variables son clave para determinar los factores que inciden en los escenarios
de ahorro y sobre consumo energético.
Una vez identificadas las variables significativas, empleamos técnicas adicionales de Machine Learning,
como optimización y algoritmos genéticos, para determinar los rangos de operación recomendados para
cada variable. Estos rangos están diseñados para maximizar la eficiencia energética del proceso, asegurando
un consumo óptimo de recursos.
Mediante la combinación de estas técnicas de Machine Learning, nuestra solución ofrece una estrate-
gia integral para la optimización del desempeño energético en la extracción de petróleo. Al proporcionar
recomendaciones precisas sobre las variables y rangos de operación más eficientes, esperamos lograr re-
ducciones significativas en el consumo de enerǵıa y, por ende, en los costos operativos asociados.
Los resultados preliminares muestran una mejora notable en la eficiencia energética del proceso de
extracción de petróleo. Esto sugiere que nuestra propuesta tiene un gran potencial para aplicarse en otros
contextos industriales, donde la optimización del desempeño energético es fundamental para reducir costos
y minimizar el impacto ambiental.
Nuestra investigación demuestra cómo las técnicas de Machine Learning pueden ser utilizadas con
éxito para identificar variables significativas y determinar rangos de operación óptimos en el proceso
de extracción de petróleo. Estamos seguros de que nuestra solución contribuirá significativamente a la
mejora de la eficiencia energética y a la toma de decisiones informadas en el campo de la industria
petrolera.
Palabras clave: Optimización, desempeño energético, Variables significativas, Machine Learning.
20
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Predicción de ecuaciones en MathML por medio
de procesamiento de lenguaje en base de datos
de problemas matemáticos en español
Kevin Andrés Sossa Valencia∗, Edwin Alexander Puertas del Castillo
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: ksossa@utb.edu.co
Resumen: En este trabajo, presentamos una contribución innovadora para abordar el desaf́ıo de pre-
decir ecuaciones en formato MathML que representen soluciones a problemas matemáticos en español.
Nuestro enfoque combina técnicas avanzadas de Procesamiento de Lenguaje Natural (NLP) con modelos
de Machine Learning, permitiendo la extracción efectiva de patrones relevantes en un corpus de datos de
problemas matemáticos.
El primer paso de nuestro proceso consiste en recopilar y preparar un extenso conjunto de problemas
matemáticos junto con sus soluciones en formato MathML. A través de una cuidadosa limpieza y prepro-
cesamiento, aseguramos que los datos estén listos para ser utilizados en el entrenamiento del modelo.
Para representar los problemas de manera numérica, emplearemos técnicas de vectorización como Bag
of Words, TF-IDF y Word Embeddings, lo que nos permite trabajar con datos numéricos y facilitar el
aprendizaje automático. Asimismo, identificamos caracteŕısticas relevantes en los enunciados a través del
análisis sintáctico y semántico, lo que contribuye a la precisión de nuestras predicciones.
El diseño de nuestro modelo se basa en arquitecturas de redes neuronales, especialmente aprovechando
la potencia de los modelos basados en Transformers, que han demostrado ser altamente efectivos en
tareas de NLP. La elección de esta arquitectura nos permite capturar relaciones complejas y sutiles en los
problemas matemáticos, mejorando aśı la calidad de nuestras predicciones.
Mediante un conjunto de entrenamiento y prueba adecuadamente dividido, realizaremos el entrena-
miento del modelo y evaluamos su rendimiento utilizando métricas apropiadas para la tarea, tales como
precisión, recall y F1-score. Iterativamente, ajustamos y mejoramos el modelo para obtener resultados
más precisos y generalizables.
Los resultados en nuestra investigación indican que nuestro modelo es capaz de realizar predicciones
precisas de ecuaciones MathML que representan soluciones a problemas matemáticos en español. Esta
contribución representa un avance significativo en la aplicación de técnicas de Procesamiento de Lenguaje
y Machine Learning para abordar problemas complejos en el ámbito matemático.
