Modelo de Proyección Poblacional con Series de Tiempo Difusas
Resumen
El presente estudio es de alcance descriptivo – propositivo, la finalidad del estudio es modelar la proyección poblacional con series de tiempo difusas, el diseño de investigación empleado es no experimental. El modelo de proyección de la población peruana (variable lingüística) obtenido fue: más más más más , este modelo de proyección poblacional con series de tiempo difusas presenta una tasa media de error de pronóstico de 0.106% frente a una tasa media de error de pronóstico del modelo lineal de 4.06% y 1.40% de tasa media de error de pronóstico del modelo logístico. Se concluye que el pronóstico de la población peruana con series de tiempo difusas tiene mayor precisión tomando en cuenta en el proceso, la tendencia de la población en estudio.
Descargas
Citas
Abbasov, A., y Mamedova, M. (2003). Application of fuzzy time series to population forecasting. Vienna University of Technology, 12, 545-552.
Aluja, J. (2000). Génesis de una teoría de la incertidumbre. Fundación General de la Universidad Autónoma de Madrid.
Argote-Cusi, M. (2018). El uso de lógica difusa en proyecciones de población: el caso de México. Papeles de población, 24(95), 273-301.
Chen, S.-M., y Hsu, C.-C. (2004). A new method to forecast enrollments using fuzzy time series. International Journal of Applied Science and Engineering, 2(3), 234-244.
Chen, S.-M., y Hwang, J.-R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 30(2), 263-275.
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Gómez López , M. F. (2023). Desarrollo Creativo del Juego Morlapolys para Promover el Patrimonio Cultural de Cuenca, Ecuador. Estudios Y Perspectivas Revista Científica Y Académica , 3(1), 19–36. https://doi.org/10.61384/r.c.a.v3i1.15
García, J., Sánchez, A., Hidalgo, N., y Benavides, H. (2019). Perú: Estimaciones y proyecciones de la población Nacional, 1950-2070. Boletín de Análisis Demográfico(38).
Hidalgo Guillén, N. (2022). Resistencia para el Retorno a las Clases Presenciales. Sapiencia Revista Científica Y Académica , 2(2), 92–109. Recuperado a partir de https://revistasapiencia.org/index.php/Sapiencia/article/view/24
Jilani, T., Burney, S., y Ardil, C. (2008). Multivariate high order fuzzy time series forecasting for car road accidents. International Journal of Computer and Information Engineering, 2(6), 2038-2043.
López Vargas, G., & Rodríguez García, J. C. (2021). Enfermería en Contexto de Trabajo en Salud Pública en América Latina. Revista Científica De Salud Y Desarrollo Humano, 2(1), 51–66. https://doi.org/10.61368/r.s.d.h.v2i1.14
Mathews, J. y Fink, K. (2000). Métodos Numéricos. Madrid: Prentice Hall.
Martínez Pérez , S. I. (2022). La Protección de la Propiedad Intelectual y la Piratería en Línea. Estudios Y Perspectivas Revista Científica Y Académica , 2(1), 74–95.
https://doi.org/10.61384/r.c.a.v2i1.10
Rincón, M. (1989). Teoria y metodos para la preparacion de estimaciones y proyecciones de poblacion: insumos para la planificacion.
Sasu, A. (2010). An application of fuzzy time series to the Romanian population. Bulletin of the Transilvania University of Brasov. Mathematics, Informatics, Physics. Series III, 3, 125.
Abbasov, A., y Mamedova, M. (2003). Application of fuzzy time series to population forecasting. Vienna University of Technology, 12, 545-552.
Aluja, J. (2000). Génesis de una teoría de la incertidumbre. Fundación General de la Universidad Autónoma de Madrid.
Argote-Cusi, M. (2018). El uso de lógica difusa en proyecciones de población: el caso de México. Papeles de población, 24(95), 273-301.
Chen, S.-M., y Hsu, C.-C. (2004). A new method to forecast enrollments using fuzzy time series. International Journal of Applied Science and Engineering, 2(3), 234-244.
Chen, S.-M., y Hwang, J.-R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 30(2), 263-275.
Cruz Rosas, J., & Oseda Gago, D. (2022). Design thinking en la creatividad de los estudiantes de administración de empresas, en una universidad de Trujillo – 2020. Emergentes - Revista Científica, 2(1), 57–70. https://doi.org/10.37811/erc.v1i2.13
Chavarría Oviedo, F. A., & Avalos Charpentier, K. (2022). English for Specific Purposes Activities to Enhance Listening and Oral Production for Accounting . Sapiencia Revista Científica Y Académica , 2(1), 72–85. https://doi.org/10.61598/s.r.c.a.v2i1.31
García, J., Sánchez, A., Hidalgo, N., y Benavides, H. (2019). Perú: Estimaciones y proyecciones de la población Nacional, 1950-2070. Boletín de Análisis Demográfico(38).
Jilani, T., Burney, S., y Ardil, C. (2008). Multivariate high order fuzzy time series forecasting for car road accidents. International Journal of Computer and Information Engineering, 2(6), 2038-2043.
Mathews, J. y Fink, K. (2000). Métodos Numéricos. Madrid: Prentice Hall.
Román Fuentes, J. C., Román Julián, R., & Franco Gurría , R. T. (2022). Competencias sociocognitivas en la educación superior desde la percepción de los estudiantes. Emergentes - Revista Científica, 2(1), 71–95. https://doi.org/10.37811/erc.v1i2.14
Rincón, M. (1989). Teoria y metodos para la preparacion de estimaciones y proyecciones de poblacion: insumos para la planificacion.
Sasu, A. (2010). An application of fuzzy time series to the Romanian population. Bulletin of the Transilvania University of Brasov. Mathematics, Informatics, Physics. Series III, 3, 125.
Sethi, P., Sonawane, S., Khanwalker, S., Keskar, R. B. (2017). Automatic text summarization of news articles. 2017 International Conference on Big Data, IoT and Data Science (BID), pp. 23–29.
Song, Q., y Chissom, B. (1993). Forecasting enrollments with fuzzy time series—Part I. Fuzzy sets and systems, 54(1), 1-9.
Song, Q., y Chissom, B. (1994). Forecasting enrollments with fuzzy time series—Part II. Fuzzy sets and systems, 62(1), 1-8.
Stevenson, M., Porter, J. (1972). Fuzzy time series forecasting using percentage change as the universe of discourse. Change, 1971(3.89), 464-467.
Stevenson, M., Porter, J. (1972). Fuzzy time series forecasting using percentage change as the universe of discourse. Change, 1971(3.89), 464-467.
Tabares, H., y Hernández, J. (2009). Aproximación por lógica difusa de la serie de tiempo: demanda diaria de energía eléctrica. Revista Facultad de Ingeniería Universidad de Antioquia(47), 209-217.
Trinidad, A. (2014). Modelos de crecimiento en biología, su significado biológico y selección del modelo por su ajuste. Universidad Auntónoma Metropolitana-Iztapalapa.
Zadeh, L. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
Zadeh, L. (1975). The concept of a linguistic variable and its application to approximate reasoning—I. Information sciences, 8(3), 199-249.
Derechos de autor 2024 Jaqueline Jessica Cabello Blanco
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
