Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021
El trabajo busca identificar los principales factores asociados al bajo peso al nacer (BPN) en el país. Para ello utiliza técnicas de análisis exploratorio de datos y modelos de aprendizaje automático aplicados a la base de nacimientos del DANE entre 2017 y 2021. Dentro de las variables exógenas que...
- Autores:
-
Aguas Aldana, César Eduardo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Institución Universitaria Politécnico Grancolombiano
- Repositorio:
- Alejandría Repositorio Institucional
- Idioma:
- spa
- OAI Identifier:
- oai:alejandria.poligran.edu.co:10823/7960
- Acceso en línea:
- http://hdl.handle.net/10823/7960
- Palabra clave:
- Análisis exploratorio de datos
Aprendizaje automático
Bajo peso al nacer
Algoritmos
Demografía
Modelos estadísticos
Exploratory data analysis
Low birth weight
Machine learning
- Rights
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
Poli2_79103746e3ad0ed2a76e1b6031a53903 |
|---|---|
| oai_identifier_str |
oai:alejandria.poligran.edu.co:10823/7960 |
| network_acronym_str |
Poli2 |
| network_name_str |
Alejandría Repositorio Institucional |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| dc.title.translated.spa.fl_str_mv |
Risk factor determination of low birth weight in Colombia during 2017-2021 by exploratory data analysis and machine learning models |
| title |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| spellingShingle |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 Análisis exploratorio de datos Aprendizaje automático Bajo peso al nacer Algoritmos Demografía Modelos estadísticos Exploratory data analysis Low birth weight Machine learning |
| title_short |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| title_full |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| title_fullStr |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| title_full_unstemmed |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| title_sort |
Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021 |
| dc.creator.fl_str_mv |
Aguas Aldana, César Eduardo |
| dc.contributor.advisor.none.fl_str_mv |
Acevedo Pabón, Oscar Leonardo |
| dc.contributor.author.none.fl_str_mv |
Aguas Aldana, César Eduardo |
| dc.subject.proposal.spa.fl_str_mv |
Análisis exploratorio de datos Aprendizaje automático Bajo peso al nacer |
| topic |
Análisis exploratorio de datos Aprendizaje automático Bajo peso al nacer Algoritmos Demografía Modelos estadísticos Exploratory data analysis Low birth weight Machine learning |
| dc.subject.lemb.spa.fl_str_mv |
Algoritmos Demografía Modelos estadísticos |
| dc.subject.keywords.spa.fl_str_mv |
Exploratory data analysis Low birth weight Machine learning |
| description |
El trabajo busca identificar los principales factores asociados al bajo peso al nacer (BPN) en el país. Para ello utiliza técnicas de análisis exploratorio de datos y modelos de aprendizaje automático aplicados a la base de nacimientos del DANE entre 2017 y 2021. Dentro de las variables exógenas que podrían constituir un factor de riesgo que se incluyeron en los modelos hay características sociodemográficas de la madre como la edad, el número de partos, el nivel educativo y la región geográfica. Un análisis bivariado mostró que las madres adolescentes y de mayor edad, con bajo nivel educativo y residentes en áreas rurales tienen un mayor riesgo de tener bebés con BPN. Varios modelos de machine learning fueron evaluados, y el modelo con mejor desempeño fue una regresión logística mejorada con la técnica SMOTE (Synthetic Minority Over-sampling Technique). Para evaluar el rendimiento de los modelos, se aplicaron técnicas de validación cruzada y se utilizaron métricas como precisión, recall y F1-score. El estudio concluye que las intervenciones para mejorar el acceso a servicios de salud en áreas rurales y las políticas que abordan disparidades educativas y socioeconómicas pueden contribuir a reducir la incidencia de BPN en Colombia. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-11-14T16:16:23Z |
| dc.date.available.none.fl_str_mv |
2025-11-14T16:16:23Z |
| dc.date.issued.none.fl_str_mv |
2025-10-27 |
| dc.type.spa.fl_str_mv |
bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.redcol.none.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10823/7960 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Politécnico Grancolombiano |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Alejandría Repositorio Comunidad |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:http://alejandria.poligran.edu.co |
| url |
http://hdl.handle.net/10823/7960 |
| identifier_str_mv |
instname:Politécnico Grancolombiano reponame:Alejandría Repositorio Comunidad repourl:http://alejandria.poligran.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.spa.fl_str_mv |
https://arxiv.org/abs/2310.07917 https://doi.org/10.4103/tjem.tjem_182_23 https://bibliotecadigital.udea.edu.co/bitstream/10495/16822/5/Qui%c3%b1onesMonica_ https://repository.usta.edu.co/handle/11634/51826?show=full http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692715X2007000100008&lng=en&tlng=es https://doi.org/10.18597/rcog.3776 |
| dc.relation.references.spa.fl_str_mv |
Organización Mundial de la Salud, Metas mundiales de nutrición 2025: Documento normativo sobre bajo peso al nacer, vol. 3. 2017, p. 8. doi: Licencia: CC BY-NC-SA 3.0 IGO. 5. Shailaja, K., Seetharamulu, B., & Jabbar, M. A. (2018, March). Machine learning in healthcare: A review. In 2018 Second international conference on electronics, communication and aerospace technology (ICECA) (pp. 910-914). IEEE. Faruk, A., Cahyono, E. S., Eliyati, N., & Arifieni, I. (2018). Prediction and classification of low-birth-weight data using machine learning techniques. Indonesian Journal of Science and Technology, 3(1), 18-28. Salazar Blandon, D. A. (2023). Procesos gaussianos heterogéneos de múltiple salida para la predicción del bajo peso al nacer en Medellín. Ahmadi, P., Alavimajd, H., Khodakarim, S., Tapak, L., Kariman, N., Amini, P., & Pazhuheian, F. (2017). Prediction of low birth weight using Random Forest: A comparison with Logistic Regression. Archives of Advances in Biosciences, 8(3), 36 43. Dharmaraj, A., Ghimire, A. & Chinnaiyan, S. (2024). Factors Associated with Low Birth Weight: Analysis from National Family Health Survey-4, India. Indian J. Pediatr. 91, 421. Jafarigol, E., & Trafalis, T. (2023). A review of machine learning techniques in Imbalanced Data and Future trends. arXiv preprint arXiv:2310.07917. Scikit-learn developers. (2024). sklearn.linear_model.LogisticRegression. Scikit-learn. Çorbacıoğlu, Ş. K., & Aksel, G. (2023). Receiver operating characteristic curve analysis in diagnostic accuracy studies: A guide to interpreting the area under the curve value. Turkish journal of emergency medicine, 23(4), 195–198. Tissera, A. P., & Couriel, N. I302-Aprendizaje Automático y Aprendizaje Profundo. van Wieringen, W. N. (2015). Lecture notes on ridge regression. arXiv preprint arXiv:1509.09169. Monsreal, J. F., Cobos, M. D. R. T., Gómez, J. R. H., & Peraza, L. E. D. S. S. (2018). Factores de riesgo de bajo peso al nacer según el modelo de regresión logística múltiple. Estudio de cohorte retrospectiva en el municipio José María Morelos, Quintana Roo, México. Medwave, 18(1). Panduro, B. C. (2022). Aplicación del algoritmo del bosque aleatorio a un modelo de clasificación de la anemia en niños peruanos. Mediciego, 28(1), 3471. Departamento Administrativo Nacional de Estadística – DANE. (2024). Microdatos de nacimientos 2017–2021. DANE. Márquez-Beltrán, M. F., Vargas-Hernández, J. E., Quiroga-Villalobos, E. F., & Pinzón Villate, G. Y. (2013). Análisis del bajo peso al nacer en Colombia 2005-2009. Revista de Salud Pública, 15, 626-637. Yuan, Y., Du, J., Luo, J., Zhu, Y., Huang, Q., & Zhang, M. (2024). Discrimination of missing data types in metabolomics data based on particle swarm optimization algorithm and XGBoost model. Scientific Reports, 14(1), 152. Pérez, S. A., Calderón, M. M., Vargas, M. P., Soto, I. G., Gómez, Á., & Quijano, D. D. (2017). Relación entre factores sociodemográficos y el bajo peso al nacer en una clínica universitaria en Cundinamarca (Colombia). Revista Salud Uninorte, 33(2), 86-97. Planchez, L. C., Garcia, Y. E. N., de Pedro, N. M., & Sánchez, M. L. (2021). Índice pronóstico de bajo peso al nacer. Revista Médica Electrónica, 43(1). Quiñones