http://hdl.handle.net/20.500.12918/3586 Sat, 01 Aug 2026 13:35:11 GMT 2026-08-01T13:35:11Z http://hdl.handle.net/20.500.12918/12898 Diseño de un modelo cuántico para multiplicar datos cifrados para preservar seguridad Rojas Pedraza, Karla Catherine Esta tesis abordó el problema de la multiplicación segura de datos cifrados, donde se requiere preservar la seguridad y la integridad de los datos, con este objetivo se propuso el diseño y validación de un modelo híbrido – clásico cuántico – el cual multiplica polinomios cifrados, parte fundamental del criptosistema homomórfico aproximado Cheon–Kim–Kim-Song (CKKS), fundamentado en el problema Ring Learning With Errors (RLWE). Asimismo, esta solución empleó convoluciones cuánticas mediante la Quantum Fourier Transform (QFT), para explorar sus propiedades de interferencia y superposición en el dominio cuántico criptográfico. Metodológicamente, el modelo se implementó mediante circuitos cuánticos simulados utilizando el framework Qiskit, en conjunto con la librería criptográfica Microsoft SEAL y el lenguaje Python, lo que permitió evaluar el comportamiento del modelo en un entorno mixto – clásico cuántico. Los resultados obtenidos demostraron que el producto calculado sobre datos cifrados mediante un criptosistema homomórfico cuántico corresponde – dentro de un margen de error acotado y controlado – al producto en texto plano, validando que el uso de técnicas cuánticas en un criptosistema clásico no afecta la seguridad de los datos y preserva la fidelidad algebráica. Durante la multiplicación cuántica, los datos permanecieron ininteligibles, accesibles unicamente por un usuario autorizado, lo que constituye un aporte relevante y escalable para el desarrollo de modelos de procesamiento seguro de datos en escenarios cuánticos. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/20.500.12918/12898 2026-01-01T00:00:00Z http://hdl.handle.net/20.500.12918/12308 Implementacion de un modelo predictivo usando tecnicas de inteligencia artificial para el confort termico en casas altoandinas del proyecto Sumaq Wasi Abarca Mora, Raimar El presente estudio tuvo como objetivo implementar y evaluar modelos de aprendizaje automático para predecir el nivel de confort térmico en viviendas del Proyecto Sumaq Wasi, ubicadas en el distrito altoandino de Kunturkanki, provincia de Canas, caracterizado por condiciones climáticas extremas y marcadas oscilaciones térmicas diarias. La investigación se desarrolló bajo un enfoque cuantitativo, utilizando datos ambientales recolectados mediante sensores instalados en las viviendas y una estación meteorológica portátil, considerando temperatura interior y exterior, humedad relativa, velocidad y dirección del viento, y precipitación. Se evaluaron ocho algoritmos de clasificación: Regresión Logística, Análisis Discriminante Lineal, Árbol de Decisión, Máquinas de Soporte Vectorial, Naive Bayes, KNearest Neighbors, Random Forest y Long Short-Term Memory (LSTM). Los resultados evidenciaron que Random Forest alcanzó el mejor desempeño, con una precisión de 0.9098, seguido de Árbol de Decisión y KNN, superando el umbral mínimo de aceptabilidad reportado en la literatura (precisión ≥ 0.75). En contraste, los modelos lineales presentaron limitaciones para discriminar las categorías de confort térmico, mientras que Naive Bayes obtuvo el rendimiento más bajo debido a la correlación entre variables. La LSTM mostró estabilidad y ausencia de sobreajuste, aunque sin superar a los modelos basados en árboles. Los hallazgos confirman que los modelos de aprendizaje automático son herramientas efectivas para la predicción del confort térmico en viviendas altoandinas, permitiendo identificar condiciones de riesgo y respaldar estrategias de vivienda saludable. Asimismo, la predominancia de niveles PMV fríos (–2 y –1) evidencia la necesidad de mejorar el aislamiento térmico y reducir la pobreza energética. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/20.500.12918/12308 2026-01-01T00:00:00Z http://hdl.handle.net/20.500.12918/11704 Análisis de la influencia de la asistencia en el rendimiento académico de los estudiantes Diaz Caceres, Lisha Sabah La presente investigación tiene como propósito principal determinar en qué medida la asistencia a clases influye en el rendimiento académico de los estudiantes. El estudio surge ante la carencia de un control sistemático y confiable de asistencia estudiantil, situación que limita la posibilidad de analizar su impacto real en logros académicos y en la toma de decisiones institucionales. La metodología aplicada es de tipo cuantitativo y diseño correlacional. Se analizaron los datos de asistencia y calificaciones de estudiantes matriculados en el semestre 2024-II, los datos fueron procesados utilizando técnicas estadísticas adecuadas para determinar la relación entre variables, asegurando la validez y confiabilidad de resultados. Se aplicó una encuesta de satisfacción a docentes que utilizaron la herramienta, con el propósito de evaluar la aceptación. Los hallazgos demuestran una correlación positiva entre la asistencia y el rendimiento académico de estudiantes, evidenciando que la participación constante en el aula contribuye a un mejor desempeño. El empleo de la aplicación móvil generó un impacto positivo en la labor docente, al agilizar el registro de asistencias, reducir errores y mejorar la organización de la información académica. Los docentes valoraron especialmente su facilidad de uso y la posibilidad de contar con reportes para la elaboración del portafolio docente. Asimismo, se evidenció que la implementación de herramientas tecnológicas contribuye al fortalecimiento de la gestión académica y permite disponer de información confiable para la toma de decisiones orientadas a la mejora continua. La correlación hallada ofrece un sustento empírico para futuras estrategias institucionales que promuevan la asistencia y reduzcan el absentismo. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/20.500.12918/11704 2025-01-01T00:00:00Z http://hdl.handle.net/20.500.12918/11195 Modelo de predicción de la demanda de energía eléctrica en el Perú utilizando redes neuronales LSTM Lavilla Alvarez, Vanesa La pandemia de COVID-19 generó alteraciones sin precedentes en los patrones de consumo de energía eléctrica en el Perú, debido a las medidas de confinamiento y teletrabajo. Estos cambios plantearon la necesidad de identificar anomalías prolongadas en la demanda de energía eléctrica durante y después del periodo crítico de la pandemia. Esta investigación tuvo como objetivo desarrollar un modelo predictivo basado en redes neuronales LSTM para estimar la demanda de energía eléctrica en el Perú, evaluando su desempeño y su utilidad en la identificación de anomalías. Se diseñó e implemento un modelo LSTM utilizando datos históricos de demanda eléctrica registrados cada 30 minutos entre los años 2018 y 2024. Los datos se dividieron en tres etapas: pre-pandemia, durante la pandemia y post-pandemia. El modelo fue entrenado con datos del periodo pre-pandemia y evaluado mediante métricas como RMSE, MAE y R2. Posteriormente, se emplearon los errores de predicción para identificar anomalías en los periodos durante y post-pandemia, se usó el umbral percentil 95. Los resultados mostraron un RMSE inferior al 2% de la demanda media y un R2 superior al 97 %, evidenciando una alta capacidad predictiva del modelo. Se detectaron 1,733 anomalías durante la pandemia, y 1,916 en la etapa post-pandemia. El mayor número de anomalías post-pandemia se vinculó a la inestabilidad política y social que afectaron la actividad económica y consumo eléctrico, aunque con menor amplitud. Este estudio confirma la eficacia de las redes LSTM para detectar anomalías y anticipar comportamientos atípicos en contextos de crisis. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/20.500.12918/11195 2025-01-01T00:00:00Z