Nuestra propuesta tiene un gran potencial de aplicabilidad en el campo educativo y en plataformas
de aprendizaje en ĺınea, donde podŕıa facilitar la evaluación automática de respuestas a problemas ma-
temáticos, brindando retroalimentación rápida y precisa a los estudiantes.
Nuestro trabajo ofrece una solución innovadora y prometedora para la predicción de ecuaciones
MathML en problemas matemáticos en español. Al unir las capacidades del Procesamiento de Lenguaje
Natural y el Machine Learning, hemos demostrado cómo es posible extraer patrones relevantes y mejorar
la calidad de las predicciones en este importante dominio matemático.
Palabras clave: NLP, Math Word problem, Spanish, MathML.
21
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Detección de anomaĺıas en señales de LIDAR
atmosférico por medio de técnicas de inteligencia
artificial
Marco Aurelio Pérez Beńıtez∗, Estiven Sánchez Barrera
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: marcperez@utb.edu.co
Resumen: Esta investigación tiene como objetivo principal caracterizar y evaluar técnicas de inteligencia
artificial y aprendizaje automatizado efectivas para la detección de anomaĺıas en las señales de LIDAR
atmosférico. El LIDAR es una técnica que utiliza pulsos de luz láser para sondar la atmósfera y recopilar
información sobre sus caracteŕısticas y composición. Las señales detectadas son almacenadas en diferentes
canales que dependen de diversas propiedades de los fotones capturados, como su longitud de onda,
polarización o pureza espectral.
El estudio se enfoca en la manipulación y etiquetado de los datos generados por el LIDAR para entrenar
y evaluar modelos de inteligencia artificial. Se busca desarrollar un sistema capaz de identificar anomaĺıas
y extraer caracteŕısticas relevantes de estas señales atmosféricas.
Para lograr este propósito, se recopilarán y preprocesarán conjuntos de datos de señales de LIDAR
provenientes de diferentes condiciones atmosféricas. Estos datos servirán para el entrenamiento de algo-
ritmos de inteligencia artificial, incluyendo técnicas de aprendizaje supervisado y no supervisado, como
redes neuronales, algoritmos de clustering y sistemas de detección de anomaĺıas.
La manipulación y etiquetado de los datos permitirá la creación de un conjunto de entrenamiento
adecuado para cada técnica de inteligencia artificial evaluada. Esto proporcionará la capacidad de iden-
tificar patrones y comportamientos anómalos en las señales de LIDAR, lo que a su vez contribuirá a la
caracterización de la atmósfera y la detección de eventos inusuales o fenómenos at́ıpicos.
Los resultados esperados de este estudio ofrecerán una visión más profunda de la eficacia y el rendi-
miento de las técnicas de inteligencia artificial aplicadas a la detección de anomaĺıas en señales de LIDAR
atmosférico. La aplicación de estas técnicas podŕıa mejorar significativamente la capacidad de monito-
rear y comprender cambios atmosféricos inesperados, lo que resulta de vital importancia en aplicaciones
relacionadas con la meteoroloǵıa, la climatoloǵıa y la investigación atmosférica en general.
En conclusión, esta investigación representa un avance significativo en la detección de anomaĺıas en
señales de LIDAR atmosférico mediante el uso de técnicas de inteligencia artificial. La combinación de
la capacidad de procesamiento de datos de estos algoritmos con la precisión y sensibilidad del LIDAR
permitirá una mejor comprensión de la atmósfera y una mayor capacidad de detección y predicción de
eventos atmosféricos anómalos.
Palabras clave: LiDAR atmosférico, inteligencia artificial, detección, anomaĺıas, machine learning.
