Estudiantes de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA) presentaron sus trabajos de investigación en el 41º Congreso Nacional de Matemática Aplicada y Computacional (CNMAC), realizado del 26 al 30 de setiembre, en Campinas, en el estado de Sao Paulo – Brasil.

«El CNMAC es el evento más importante de la Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC) y tiene como objetivo congregar a profesores, investigadores y profesionales de empresas y centros de investigación, además de estudiantes de las más diversas áreas de la matemática aplicada y computacional con el fin de divulgar y debatir los resultados de sus investigaciones», señalaron los representantes de la SBMAC

Durante el Congreso se realizaron mini cursos, conferencias, simposios, sesiones técnicas, paneles generales y de iniciación científica. También se premiaron a los mejores trabajos de maestría y doctorado del área.

Los trabajos de investigación presentados por los estudiantes fueron:

• Modelling Academic Performance: A Case Study on Engineering Courses
  Hans Rolan E. Mersch Fernandez , Carlos Sauer , Jose Rivas , Diego H. Stalder
• Finite Element Modeling and Characterization of a GTEM Cell
  Alejandro Daniel Reckziegel Benitez, Hyun Ho Shin, Juan Carlos Cabral,Diego Stalder
• Optimal Control of Fractional Punishment in Optional Public Goods Game
  Josias Grau Figueredo, Rocío Botta, Christian E. Schaerer
• Feature selection for Time Series Clustering: A case study on Dengue in Peru

Durante la realización del evento, representantes de la empresa pionera en inteligencia artificial en el Brasil denominada «Unisoma», evaluaron los pósteres de todos los participantes, y premiaron al estudiante Hans Rolan Egavejalu Mersch Fernández por realizar un trabajo de calidad y aplicabilidad. El trabajo abordó la problemática de la enseñanza de la ingeniería donde un número alarmante de estudiantes de ingeniería de primer ciclo no llegan a terminar la carrera. Los modelos matemáticos pueden utilizarse para extraer información de los registros de calificaciones de los estudiantes (datos) para realizar predicciones del rendimiento académico. En este trabajo se aplicaron modelos de regresión logística (LR) y una red neuronal perceptrón multicapa (MLP) para ajustarse a los datos e identificar a los estudiantes con riesgo de no pasar la materia. Los modelos LR también ayudaron a identificar las variables que tienen una mayor influencia en el rendimiento. Los resultados indicaron que las predicciones tienen una precisión superior al 88%.