Luis Germán Jáuregui-Del-Águila

Luis Germán Jáuregui-Del-Águila

Auto-generated profile, based on publicly available information

Luis Germán Jáuregui-Del-Águila

Faculty of engineering. Technological University of Peru

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 September 2023 in Biotempo
Verified
Journal Article
Open access
PDF file
OMOlegario Marín Machuca
Olegario Marín Machuca
FAFredy Aníbal Alvarado-Zambrano
Fredy Aníbal Alvarado-Zambrano
JVJessica Blanca Vargas-Ayala
Jessica Blanca Vargas-Ayala
JOJulia Iraida Ortiz-Guizado
Julia Iraida Ortiz-Guizado
LJLuis Germán Jáuregui-Del-Águila
Luis Germán Jáuregui-Del-Águila
Obert Marín SánchezObert Marín Sánchez
Obert Marín Sánchez
El cálculo de los números de Bernoulli se fundamenta en que existen numerosas expresiones matemáticas y fenómenos de la ingeniería ambiental en las que se pueden aplicar. Sí bien es cierto que, con ayuda de la computadora y el uso de programas, existen gran cantidad de ellos; en las referencias actuales se publican en un número reducido y, por lo tanto, al emplearlas, se hacen aproximaciones no satisfactorias. El propósito fue calcular los veinte primeros números de Bernoulli, aplicarlo a la matemática (∫ ln(cosx)dx) y a la ingeniería ambiental, cuantificando la alcalinidad del agua natural en forma de carbonato de calcio (CaCO3)(mg/l ), midiendo el dióxido de carbono (CO2). Existe una gran variedad de relaciones que contienen a los números de Bernoulli presentándose en varias aplicaciones prácticas de la matemática. Las mejores relaciones utilizadas en esta oportunidad son desarrollos binomiales. Empleando las ecuaciones planteadas y adecuadas, los números de Bernoulli fueron calculados mecánicamente, llegando a determinar el número de números planteados como objetivo. Finalmente, los números de Bernoulli contribuyen de forma significativa a cálculos matemáticos como para calcular las integrales del tipo ln(cosx), así como las a aplicaciones a la ingeniería ambiental, evaluando la alcalinidad del agua como carbonato de calcio (CaCO3).

1 September 2023 in Biotempo
Verified
Journal Article
Closed access
PDF file
JOJulia Iraida Ortiz-Guizado
Julia Iraida Ortiz-Guizado
OMOlegario Marín Machuca
Olegario Marín Machuca
FAFredy Aníbal Alvarado-Zambrano
Fredy Aníbal Alvarado-Zambrano
JCJosé Eduardo Candela-Díaz
José Eduardo Candela-Díaz
CBCarlos Enrique Chinchay Barragán
Carlos Enrique Chinchay Barragán
MRMaria del Pilar Rojas-Rueda
Maria del Pilar Rojas-Rueda
Describir la pandemia de la COVID-19 en el Perú, realizar un modelamiento estadístico matemático, determinar el tiempo crítico, la velocidad con que se desarrolló la pandemia y validar de los datos estimados; han caracterizado esta investigación; cuyo objetivo ha sido modelar y analizar los contagios por COVID-19 en el Perú, y comparar las personas contagiadas y las personas estimadas contagiadas; valorar el tiempo crítico en la que se produce la velocidad máxima de personas estimadas contagiadas y validar estadísticamente el modelo. Se ha tomado en cuenta los datos de contagios por la COVID-19 hasta el veinticuatro de febrero del 2023; llegando a determinar que describen una dispersión logística sigmoidal; suceso que fue modelado matemáticamente mediante la expresión , que es una ecuación logística predictora. Con el modelo matemático predictivo se estimó el número de personas contagiadas y su comportamiento de la COVID-19 en el Perú. De igual forma se evaluó la velocidad de las personas contagiadas con la COVID-19 en el Perú. Se estimó el tiempo crítico ( ) para la cual la velocidad de personas contagiadas fue máxima, valores que son y la velocidad máxima , respectivamente y la fecha que hubo la máxima velocidad de contagios por la COVID-19, fue el 28 de febrero del 2022. El coeficiente de correlación de Pearson para el tiempo transcurrido ( ) y el número de personas contagiadas ( ) en el Perú, por la COVID-19, basado en 37 casos, fue de ; determinando que la relación entre el tiempo y el número de contagios, es real, que el modelo predictivo tiene alta estimación de los datos correlacionados, que existe una “correlacion muy fuerte” entre el tiempo transcurrido ( ) y el número de personas contagiadas ( ) y que el 63 % de la variancia en es explicada por . Se concluye que el modelo logístico se puede aplicar con rigurosidad a fenómenos pandémicos y epidemiológicos con alta resolución y con alto grado de estimación y, se ha determinado que el coeficiente de correlación tiene una “asociación negativa muy fuerte” entre el número de contagios por la COVID-19 y el tiempo transcurrido en días.

2 January 2025 in Edelweiss Applied Science and Technology
Verified
Journal Article
Open access
PDF file
OMOlegario Marín Machuca
Olegario Marín Machuca
YHY. E. Humala-Caycho
Y. E. Humala-Caycho
LPL. A. Perez-Ton
L. A. Perez-Ton
JCJ. E. Candela-Díaz
J. E. Candela-Díaz
UMU. Marín-Sánchez
U. Marín-Sánchez
HFH.G. Fuertes-Vicente
H.G. Fuertes-Vicente
Objective. Determine was statistical mathematically the percentage (%) of prevalence of childhood caries in children between the ages of one and thirteen years as a function of diet and oral hygiene wearing the Empirical Modeling Theory of Bronstein & Semendiaev. Design. Correlational, predictive and transversal study. Participants. Patients from one year to thirteen years old were considered and distributed in four groups from one to four years old; from five to seven years old, from eight to ten years old and from eleven to thirteen years old; respectively. Twelve children have been considered in each group and we have worked with the average percentage of prevalence of each group; in which each average percentage of prevalence was contrasted with age during eight consecutive years. Main measurement. Each dispersogram showed that the first and third groups have similar behavior (sigmoidal or logistic) and groups two and four showed different behavior to groups one and three, but similar behavior between them (quadratic). Results. The statistical-mathematical analysis for groups one and three turned out tobe good, with coefficients of determination of r2=0,9752 and r2=0,9347respectively, and the relationship between time t(years) and the percentage (%) of prevalence of childhood caries (P), for children between 1 and 4 years old and 8 to 10 years old is real, there is a non-significant difference, the predictive models have high estimation, there is a "very strong correlation" between the elapsed time (t) and the percentage (%) of prevalence of childhood caries (P).Conclusions. The statistical-mathematical analysis for groups two and four proved to be good, with coefficients of determination of r2=0,9595 and r2=0,8562. respectively, and the relationship between time, t(years) and the percentage (%) of prevalence of childhood caries (P), for children between five and seven years and eleven to thirteen years, is real, there is a non-significant difference, the predictive models have high estimation, there is a "very strong correlation" between the elapsed time (t) and the percentage (%) prevalence of childhood caries (P).