22
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Análisis bibliométrico de enfermedades
transmitidas por alimentos en Colombia
Andrea Carolina Menco Tovar∗, Melba Liliana Vertel Morinson
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: amenco@utb.edu.co
Resumen: La presente investigación tiene como propósito delimitar los agentes etiológicos de interés
según información disponible en los últimos 10 años en la Colombia, mediante el uso de herramientas
y técnicas de anaĺıtica de datos (Meta análisis), además del uso de software estad́ısticos de acceso
libre. Se realizó primeramente una acumulación de evidencias a través de la búsqueda en bases de
datos (scopus, pudmed, web of science, google académico) haciendo uso de una ecuación de búsqueda
que permitiese truncar según lo deseado. Luego se hizo un registro, almacenamiento y cribado de la
información obtenida, escogiendo a partir de la extracción de datos los agentes etiológicos de interés tales
como el Cólera, Antrax, Toxoplasmosis, Salmollenosis, Escherichia Coli, Campylobacter, Estafilococos,
Listeria sp, Epstein-Barr y Leptospirosis. Los cuales son organismos biológicos bacterias, hongos, virus
o parásitos capaces de causar enfermedades en los individuos que lo ingieren sea a través de alimentos,
agua o superficies llevando al huésped a presentar enfermedades transmitidas por alimentos (ETA) esto
último dependiendo de la cantidad de agente consumido.
Palabras clave: Microorganismos, patógenos, alimentos, inocuidad, riesgo, software.
23
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Detección de anomaĺıas con técnicas no
supervisadas: impacto en la implementación de
modelos de clasificación
Diego Herrera Malambo∗, Andy Rafael Dominguez-Monterrosa, Alberto Patiño-Vanegas
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: dherrerambo@gmail.com
Resumen: En esta investigación se aborda el tema de la detección de anomaĺıas, también conocidas
como desviaciones, datos extremos u outliers, mediante el uso de técnicas no supervisadas. Las anomaĺıas
son puntos que se desv́ıan del comportamiento normal en el contexto analizado y pueden clasificarse de
diferentes maneras según sus caracteŕısticas y origen.
Enfocándonos en los métodos de detección de anomaĺıas no supervisados, este estudio busca abordar los
desaf́ıos que surgen al manejar grandes volúmenes de datos y la interacción compleja entre las diferentes
caracteŕısticas. Al utilizar técnicas no supervisadas, el objetivo es identificar anomaĺıas sin la necesidad
de etiquetas previas o datos de entrenamiento.
Para lograr este propósito, se propondrá una metodoloǵıa que permita validar las anomaĺıas detectadas
de forma no supervisada. Esta metodoloǵıa se basará en la exploración y análisis detallado de los resultados
obtenidos, evaluando la coherencia y relevancia de las anomaĺıas identificadas con respecto al contexto y
objetivo del análisis.
La implementación de técnicas no supervisadas para la detección de anomaĺıas es particularmente
relevante en escenarios donde no se disponga de etiquetas para el entrenamiento de modelos de clasificación
supervisada. Además, permite abordar el desaf́ıo de analizar grandes conjuntos de datos con interacciones
complejas entre caracteŕısticas.
Los resultados de esta investigación pueden tener un impacto significativo en la mejora de modelos
de clasificación, ya que la detección precisa de anomaĺıas puede llevar a una selección más efectiva de
caracteŕısticas y a una clasificación más confiable. Asimismo, se espera que esta metodoloǵıa ayude a
comprender mejor la naturaleza y la importancia de las anomaĺıas detectadas, facilitando su interpretación
y toma de decisiones adecuadas.
En conclusión, la detección de anomaĺıas mediante técnicas no supervisadas representa un enfoque
prometedor para abordar el análisis de grandes volúmenes de datos en diversas áreas de aplicación.
La metodoloǵıa propuesta permitirá validar las anomaĺıas detectadas de manera no supervisada, lo
que contribuirá al desarrollo de modelos de clasificación más eficientes y precisos, aśı como al mejor
entendimiento de los datos y su comportamiento anómalo.
Palabras clave: Machine Learning, Anomalias, No supervisado, Outliers.
24
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Examinado la influencia de los factores
socioeconomicos en la incidencia del cáncer
infantil en Colombia: un enfoque de aprendizaje
automático
Rosa Yamiles Martinez Bello∗, D, Sierra-Porta
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: rosimarti95@gmail.com
Resumen: El cáncer infantil es un importante problema de salud pública en Colombia y su incidencia
está influenciada por diversos factores, incluyendo las condiciones socioeconómicas. Sin embargo, hasta
el momento, ha habido una falta de estudios integrales que exploren el impacto de estos factores en las
tasas de cáncer infantil en el páıs. Por lo tanto, el objetivo de esta investigación es investigar la asociación
entre los factores socio económicos y la incidencia de cáncer infantil en Colombia utilizando técnicas de
aprendizaje automático.
Se ha demostrado que el cáncer infantil tiene consecuencias económicas adversas para las familias,
especialmente aquellas de bajos recursos. En Colombia, los tipos de cáncer más comunes en niños incluyen
la leucemia, los tumores cerebrales, el neuroblastoma, el retinoblastoma y el linfoma de Hodgkin. Además,
se observa una alta incidencia de cáncer en niños menores de cinco años, lo que subraya la vulnerabilidad
de este grupo de edad.
Un análisis preliminar basado en los datos del Sistema de Vigilancia en Salud Pública revela un total
de 1.061 notificaciones de casos de cáncer infantil en Colombia. Se observa un ligero predominio de casos
en niños varones y una mayor carga de cáncer en los grupos socio económicos más bajos. Esto requiere
una atención especial e intervenciones adaptadas para abordar los desaf́ıos que enfrentan estos niños.
Esta investigación se propone abordar varias preguntas clave, incluyendo la correlación entre descrip-
tores socio económicos y la aparición de casos de cáncer infantil en diferentes regiones de Colombia, la
capacidad de los algoritmos de aprendizaje automático para predecir la probabilidad de cáncer infantil
basándose en factores socio económicos, y la influencia de factores socio económicos espećıficos en tipos
particulares de cáncer infantil.
Se espera que los resultados de esta investigación proporcionen una base sólida de conocimiento sobre
el cáncer infantil en Colombia, permitiendo el desarrollo de poĺıticas y estrategias espećıficas para mejorar
los resultados y reducir la carga de esta enfermedad en los niños y sus familias. En última instancia, el
objetivo es mejorar las tasas de supervivencia, la calidad de vida y fomentar un entorno de apoyo en el
sistema de salud colombiano.
Palabras clave: cáncer infantil, Colombia, factores socio económicos, incidencia, aprendizaje au-
tomático, leucemia, tumores cerebrales, neuroblastoma, retinoblastoma, linfoma de Hodgkin, análisis
epidemiológico, vulnerabilidad, intervenciones, desaf́ıos, resultados, poĺıticas, estrategias, supervivencia,
calidad de vida, sistema de salud.
25
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Developing an EEG, DMN-based tool for mental
illnes diagnosis and measurement
Jose Serna Lopez∗
∗Ingenieria Biomedica, Universidad Tecnológica de Boĺıvar, Cartagena de Indias, Colombia.
email: jsnlpz1402@gmail.com
Resumen: La red neuronal de estado por defecto (DMN, por sus siglas en inglés) es un sistema espećıfico
de regiones cerebrales interconectadas que se activa generalmente cuando el individuo no está enfocado
en el ambiente externo o en una actividad espećıfica. Este proyecto de investigación tiene como objetivo
verificar la diferencia en la actividad de la DMN entre individuos de control y aquellos con śıntomas y
diagnósticos relacionados con estados depresivos. Se utilizará el análisis de señales de electroencefalograf́ıa
(EEG), una técnica no invasiva y portátil, para establecer un criterio de clasificación cuantitativo para
estados depresivos. El fin es evaluar y mejorar el desempeño en cada tipo de intervención y terapia para
el tratamiento de enfermedades mentales.
