Advanced search

Show simple item record

dc.contributor.advisorRoque Paredes, Ofelia
dc.contributor.authorEspinoza Ballesteros, Moisés
dc.date.accessioned2022-10-20T15:50:48Z
dc.date.available2022-10-20T15:50:48Z
dc.date.issued2022
dc.identifier.citationEspinoza, M. (2022). Segmentación de empresas para identificar su tamaño empleando el algoritmo de k-means. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Estadística]. Repositorio institucional Cybertesis UNMSM.es_PE
dc.identifier.urihttps://hdl.handle.net/20.500.12672/18631
dc.description.abstractPropone identificar el tamaño en base a cinco variables los ingresos, egresos, activos, pasivos y patrimonio usando información recogida por el Instituto Nacional de Estadística e Informática en la Encuesta Económica Anual ejecutada en el años 2018, donde las empresas registran información del ejercicio económico del año 2017. Con esta premisa estamos ante un problema de segmentación o clustering, en toda problemática se tiene diversas maneras de abordarlo y encontrar una solución adecuada, por ello en este caso se realizará usando la metodología CRISP-DM y para encontrar los clúster se opta el algoritmo k-means que funciona muy bien con variables cuantitativas, pero presenta problemas con la presencia de valores extremos u outliers por ello uno de los primeros pasos a realizar es su detección. Luego de la aplicación del algoritmo se encontraron tres segmentos bien definidos por la pequeña empresa, la mediana empresa y la gran empresa.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional Mayor de San Marcoses_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/es_PE
dc.sourceUniversidad Nacional Mayor de San Marcoses_PE
dc.sourceRepositorio de Tesis - UNMSMes_PE
dc.subjectAlgoritmos - Problemas, ejercicios, etc.es_PE
dc.subjectClusters industrialeses_PE
dc.titleSegmentación de empresas para identificar su tamaño empleando el algoritmo de k-meanses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.nameLicenciado en Estadísticaes_PE
thesis.degree.grantorUniversidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemáticas. Escuela Profesional de Estadísticaes_PE
thesis.degree.disciplineEstadísticaes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.01.02es_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.01.03es_PE
dc.publisher.countryPEes_PE
renati.advisor.dni06243124
renati.advisor.orcidhttps://orcid.org/0000-0001-8280-021Xes_PE
renati.author.dni43242345
renati.discipline542016es_PE
renati.jurorHuamán Gutiérrez, Zoraida Judith
renati.jurorMolina Quiñones, Helfer Joel
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_PE
sisbib.juror.dni09890094
sisbib.juror.dni40014631


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess