Ayala Bizarro, Rocky GibanCristan Quispe, Magnolia2026-03-052026-03-052025TESIS CIV634_Crihttps://hdl.handle.net/20.500.14612/8532La presente investigación desarrolló modelos de Redes Neuronales Artificiales Híbridas (RNAH) para la estimación de costos de infraestructura educativa a nivel nacional, abordando el déficit existente valorado en S/. 100,499 millones. El estudio empleó un enfoque cuantitativo con alcance explicativo y predictivo, analizando 100 proyectos de infraestructura y 44 de edificaciones de nivel primario ejecutados por contrata durante el periodo 2017-2023. Se implementó una arquitectura híbrida Dense-LSTM que integra capas densas para procesamiento no lineal con capas LSTM para capturar patrones temporales complejos. La metodología comprendió la recolección de datos desde plataformas oficiales (Invierte.pe, SEACE, INFOBRAS y SSI), la selección de variables mediante análisis de correlación de Pearson, ANOVA, procedimientos de permutación e interacción, así como la optimización de hiperparámetros mediante búsqueda exhaustiva. Los resultados evidenciaron que el área techada total constituye la variable más influyente en ambos modelos (correlación r=0.756 para infraestructura y r=0.9097 para edificaciones). El modelo de infraestructura alcanzó un coeficiente de determinación R² de 0.9582, mientras que el modelo de edificaciones obtuvo R² de 0.9461. La validación práctica realizada con cuatro proyectos independientes confirmó errores inferiores al 12.65% para infraestructura y 26.35% para edificaciones. Se desarrolló una interfaz gráfica funcional para cada modelo, facilitando estimaciones en tiempo real con procesamiento inferior a 1 minuto, en contraste con los 120 minutos requeridos por métodos tradicionales. Los modelos desarrollados superaron significativamente los métodos convencionales que presentan errores del 30-60%, representando una mejora sustancial del 50-70% en precisión.application/pdfspainfo:eu-repo/semantics/openAccessRedes Neuronales ArtificialesCostosInversión públicaInfraestructura educativaLSTMEdificacionesInteligencia Artificialinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.01.01