MODELO DE PREVISIÓN DIFUSA DE LA
SITUACIÓN DEL MERCADO LABORAL PERUANO
DIFFUSE FORECASTING MODEL FOR THE PERUVIAN
LABOR MARKET SITUATION
Jaqueline Jessica Cabello Blanco
Universidad Nacional José Faustino Sánchez Carrión – Perú
Johnny Gregorio Cipriano Bautista
Universidad Nacional José Faustino Sánchez Carrión - Perú
pág. 7763
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22856
Modelo de previsión difusa de la situación del mercado laboral peruano
Jaqueline Jessica Cabello Blanco1
jcabello@unjfsc.edu.pe
https://orcid.org/0000-0002-7464-0305
Universidad Nacional José Faustino Sánchez
Carrión
Perú
Johnny Gregorio Cipriano Bautista
jcipriano@unjfsc.edu.pe
https://orcid.org/0000-0002-7239-4665
Universidad Nacional José Faustino Sánchez
Carrión
Perú
RESUMEN
El propósito de este estudio es desarrollar un modelo de previsión difusa de la situación del mercado
laboral peruano, los datos que se emplearon para construir el modelo de previsión difusa, provienen del
Reporte del mercado laboral diciembre 2023 (MTPE, 2023); el modelo se estableció a través de la
variable lingüística “Situación del mercado laboral peruano-SMLP”, donde la variable lingüística se
caracteriza por una tripleta [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] que constituye un conjunto de términos donde la primera
componente 𝑋 es el nombre de la variable, 𝑈 es un universo de discurso y 𝑅(𝑋, 𝑢) es un nombre genérico
para los elementos del universo de discurso; el producto del modelo creado con series de tiempo difusas
resulta en:
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉 más〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉 más〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉 más
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉 este modelo “Situación del Mercado Laboral Peruano-SMLP” muestra
una tasa media de error de pronóstico porcentual (TMEP%) de 2.28% inferior al 2.77% y 2.76% de los
otros modelos; se determina que el modelo de previsión difusa de la situación del mercado laboral
peruano es robusto y competitivo, además, analiza el comportamiento irregular y la tendencia del ritmo
de crecimiento de los puestos de trabajo en el sector formal privado peruano.
Palabras clave: conjuntos difusos, series de tiempo difusas, previsión difusa¸mercado laboral
1 Autor principal
Correspondencia:jcabello@unjfsc.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22856
Modelo de previsión difusa de la situación del mercado laboral peruano
Jaqueline Jessica Cabello Blanco1
jcabello@unjfsc.edu.pe
https://orcid.org/0000-0002-7464-0305
Universidad Nacional José Faustino Sánchez
Carrión
Perú
Johnny Gregorio Cipriano Bautista
jcipriano@unjfsc.edu.pe
https://orcid.org/0000-0002-7239-4665
Universidad Nacional José Faustino Sánchez
Carrión
Perú
RESUMEN
El propósito de este estudio es desarrollar un modelo de previsión difusa de la situación del mercado
laboral peruano, los datos que se emplearon para construir el modelo de previsión difusa, provienen del
Reporte del mercado laboral diciembre 2023 (MTPE, 2023); el modelo se estableció a través de la
variable lingüística “Situación del mercado laboral peruano-SMLP”, donde la variable lingüística se
caracteriza por una tripleta [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] que constituye un conjunto de términos donde la primera
componente 𝑋 es el nombre de la variable, 𝑈 es un universo de discurso y 𝑅(𝑋, 𝑢) es un nombre genérico
para los elementos del universo de discurso; el producto del modelo creado con series de tiempo difusas
resulta en:
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉 más〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉 más〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉 más
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉 este modelo “Situación del Mercado Laboral Peruano-SMLP” muestra
una tasa media de error de pronóstico porcentual (TMEP%) de 2.28% inferior al 2.77% y 2.76% de los
otros modelos; se determina que el modelo de previsión difusa de la situación del mercado laboral
peruano es robusto y competitivo, además, analiza el comportamiento irregular y la tendencia del ritmo
de crecimiento de los puestos de trabajo en el sector formal privado peruano.
Palabras clave: conjuntos difusos, series de tiempo difusas, previsión difusa¸mercado laboral
1 Autor principal
Correspondencia:jcabello@unjfsc.edu.pe
pág. 7764
Diffuse forecasting model for the peruvian labor market situation
ABSTRACT
The purpose of this study is to develop a fuzzy forecasting model for the Peruvian labor market situation.
The data used to construct the fuzzy forecasting model comes from the December 2023 Labor Market
Report (MTPE, 2023). The model was established using the linguistic variable “Peruvian labor market
situation -SMLP,” where the linguistic variable is characterized by a triplet [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] that
constitutes a set of terms where the first component 𝑋 is the name of the variable, 𝑈 is a discourse
universe and 𝑅(𝑋, 𝑢) is a generic name for the elements of the discourse universe; the product of the
model created with fuzzy time series results in: 〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉 plus
〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉𝑝𝑙𝑢𝑠 〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉𝑝𝑙𝑢𝑠〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉; this
model “Situación del Mercado Laboral Peruano-SMLP” shows an average percentage forecast error
rate (TMEP%) of 2.28%, lower than the 2.77% and 2.76% of the other models; it is determined that the
fuzzy forecasting model of the Peruvian labor market situation is robust and competitive, and it also
analyzes the irregular behavior and growth trend of jobs in the Peruvian private formal sector.
Keywords: fuzzy sets, fuzzy time series, fuzzy forecasting, labor market
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
Diffuse forecasting model for the peruvian labor market situation
ABSTRACT
The purpose of this study is to develop a fuzzy forecasting model for the Peruvian labor market situation.
