Determina los factores asociados con la gravedad de las lesiones por accidentes de tráfico en la región de Madre de Dios, entre 2010 y 2014. El tipo y diseño de la investigación es descriptivo correlacional, observacional; con una muestra de 1514 personas heridas por accidentes de tráfico. Los factores asociados con la gravedad de las lesiones son evaluadas por el modelo de odds proporcionales parciales para variable dependiente ordinal. La edad superior a 65 años y los vehículos motorizados mayores, se identifican como factores de riesgo significativos (p <0,05) para mayores niveles de gravedad de lesiones ocasionados por accidentes de tránsito. Concluye que la edad de lesionado, la condición y el tipo de vehículo, la vía de ocurrencia del accidente y la forma de transferencia de heridos a un hospital están significativamente relacionados con la gravedad de las lesiones. / Tesis

Se analiza la rotación del personal en una empresa privada a través de un modelo de regresión logística de 2 niveles, buscando establecer la relación entre las características del trabajador, el área en que trabaja y la desvinculación laboral durante el periodo de prueba de 6 meses establecido por la empresa. Se introducen conceptos de modelos lineales generalizados, regresión logística y modelos multinivel que sirven como base para describir los aspectos más relevantes de la regresión logística multinivel y sus ventajas frente a los modelos de un solo nivel. Se analizó la desvinculación de los trabajadores (primer nivel) anidados en áreas de la empresa (segundo nivel), identificando la variabilidad existente entre las áreas ( =0.28) y el perfil del desertor. Los resultados se comparan con los obtenidos con un modelo de regresión logística múltiple de un solo nivel, se encontraron diferencias respecto al aporte de las variables estado civil, escala remunerativa del puesto y beneficios adicionales brindados por el área. / It is a turnover analysis in a private company through a multilevel logistic regression model of 2 levels seeking to establish the relationship between worker characteristics, the area in which they work and the termination of employment during the period of six months test set by the company. Concepts are introduced of generalized linear models, logistic regression and multilevel models that serve as a basis for describing the most important aspects of the multilevel logistic regression and its advantages over single-level models. The decoupling of workers (first level) nested in areas of the business (second level), are analyzed, identifying the variability between areas (ρ = 0.28) and the profile of the deserter. The results are compared with those obtained with a multiple logistic regression model of one level. Differences were found with respect to input variables marital status, remuneration scale and fringe benefits. Concepts are introduced generalized linear models, logistic regression and multilevel KEY WORDS : TURNOVER, OCCUPATIONAL GROUP, LOGISTIC REGRESSION, MULTILEVEL MODEL. / Tesis

Presenta la teoría y aplicación de los modelos de regresión logística y los modelos Probit a fin de conocer los factores de riesgo que influyen en la enfermedad angina de pecho. La razón principal de este estudio es identificar los factores más significativos de riesgo y prevención para dicha enfermedad dentro de la población en estudio. El trabajo presenta el desarrollo de ambos métodos y ha finalizado con la aplicación en la cual se compararon las dos metodologías, demostrando que los mejores resultados son obtenidos con el modelo Probit. La aplicación fue desarrollada con los programas SPSS versión 22 y el Minitab 17. / Trabajo de suficiencia profesional

