Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá
Este trabajo se centra en modelar la variación de los precios de alimentos utilizados en la preparación del almuerzo corriente en Bogotá. Para ello, se utilizaron datos de precios por kilogramo de nueve productos seleccionados y obtenidos del Sistema de Información de Precios del Sector Agropecuario...
- Autores:
-
Duran Benítez, Jeisson Sebastián
- Tipo de recurso:
- https://purl.org/coar/resource_type/c_7a1f
- Fecha de publicación:
- 2025
- Institución:
- Universidad El Bosque
- Repositorio:
- Repositorio U. El Bosque
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unbosque.edu.co:20.500.12495/14609
- Acceso en línea:
- https://hdl.handle.net/20.500.12495/14609
- Palabra clave:
- Series de tiempo predicción del precio de alimentos
Predicción del precio de alimentos
ARIMA
VAR
GARCH
LSTM
519.5
Time series
Food price prediction
ARIMA
VAR
GARCH
LSTM
- Rights
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
| id |
UNBOSQUE2_bfb570c7f687cef4036b99823fe2ff40 |
|---|---|
| oai_identifier_str |
oai:repositorio.unbosque.edu.co:20.500.12495/14609 |
| network_acronym_str |
UNBOSQUE2 |
| network_name_str |
Repositorio U. El Bosque |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| dc.title.translated.none.fl_str_mv |
Time series models for predicting the price of common lunch ingredients in Bogotá |
| title |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| spellingShingle |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá Series de tiempo predicción del precio de alimentos Predicción del precio de alimentos ARIMA VAR GARCH LSTM 519.5 Time series Food price prediction ARIMA VAR GARCH LSTM |
| title_short |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| title_full |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| title_fullStr |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| title_full_unstemmed |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| title_sort |
Modelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de Bogotá |
| dc.creator.fl_str_mv |
Duran Benítez, Jeisson Sebastián |
| dc.contributor.advisor.none.fl_str_mv |
Trilleras Martinez, Alexander |
| dc.contributor.author.none.fl_str_mv |
Duran Benítez, Jeisson Sebastián |
| dc.subject.none.fl_str_mv |
Series de tiempo predicción del precio de alimentos Predicción del precio de alimentos ARIMA VAR GARCH LSTM |
| topic |
Series de tiempo predicción del precio de alimentos Predicción del precio de alimentos ARIMA VAR GARCH LSTM 519.5 Time series Food price prediction ARIMA VAR GARCH LSTM |
| dc.subject.ddc.none.fl_str_mv |
519.5 |
| dc.subject.keywords.none.fl_str_mv |
Time series Food price prediction ARIMA VAR GARCH LSTM |
| description |
Este trabajo se centra en modelar la variación de los precios de alimentos utilizados en la preparación del almuerzo corriente en Bogotá. Para ello, se utilizaron datos de precios por kilogramo de nueve productos seleccionados y obtenidos del Sistema de Información de Precios del Sector Agropecuario (SIPSA). Se aplicaron distintos modelos de series de tiempo, incluyendo ARIMA, VAR, LSTM y GARCH. La selección del modelo predictivo más adecuado se realizó con base en criterios de información y métricas de evaluación como el error absoluto medio (MAE) y el error absoluto porcentual medio (MAPE). Los resultados indicaron que el modelo LSTM obtuvo el mejor desempeñó en términos de precisión, la utilidad del estudio está en relación con los objetivos propuestos, generando una herramienta para apoyar la toma de decisiones en la planificación de la comercialización y el abastecimiento por parte de los vendedores en Bogotá. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-06-09T20:22:02Z |
| dc.date.available.none.fl_str_mv |
2025-06-09T20:22:02Z |
| dc.date.issued.none.fl_str_mv |
2025-05 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.none.fl_str_mv |
https://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coarversion.none.fl_str_mv |
https://purl.org/coar/version/c_ab4af688f83e57aa |
| format |
https://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12495/14609 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad El Bosque |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad El Bosque |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.unbosque.edu.co |
| url |
https://hdl.handle.net/20.500.12495/14609 |
| identifier_str_mv |
instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co |
| dc.language.iso.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Alonso Cifuentes, J. C., et al. (2011). Tutorial para realizar la prueba de cointegración de Johansen empleando easyreg. ANDI - Noticias. (2024). Asociación Nacional de Empresarios de Colombia. https : / /www. andi . com . co /Home/ Noticia / 17611 - como - fue - él -comportamiento-del-gasto-de Ayllón Benítez, J. C. (2021). Análisis y predicción de la serie de tiempo del Índice Nacional de Precios al Consumidor (INPC) de México. [Tesis doctoral]. Baby Ramírez, Y., & Gómez Luna, L. M. (2023). Análisis de las tendencias de las investigaciones sobre seguridad alimentaria entre los años 2015-2021. Revista Novedades en Población, 19 (37), 92-121. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th). Wiley. Brand, L. V. (2024). CREPES WAFFLES, LIDERA EL MAPA DE LA COMIDA FUERA DEL HOGAR EN COLOMBIA. https://www.mallyretail.com/actualidad/858#:∼:text=Mall%20&%20Retail&text = En % 20primer % 20t % C3 % A9rmino % 2C % 20hay % 20que ,corresponden%20a%20gastos%20en%20restaurante. Cárdenas-Cárdenas, J.-A., Caicedo-García, E., González-Molano, E. R., Edgar, C.-G., Eliana, R., et al. (2020). Estimación de la variación del precio de los alimentos con modelos de frecuencias mixtas. Borradores de Economía; No. 1109 Casas Monsegny, M., & Cepeda Cuervo, E. (2008). Modelos ARCH, GARCHy EGARCH: aplicaciones a series financieras. Cuadernos de economía,27 (48), 287-319. Ceballos Pérez, S. G., & Pire, R. (2015). Estimación del precio internacional del arroz (Oryza sativa L.) bajo el modelo ARIMA. Revista mexicana de ciencias agrícolas, 6 (SPE11), 2083-2089. González, S. M. (2019). La seguridad alimentaria de México y la renegociación del TLCAN: oportunidad para una estrategia de desarrollo rural y de combate a la pobreza. PORTES, revista mexicana de estudios sobre la Cuenca del Pacífico, 13 (26), 27-60. http://revistasacademicas.ucol.mx/index.php/portes/article/view/1889 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Hannan, E. J., & Quinn, B. G. (1979). The determination of the order of an autoregression. Journal of the Royal Statistical Society: Series B (Methodological), 41 (2), 190-195. Liu, Y., Yang, Y., Chin, R. J., Wang, C., & Wang, C. (2023). Long Short-Term Memory (LSTM) based model for flood forecasting in Xiangjiang River. KSCE Journal of Civil Engineering, 27 (11), 5030-5040. López Olivera, E. (2024). Predicción del precio por tonelada de cultivos de arroz en Colombia mediante el uso de series de tiempo no paramétricas. Universidad El Bosque. Lozano Forero, S. (2019). Propuesta de un ´índice SIPSA para el pronóstico de la inflación de alimentos. Evidencia empírica. Márquez González, J. D., & Monta˜no Pérez, L. V. (2018). Comparación de métodos de predicción para el pronóstico de precios de venta de productos agrícolas en Santander. Martínez, D. R., Albın, J., Cabaleiro, J., Pena, T., Rivera, F., & Blanco, V. (2009). El Criterio de Información de Akaike en la Obtención de Modelos Estadísticos de Rendimiento. Conference: XX Jornadas de Paralelismo. Monsalve, J. P. P., & Carrasquilla, A. T. (2014). Simulación Modelo VAR IPP-IPC. Cuadernos de Administración, 30 (52), 84-93. Nicolás, C. G., Loreto, M. G., & Gastón, S. C. (2023). Evaluación de la incorporación de nuevas variables en la predicción de demanda para una empresa de alimentos. repositorio.uchile.cl. https://doi.org/10.58011/ks7r-gh97 Orjuela-Castro, J. A., Suárez-Camelo, N., & Chinchilla-Ospina, Y. I. (2016). Costos logísticos y metodologías para el costeo en cadenas de suministro: una revisión de la literatura. Cuadernos de contabilidad, 17 (44), 377-420. Producto Interno Bruto (PIB) IV trimestre 2024 preliminares. (2025). Departamento Administrativo Nacional de