The data used to construct the fuzzy forecasting model comes from the December 2023 Labor Market
Report (MTPE, 2023). The model was established using the linguistic variable “Peruvian labor market
situation -SMLP,” where the linguistic variable is characterized by a triplet [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] that
constitutes a set of terms where the first component 𝑋 is the name of the variable, 𝑈 is a discourse
universe and 𝑅(𝑋, 𝑢) is a generic name for the elements of the discourse universe; the product of the
model created with fuzzy time series results in: 〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉 plus
〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉𝑝𝑙𝑢𝑠 〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉𝑝𝑙𝑢𝑠〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉; this
model “Situación del Mercado Laboral Peruano-SMLP” shows an average percentage forecast error
rate (TMEP%) of 2.28%, lower than the 2.77% and 2.76% of the other models; it is determined that the
fuzzy forecasting model of the Peruvian labor market situation is robust and competitive, and it also
analyzes the irregular behavior and growth trend of jobs in the Peruvian private formal sector.
Keywords: fuzzy sets, fuzzy time series, fuzzy forecasting, labor market
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 10 enero 2026
pág. 7765
INTRODUCCIÓN
El crecimiento del empleo está íntimamente asociado al crecimiento del PBI, esto significa que el
crecimiento económico es un motor directo para la creación de puestos de trabajo (CEPAL, 2024;
Jaramillo & Sparrow, 2014), este crecimiento económico es producto de un proceso productivo en el
que las empresas requieren insumos y el factor más importante es la mano de obra. Por lo tanto, con el
crecimiento económico aumentan las necesidades de la fuerza laboral, lo que se traduce en un aumento
de salarios y generación de empleos. Cuando aumentan los niveles de empleo y salarios, aumentan los
ingresos de los hogares, lo que genera mayores gastos familiares en alimentación, vestido, salud,
recreación, entre otros gastos (Mendoza & Garcia, 2006). El año 2020, el Banco Central de Reserva del
Perú (BCRP) informa que el PBI nacional tuvo una contracción de -10.9% debido a la pandemia, así
mismo, las agitaciones políticas (destitución del Presidente Castillo con manifestaciones posteriores) y
el fenómeno de El Niño (afectando los sectores económicos de agricultura, pesca y manufactura
asociada) se hizo sentir en el PBI con un 2,8% para el año 2022 y -0.4% en el año 2023 respectivamente,
el Ministerio de Trabajo y Promoción del Empleo (MTPE, 2023) manifista que esta recesión implica
expectativas desfavorables para el crecimiento del empleo en el sector formal peruano, cuyas
proyecciones son poco optimistas para los próximos años; el año 2024 el PBI peruano fue de 3,5%, este
crecimiento se dió debido a la recuperación de la actividad pesquera que es confirmada por la Comisión
Económica para América Latina y el Caribe (CEPAL, 2024), según la Plataforma del Estado Peruano
(2025, 15 de noviembre) el año 2025 se cerró (enero-noviembre) con un crecimiento acumulado de
3.9%, la Agencia Peruana de Noticias Andina (2025, 15 de noviembre) sostiene que este crecimiento en
el tercer trimestre del año 2025 se tradujo en un aumento del empleo del 1.9%, como se puede apreciar,
estamos frente a la incertidumbre de los suceso sociales y cambios climáticos que impactan en la
economía nacional peruana; Tabares y Hermandez (2009); Zadeh(1975) comentan que la ciencia
moderna interpretan estos fenómenos en términos cuantitativos en la construción de modelos
matemáticos para producir información cuantitativa sobre su comportamiento, en vez de esto, los autores
aceptan la incertidumbre de estos fenómenos y proponen la construción de modelos difusos; la situación
del mercado laboral peruano se ve influenciado por los sucesos sociales y cambios climáticos, por
consiguiente, se plantea hacer un estudio a través de conjuntos difusos, con variables que no son números
INTRODUCCIÓN
El crecimiento del empleo está íntimamente asociado al crecimiento del PBI, esto significa que el
crecimiento económico es un motor directo para la creación de puestos de trabajo (CEPAL, 2024;
Jaramillo & Sparrow, 2014), este crecimiento económico es producto de un proceso productivo en el
que las empresas requieren insumos y el factor más importante es la mano de obra. Por lo tanto, con el
crecimiento económico aumentan las necesidades de la fuerza laboral, lo que se traduce en un aumento
de salarios y generación de empleos. Cuando aumentan los niveles de empleo y salarios, aumentan los
ingresos de los hogares, lo que genera mayores gastos familiares en alimentación, vestido, salud,
recreación, entre otros gastos (Mendoza & Garcia, 2006). El año 2020, el Banco Central de Reserva del
Perú (BCRP) informa que el PBI nacional tuvo una contracción de -10.9% debido a la pandemia, así
mismo, las agitaciones políticas (destitución del Presidente Castillo con manifestaciones posteriores) y
el fenómeno de El Niño (afectando los sectores económicos de agricultura, pesca y manufactura
asociada) se hizo sentir en el PBI con un 2,8% para el año 2022 y -0.4% en el año 2023 respectivamente,
el Ministerio de Trabajo y Promoción del Empleo (MTPE, 2023) manifista que esta recesión implica
expectativas desfavorables para el crecimiento del empleo en el sector formal peruano, cuyas
proyecciones son poco optimistas para los próximos años; el año 2024 el PBI peruano fue de 3,5%, este
crecimiento se dió debido a la recuperación de la actividad pesquera que es confirmada por la Comisión
Económica para América Latina y el Caribe (CEPAL, 2024), según la Plataforma del Estado Peruano
(2025, 15 de noviembre) el año 2025 se cerró (enero-noviembre) con un crecimiento acumulado de
3.9%, la Agencia Peruana de Noticias Andina (2025, 15 de noviembre) sostiene que este crecimiento en
el tercer trimestre del año 2025 se tradujo en un aumento del empleo del 1.9%, como se puede apreciar,
estamos frente a la incertidumbre de los suceso sociales y cambios climáticos que impactan en la
economía nacional peruana; Tabares y Hermandez (2009); Zadeh(1975) comentan que la ciencia