Objetivo: Identificar factores clínicos y tomográficos y construir un modelo pronóstico de morbimortalidad para pacientes con contusión cerebral. Métodos: Estudio correlacional, observacional, retrospectivo; con una muestra de 205 pacientes con contusión cerebral. Se evaluaron factores clínicos y tomográficos, para el pronóstico de su condición al alta, se ajustaron 3 modelos de regresión logística ordinal de odds proporcionales. Resultados: 72.2% fueron varones entre 17 y 84 años. 22%, 63.5% y 14.6% fueron traumatismo encéfalocraneano grave, moderado y leve respectivamente. Los mejores factores clínicos predictores de mortalidad fueron la edad avanzada, escala de Glasgow menor de 8, la ausencia de respuesta pupilar y entre los tomográficos: ausencia de cisternas basales, contusión mayor de 25cc., múltiples contusiones, desviación de línea media y la hemorragia subaracnoidea. Conclusiones: El modelo con factores tomográficos predice mejor la mortalidad (69.4%), mientras que el modelo con factores clínicos y tomográficos predice el 61.1% de los fallecidos y 95.8% de los recuperados. Los factores clínicos son predictores tempranos de la mortalidad. -- Palabras Claves: Contusión cerebral, traumatismo encéfalocraneano, pronóstico, regresión logística ordinal. / -- Objective: To identify clinical factors and tomographic and to build a prognostic model of mortality for patients with cerebral contusion. Methods: We conducted a retrospective descriptive correlational analysis, which selected a sample of 205 emergency patients. We evaluated the clinical and tomographic factors for the prognosis and fitted three logistic regression models of proportional odds. Results: The 72.2% are male, aged between 17 and 84 years, 22%, 63.5% and 14.6% were severe Traumatic brain injure moderate and mild respectively. The best predictors of mortality among clinical factors were advanced age, the Glasgow Coma Scale less than 8, the absence of pupillary response and between tomographic factors are: the absence of basal cisterns, contusion volume greater than 25cc., the presence of multiple bruises, midline deviation and subarachnoid hemorrhage. Conclusions: The model with factors tomographic is the better predictor of mortality (69.4%), while the combination of clinical and tomographic predicts 61.1% of all fatalities and 95.8% of the recovered. The clinical factors are predictive of early mortality. -- Key Words: Cerebral contusion, brain, trauma, injury, traumatic brain injure TBI, prognosis, ordinal logistic regression.

Publicación a texto completo no autorizada por el autor / Resume e interpreta el rendimiento académico de un grupo de estudiantes en su etapa de preparación preuniversitaria con el rendimiento alcanzado en su examen de admisión UNI y a partir de ello estudiar las posibilidades de ingreso de los estudiantes. Para lo cual se utiliza tanto las técnicas de análisis factorial exploratorio y confirmatorio, para resumir la información y validar la misma en una segunda instancia y finalmente el análisis de regresión logística buscando determinar las variables que implican mayor influencia en las posibilidades de ingreso del estudiante. / Trabajo de suficiencia profesional

Se comparan dos métodos clásicos de clasificación: Análisis de Regresión Logística y Árboles de Clasificación, con el método de Redes Neuronales. La comparación se realizó en base al poder de clasificación y predicción de los modelos obtenidos en la evaluación del Riesgo Crediticio, siendo Redes Neuronales el mejor método por tener mayor poder de clasificación y predicción. Para el análisis se utilizó una Base de Datos de Riesgo Crediticio. Asimismo, se establecen las ventajas y desventajas en el empleo de cada método. -- Palabras Claves: Análisis de Regresión Logística, Árboles de Clasificación, Redes Neuronales. / --- Two classics methods of classification are compared: Analysis of Logistic Regression and Classification Trees with the method of Neural Networks. The comparison realized through his power of classification and prediction of the models obtains in the evaluation of credit risk, Neural Networks is the best method, because it has high power of classification and prediction. For the analysis used a database of credit risk. Likewise found the advantages and disadvantages in the use of each method. -- Key Words: Analysis Logistic Regression, Classification Trees, Neural Networks. / Tesis

