Desarrollo de modelos de machine learning para la clasificación de la pobreza según las condiciones de vida de los hogares del ecuador, con el fin de apoyar en la toma de decisiones estratégicas gubernamentales
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
"Las mediciones tradicionales de la pobreza suelen limitarse a enfoques unidimensionales que no capturan la complejidad de los problemas socioeconómicos contemporáneos ni la heterogeneidad territorial. Ante esta problemática, el objetivo general de la investigación fue desarrollar modelos de Machine Learning (ML) para la caracterización y clasificación de la pobreza según las condiciones de vida de los hogares del Ecuador, con el fin de apoyar la toma de decisiones estratégicas gubernamentales. Este estudio se fundamentó en la metodología estándar CRISP-DM para proyectos de minería y ciencia de datos. Se procesaron las bases de datos del Censo 2022, integradas por las tablas de Vivienda, Hogar, Población y Emigración. Se construyeron indicadores para resumir dimensiones clave, entre ellas: tasas de dependencia, educación, acceso a servicios básicos, conectividad, equipamiento del domicilio y calidad y tipo de vivienda. Para desarrollar los modelos de ML, se aplicó Análisis de Componentes Principales para reducir la dimensionalidad de los datos y posteriormente un modelo no supervisado basado en Gaussian Mixture Model para clasificar a los hogares según sus condiciones de vida. La consistencia de la segmentación y la estimación de la importancia de cada variable se evaluaron mediante el algoritmo Random Forest. Los resultados permitieron identificar tres estratos socioeconómicos claramente diferenciados: pobreza estructural, vulnerabilidad y bienestar. En conjunto, los modelos propuestos constituyen una herramienta técnica para la clasificación multidimensional de la pobreza y proporcionan una base empírica para el diseño y fortalecimiento de políticas públicas."
Fields of Study & Subjects
Income
Poverty
and Inequality
Data Mining and Machine Learning Applications
Education
and Child Welfare
Publication details
- Journal / source
- Repositorio Digital (Escuela Politécnica Nacional)
- Publication date
- 11 March 2026
- Language
- ES
- Document type
- Thesis