Estadística. https://www.dane.gov.co/files/operaciones/PIB/bol-PIB-IVtrim2024.pdf República de Colombia, B. (2022). La inflación de alimentos en Colombia: una comparación con otros países [´Último acceso: 6 de octubre de 2024]. https://www.banrep.gov.co/es/blog/inflacionalimentos-Colombia-comparación-con-otros-países Rivera, J. J. M., Carrillo, A. Z., & Castro, H. J. F. (2014). Volatilidad e interdependencia en los precios agrícolas a partir de un modelo GARCH multivariado. Análisis Económico, 29 (72), 35-56. Sanjuán López, A. I. (2006). Modelos de predicción aplicados a series de precios agrarios. Tami, M., & Owda, A. Y. (2023). Efficient commodity price forecasting using long short-term memory model. IAES International Journal of Artificial Intelligence, 13 (1), 994. https://doi.org/10.11591/ijai.v13.i1.pp994-1004 Tarapuez, E., Laiseca, A. F., & Ramírez, J. H. (2017). Variación de precios de alimentos en los supermercados de la ciudad de Armenia (Colombia). Tendencias, 18 (1), 68-84. https://doi.org/10.22267/rtend.171801.65 |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| dc.rights.accessrights.none.fl_str_mv |
https://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso abierto https://purl.org/coar/access_right/c_abf2 http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.program.spa.fl_str_mv |
Estadística |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad El Bosque |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| institution |
Universidad El Bosque |
| bitstream.url.fl_str_mv |
https://repositorio.unbosque.edu.co/bitstreams/1c371ae6-5d48-408e-a7fc-838e194dd558/download https://repositorio.unbosque.edu.co/bitstreams/ab2398bb-a2ae-456e-b9e7-a0c0647b5074/download https://repositorio.unbosque.edu.co/bitstreams/ca31b78d-db4a-40eb-bbe7-1c8eadf2c4f9/download https://repositorio.unbosque.edu.co/bitstreams/311e091b-f6a9-43e2-9044-765bfefbf07c/download https://repositorio.unbosque.edu.co/bitstreams/d720c177-932e-4ae1-90df-7d791869612b/download https://repositorio.unbosque.edu.co/bitstreams/4067ceef-7173-401f-aa22-2f6c87ca6d78/download https://repositorio.unbosque.edu.co/bitstreams/7a523213-7fc5-41ea-ad36-0a31a5e889f1/download https://repositorio.unbosque.edu.co/bitstreams/6207edca-af7d-4b6e-a98d-b267a6b9bf2a/download https://repositorio.unbosque.edu.co/bitstreams/c951ea01-0a52-4953-aa4d-934351be0bf0/download https://repositorio.unbosque.edu.co/bitstreams/b551d778-cfb4-4053-adec-b255ffbaac49/download |
| bitstream.checksum.fl_str_mv |
17cc15b951e7cc6b3728a574117320f9 35ab55eb11f6e051bc85d9b7f033b6ad f699653a86b87cd9f750edd9fa3d6873 f90c8ab818ac4314a99a7c28c962d327 1395e61cdab41927f2e8d06787a83b46 5643bfd9bcf29d560eeec56d584edaa9 4caca81242689e7f072180766a15f38d 1b11ff90957edb1555d2d468202e63e2 1aec8453b8040f817778850fd2cdfc1b 4b123c261c8a634861635682f3238106 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad El Bosque |
| repository.mail.fl_str_mv |
bibliotecas@biteca.com |
| _version_ |
1836751994306428928 |
| spelling |
Trilleras Martinez, AlexanderDuran Benítez, Jeisson Sebastián2025-06-09T20:22:02Z2025-06-09T20:22:02Z2025-05https://hdl.handle.net/20.500.12495/14609instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coEste trabajo se centra en modelar la variación de los precios de alimentos utilizados en la preparación del almuerzo corriente en Bogotá. Para ello, se utilizaron datos de precios por kilogramo de nueve productos seleccionados y obtenidos del Sistema de Información de Precios del Sector Agropecuario (SIPSA). Se aplicaron distintos modelos de series de tiempo, incluyendo ARIMA, VAR, LSTM y GARCH. La selección del modelo predictivo más adecuado se realizó con base en criterios de información y métricas de evaluación como el error absoluto medio (MAE) y el error absoluto porcentual medio (MAPE). Los resultados indicaron que el modelo LSTM obtuvo el mejor desempeñó en términos de precisión, la utilidad del estudio está en relación con los objetivos propuestos, generando una herramienta para apoyar la toma de decisiones en la planificación de la comercialización y el abastecimiento por parte de los vendedores