Palabras clave: EEG, DMN, DEPRESIÓN.
26
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Detección de fraudes en el sistema de acueducto
de la ciudad de Cartagena, usando técnicas de
machine learning
Juseff Salim Jalal Luna∗, Yady T. Solano
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: jjalal@utb.edu.co
Resumen: Esta investigación se enfoca en abordar uno de los desaf́ıos más complejos para los gestores
de servicios públicos en el sector de acueductos y alcantarillados: la detección de fraudes en el sistema de
acueducto de la ciudad de Cartagena. Para enfrentar esta problemática, se propone el uso de técnicas de
machine learning para analizar los datos relacionados con el comportamiento de consumo de los usuarios
y otras variables disponibles que puedan explicar la ocurrencia de fraudes.
El fraude en el sistema de acueducto se refiere a prácticas ilegales o no autorizadas que afectan ne-
gativamente la integridad del sistema y la equidad en el suministro de agua. Estas prácticas incluyen
la manipulación de medidores, conexiones clandestinas y otros métodos para evitar el pago justo por el
consumo de agua.
El estudio se basará en la recopilación de datos relevantes, como historiales de consumo, patrones de
uso, ubicación geográfica de los usuarios y otras variables que puedan estar asociadas con comportamien-
tos fraudulentos. Estos datos serán utilizados para el entrenamiento de modelos de machine learning,
incluyendo algoritmos de clasificación y detección de anomaĺıas.
La aplicación de técnicas de machine learning permitirá identificar patrones y comportamientos sospe-
chosos que podŕıan indicar la presencia de fraudes en el sistema de acueducto. Los modelos entrenados
serán capaces de detectar anomaĺıas y clasificar usuarios con posibles prácticas fraudulentas, lo que ayu-
dará a los gestores de servicios públicos a tomar medidas preventivas y correctivas de manera más efectiva.
Además, se busca mejorar la eficiencia en la detección de fraudes y reducir los costos asociados a la
inspección manual y el proceso de seguimiento de usuarios sospechosos. La implementación de técnicas de
machine learning proporcionará una herramienta valiosa para optimizar los recursos y mejorar la gestión
del sistema de acueducto.
Los resultados de esta investigación tendrán un impacto significativo en la mejora de la gestión de
los servicios de acueducto en Cartagena, permitiendo una detección temprana y precisa de fraudes. Esto
contribuirá a garantizar la equidad en el suministro de agua, proteger los recursos h́ıdricos y fortalecer la
sostenibilidad del sistema en beneficio de la comunidad.
La detección de fraudes en el sistema de acueducto de Cartagena mediante técnicas de machine learning
representa una solución innovadora y eficiente para abordar esta problemática compleja. La aplicación
de estas técnicas proporcionará una herramienta poderosa para mejorar la gestión de los servicios de
acueducto y garantizar un suministro de agua justo y sostenible para todos los usuarios de la ciudad.
Palabras clave: Fraude, acueducto, machine learning.
27
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Elaboración de un modelo matemático que
calcule los parámetros adecuados para mejorar la
calidad en la metalización de rollos de biobase de
polipropileno en Taghleef industries
Cristian Hernandez∗, Victor Pretelt
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: criss.hernandezpadilla17@outlook.com
Resumen: La principal problemática que ocurre en la metalización de estos rollos, son los parámetros
que se colocan en las metalizadoras. ya que estos no son demasiados óptimos para el proceso productivo,
ya que muchas veces el material no sale de la mejor manera. generando desperdicios y retrocesos en la
metalización de este. Afectando de manera continua la eficiencia en las metalizadora. También muchas
veces genera roturas en el proceso, generando tiempo muertos que atrasan la producción
La principal problemática que ocurre en la metalización de estos rollos, son los parámetros que se
colocan en las metalizadoras. ya que estos no son demasiados óptimos para el proceso productivo, ya
que muchas veces el material no sale de la mejor manera. generando desperdicios y retrocesos en la
metalización de este. Afectando de manera continua la eficiencia en las metalizadora. También muchas
veces genera roturas en el proceso, generando tiempo muertos que atrasan la producción.