moderna interpretan estos fenómenos en términos cuantitativos en la construción de modelos
matemáticos para producir información cuantitativa sobre su comportamiento, en vez de esto, los autores
aceptan la incertidumbre de estos fenómenos y proponen la construción de modelos difusos; la situación
del mercado laboral peruano se ve influenciado por los sucesos sociales y cambios climáticos, por
consiguiente, se plantea hacer un estudio a través de conjuntos difusos, con variables que no son números
pág. 7766
sino palabras o frases, además, se debe aclarar que esta incertidumbre es distinta a la probabilidad ya
que existen muchos problemas en el mundo real que violan los supuestos básicos implícitos en la
definición de probabilidad (Zadeh,1975 pp.43-80); Kukal y Quang (2014) plantearon un modelo difuso
aplicado a la política monetaria para el Banco Nacional de la República Checa, ellos observaron que el
control de las actividades económicas no es exactamente cuantificable es más una cuestión intuitiva
siendo un fenómeno en incertidumbre y que se ajusta a un problema con números difusos, Aluja (2000)
refiere que los números difusos representan un fenómeno en incertidumbre. Un conjunto difuso o
también llamado conjunto borroso, es un objeto con una función de membresía o pertenencia continua,
donde se resalta que el grado de membresía o pertenencia puede ser cualquier valor entre cero y uno, las
ideas de unión, inclusión, complemento, asociación, convexidad, etc., se amplian a estos conjuntos,
estableciendose principios en el contexto de los conjuntos difusos; la teoria de conjuntos difusos ha
avanzado en muchas disciplinas como en la teoria de decisiones, ciencias de la administración,
investigación de operaciones y otras (Zadeh,1965; Kaufman et al.,1986; Zimmermann, 2001). Los
conjuntos difusos son usados en casos donde no siempre se tienen soluciones precisas o para tratar
problemas con mayor sentido común, como es el caso de los problemas de tipo económico, teniendo en
cuenta que la teoria económica principia de la lógica tradicional que parte de la aplicación de modelos
estadísticos y probabilísticos que cuentan con restricciones en condiciones de incertidumbre (Shepherd
& Shi, 1998). AbdelSalam y Azzam (2016) sostienen que modelar y pronoticar no es tarea fácil ya que
los sucesos económicos estan sujetos a un alto grado de incertidumbre debido al retraso entre la
ocurrencia del choque externo y su implemetación, por su parte Stojić (2012) expone un modelo para
valorar la situación económica de países y regiones miembros aspirantes de la Unión Europea usando
lógica difusa, desde esta prespectiva, esta investigación se enfoca en la teoria de las series de tiempo
difusas para construir un modelo de previsión difusa del mercado laboral peruano, las series de tiempo
difusas fueron establecidas por Song y Chissom (1993a, 1993b); las series de tiempo difusas son
secuencias ordenadas de valores de una variable en un dominio específico y presentan características
más apropiadas para la construcción de un modelo que explique la situación del mercado laboral
peruano, por ser más precisas y robustas que los sistemas de previsión convencionales (Chen, 1996;
Song & Chissom, 1994; Tsaur et al., 2005; Bose & Mail, 2019), además, Abbasov y Mamedova (2003)
sino palabras o frases, además, se debe aclarar que esta incertidumbre es distinta a la probabilidad ya
que existen muchos problemas en el mundo real que violan los supuestos básicos implícitos en la
definición de probabilidad (Zadeh,1975 pp.43-80); Kukal y Quang (2014) plantearon un modelo difuso
aplicado a la política monetaria para el Banco Nacional de la República Checa, ellos observaron que el
control de las actividades económicas no es exactamente cuantificable es más una cuestión intuitiva
siendo un fenómeno en incertidumbre y que se ajusta a un problema con números difusos, Aluja (2000)
refiere que los números difusos representan un fenómeno en incertidumbre. Un conjunto difuso o
también llamado conjunto borroso, es un objeto con una función de membresía o pertenencia continua,
donde se resalta que el grado de membresía o pertenencia puede ser cualquier valor entre cero y uno, las
ideas de unión, inclusión, complemento, asociación, convexidad, etc., se amplian a estos conjuntos,
estableciendose principios en el contexto de los conjuntos difusos; la teoria de conjuntos difusos ha
avanzado en muchas disciplinas como en la teoria de decisiones, ciencias de la administración,
investigación de operaciones y otras (Zadeh,1965; Kaufman et al.,1986; Zimmermann, 2001). Los
conjuntos difusos son usados en casos donde no siempre se tienen soluciones precisas o para tratar
problemas con mayor sentido común, como es el caso de los problemas de tipo económico, teniendo en
cuenta que la teoria económica principia de la lógica tradicional que parte de la aplicación de modelos
estadísticos y probabilísticos que cuentan con restricciones en condiciones de incertidumbre (Shepherd
& Shi, 1998). AbdelSalam y Azzam (2016) sostienen que modelar y pronoticar no es tarea fácil ya que
los sucesos económicos estan sujetos a un alto grado de incertidumbre debido al retraso entre la
ocurrencia del choque externo y su implemetación, por su parte Stojić (2012) expone un modelo para
valorar la situación económica de países y regiones miembros aspirantes de la Unión Europea usando
lógica difusa, desde esta prespectiva, esta investigación se enfoca en la teoria de las series de tiempo
difusas para construir un modelo de previsión difusa del mercado laboral peruano, las series de tiempo
difusas fueron establecidas por Song y Chissom (1993a, 1993b); las series de tiempo difusas son
secuencias ordenadas de valores de una variable en un dominio específico y presentan características
más apropiadas para la construcción de un modelo que explique la situación del mercado laboral
peruano, por ser más precisas y robustas que los sistemas de previsión convencionales (Chen, 1996;
Song & Chissom, 1994; Tsaur et al., 2005; Bose & Mail, 2019), además, Abbasov y Mamedova (2003)
pág. 7767
observan que en las series de tiempo difusas se contempla la trayectoria y el comportamiento no lineal
de los fenómenos en estudio, dando como resultado pronósticos más precisos.