Montes, M. M. (2020). Caracterización del bajo peso al nacer a término en Antioquia, Trabajo de Grado de Pregrado, Universidad de Antioquia. Rivas Pérez, M. T. Factores Maternos Relacionados con Bajo Peso al Nacer en Colombia en el 2021. Trabajo de Grado de Maestría, Universidad Santo Tomás. Ticona, J. P. A., Gutiérrez, M. B. A., Rivas, D. R. Z., & Torres, N. M. C. (2017). Entendiendo la odds ratio. Revista SCientifica, 15(1). Bendezú, G., Espinoza, D., Bendezú-Quispe, G., Torres-Román, J. S., & Huamán Gutiérrez, R. M. (2016). Características y riesgos de gestantes adolescentes. Revista peruana de Ginecología y Obstetricia, 62(1), 13-18. Pérez, B. H., Tejedor, J. G., Cepeda, P. M., & Gómez, A. A. (2011). La edad materna como factor de riesgo obstétrico. Resultados perinatales en gestantes de edad avanzada. Progresos de Obstetricia y ginecología, 54(11), 575-580. Aguado Quintero, Luis Fernando, Girón Cruz, Luis Eduardo, Osorio Mejía, Ana María, Tovar Cuevas, Luis Miguel, & Ahumada Castro, Jaime Rodrigo. (2007). Determinantes del uso de los servicios de salud materna en el Litoral Pacífico Colombiano. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 5(1), 233-281. Estrada-Chiroque, L. M.., Orostegui-Arenas, M., Burgos-Guanilo , M. del P.., & Amau Chiroque, J. M. (2022). Características clínicas y resultado materno perinatal en mujeres con diagnóstico confirmado por COVID-19 en un hospital de Perú. Estudio de cohorte retrospectivo. Revista Colombiana De Obstetricia Y Ginecología, 73(1), 28–38. Velázquez Quintana, N. I., Masud Yunes Zárraga, J. L., & Ávila Reyes, R. (2004). Recién nacidos con bajo peso; causas, problemas y perspectivas a futuro. Boletín médico del Hospital Infantil de México, 61(1), 73-86. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.none.fl_str_mv |
Bogotá D.C. |
| dc.coverage.temporal.none.fl_str_mv |
2017-2021 |
| dc.publisher.program.spa.fl_str_mv |
Matemáticas |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería y Diseño e Innovación |
| institution |
Institución Universitaria Politécnico Grancolombiano |
| bitstream.url.fl_str_mv |
https://alejandria.poligran.edu.co/bitstream/10823/7960/1/trabajo_de_grado.pdf https://alejandria.poligran.edu.co/bitstream/10823/7960/4/license.txt https://alejandria.poligran.edu.co/bitstream/10823/7960/5/trabajo_de_grado.pdf.jpg |
| bitstream.checksum.fl_str_mv |
61efaddf8053ee05e75147afa6cf75f9 8a4605be74aa9ea9d79846c1fba20a33 04b1f10f1c6cb11b77ec31559f722cb6 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Comunidad Politecnico Grancolombiano |
| repository.mail.fl_str_mv |
dspace@poligran.edu.co |
| _version_ |
1851058967175757824 |
| spelling |
Acevedo Pabón, Oscar LeonardoAguas Aldana, César EduardoBogotá D.C.2017-20212025-11-14T16:16:23Z2025-11-14T16:16:23Z2025-10-27http://hdl.handle.net/10823/7960instname:Politécnico Grancolombianoreponame:Alejandría Repositorio Comunidadrepourl:http://alejandria.poligran.edu.coEl trabajo busca identificar los principales factores asociados al bajo peso al nacer (BPN) en el país. Para ello utiliza técnicas de análisis exploratorio de datos y modelos de aprendizaje automático aplicados a la base de nacimientos del DANE entre 2017 y 2021. Dentro de las variables exógenas que podrían constituir un factor de riesgo que se incluyeron en los modelos hay características sociodemográficas de la madre como la edad, el número de partos, el nivel educativo y la región geográfica. Un análisis bivariado mostró que las madres adolescentes y de mayor edad, con bajo nivel educativo y residentes en áreas rurales tienen un mayor riesgo de tener bebés con BPN. Varios modelos de machine learning fueron evaluados, y el modelo con mejor desempeño fue una regresión logística mejorada con la técnica SMOTE (Synthetic Minority Over-sampling Technique). Para evaluar el rendimiento de los modelos, se aplicaron técnicas de validación cruzada y se utilizaron métricas como precisión, recall y F1-score. El estudio concluye que las intervenciones para mejorar el acceso a servicios de salud en áreas rurales y las políticas que abordan disparidades educativas y socioeconómicas pueden contribuir a reducir la incidencia de BPN en Colombia.1. Objetivos... 