Se registró en una base de datos en Excel cada uno de los rollos que fueron metalizados para la
producción. Esta base de datos contiene las caracteŕısticas de cada rollo, como el ancho, peso y longitud,
aśı como los diferentes parámetros utilizados para la metalización. Posteriormente, solicitamos al analista
de calidad los resultados obtenidos en el laboratorio para poder tomar decisiones más informadas en
relación a los datos recopilados.
Palabras clave: Metalizacion, parametros, mejoras.
28
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Optimización en el tratamiento para la
dislipidemia mediante estrategias de machine
learning
Deiby Boneu Yepez∗, D. Sierra-Porta
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: djboneu@hotmail.com
Resumen: La dislipidemia es un factor de riesgo importante para el desarrollo de enfermedades cardio-
vasculares, por lo que mantener niveles adecuados de lipoprotéınas de baja densidad (LDLc) es crucial
para la atención de los pacientes. A pesar de esto, un porcentaje significativo de pacientes con alto ries-
go cardiovascular no logra alcanzar un control adecuado de sus niveles de LDLc. Esto puede deberse a
diversas causas, como factores genéticos, ambientales, adherencia al tratamiento, dieta y ejercicio, siendo
la mala utilización de la medicación uno de los principales problemas.
En este contexto, se propone una estrategia predictiva basada en machine learning para sugerir un
tratamiento farmacológico adecuado para cada paciente. El objetivo es mejorar el control de la dislipidemia
y reducir el riesgo cardiovascular mediante una selección personalizada de medicación.
Para probar esta estrategia, se utiliza una base de datos de la práctica cĺınica con pacientes que presentan
algún riesgo cardiovascular. Esta base de datos contiene información relevante sobre los pacientes, como
su historial médico, factores de riesgo, resultados de exámenes y tratamientos previos.
Se emplean técnicas de machine learning, como algoritmos de clasificación y regresión, para analizar y
modelar la relación entre las caracteŕısticas de los pacientes y el éxito del tratamiento farmacológico en el
control del LDLc. Esto permite identificar patrones y factores predictivos que influyan en la eficacia del
tratamiento.
El uso de machine learning proporciona una ventaja significativa al poder considerar múltiples variables
y relaciones complejas entre los datos cĺınicos, lo que ayuda a mejorar la precisión y la personalización del
tratamiento. Con esta estrategia predictiva, se busca identificar qué pacientes pueden responder mejor a
un determinado tipo de medicación o enfoque terapéutico.
Los resultados de esta investigación tienen el potencial de mejorar significativamente la calidad de
la atención médica para pacientes con dislipidemia y riesgo cardiovascular. Al ofrecer recomendaciones
personalizadas de tratamiento, se puede aumentar la adherencia y el control de LDLc, lo que, a su vez,
reducirá el riesgo cardiovascular y mejorará la salud cardiovascular general de los pacientes.
En conclusión, la optimización del tratamiento para la dislipidemia mediante estrategias de machine
learning representa un enfoque prometedor para mejorar el manejo de esta condición médica. La aplica-
ción de técnicas predictivas en la atención cĺınica permitirá una selección más precisa de tratamientos
farmacológicos, contribuyendo a una atención médica más efectiva y personalizada para pacientes con
dislipidemia y riesgo cardiovascular.
Palabras clave: Machine learning, ldl colesterol, hipolipemiantes.
29
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Impacto del covid19 en las caracteŕısticas
estructurales y de conexión de los componentes
del ı́ndice S&P Latam 40 del mercado bursátil
latinoamericano
Libardo Visbal Ballesteros∗, Andy Rafael Dominguez-Monterrosa
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: libavisbal@gmail.com
Resumen: Este estudio tiene como objetivo examinar el efecto de la Pandemia de COVID-19 en las
propiedades topológicas del mercado de valores S&P LATAM40 Utilizando el MST entre otras medidas
de centralidad y comparar el antes, durante y después del primer año de la Pandemia de COVID-19.