METODOLOGÍA
Los datos que se emplearon para construir el modelo de previsión difusa del mercado laboral peruano
provienen del Reporte del mercado laboral diciembre 2023 (MTPE, 2023); en la fase inicial se definió
el universo de discurso 𝑈 = [𝑣𝑚𝑖𝑛 − 𝐷1, 𝑣𝑚𝑎𝑥 + 𝐷2], donde 𝑣𝑚𝑖𝑛 y 𝑣𝑚𝑎𝑥 son valores tomados de la
columna de datos o de la columna de variaciones, 𝐷1 y 𝐷2 son dos números positivos determinados a
criterio del investigador, seguidamente se procedió a segmentar 𝑈 en intervalos de igual longitud que
contengan valores correspondientes a diferentes tasas de crecimiento de los puestos de trabajo del sector
formal privado peruano, la longitud de estos subintervalos es ℓ y tiene como fórmula ℓ =
[(𝑣𝑚𝑎𝑥+𝐷2)−(𝑣𝑚𝑖𝑛−𝐷1)]
𝑛 , 𝑢𝑛 son los subintervalos, con la fórmula 𝑢𝑛 = [𝑣𝑚𝑖𝑛 − 𝐷1 + (𝑛 − 1)ℓ, 𝑣𝑚𝑖𝑛 −
𝐷1 + 𝑛ℓ], se continuó con la descripción cualitativa de los valores de los puestos de trabajo en el sector
formal privado peruano con la variable lingüística caracterizada por una tripleta [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] que
constituye un conjunto de términos donde la primera componente 𝑋 es el nombre de la variable, 𝑈 es
un universo de discurso y 𝑅(𝑋, 𝑢) es un nombre genérico para los elementos de 𝑈 (Zadeh, 1975, pp.
301-357), luego se fuzzificaron los datos aplicando la fórmula de fuzzificación 𝜇𝐴𝑖 (𝑢𝑗) = 1
1+[∁ (𝒰−𝑢𝑖𝑚)]2
, siendo 𝒰 la variación de los datos, 𝑢𝑖𝑚 son los puntos medios de los intervalo y ∁= 0.008 es una
constante que establece la conversión de valores numéricos a valores difusos, establecido a criterio del
investigador, este procedimiento permitió reflejar los correspondientes valores numéricos a valores
cualitativos de las tasas de crecimiento de los puestos de trabajo del sector formal privado peruano, en
la fase final, con el valor de la función de pertenencia 𝜇𝐴𝑖 (𝑢𝑗), se desfuzzificó los resultados a través de
la fórmula 𝑉(𝑡) = ∑ 𝜇𝐴𝑖 (𝑢𝑗)×𝑢𝑖𝑚
4
𝑖=1
∑ 𝜇𝐴𝑖 (𝑢𝑗)4
𝑖=1
. Se sugiere esta metodología como prueba inicial para la previsión
de los puestos de trabajo en el sector formal privado peruano.
RESULTADOS Y DISCUSIÓN
El modelo de previsión difusa de la situación del mercado laboral peruano se estableció a través de la
variable lingüística “Situación del Mercado Laboral Peruano-SMLP”, en el que, el valor lingüístico
observan que en las series de tiempo difusas se contempla la trayectoria y el comportamiento no lineal
de los fenómenos en estudio, dando como resultado pronósticos más precisos.
METODOLOGÍA
Los datos que se emplearon para construir el modelo de previsión difusa del mercado laboral peruano
provienen del Reporte del mercado laboral diciembre 2023 (MTPE, 2023); en la fase inicial se definió
el universo de discurso 𝑈 = [𝑣𝑚𝑖𝑛 − 𝐷1, 𝑣𝑚𝑎𝑥 + 𝐷2], donde 𝑣𝑚𝑖𝑛 y 𝑣𝑚𝑎𝑥 son valores tomados de la
columna de datos o de la columna de variaciones, 𝐷1 y 𝐷2 son dos números positivos determinados a
criterio del investigador, seguidamente se procedió a segmentar 𝑈 en intervalos de igual longitud que
contengan valores correspondientes a diferentes tasas de crecimiento de los puestos de trabajo del sector
formal privado peruano, la longitud de estos subintervalos es ℓ y tiene como fórmula ℓ =
[(𝑣𝑚𝑎𝑥+𝐷2)−(𝑣𝑚𝑖𝑛−𝐷1)]
𝑛 , 𝑢𝑛 son los subintervalos, con la fórmula 𝑢𝑛 = [𝑣𝑚𝑖𝑛 − 𝐷1 + (𝑛 − 1)ℓ, 𝑣𝑚𝑖𝑛 −
𝐷1 + 𝑛ℓ], se continuó con la descripción cualitativa de los valores de los puestos de trabajo en el sector
formal privado peruano con la variable lingüística caracterizada por una tripleta [𝑋, 𝑈, 𝑅(𝑋, 𝑢)] que
constituye un conjunto de términos donde la primera componente 𝑋 es el nombre de la variable, 𝑈 es
un universo de discurso y 𝑅(𝑋, 𝑢) es un nombre genérico para los elementos de 𝑈 (Zadeh, 1975, pp.
