Maestría Estadística Aplicada y Ciencia de Datos · 2026
Predicción híbrida de capacidad en laboratorios de control de calidad
Solo ficha. El repositorio marca este trabajo como «None»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
La planificación operativa en laboratorios de control de calidad se ve severamente afectada por la censura operativa, un fenómeno donde el cierre de instalaciones en días no hábiles oculta la verdadera acumulación de la demanda, limitando los modelos predictivos tradicionales. Esta investigación propone una arquitectura algorítmica híbrida que integra estadística probabilística y aprendizaje automático. Primero, se reconstruye la demanda latente mediante inferencia bayesiana (muestreo NUTS en PyMC). Posteriormente, esta señal corregida alimenta modelos de ensamble, donde XGBoost y RandomForest demostraron un desempeño consistentemente superior frente a enfoques clásicos y de redes neuronales, reduciendo significativamente el error absoluto medio (MAE) en pronósticos diarios. Finalmente, el modelo se operativizó en un Sistema de Soporte a la Decisión (DSS) que traduce automáticamente las predicciones volumétricas en requerimientos restrictivos de horas-analista y horas-máquina. Este enfoque permite a la gerencia anticipar cuellos de botella con semanas de antelación, ofreciendo una alternativa metodológica prometedora para la planificación.