https://repository.unad.edu.co/handle/10596/2575 2026-04-29T07:24:25Z https://repository.unad.edu.co/handle/10596/80295 Predicción del precio en bolsa de la energía eléctrica en Colombia mediante modelos estadísticos y redes neuronales El precio en bolsa de la energía eléctrica en Colombia presenta alta volatilidad como consecuencia de la alta participación de generación hidroeléctrica en la matriz energética y la sensibilidad del sistema a variables climáticas y de demanda (Weron, 2014; XM S.A. E.S.P ,2023). Esta incertidumbre dificulta la planeación operativa, financiera y comercial de los agentes del mercado eléctrico. En respuesta a esta problemática, el presente trabajo tiene como propósito desarrollar y comparar modelos de predicción del precio en bolsa, utilizando enfoques estadísticos tradicionales como ARIMA ((Autoregressive Integrated Moving Average) y redes neuronales de tipo LSTM (Long Short-Term Memory), con el fin de determinar el modelo más preciso y robusto en el contexto colombiano. Para ello, se recopilarán y analizarán datos históricos de precios, demanda, generación, reservas y variables hidrológicas provenientes del operador del sistema (XM S.A. E.S.P.), aplicando técnicas de análisis exploratorio, limpieza y transformación de datos. Posteriormente, se entrenarán y evaluarán los modelos utilizando métricas como el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y el Error Porcentual Absoluto Medio (MAPE), siguiendo lineamientos metodológicos ampliamente aceptados en la literatura (Hyndman & Athanasopoulos, 2018; Weron, 2014). Se espera que este proyecto aporte tanto desde el punto de vista técnico como práctico, proporcionando un marco comparativo para la aplicación de modelos predictivos en mercados eléctricos. La propuesta se enmarca en la analítica energética y busca fortalecer las capacidades de planificación bajo escenarios de incertidumbre, en línea con las tendencias actuales de uso de inteligencia artificial en sistemas eléctricos. 2026-04-20T00:00:00Z https://repository.unad.edu.co/handle/10596/80292 Predicción de zonas de riesgo en rutas de transporte de mercancías a nivel nacional mediante el análisis de incidentes de robo a vehículos El hurto de vehículos en Colombia representa una amenaza crítica para la seguridad ciudadana y la eficiencia logística, generando pérdidas económicas significativas. A pesar de la disponibilidad de datos históricos, la adopción de herramientas avanzadas para la anticipación del delito sigue siendo limitada en los sectores afectados. Este proyecto desarrolla un modelo predictivo basado en machine learning para identificar patrones y zonas de riesgo, utilizando el conjunto de datos abiertos de la Policía Nacional de Colombia. La investigación se fundamentó en la metodología estándar CRISP-DM, abarcando desde la comprensión del negocio hasta el diseño del despliegue. Mediante técnicas de ingeniería de características, se transformaron variables geográficas y temporales para entrenar y validar diversos algoritmos de aprendizaje supervisado. Los resultados obtenidos alcanzaron una exactitud (accuracy) del 86.30 % y un Área Bajo la Curva (AUC) superior a 0.90, lo que valida la capacidad del sistema para clasificar eficazmente los niveles de riesgo. Finalmente, se propone una estrategia de implementación que permite a las organizaciones de transporte y autoridades utilizar estas predicciones como soporte para la optimización de recursos y la toma de decisiones operativas. 2026-02-18T00:00:00Z https://repository.unad.edu.co/handle/10596/80229 Decisiones inteligentes con el poder de la ubicación: cómo la georreferenciación y la ciencia de datos transforman la toma de decisiones empresariales Una de las labores más importantes que tienen las empresas es la de lograr tomar decisiones eficientes y estratégicas que puedan mantenerlas en el mercado a través del tiempo. De ahí que, se vuelve necesario potenciar esta labor mediante técnicas de ciencia de datos que, aplicadas a datos geoespaciales, logren ir más allá de un análisis tradicional, y, puedan descubrir tendencias, patrones o incluso correlaciones ocultas en las diferentes operaciones de la empresa o en el mercado. Para lo anterior, es necesaria la revisión de fuentes de datos relevantes sobre la ciencia de datos, la georreferenciación, y sobre la toma de decisiones, con el fin de desarrollar una metodología confiable que logre determinar tanto beneficios y desafíos, así como riesgos y oportunidades que ayuden a comprender rápidamente cual podría ser una ventaja competitiva frente a la competencia y la demanda, por medio de la sinergia existente entre la georreferenciación y la ciencia de datos. 2025-12-17T00:00:00Z https://repository.unad.edu.co/handle/10596/80149 Sistema de Recuperación Aumentada por Generación (RAG) para la optimización de la gestión y consulta de documentos en Fintic El presente proyecto de grado propone el diseño e implementación de un sistema de Recuperación Aumentada por Generación (RAG) para mejorar la gestión y consulta de la información documental en Fintic S.A.S. La creciente complejidad y volumen de datos en el entorno empresarial actual demandan soluciones eficientes que permitan el acceso rápido y seguro a la información relevante. Este sistema RAG combinará la capacidad de recuperar información precisa de una base de conocimiento documental interna con la habilidad de generar respuestas coherentes y contextualizadas, utilizando modelos de lenguaje de gran escala (LLMs). La arquitectura propuesta incluirá un portal web con una interfaz de chat intuitiva, una API intermedia para la orquestación de las solicitudes y la generación de embeddings, y el motor RAG encargado de la recuperación y generación. Se espera que esta implementación optimice los procesos de búsqueda, reduzca los tiempos de consulta y mejore la toma de decisiones al proporcionar acceso ágil y preciso a la información empresarial. Evitar o disminuir las alucinaciones de los LLM y mantener la seguridad corporativa al no exponer información confidencial hacia modelos públicos, son objetivos primarios de las empresas que están en un proceso de adopción de la inteligencia artificial como herramienta de uso colaborativo. Para esto, el uso combinado de RAGs y LLMs como Gemini, BM25, entre otros, demuestran rendimientos costo eficientes en la extracción de información directamente desde los documentos. (Solano Cohen, 2023) 2026-02-26T00:00:00Z