301-357), luego se fuzzificaron los datos aplicando la fórmula de fuzzificación 𝜇𝐴𝑖 (𝑢𝑗) = 1
1+[∁ (𝒰−𝑢𝑖𝑚)]2
, siendo 𝒰 la variación de los datos, 𝑢𝑖𝑚 son los puntos medios de los intervalo y ∁= 0.008 es una
constante que establece la conversión de valores numéricos a valores difusos, establecido a criterio del
investigador, este procedimiento permitió reflejar los correspondientes valores numéricos a valores
cualitativos de las tasas de crecimiento de los puestos de trabajo del sector formal privado peruano, en
la fase final, con el valor de la función de pertenencia 𝜇𝐴𝑖 (𝑢𝑗), se desfuzzificó los resultados a través de
la fórmula 𝑉(𝑡) = ∑ 𝜇𝐴𝑖 (𝑢𝑗)×𝑢𝑖𝑚
4
𝑖=1
∑ 𝜇𝐴𝑖 (𝑢𝑗)4
𝑖=1
. Se sugiere esta metodología como prueba inicial para la previsión
de los puestos de trabajo en el sector formal privado peruano.
RESULTADOS Y DISCUSIÓN
El modelo de previsión difusa de la situación del mercado laboral peruano se estableció a través de la
variable lingüística “Situación del Mercado Laboral Peruano-SMLP”, en el que, el valor lingüístico
pág. 7768
“Ritmo bajo de crecimiento de puestos de trabajo” esta definido por la variable difusa
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉, donde 𝑅1 es el conjunto difuso delimitado en el dominio [3500,3700] del
conjunto universal 𝑈; el valor lingüístico “Ritmo invariante de crecimiento de puestos de trabajo” esta
definido por la variable difusa 〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉, 𝑅2 es el conjunto difuso delimitado en el
dominio [3700,3900] del conjunto universal 𝑈; el valor lingüístico “Ritmo moderado de crecimiento
de puestos de trabajo” esta definido por la variable difusa 〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉, siendo 𝑅3 el
conjunto difuso delimitado en el dominio [3900,4100] del conjunto universal 𝑈; el valor lingüístico
“Ritmo alto de crecimiento de puestos de trabajo” esta definido por la variable difusa
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉, en el que 𝑅4 es el conjunto difuso delimitado en el dominio [4100,4300]
del conjunto universal 𝑈, como se muestra en la tabla 1.
Tabla 1
Modelo de Previsión Difusa de la Situación del Mercado Laboral Peruano
Conjunto Difuso
Variable Lingüística:
“Situación del Mercado Laboral Peruano-SMLP”
𝑹𝟏= Ritmo bajo de crecimiento de puestos de
trabajo (RBCPT)
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉
𝑹𝟐= Ritmo invariante de crecimiento de puestos
de trabajo (RICPT)
〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉
𝑹𝟑= Ritmo moderado de crecimiento de puestos
de trabajo (RMCPT)
〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉
𝑹𝟒= Ritmo alto de crecimiento de puestos de
trabajo (RACPT
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉
Después en la fórmula de fuzzificación se acepta a 𝒰 como punto medio para conseguir los grados de
pertenencia de cada elemento a los respectivos conjuntos difusos 𝑅𝑖(𝑖 = 1, … ,4), quedando definido:
𝑅1 = {(1.00/𝑢1) (0.28/𝑢2) (0.09/𝑢3) (0.04/𝑢4)}
𝑅2 = {(0.28/𝑢1) (1.00/𝑢2) (0.28/𝑢3) 0.09/𝑢4)}
𝑅3 = {(0.09/𝑢1) (0.28/𝑢2) (1.00/𝑢3) 0.28/𝑢4)}
𝑅4 = {(0.04/𝑢1) (0.09/𝑢2) (0.28/𝑢3) 1.00/𝑢4})
Para el propósito de este modelo “Situación del Mercado Laboral Peruano-SMLP”, se utilizó la forma
gaussiana de las funciones de pertenencia y para generar el método de agrupamiento se utilizó el
conjunto difuso 𝑅𝑖 (𝑖 = 1, … ,4). Las funciones de pertenencia resultantes se muestran en la figura 1.
Figura 1
“Ritmo bajo de crecimiento de puestos de trabajo” esta definido por la variable difusa
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉, donde 𝑅1 es el conjunto difuso delimitado en el dominio [3500,3700] del
conjunto universal 𝑈; el valor lingüístico “Ritmo invariante de crecimiento de puestos de trabajo” esta
definido por la variable difusa 〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉, 𝑅2 es el conjunto difuso delimitado en el
dominio [3700,3900] del conjunto universal 𝑈; el valor lingüístico “Ritmo moderado de crecimiento
de puestos de trabajo” esta definido por la variable difusa 〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉, siendo 𝑅3 el
conjunto difuso delimitado en el dominio [3900,4100] del conjunto universal 𝑈; el valor lingüístico
“Ritmo alto de crecimiento de puestos de trabajo” esta definido por la variable difusa
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉, en el que 𝑅4 es el conjunto difuso delimitado en el dominio [4100,4300]
del conjunto universal 𝑈, como se muestra en la tabla 1.