5 2. Justificación... 5 3. Introducción... 6 4. Estado del arte... 7 5. Metodología...10 6. Resultados....13 6.1 Descripción de la muestra y de las variables...13 6.2 Análisis descriptivo... 14 6.3 Resultados de los modelos... 26 6.3.1 Comparación de matrices de confusión... 26 6.3.2 Comparación de las métricas de desempeño... 28 6.3.3 Discusión de relevancia de variables... 29 7. Conclusiones... 37 8. Bibliografía... 49This project focuses on determining the risk factors associated with Low Birth Weight (LBW) in Colombia by applying exploratory data analysis and machine learning models. As a data source, we used a sample for the period 2017-2021 provided by the Colombian National Administrative Department of Statistics (DANE). This project focuses on determining the risk factors associated with LBW in Colombia by applying exploratory data analysis and machine learning models. As a data source, we used a sample for the period 2017-2021 provided by the Colombian National Administrative Department of Statistics (DANE). A bivariate analysis showed that adolescent and older mothers with low educational levels and living in rural areas have a higher risk of having LBW babies. Several machine learning models were evaluated, and the best-performing model was a logistic regression improved with the SMOTE technique (Synthetic Minority Over-sampling). To evaluate the performance of the models, cross-validation techniques were applied, and metrics such as precision, recall, and F1-score were used. Our study concludes that interventions to improve access to health services in rural areas and policies that address educational and socioeconomic disparities can contribute to lowering the incidence of LBW in Colombia.application/pdfspahttps://arxiv.org/abs/2310.07917https://doi.org/10.4103/tjem.tjem_182_23https://bibliotecadigital.udea.edu.co/bitstream/10495/16822/5/Qui%c3%b1onesMonica_https://repository.usta.edu.co/handle/11634/51826?show=fullhttp://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692715X2007000100008&lng=en&tlng=eshttps://doi.org/10.18597/rcog.3776Organización Mundial de la Salud, Metas mundiales de nutrición 2025: Documento normativo sobre bajo peso al nacer, vol. 3. 2017, p. 8. doi: Licencia: CC BY-NC-SA 3.0 IGO. 5.Shailaja, K., Seetharamulu, B., & Jabbar, M. A. (2018, March). Machine learning in healthcare: A review. In 2018 Second international conference on electronics, communication and aerospace technology (ICECA) (pp. 910-914). IEEE.Faruk, A., Cahyono, E. S., Eliyati, N., & Arifieni, I. (2018). Prediction and classification of low-birth-weight data using machine learning techniques. Indonesian Journal of Science and Technology, 3(1), 18-28.Salazar Blandon, D. A. (2023). Procesos gaussianos heterogéneos de múltiple salida para la predicción del bajo peso al nacer en Medellín.Ahmadi, P., Alavimajd, H., Khodakarim, S., Tapak, L., Kariman, N., Amini, P., & Pazhuheian, F. (2017). Prediction of low birth weight using Random Forest: A comparison with Logistic Regression. Archives of Advances in Biosciences, 8(3), 36 43.Dharmaraj, A., Ghimire, A. & Chinnaiyan, S. (2024). Factors Associated with Low Birth Weight: Analysis from National Family Health Survey-4, India. Indian J. Pediatr. 91, 421.Jafarigol, E., & Trafalis, T. (2023). A review of machine learning techniques in Imbalanced Data and Future trends. arXiv preprint arXiv:2310.07917.Scikit-learn developers. (2024). sklearn.linear_model.LogisticRegression. Scikit-learn.Çorbacıoğlu, Ş. K., & Aksel, G. (2023). Receiver operating characteristic curve analysis in diagnostic accuracy studies: A guide to interpreting the area under the curve value. Turkish journal of emergency medicine, 23(4), 195–198.Tissera, A. P., & Couriel, N. I302-Aprendizaje Automático y Aprendizaje Profundo.van Wieringen, W. N. (2015). Lecture notes on ridge regression. arXiv preprint arXiv:1509.09169.Monsreal, J. F., Cobos, M. D. R. T., Gómez, J. R. H., & Peraza, L. E. D. S. S. (2018). Factores de riesgo de bajo peso al nacer según el modelo de regresión logística múltiple. Estudio de cohorte retrospectiva en el municipio José María Morelos, Quintana Roo, México. Medwave, 18(1).Panduro, B. C. (2022). Aplicación del algoritmo del bosque aleatorio a un modelo de clasificación de la anemia en niños peruanos. Mediciego, 28(1), 3471.Departamento Administrativo Nacional de Estadística – DANE. (2024). Microdatos de nacimientos 2017–2021. DANE.Márquez-Beltrán, M. F., Vargas-Hernández, J. E., Quiroga-Villalobos, E. F., & Pinzón Villate, G. Y. (2013). Análisis del bajo peso al nacer en Colombia 2005-2009. Revista de Salud Pública, 15, 626-637.Yuan, Y., Du, J., Luo, J., Zhu, Y., Huang, Q., & Zhang, M. (2024). Discrimination of missing data types in metabolomics data based on particle swarm optimization algorithm and XGBoost model. Scientific Reports, 14(1), 152.Pérez, S. A., Calderón, M. M., Vargas, M. P., Soto, I. G., Gómez, Á., & Quijano, D. D. (2017). Relación entre factores sociodemográficos y el bajo peso al nacer en una clínica universitaria en Cundinamarca (Colombia). Revista Salud Uninorte, 33(2), 86-97.Planchez, L. C., Garcia, Y. E. N., de Pedro, N. M., & Sánchez, M. L. (2021). Índice pronóstico de bajo peso al nacer. Revista Médica Electrónica, 43(1).Quiñones Montes, M. M. (2020). Caracterización del bajo peso al nacer a término en Antioquia, Trabajo de Grado de Pregrado, Universidad de Antioquia.Rivas Pérez, M. T. Factores Maternos Relacionados con Bajo Peso al Nacer en Colombia en el 2021. Trabajo de Grado de Maestría, Universidad Santo Tomás.Ticona, J. P. A., Gutiérrez, M. B. A., Rivas, D. R. Z., & Torres, N. M. C. (2017). Entendiendo la odds ratio. Revista SCientifica, 15(1).Bendezú, G., Espinoza, D., Bendezú-Quispe, G., Torres-Román, J. S., & Huamán Gutiérrez, R. M. (2016). Características y riesgos de gestantes adolescentes. Revista peruana de Ginecología y Obstetricia, 62(1), 13-18.Pérez, B. H., Tejedor, J. G., Cepeda, P. M., & Gómez, A. A. (2011). La edad materna como factor de riesgo obstétrico. Resultados perinatales en gestantes de edad avanzada. Progresos de Obstetricia y ginecología, 54(11), 575-580.Aguado Quintero, Luis Fernando, Girón Cruz, Luis Eduardo, Osorio Mejía, Ana María, Tovar Cuevas, Luis Miguel, & Ahumada Castro, Jaime Rodrigo. (2007). Determinantes del uso de los servicios de salud materna en el Litoral Pacífico Colombiano. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 5(1), 233-281.Estrada-Chiroque, L. M.., Orostegui-Arenas, M., Burgos-Guanilo , M. del P.., & Amau Chiroque, J. M. (2022). Características clínicas y resultado materno perinatal en mujeres con diagnóstico confirmado por COVID-19 en un hospital de Perú. Estudio de cohorte retrospectivo. Revista Colombiana De Obstetricia Y Ginecología, 73(1), 28–38.Velázquez Quintana, N. I., Masud Yunes Zárraga, J. L., & Ávila Reyes, R. (2004). Recién nacidos con bajo peso; causas, problemas y perspectivas a futuro. Boletín médico del Hospital Infantil de México, 61(1), 73-86.Determinación de factores de riesgo de bajo peso al nacer en Colombia aplicando análisis exploratorio de datos y modelos de machine learning para los años 2017 al 2021Risk factor determination of low birth weight in Colombia during 2017-2021 by exploratory data analysis and machine learning modelsbachelorThesisTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionAnálisis exploratorio de datosAprendizaje automáticoBajo peso al nacerAlgoritmosDemografíaModelos estadísticosExploratory data analysisLow birth weightMachine learningMatemáticasFacultad Ingeniería y Diseño e InnovaciónAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2ORIGINALtrabajo_de_grado.pdftrabajo_de_grado.pdfDocumento principalapplication/pdf1409683https://alejandria.poligran.edu.co/bitstream/10823/7960/1/trabajo_de_grado.pdf61efaddf8053ee05e75147afa6cf75f9MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://alejandria.poligran.edu.co/bitstream/10823/7960/4/license.txt8a4605be74aa9ea9d79846c1fba20a33MD54open accessTHUMBNAILtrabajo_de_grado.pdf.jpgtrabajo_de_grado.pdf.jpgIM Thumbnailimage/jpeg6713https://alejandria.poligran.edu.co/bitstream/10823/7960/5/trabajo_de_grado.pdf.jpg04b1f10f1c6cb11b77ec31559f722cb6MD55open access10823/7960oai:alejandria.poligran.edu.co:10823/79602025-11-18 14:02:01.9open accessRepositorio Comunidad Politecnico Grancolombianodspace@poligran.edu.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 |