Mostrar el registro sencillo del ítem
dc.contributor.author | Durán Romero, José Arturo | |
dc.date.accessioned | 2022-06-13T21:22:30Z | |
dc.date.available | 2022-06-13T21:22:30Z | |
dc.identifier.uri | http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/17906 | |
dc.description | Trabajo de tesis elaborado para obtener el grado de Ingeniero en computación. | es_ES |
dc.description.abstract | El virus del SARS-CoV-2, causante de la enfermedad COVID-19, desde su aparición en China en 2019, ha puesto en riesgo sanitario al mundo entero. En el caso de México, hasta mayo de 2022, se tiene registrado más de 5.75 millones de contagios confirmados y más de 324 mil personas fallecidas por coronavirus. Problema de investigación. Esta contingencia sanitaria, desencadenada por el virus de SARSCoV- 2, ha incrementado el interés por procesar la información almacenada por los gobiernos, apoyándose de métodos de aprendizaje de máquina para generar conocimiento implícito en los datos. Por lo que, la Ciudad de México no es la excepción, que al igual que las grandes urbes, se ha visto afectada por las consecuencias de la pandemia. Objetivo. Analizar, bajo un enfoque de aprendizaje automático, la relación existente entre la afluencia de usuarios en las principales líneas del Sistema de Transporte Colectivo Metro y el número de personas hospitalizadas por COVID-19 en la Ciudad de México. Motivación. El análisis avanzado de datos constituye un pilar importante para el desarrollo tecnológico. En este sentido, para este trabajo de investigación se utilizaron datos abiertos sobre la afluencia de usuarios en las principales líneas del Sistema de Transporte Colectivo Metro de la Ciudad de México y la cantidad de hospitalizaciones por COVID-19 dentro de las demarcaciones de la capital del país, con la finalidad de analizar cómo la afluencia de personas en un medio de transporte masivo de pasajeros se relaciona con las hospitalizaciones. Método. El método de solución fue estructurado en cinco etapas: i) adquisición de las fuentes de datos; ii) elección de las variables de análisis y acotamiento temporal; iii) análisis exploratorio de datos; iv) implementación del método de correlaciones y análisis de componentes principales; y v) implementación del algoritmo de clustering jerárquico. Resultados. Mediante el análisis realizado se identificó una relación baja entre las variables de interés, lo que significa que aunque exista una mayor afluencia de usuarios en el STC Metro, no necesariamente representa una mayor hospitalización por COVID-19, sino que existen otros factores, como las comorbilidades, que podrían afectar severamente el estado de salud de las personas contagiadas con el virus SARS-CoV-2. Conclusión. La existencia de una gran afluencia de usuarios en el STC Metro no implica necesariamente que una persona se contagie de COVID-19 y requiera hospitalización por caso grave, esto depende de otras variables que pueden acrecentar o disminuir dicha probabilidad, por ejemplo, las vacunas, uso de cubrebocas, desinfección, entre otros condiciones; pero no depende per se del uso del medio de transporte. | es_ES |
dc.language.iso | es | es_ES |
dc.subject | Aprendizaje automático | es_ES |
dc.subject | COVID-19 | es_ES |
dc.subject | Metro CDMX | es_ES |
dc.subject | Afluencia de usuarios | es_ES |
dc.subject | Hospitalizaciones por COVID-19 | es_ES |
dc.subject | Relación | es_ES |
dc.title | Relación de la afluencia de usuarios en el Metro y hospitalizaciones por COVID-19 en la Ciudad de México: Un enfoque de aprendizaje automático | es_ES |
dc.type | Tesis | es_ES |
dc.director.trabajoescrito | Molero Castillo, Guillermo Gilberto | |
dc.carrera.ingenieria | Ingeniería en computación | es_ES |