en Bogotá.EstadísticoPregradoThis paper focuses on modeling the variation of food prices used in the preparation of a regular lunch in Bogota. For this purpose, price data per kilogram of nine selected products obtained from the Agricultural Sector Price Information System (SIPSA) were used. Different time series models were applied, including ARIMA, VAR, LSTM, and GARCH. The selection of the most appropriate predictive model was made based on information criteria and evaluation metrics such as mean absolute error (MAE) and mean absolute percentage error (MAPE). The results indicated that the LSTM model obtained the best performance in terms of accuracy. the usefulness of the study is in relation to the proposed objectives of generating a tool to support decision-making in marketing and supply planning by sellers in Bogota.application/pdfAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertohttps://purl.org/coar/access_right/c_abf2http://purl.org/coar/access_right/c_abf2Series de tiempo predicción del precio de alimentosPredicción del precio de alimentosARIMAVARGARCHLSTM519.5Time seriesFood price predictionARIMAVARGARCHLSTMModelos de serie de tiempo para predecir el precio de los ingredientes del almuerzo corriente en la ciudad de BogotáTime series models for predicting the price of common lunch ingredients in BogotáEstadísticaUniversidad El BosqueFacultad de CienciasTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_ab4af688f83e57aaAlonso Cifuentes, J. C., et al. (2011). Tutorial para realizar la prueba de cointegración de Johansen empleando easyreg.ANDI - Noticias. (2024). Asociación Nacional de Empresarios de Colombia. https : / /www. andi . com . co /Home/ Noticia / 17611 - como - fue - él -comportamiento-del-gasto-deAyllón Benítez, J. C. (2021). Análisis y predicción de la serie de tiempo del Índice Nacional de Precios al Consumidor (INPC) de México. [Tesis doctoral].Baby Ramírez, Y., & Gómez Luna, L. M. (2023). Análisis de las tendencias de las investigaciones sobre seguridad alimentaria entre los años 2015-2021. Revista Novedades en Población, 19 (37), 92-121.Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th). Wiley.Brand, L. V. (2024). CREPES WAFFLES, LIDERA EL MAPA DE LA COMIDA FUERA DEL HOGAR EN COLOMBIA. https://www.mallyretail.com/actualidad/858#:∼:text=Mall%20&%20Retail&text = En % 20primer % 20t % C3 % A9rmino % 2C % 20hay % 20que ,corresponden%20a%20gastos%20en%20restaurante.Cárdenas-Cárdenas, J.-A., Caicedo-García, E., González-Molano, E. R., Edgar, C.-G., Eliana, R., et al. (2020). Estimación de la variación del precio de los alimentos con modelos de frecuencias mixtas. Borradores de Economía; No. 1109Casas Monsegny, M., & Cepeda Cuervo, E. (2008). Modelos ARCH, GARCHy EGARCH: aplicaciones a series financieras. Cuadernos de economía,27 (48), 287-319.Ceballos Pérez, S. G., & Pire, R. (2015). Estimación del precio internacional del arroz (Oryza sativa L.) bajo el modelo ARIMA. Revista mexicana de ciencias agrícolas, 6 (SPE11), 2083-2089.González, S. M. (2019). La seguridad alimentaria de México y la renegociación del TLCAN: oportunidad para una estrategia de desarrollo rural y de combate a la pobreza. PORTES, revista mexicana de estudios sobre la Cuenca del Pacífico, 13 (26), 27-60. http://revistasacademicas.ucol.mx/index.php/portes/article/view/1889Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.Hannan, E. J., & Quinn, B. G. (1979). The determination of the order of an autoregression. Journal of the Royal Statistical Society: Series B (Methodological), 41 (2), 190-195.Liu, Y., Yang, Y., Chin, R. J., Wang, C., & Wang, C. (2023). Long Short-Term Memory (LSTM) based model for flood forecasting in Xiangjiang River. KSCE Journal of Civil Engineering, 27 (11), 5030-5040.López Olivera, E. (2024). Predicción del precio por tonelada de cultivos de arroz en Colombia mediante el uso de series de tiempo no paramétricas. Universidad El Bosque.Lozano Forero, S. (2019). Propuesta de un ´índice SIPSA para el pronóstico de la inflación de alimentos. Evidencia empírica.Márquez González, J. D., & Monta˜no Pérez, L. V. (2018). Comparación