Look-up in Google Scholar
Full metadata record
Palacios Ruíz, Julio Cesar
Alcántara Santillán, Boris Omar
Morales Tisnado, Luis Humberto
Sierra Sanabria, Jhosselin Briyiht
2022-02-25T20:24:25Z
2022-02-25T20:24:25Z
2021-12-12
http://hdl.handle.net/10757/659110
El presente trabajo muestra la situación actual de la demanda de Gas Liquado de Petroleo (GLP) en el mercado peruano con respecto al parque automotor durante los últimos 6 años. El objetivo general es predecir la demanda de GLP para el segundo semestre del año 2021, a través de las variables más relevantes a fin de conocer si la producción local más la importación de este tipo de combustible (GLP) será la suficiente para cubrir la demanda del sector automotriz. La metodología utilizada por el equipo de ciencia de datos es Cross Industry Standard Process for Data Mining (CRISP-DM), la cual consiste en seguir una serie de diez etapas, en cada una de ellas se ira descubriendo y analizando las variables que serán relevantes para la elaboración del modelo deseado. El modelo seleccionado por el equipo de ciencia de datos es el modelo de aprendizaje predictivo ya que este agrupa varias técnicas estadísticas de modelización, lo cual incluye algoritmos de aprendizaje automático. Posteriormente las Herramientas que se utilizarán para un mejor Análisis y entendimiento de la problemática serán Power BI, KNime y Python. (es_PE)
This paper shows the current situation of Liquefied Petroleum Gas (LPG) demand in the Peruvian market with respect to the vehicle fleet during the last 6 years. The general objective is to predict the LPG demand for the second semester of the year 2021, through the most relevant variables to know if the local production plus the import of this type of fuel (LPG) will be enough to cover the demand of the automotive sector. The methodology used by the data science team is Cross Industry Standard Process for Data Mining (CRISP-DM), which consists of following a series of ten stages, in each of which the variables that will be relevant for the elaboration of the desired model will be discovered and analyzed. The model selected by the data science team is the predictive learning model because it groups several statistical modeling techniques, including machine learning algorithms. Subsequently, the tools to be used for a better analysis and understanding of the problem will be Power BI, KNime and Python. (es_PE)
Trabajo de investigación (es_PE)
application/pdf (es_PE)
application/epub (es_PE)
application/msword (es_PE)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-sa/4.0/ (*)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Repositorio Académico - UPC (es_PE)
Datos (es_PE)
GLP (es_PE)
Parque automotor (es_PE)
Machine learning (es_PE)
Probabilidad (es_PE)
Modelo predictivo (es_PE)
Regresión lineal múltiple (es_PE)
Data (es_PE)
Fleet (es_PE)
Probability (es_PE)
Predictive model (es_PE)
Multiple linear regression (es_PE)
Predicción de demanda de GLP para el parque automotor peruano para el segundo semestre del año 2021 (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE) (es_PE)
Administración y Gerencia del Emprendimiento (es_PE)
Administración de Empresas (es_PE)
Contabilidad (es_PE)
Bachiller (es_PE)
Bachiller en Administración y Gerencia del Emprendimiento (es_PE)
Bachiller en Administración de Empresas (es_PE)
Bachiller en Contabilidad (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#5.00.00 (es_PE)
https://purl.org/pe-repo/ocde/ford#5.02.04 (es_PE)
División de Estudios Profesionales para Ejecutivos (EPE) (es_PE)
https://purl.org/pe-repo/renati/level#bachiller (es_PE)
https://orcid.org/0000-0003-1610-5205 (es_PE)
413266 (es_PE)
http://purl.org/pe-repo/renati/type#trabajoDeInvestigacion (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons