Browsing by Author "Yanac Montesino, Rannoverng"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Calidad de procesos de software utilizando la norma técnica peruana IS0/IEC 12207 y la gestión administrativa de la dirección de Asuntos Académicos - UNAS(Universidad Nacional Agraria de la Selva, 2025) Delgado Malpartida, Pedro Saul; Yanac Montesino, RannoverngEl objetivo del estudio fue analizar la relación entre la calidad del proceso de software, basada en la norma técnica peruana ISO/IEC 12207, y la gestión administrativa en la Dirección de Asuntos Académicos de la UNAS. Se trató de una investigación aplicada, correlacional y de diseño no experimental transversal. Se encuestó a 11 trabajadores administrativos mediante un cuestionario tipo Likert. La mayoría eran hombres (63.6%), solteros (63.6%), de entre 36 y 64 años, con vivienda propia (54.5%) y estudios universitarios (54.5%). Las dimensiones del proceso de software —verificación, validación, revisión, auditoría y resolución de problemas— se ubicaron en un nivel medio, destacando que el 90.9% considera que los productos cumplen con los estándares de la norma. En cuanto a la gestión administrativa (planeación, organización, dirección y control), también se ubicó en un nivel medio, con un 54.5% que percibe coordinación entre áreas. Se encontró una correlación positiva y moderada entre ambas variables (r=0.609, p>0.05). Las dimensiones específicas mostraron correlaciones que van de moderadas a muy altas, siendo la más fuerte la del proceso de revisión (r=0.900, p<0.00). Se concluye que existe una relación significativa entre la calidad del proceso de software y la gestión administrativa.Item Impacto de los software implementados por los practicantes de la fiis – unas en la Provincia de Leoncio Prado, periodo 2012 - 2016(Universidad Nacional Agraria de la Selva, 2017) Castillo Cornelio, José Orlando; Yanac Montesino, RannoverngEl objetivo del estudio fue evaluar el impacto que han logrado los Software implementados por los practicantes de la FIIS – UNAS en sus usuarios, en la Provincia de Leoncio Prado, periodo 2012 - 2016. El tipo de investigación es aplicada y transversal, nivel de investigación descriptivo-correlacional, con diseño no experimental. Se aplicó como instrumento de medición dos encuestas de 19 y 15 ítems con escala tipo Likert con alternativas de 1 a 5. El modelo de referencia que se utilizó fue el modelo de éxito de los Sistemas de Información de DeLone y McLean. La variable Software Implementado se midió en base a 3 dimensiones: Calidad de la información, calidad del software y calidad de los servicios. La variable Impacto del Software en los usuarios se midió en base a 4 dimensiones: Toma de decisiones, Uso y utilidad, Desempeño Individual y Satisfacción del usuario. La prueba estadística utilizada fue Rho de Spearman. Los resultados revelan que el impacto de los software implementados por los practicantes de la FIIS-UNAS, en el periodo 2012 - 2016, ha sido percibido satisfactoriamente solamente en el 46% de sus usuarios. Se encontró que existe relación estadísticamente significativa entre las variables Software Implementado e Impacto del software los usuarios (coeficiente de correlación ߩൌ 0.759, p – valor = 0.00 < 0.05). La dimensión de la variable Software Implementado que más influye en el usuario es la calidad de la información (coeficiente de correlación de = ߩ0.791 y p – valor = 0.00 < 0.05), seguido de la dimensión calidad de software (coeficiente de correlación ߩൌ 0.771, p – valor = 0.00 < 0.05). También se evidenció que el 79% de los software implementados se encuentran en estado inoperativo.Item Técnicas de machine learning para predecir el rendimiento académico en los estudiantes de la Universidad Nacional Agraria de la Selva(Universidad Nacional Agraria de la Selva, 2024) Zamora Hernandez, Maria Luci; Yanac Montesino, RannoverngEl objetivo de esta investigación es determinar en qué porcentaje las técnicas de machine learning permiten predecir el rendimiento académico de los estudiantes de la UNAS, mediante las métricas de evaluación: exactitud, precisión, sensibilidad, especificidad, puntuación F1 y Curva ROC, con el fin de poder identificar a los alumnos con probabilidad de éxito o fracaso de acuerdo con una escala de calificación. En este estudio se hizo uso de una población de 4584 estudiantes, por lo que se usó la totalidad de la población como muestra. Asimismo, el estudio es de tipo aplicada, enfoque cuantitativo, alcance descriptivo, y diseño de investigación experimental de tipo pre-experimental de un solo grupo, esto porque luego de aplicar las técnicas de machine learning se podrá observar los resultados y realizar la medición. Para la creación de los modelos predictivos, se siguieron los pasos de la metodología KDD, utilizando Python como lenguaje de programación y Jupyter Notebook de la suite Anaconda como interfaz de desarrollo. Para visualizar los resultados, se desarrolló un prototipo en el entorno de desarrollo Spyder. Los resultados confirman la validez de las técnicas de machine learning para predecir el rendimiento académico de los estudiantes de la UNAS. Por lo que se destaca que la técnica con mejor resultado en este contexto fue Redes Neuronales con los siguientes valores: Exactitud= 96.24%, sensibilidad = 96.23%, y puntuación F1 = 96.21%. No obstante Árbol de decisión obtuvo los mejores valores de: Precisión= 95.72%, y especificidad = 95.68%, a la vez que SVM obtuvo el valor óptimo de Curva ROC=99.42%.
