Predicción Multi-Step del Índice de Precios al Consumidor de Lima Metropolitana utilizando Redes Neuronales Recurrentes

Graus Rosales, Diego Josue; Sandoval Villafana, Niels Axel; Zarate Quintanilla, Christopher Anderton

Predicción Multi-Step del Índice de Precios al Consumidor de Lima Metropolitana utilizando Redes Neuronales Recurrentes

dc.contributor.advisor	Mamani Ticona, Wilfredo
dc.contributor.author	Graus Rosales, Diego Josue
dc.contributor.author	Sandoval Villafana, Niels Axel
dc.contributor.author	Zarate Quintanilla, Christopher Anderton
dc.coverage.spatial	Perú
dc.coverage.spatial	Lima
dc.date.accessioned	2026-02-06T04:42:03Z
dc.date.issued	2025
dc.description.abstract	El presente estudio aborda la predicción del Índice de Precios al Consumidor (IPC) de Lima Metropolitana mediante el uso de redes neuronales recurrentes (RNN), en particular las arquitecturas LSTM y GRU. El objetivo principal es desarrollar un modelo predictivo multivariado capaz de anticipar el comportamiento inflacionario a corto y mediano plazo, considerando variables exógenas como el tipo de cambio, el precio internacional del petróleo, el índice de precios al por mayor y la remuneración mínima vital. La investigación adopta un enfoque cuantitativo con un diseño empírico-analítico, utilizando series temporales históricas (2000–2025) procesadas y normalizadas en un entorno de programación Python, con apoyo de librerías de aprendizaje profundo como TensorFlow y Keras. Los modelos fueron evaluados con métricas MAE, RMSE, MAPE y R² para determinar su precisión y capacidad de generalización. Los resultados revelaron que la arquitectura Stacked LSTM/GRU obtuvo el mejor desempeño (R² = 0.92), superando a otros modelos como el SimpleRNN y el CNN-LSTM/GRU híbrido. Se concluye que las redes neuronales profundas son herramientas robustas y adaptativas para la predicción económica, al capturar relaciones no lineales y patrones temporales complejos, contribuyendo así a mejorar la toma de decisiones en materia de política monetaria y planificación macroeconómica.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12640/4841
dc.language	Español
dc.language.iso	spa
dc.publisher	Universidad ESAN
dc.publisher.country	PE
dc.rights	https://purl.org/coar/access_right/c_abf2
dc.rights	Attribution-NonCommercial-ShareAlike 4.0 International	en
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Inflación
dc.subject	Índice de Precios del Consumidor
dc.subject	Redes neuronales
dc.subject	Aprendizaje profundo
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.11.04
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#5.02.04
dc.title	Predicción Multi-Step del Índice de Precios al Consumidor de Lima Metropolitana utilizando Redes Neuronales Recurrentes
dc.type	https://purl.org/coar/resource_type/c_7a1f
dc.type.other	Trabajo de suficiencia profesional
local.acceso.esan	Acceso abierto
renati.advisor.dni	29470979
renati.advisor.orcid	https://orcid.org/0000-0003-1489-9056
renati.author.dni	72074778
renati.author.dni	74462708
renati.author.dni	75012015
renati.discipline	722008076
renati.discipline	613007956
renati.discipline	521008026
renati.juror	Castro Gamarra, Giannina María
renati.juror	Vásquez Bresani, Eduardo Luis
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
thesis.degree.discipline	Ingeniería Industrial Comercial
thesis.degree.discipline	Ingeniería de Tecnologías de Información y Sistemas
thesis.degree.discipline	Ingeniería en Gestión Ambiental
thesis.degree.grantor	Universidad ESAN. Facultad de Ingeniería
thesis.degree.name	Ingeniero(a) Industrial y Comercial
thesis.degree.name	Ingeniero(a) de Tecnologías de Información y Sistemas
thesis.degree.name	Ingeniero(a) en Gestión Ambiental