de métodos de predicción para el pronóstico de precios de venta de productos agrícolas en Santander.Martínez, D. R., Albın, J., Cabaleiro, J., Pena, T., Rivera, F., & Blanco, V. (2009). El Criterio de Información de Akaike en la Obtención de Modelos Estadísticos de Rendimiento. Conference: XX Jornadas de Paralelismo.Monsalve, J. P. P., & Carrasquilla, A. T. (2014). Simulación Modelo VAR IPP-IPC. Cuadernos de Administración, 30 (52), 84-93.Nicolás, C. G., Loreto, M. G., & Gastón, S. C. (2023). Evaluación de la incorporación de nuevas variables en la predicción de demanda para una empresa de alimentos. repositorio.uchile.cl. https://doi.org/10.58011/ks7r-gh97Orjuela-Castro, J. A., Suárez-Camelo, N., & Chinchilla-Ospina, Y. I. (2016). Costos logísticos y metodologías para el costeo en cadenas de suministro: una revisión de la literatura. Cuadernos de contabilidad, 17 (44), 377-420.Producto Interno Bruto (PIB) IV trimestre 2024 preliminares. (2025). Departamento Administrativo Nacional de Estadística. https://www.dane.gov.co/files/operaciones/PIB/bol-PIB-IVtrim2024.pdfRepública de Colombia, B. (2022). La inflación de alimentos en Colombia: una comparación con otros países [´Último acceso: 6 de octubre de 2024]. https://www.banrep.gov.co/es/blog/inflacionalimentos-Colombia-comparación-con-otros-paísesRivera, J. J. M., Carrillo, A. Z., & Castro, H. J. F. (2014). Volatilidad e interdependencia en los precios agrícolas a partir de un modelo GARCH multivariado. Análisis Económico, 29 (72), 35-56.Sanjuán López, A. I. (2006). Modelos de predicción aplicados a series de precios agrarios.Tami, M., & Owda, A. Y. (2023). Efficient commodity price forecasting using long short-term memory model. IAES International Journal of Artificial Intelligence, 13 (1), 994. https://doi.org/10.11591/ijai.v13.i1.pp994-1004Tarapuez, E., Laiseca, A. F., & Ramírez, J. H. (2017). Variación de precios de alimentos en los supermercados de la ciudad de Armenia (Colombia). Tendencias, 18 (1), 68-84. https://doi.org/10.22267/rtend.171801.65spaLICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/1c371ae6-5d48-408e-a7fc-838e194dd558/download17cc15b951e7cc6b3728a574117320f9MD56Carta de autorizacion.pdfapplication/pdf234411https://repositorio.unbosque.edu.co/bitstreams/ab2398bb-a2ae-456e-b9e7-a0c0647b5074/download35ab55eb11f6e051bc85d9b7f033b6adMD510Anexo 1 acta de aprobacion.pdfapplication/pdf281052https://repositorio.unbosque.edu.co/bitstreams/ca31b78d-db4a-40eb-bbe7-1c8eadf2c4f9/downloadf699653a86b87cd9f750edd9fa3d6873MD511ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf6042571https://repositorio.unbosque.edu.co/bitstreams/311e091b-f6a9-43e2-9044-765bfefbf07c/downloadf90c8ab818ac4314a99a7c28c962d327MD57Anexo 2 Presentacion.pdfAnexo 2 Presentacion.pdfapplication/pdf4850098https://repositorio.unbosque.edu.co/bitstreams/d720c177-932e-4ae1-90df-7d791869612b/download1395e61cdab41927f2e8d06787a83b46MD58CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repositorio.unbosque.edu.co/bitstreams/4067ceef-7173-401f-aa22-2f6c87ca6d78/download5643bfd9bcf29d560eeec56d584edaa9MD59TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain92949https://repositorio.unbosque.edu.co/bitstreams/7a523213-7fc5-41ea-ad36-0a31a5e889f1/download4caca81242689e7f072180766a15f38dMD512Anexo 2 Presentacion.pdf.txtAnexo 2 Presentacion.pdf.txtExtracted texttext/plain19917https://repositorio.unbosque.edu.co/bitstreams/6207edca-af7d-4b6e-a98d-b267a6b9bf2a/download1b11ff90957edb1555d2d468202e63e2MD514THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg3589https://repositorio.unbosque.edu.co/bitstreams/c951ea01-0a52-4953-aa4d-934351be0bf0/download1aec8453b8040f817778850fd2cdfc1bMD513Anexo 2 Presentacion.pdf.jpgAnexo 2 Presentacion.pdf.jpgGenerated Thumbnailimage/jpeg3954https://repositorio.unbosque.edu.co/bitstreams/b551d778-cfb4-4053-adec-b255ffbaac49/download4b123c261c8a634861635682f3238106MD51520.500.12495/14609oai:repositorio.unbosque.edu.co:20.500.12495/146092025-06-10 05:01:10.219http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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 |