Tabla 1
Modelo de Previsión Difusa de la Situación del Mercado Laboral Peruano
Conjunto Difuso
Variable Lingüística:
“Situación del Mercado Laboral Peruano-SMLP”
𝑹𝟏= Ritmo bajo de crecimiento de puestos de
trabajo (RBCPT)
〈𝑅𝐵𝐶𝑃𝑇 , [3500,3700], 𝑅1〉
𝑹𝟐= Ritmo invariante de crecimiento de puestos
de trabajo (RICPT)
〈𝑅𝐼𝐶𝑃𝑇 , [3700,3900], 𝑅2〉
𝑹𝟑= Ritmo moderado de crecimiento de puestos
de trabajo (RMCPT)
〈𝑅𝑀𝐶𝑃𝑇 , [3900,4100], 𝑅3〉
𝑹𝟒= Ritmo alto de crecimiento de puestos de
trabajo (RACPT
〈𝑅𝐴𝐶𝑃𝑇 , [4100,4300], 𝑅4〉
Después en la fórmula de fuzzificación se acepta a 𝒰 como punto medio para conseguir los grados de
pertenencia de cada elemento a los respectivos conjuntos difusos 𝑅𝑖(𝑖 = 1, … ,4), quedando definido:
𝑅1 = {(1.00/𝑢1) (0.28/𝑢2) (0.09/𝑢3) (0.04/𝑢4)}
𝑅2 = {(0.28/𝑢1) (1.00/𝑢2) (0.28/𝑢3) 0.09/𝑢4)}
𝑅3 = {(0.09/𝑢1) (0.28/𝑢2) (1.00/𝑢3) 0.28/𝑢4)}
𝑅4 = {(0.04/𝑢1) (0.09/𝑢2) (0.28/𝑢3) 1.00/𝑢4})
Para el propósito de este modelo “Situación del Mercado Laboral Peruano-SMLP”, se utilizó la forma
gaussiana de las funciones de pertenencia y para generar el método de agrupamiento se utilizó el
conjunto difuso 𝑅𝑖 (𝑖 = 1, … ,4). Las funciones de pertenencia resultantes se muestran en la figura 1.
Figura 1
pág. 7769
Función de pertenencia de los valores del conjunto difuso de la variable lingüística: “Situación del
Mercado Laboral Peruano-SMLP”.
Este modelo presenta cuatro reglas básicas y los números asignados a las funciones de pertenencia
indican el grado de pertenencia del ritmo de crecimiento de los puestos de trabajo en el sector formal
privado peruano. Como ejemplo ilustrativo en la figura 2 se muestra la cantidad esperada de 385000
puestos de trabajo para el siguiente mes, al trazar una vertical por este valor, los grados de membresía
que toca la vertical son: 0.12, 0.20, 0.45 y 0.90, el mayor grado de membresía que toca a esta vertical es
0.90 que se le atribuye al R2:RICPT, este resultado indica que el ritmo de crecimiento de los puestos
de trabajo en el sector formal privado peruano para ese mes tiene un ritmo invariante de crecimiento con
un grado de membresía de 0.90.
Figura 2
Ritmo de crecimiento de los puestos de trabajo en el sector formal privado peruano.
Función de pertenencia de los valores del conjunto difuso de la variable lingüística: “Situación del
Mercado Laboral Peruano-SMLP”.
Este modelo presenta cuatro reglas básicas y los números asignados a las funciones de pertenencia
indican el grado de pertenencia del ritmo de crecimiento de los puestos de trabajo en el sector formal
privado peruano. Como ejemplo ilustrativo en la figura 2 se muestra la cantidad esperada de 385000
puestos de trabajo para el siguiente mes, al trazar una vertical por este valor, los grados de membresía
que toca la vertical son: 0.12, 0.20, 0.45 y 0.90, el mayor grado de membresía que toca a esta vertical es
0.90 que se le atribuye al R2:RICPT, este resultado indica que el ritmo de crecimiento de los puestos
de trabajo en el sector formal privado peruano para ese mes tiene un ritmo invariante de crecimiento con
un grado de membresía de 0.90.
Figura 2
Ritmo de crecimiento de los puestos de trabajo en el sector formal privado peruano.
pág. 7770
Continuando la secuencia propuesta en la metodología, se obtuvo los valores pronosticados para los
puestos de trabajo en el sector formal privado peruano de febrero del 2022 hasta julio de 2023, como se
muestra en la tabla 2 y la figura 3.
Tabla 2
Valores pronosticados del modelo de previsión difusa de la “Situación del Mercado Laboral Peruano-
SMLP”.
