Los datos almacenados en estructuras de datos dinámicas del tipo Árbol AVL permiten obtener mayor velocidad de respuesta en las operaciones de búsqueda de datos específicos en comparación con las estructuras de datos estáticas del tipo Array unidimensional. Esta velocidad está en función del número de comparaciones efectuadas en el proceso de búsqueda y claramente se verifica que el número de comparaciones efectuada en los arreglos es mucho mayor que las comparaciones efectuadas en el Árbol AVL cuando se realiza el proceso de localización de claves. Pero también se observa que el tiempo que se tarda en insertar las claves en un Array unidimensional es mucho menor que el tiempo requerido para almacenar los datos en un Árbol AVL. Pero, en promedio, la velocidad de respuesta de los algoritmos de búsqueda de datos contenidos en estructuras dinámicas del tipo Árbol AVL es mayor que la velocidad de respuesta cuando el proceso de búsqueda se efectúa en las estructuras estáticas del tipo Array unidimensional.

Facing the criticality of the COVID 19 pandemic, we propose an artificial intelligence system with a modern approach detecting people and their social distancing in crowded places using thermal images obtained from the DJI Mavic 2 Enterprise Dual drone. We implement an algorithm that analyzes two types of images: color and thermal, to measure the distance between people. We used the Fast R-CNN neural network; the images with videos were extracted from the DJI Pilot application. The objective is to identify the distance between people. The results obtained show that the proposed algorithm is suitable for monitoring the city.

This work focuses on studying the relationship that existed between the use of the learning management system (LMS) and the academic performance of the students of the Jorge Basadre Grohmann National University of Tacna-Perú. For this, we use the data provided by the LMS (access virtual classroom) and the university's academic management system (grades). For that, we perform various classification machine learning algorithms to predict academic performance with two classes SATISFACTORY or POOR where Gradient Boosted Trees algorithm had the best accuracy 91.79%. However, with three classes, SATISFACTORY, REGULAR AND POOR, Random Forest algorithm had the best accuracy of 89.26%.

En la actualidad se ha producido un considerable esfuerzo para desarrollar algoritmos que comparan las secuencias de macromoléculas biológicas (proteínas, ADN y ARN), cuyo objetivo es detectar las relaciones evolutivas tanto estructurales como funcionales. Este es el principal problema de la biología computacional, estas tareas se llevan a cabo, actualmente, por las herramientas de la bioinformática que han sido desarrolladas con algoritmos secuenciales. La programación dinámica, tanto los algoritmos de alineamiento locales (Smith-Waterman) y alineamiento global (Needleman-Wunsch) determinan el alineamiento óptimo de dos secuencias. Actualmente, las computadoras que tienen más de un núcleo están disponibles para el usuario común, y para usar los múltiples procesadores de la computadora, es necesario conocer los paradigmas de programación paralela. Este trabajo, presenta una nueva propuesta algorítmica para el alineamiento global usando la programación paralela, esto requiere de una nueva reformulación del algoritmo de Needleman Wunsh. La implementación del Algoritmo  Paralelo ha requerido hacer un llenado de la matriz de scores por sus antidiagonales con todos los procesadores disponibles. El software utilizado para ello fue el C# con la librería TPL (“Task Parallel Library”), la aplicación compara el algoritmo de Needleman- Wunsch con este nuevo algoritmo, comprobando los tiempos de respuesta. Los resultados muestran que el algoritmo paralelo propuesto reduce el tiempo de respuesta en comparación con el algoritmo de alineamiento global de Needleman-Wunsch.