Como pregunta de investigación se plantea: ¿Ha reaccionado el mercado de valores a la pandemia de
COVID-19?
El estudio se justifica en virtud del colapso de la economı́a mundial consecuencia de la pandemia de
COVID-19, suspendiendo muchas actividades económicas y creando un declive dramático y abrupto en
la demanda y el empleo. Como resultado, los precios del mercado de valores mundial experimentaron la
peor cáıda desde la crisis financiera mundial.
Se plantea la hipótesis alternativa de que la pandemia ha tenido un impacto significativo en la estruc-
tura y conexión de los componentes del ı́ndice. Para evaluar esta hipótesis, se utiliza una metodoloǵıa
basada en el análisis de datos financieros y técnicas de mineŕıa de datos.
Palabras clave: COVID19, S&P LATAM40, PANDEMIA, MERCADOS FINANCIEROS.
30
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Aplicación de modelo de regresión lineal y
técnica de machine learning para generar un
modelo matemático que permita calcular el
déficit habitacional de vivienda en el distrito de
Cartagena de indias y proyectarlo mediante
mapas de calor, desagregados por localidad,
unidad comunera, barrios y manzanas
Steven Calvo Benavides∗, Yady Tatiana Solano Correa
∗Maestŕıa en Estad́ıstica y Ciencia de Datos, Universidad Tecnológica de Boĺıvar, Cartagena de Indias,
Colombia.
email: scalvo@utb.edu.co
Resumen: Esta investigación tiene como objetivo principal aplicar un modelo de regresión lineal
y técnicas de Machine Learning para identificar variables estad́ısticas relevantes y crear un modelo
matemático que permita calcular el déficit habitacional en el Distrito de Cartagena de Indias. La
proyección de los resultados en mapas de calor desagregados por localidad, unidad comunera, barrios y
manzanas proporcionará una visualización clara de la distribución del déficit habitacional, facilitando aśı
la toma de decisiones informadas para abordar esta problemática en el ámbito urbano.
Palabras clave: Déficit, Déficit habitacional, Déficit Cuantitativo, Déficit Cualitativo, Regresión,
Regresión Lineal, Machine Learning.
31
Libro de Memorias V International Workshop on Applied Statistic and Data Science
Drone mission and flight planning methodology
for drainage water channels reconstruction.
Camilo Naufal∗, Laura Paredes, César González, Yady T. Solano, Andrés G. Marrugo
∗Facultad de Ingenieŕıa, Universidad Tecnológica de Boĺıvar, Cartagena de Indias, Colombia.
email: cnaufal@utb.edu.co
Resumen: In the last decade, there has been an increasing use of surveying and mapping applications
through remote sensing imagery and UAV platforms. This cutting-edge technology is being utilized
for reconstructing drainage water channels, allowing for the analysis of important characteristics.
These analyses help in planning, management, and decision-making, particularly in situations involving
potential flood risks. To achieve precise reconstruction, it is necessary to develop a good flight protocol.
This project aims to acquire aerial images for photogrammetry, maximizing data acquisition efficiency by
obtaining high-quality images to performance assseasment of the visión system implemented. The flight
methodology involved observing the study area at Universidad Tecnológica de Boĺıvar, delimitation of
the zone using QGIS and mission flight planning software and establishing the positioning of Ground
Control Points (GCPs) or targets using a precise GPS and others topogrphic tools. Images were acquired
with black and white concentric circles as targets. Spatial Resolution below 5 cm/px was compute for
the tested alttitudes to compare with the real experiments once the images have been precessed.
Palabras clave: Surveying, mapping applications, remote sensing imagery, UAV platforms, drai-
nage water channels, photogrammetry, spatial resolution.
32