Año Meses
Datos
históricos
(DH)
𝜇𝑅1 (𝑢1)
/𝑢1
𝜇𝑅2 (𝑢2)
/𝑢2
𝜇𝑅3 (𝑢3)
/𝑢3
𝜇𝑅4 (𝑢4)
/𝑢4
Valores
pronosticados
(VP)
2022
Febrero 3688 0.67/𝑢1 0.55/𝑢2 0.14)/𝑢3 0.06/𝑢4 3853
Marzo 3709 0.57/𝑢1 0.65/𝑢2 0.16)/𝑢3 0.06)/𝑢4 3766
Abril 3722 0.51/𝑢1 0.72/𝑢2 0.17)/𝑢3 0.06)/𝑢4 3740
Mayo 3758 0.38/𝑢1 0.90/𝑢2 0.21/𝑢3 0.07)/𝑢4 3789
Junio 3690 0.66/𝑢1 0.56/𝑢2 0.14/𝑢3 0.06)/𝑢4 3979
Julio 3856 0.19/𝑢1 0.83/𝑢2 0.43/𝑢3 0.12)/𝑢4 3812
Agosto 3967 0.10/𝑢1 0.36/𝑢2 0.93/𝑢3 0.22)/𝑢4 3917
Setiembre 4063 0.07/𝑢1 0.18/𝑢2 0.80/𝑢3 0.45/𝑢4 4001
Octubre 4094 0.06/𝑢1 0.15/𝑢2 0.64/𝑢3 0.59/𝑢4 4013
Noviembre 4244 0.04/𝑢1 0.07/𝑢2 0.21/𝑢3 0.89/𝑢4 3836
Diciembre 4095 0.06/𝑢1 0.15/𝑢2 0.63/𝑢3 0.59/𝑢4 4050
2023
Enero 3948 0.11/𝑢1 0.42/𝑢2 0.85/𝑢3 0.20/𝑢4 4036
Febrero 3855 0.19/𝑢1 0.84/𝑢2 0.43/𝑢3 0.12/𝑢4 3965
Marzo 3888 0.16/𝑢1 0.67/𝑢2 0.55/𝑢3 0.13/𝑢4 3861
Abril 3870 0.18/𝑢1 0.76/𝑢2 0.48/𝑢3 0.13/𝑢4 3944
Mayo 3899 0.15/𝑢1 0.61/𝑢2 0.60/𝑢3 0.15/𝑢4 3934
Junio 3956 0.11/𝑢1 0.39/𝑢2 0.89/𝑢3 0.21/𝑢4 3933
Julio 3991 0.09/𝑢1 0.30/𝑢2 0.99/𝑢3 0.26/𝑢4 3993
Continuando la secuencia propuesta en la metodología, se obtuvo los valores pronosticados para los
puestos de trabajo en el sector formal privado peruano de febrero del 2022 hasta julio de 2023, como se
muestra en la tabla 2 y la figura 3.
Tabla 2
Valores pronosticados del modelo de previsión difusa de la “Situación del Mercado Laboral Peruano-
SMLP”.
Año Meses
Datos
históricos
(DH)
𝜇𝑅1 (𝑢1)
/𝑢1
𝜇𝑅2 (𝑢2)
/𝑢2
𝜇𝑅3 (𝑢3)
/𝑢3
𝜇𝑅4 (𝑢4)
/𝑢4
Valores
pronosticados
(VP)
2022
Febrero 3688 0.67/𝑢1 0.55/𝑢2 0.14)/𝑢3 0.06/𝑢4 3853
Marzo 3709 0.57/𝑢1 0.65/𝑢2 0.16)/𝑢3 0.06)/𝑢4 3766
Abril 3722 0.51/𝑢1 0.72/𝑢2 0.17)/𝑢3 0.06)/𝑢4 3740
Mayo 3758 0.38/𝑢1 0.90/𝑢2 0.21/𝑢3 0.07)/𝑢4 3789
Junio 3690 0.66/𝑢1 0.56/𝑢2 0.14/𝑢3 0.06)/𝑢4 3979
Julio 3856 0.19/𝑢1 0.83/𝑢2 0.43/𝑢3 0.12)/𝑢4 3812
Agosto 3967 0.10/𝑢1 0.36/𝑢2 0.93/𝑢3 0.22)/𝑢4 3917
Setiembre 4063 0.07/𝑢1 0.18/𝑢2 0.80/𝑢3 0.45/𝑢4 4001
Octubre 4094 0.06/𝑢1 0.15/𝑢2 0.64/𝑢3 0.59/𝑢4 4013
Noviembre 4244 0.04/𝑢1 0.07/𝑢2 0.21/𝑢3 0.89/𝑢4 3836
Diciembre 4095 0.06/𝑢1 0.15/𝑢2 0.63/𝑢3 0.59/𝑢4 4050
2023
Enero 3948 0.11/𝑢1 0.42/𝑢2 0.85/𝑢3 0.20/𝑢4 4036
Febrero 3855 0.19/𝑢1 0.84/𝑢2 0.43/𝑢3 0.12/𝑢4 3965
Marzo 3888 0.16/𝑢1 0.67/𝑢2 0.55/𝑢3 0.13/𝑢4 3861
Abril 3870 0.18/𝑢1 0.76/𝑢2 0.48/𝑢3 0.13/𝑢4 3944
Mayo 3899 0.15/𝑢1 0.61/𝑢2 0.60/𝑢3 0.15/𝑢4 3934
Junio 3956 0.11/𝑢1 0.39/𝑢2 0.89/𝑢3 0.21/𝑢4 3933
Julio 3991 0.09/𝑢1 0.30/𝑢2 0.99/𝑢3 0.26/𝑢4 3993
pág. 7771
Figura 3
Comparación de los datos históricos con los valores pronosticados del modelo de previsión difusa de
la “Situación del Mercado Laboral Peruano-SMLP”.
la tabla 3 muestra la tasa media de error de pronóstico porcentual (TMEP%) de los modelos, donde el
modelo construido con series de tiempo difusas “Situación del Mercado Laboral Peruano-SMLP”
presenta una menor TMEP% de 2.28 frente a una TMEP% de 2.77 y 2.76 de los modelos exponencial
y lineal respectivamente.
Tabla 3
Comparación de errores de pronóstico entre modelos.
