Peña Palacio, Juan Alejadro2026-05-122026-01-30https://hdl.handle.net/10784/37575La ansiedad se ha consolidado como un problema creciente a nivel global, con impactos significativos en el bienestar, la productividad y los costos asociados a la incapacidad. A pesar de los avances recientes en el monitoreo psicológico, persiste la necesidad de enfoques analíticos que capturen su naturaleza fluctuante y dinámica en el tiempo. En respuesta a este desafío, se propone un marco probabilístico para caracterizar el comportamiento dinámico de la ansiedad a partir de variables psicológicas y conductuales. Con el fin de identificar perfiles diferenciados y comprender las transiciones entre estados emocionales, se integran técnicas de aprendizaje no supervisado, modelos de probabilidad no normales y Modelos Ocultos de Márkov (HMM). Indicadores como el nivel de estrés percibido, las horas de sueño, la actividad física y el consumo de estimulantes se emplean para construir agrupaciones conductuales que alimentan el modelo estocástico. Esto permitió modelar la estructura estadística del indicador transformado de ansiedad a través de distribuciones continuas, con el objetivo de derivar una representación parsimoniosa de su comportamiento marginal. Los resultados evidencian una dinámica marcada por la persistencia en estados de riesgo moderado y alto, así como una distribución asimétrica que concentra los episodios más críticos en niveles bajos del indicador de bienestar. El marco resultante ofrece una base técnica para modelar la ansiedad como un proceso dinámico y estocástico, y constituye un insumo potencial para sistemas de monitoreo emocional y para la toma de decisiones en salud mental ocupacional.Anxiety constitutes a growing mental health issue with significant impacts on individual well-being, workplace productivity, and the costs associ-ated with disability. Despite advances in analytics applied to mental health, most existing approaches address anxiety from a static perspective, limiting themselves to detection or one-time classification tasks. This work proposes a probabilistic framework to model anxiety as a dynamic and stochastic process, integrating unsupervised learning techniques, Hidden Markov Models (HMM), and analysis of non-normal distributions. Based on psychological and behavior-al variables, observable profiles are identified through clustering, and latent anxiety states are inferred, along with their transition probabilities and long-term behavior. Additionally, a continuous distribution is fitted to the trans-formed psychological well-being indicator, and Value at Risk (VaR)-type met-rics are used to characterize extreme risk. The results show a dynamic dominat-ed by moderate and high anxiety states, with low well-being stability, and demonstrate the usefulness of the proposed approach for understanding and managing psychological risk in workplace contextsapplication/pdfspaTodos los derechos reservadosAnsiedadDistribuciones no normalesClusteringSalud mentalAnálisis probabilísticoValor en Riesgo (VaR)Modelos Ocultos de Márkov (HMM)info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessANSIEDAD - INVESTIGACIONESSALUD MENTAL - PREVENCIÓN Y CONTROL - COLOMBIAAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL) - ASPECTOS SOCIALESPRODUCTIVIDAD INDUSTRIAL - COLOMBIAESTRÉS (PSICOLOGÍA)AnxietyHidden Markov Models, ClusteringProbabilistic Model-ingRisk AnalysisValue at RiskAcceso abierto2026-05-12Giraldo Tirado, Diego Alexanderreponame:Repositorio Institucional Universidad EAFITinstname:Universidad EAFITrepourl:https://repository.eafit.edu.cohttp://purl.org/coar/access_right/c_abf2