Objetivo: Identificar factores clínicos y tomográficos y construir un modelo pronóstico de morbimortalidad para pacientes con contusión cerebral. Métodos: Estudio correlacional, observacional, retrospectivo; con una muestra de 205 pacientes con contusión cerebral. Se evaluaron factores clínicos y tomográficos, para el pronóstico de su condición al alta, se ajustaron 3 modelos de regresión logística ordinal de odds proporcionales. Resultados: 72.2% fueron varones entre 17 y 84 años. 22%, 63.5% y 14.6% fueron traumatismo encéfalocraneano grave, moderado y leve respectivamente. Los mejores factores clínicos predictores de mortalidad fueron la edad avanzada, escala de Glasgow menor de 8, la ausencia de respuesta pupilar y entre los tomográficos: ausencia de cisternas basales, contusión mayor de 25cc., múltiples contusiones, desviación de línea media y la hemorragia subaracnoidea. Conclusiones: El modelo con factores tomográficos predice mejor la mortalidad (69.4%), mientras que el modelo con factores clínicos y tomográficos predice el 61.1% de los fallecidos y 95.8% de los recuperados. Los factores clínicos son predictores tempranos de la mortalidad. Palabras Claves: Contusión cerebral, traumatismo encéfalocraneano, pronóstico, regresión logística ordinal. / Objective: To identify clinical factors and tomographic and to build a prognostic model of mortality for patients with cerebral contusion. Methods: We conducted a retrospective descriptive correlational analysis, which selected a sample of 205 emergency patients. We evaluated the clinical and tomographic factors for the prognosis and fitted three logistic regression models of proportional odds. Results: The 72.2% are male, aged between 17 and 84 years, 22%, 63.5% and 14.6% were severe Traumatic brain injure moderate and mild respectively. The best predictors of mortality among clinical factors were advanced age, the Glasgow Coma Scale less than 8, the absence of pupillary response and between tomographic factors are: the absence of basal cisterns, contusion volume greater than 25cc., the presence of multiple bruises, midline deviation and subarachnoid hemorrhage. Conclusions: The model with factors tomographic is the better predictor of mortality (69.4%), while the combination of clinical and tomographic predicts 61.1% of all fatalities and 95.8% of the recovered. The clinical factors are predictive of early mortality. Key Words: Cerebral contusion, brain, trauma, injury, traumatic brain injure TBI, prognosis, ordinal logistic regression.

Se comparan dos métodos clásicos de clasificación: Análisis de Regresión Logística y Árboles de Clasificación, con el método de Redes Neuronales. La comparación se realizó en base al poder de clasificación y predicción de los modelos obtenidos en la evaluación del Riesgo Crediticio, siendo Redes Neuronales el mejor método por tener mayor poder de clasificación y predicción. Para el análisis se utilizó una Base de Datos de Riesgo Crediticio. Asimismo, se establecen las ventajas y desventajas en el empleo de cada método. Palabras Claves: Análisis de Regresión Logística, Árboles de Clasificación, Redes Neuronales. / Two classics methods of classification are compared: Analysis of Logistic Regression and Classification Trees with the method of Neural Networks. The comparison realized through his power of classification and prediction of the models obtains in the evaluation of credit risk, Neural Networks is the best method, because it has high power of classification and prediction. For the analysis used a database of credit risk. Likewise found the advantages and disadvantages in the use of each method. Key Words: Analysis Logistic Regression, Classification Trees, Neural Networks.

Se comparan dos modelos de clasificación llamados regresión Logística Binaria y Arboles de clasificación (CHAID) para evaluar el rendimiento académico. El comportamiento de estos modelos fue medido por cuatro indicadores: Sensibilidad, Curva ROC, Índice de GINI e Índice de Kappa en base al poder de clasificación y predicción de los modelos obtenidos sobre rendimiento académico. Encuentra que Arboles de clasificación es el mejor modelo por tener mayor poder de clasificación y predicción. Para el análisis se utiliza una base de datos sobre estudiantes universitarios del primer semestre matriculado en el curso de Matemática, obtenido de un repositorio de Machine Learning. / Tesis

Publicación a texto completo no autorizada por el autor / Presenta la comparación de dos modelos de clasificación para pacientes con presión arterial de una clínica privada, cuyo análisis se realizó mediante dos modelos predictivos de regresión logística binomial y árboles de decisión. El comportamiento de los dos modelos fue medido por tres indicadores: Sensibilidad, Curva Roc e Índice de GINI. En general, el mejor modelo para la clasificación de los pacientes con presión arterial es el modelo de árboles de decisión (Sensibilidad=80.7%, Curva Roc=79.8% e Índice de GINI=59.6%). / Trabajo de suficiencia profesional