La cantidad de puestos de trabajo en el sector formal privado peruano es un fenómeno en incertidumbre
y se adapta para ser abordado a través de la teoria de series de tiempo difusas, tal como lo plantearon
Kukal y Quang (2014) quienes formularon un modelo difuso aplicado a la política monetaria para el
Banco Nacional de la República Checa, ellos observaron que el control de las actividades económicas
Método de pronóstico
Modelo con
series de tiempo
difusas
Modelo
exponencial Modelo lineal
Tasa media de error de pronóstico
porcentual: 𝑇𝑀𝐸𝑃% =
∑|𝐷𝐻−𝑉𝑃|
|𝐷𝐻|
𝑛 𝑥100 2.28 2.77 2.76
Figura 3
Comparación de los datos históricos con los valores pronosticados del modelo de previsión difusa de
la “Situación del Mercado Laboral Peruano-SMLP”.
la tabla 3 muestra la tasa media de error de pronóstico porcentual (TMEP%) de los modelos, donde el
modelo construido con series de tiempo difusas “Situación del Mercado Laboral Peruano-SMLP”
presenta una menor TMEP% de 2.28 frente a una TMEP% de 2.77 y 2.76 de los modelos exponencial
y lineal respectivamente.
Tabla 3
Comparación de errores de pronóstico entre modelos.
La cantidad de puestos de trabajo en el sector formal privado peruano es un fenómeno en incertidumbre
y se adapta para ser abordado a través de la teoria de series de tiempo difusas, tal como lo plantearon
Kukal y Quang (2014) quienes formularon un modelo difuso aplicado a la política monetaria para el
Banco Nacional de la República Checa, ellos observaron que el control de las actividades económicas
Método de pronóstico
Modelo con
series de tiempo
difusas
Modelo
exponencial Modelo lineal
Tasa media de error de pronóstico
porcentual: 𝑇𝑀𝐸𝑃% =
∑|𝐷𝐻−𝑉𝑃|
|𝐷𝐻|
𝑛 𝑥100 2.28 2.77 2.76
pág. 7772
no era un asunto cuantificable, por el contrario era un asunto intuitivo, un fenómeno en incertidumbre y
que se ajustaba a un problema con números difusos; con los hallazgos obtenidos en la construcción del
modelo de previsión de la situación del mercado laboral peruano, se confirma que el modelo construido
en base a la teoria de series de tiempo difusas “Situación del Mercado Laboral Peruano-SMLP” es
robusto y competitivo, logrando mejores resultados, demostrando asi su superioridad frente a otros
modelos, esta afirmación coincide con el punto vista de los autores Song y Chissom (1993a, 1993b);
Chen (1996); Bose y Mail (2019), quienes indican la robustez de los modelos construidos con series de
tiempo difusas; por otro lado el modelo “Situación del Mercado Laboral Peruano-SMLP” analiza el
comportamiento irregular y la tendencia del ritmo de crecimiento de los puestos de trabajo en el sector
formal privado peruano, obteniendo mejores pronósticos, a diferencia de otros modelos, coincidiendo
con Abbasov y Mamedova (2003) quienes en la realización de su investigción observan que los modelos
construidos con series de tiempo difusas contemplan la trayectoria y la no linealidad de la información
de los fenómenos en estudio.
CONCLUSIONES
La finalidad de este estudio, fue elaborar un modelo de previsión de la situación del mercado laboral
peruano, basado en series de tiempo difusas, el cual se construyó a través de la variable lingüística
“Situación del Mercado Laboral Peruano-SMLP”, presentando una menor tasa media de error de
pronóstico porcentual de 2.28% frente a una tasa media de error de pronóstico porcentual de 2.77% y
2.76% de los modelos exponencial y lineal respectivamente, con este hallazgo se afirma que el modelo
construido “Situación del Mercado Laboral Peruano-SMLP” es robusto y competitivo, además el
modelo analiza el comportamiento irregular y capturó la tendencia del ritmo de crecimiento de los
puestos de trabajo en el sector formal privado peruano.
REFERENCIAS BIBLIOGRÁFICAS
Agencia Peruana de Noticias Andina (2025, 15 de noviembre). INEI. https://andina.pe/agencia/noticia-
inei-poblacion-ocupada-del-pais-crecio-19-el-tercer-trimestre-del-2025-
1052089.aspx#:~:text=Empresas%20medianas%20lideraron%20el%20aumento,al%20tercer%
20trimestre%20del%202024.
AbdelSalam, S., & Azzam, S. (2016). Reduction of lateral pressures on retaining walls using geofoam
no era un asunto cuantificable, por el contrario era un asunto intuitivo, un fenómeno en incertidumbre y
que se ajustaba a un problema con números difusos; con los hallazgos obtenidos en la construcción del
modelo de previsión de la situación del mercado laboral peruano, se confirma que el modelo construido
en base a la teoria de series de tiempo difusas “Situación del Mercado Laboral Peruano-SMLP” es
robusto y competitivo, logrando mejores resultados, demostrando asi su superioridad frente a otros
modelos, esta afirmación coincide con el punto vista de los autores Song y Chissom (1993a, 1993b);
Chen (1996); Bose y Mail (2019), quienes indican la robustez de los modelos construidos con series de
tiempo difusas; por otro lado el modelo “Situación del Mercado Laboral Peruano-SMLP” analiza el
comportamiento irregular y la tendencia del ritmo de crecimiento de los puestos de trabajo en el sector
formal privado peruano, obteniendo mejores pronósticos, a diferencia de otros modelos, coincidiendo
con Abbasov y Mamedova (2003) quienes en la realización de su investigción observan que los modelos
construidos con series de tiempo difusas contemplan la trayectoria y la no linealidad de la información
de los fenómenos en estudio.
CONCLUSIONES
La finalidad de este estudio, fue elaborar un modelo de previsión de la situación del mercado laboral
peruano, basado en series de tiempo difusas, el cual se construyó a través de la variable lingüística
“Situación del Mercado Laboral Peruano-SMLP”, presentando una menor tasa media de error de
pronóstico porcentual de 2.28% frente a una tasa media de error de pronóstico porcentual de 2.77% y
2.76% de los modelos exponencial y lineal respectivamente, con este hallazgo se afirma que el modelo
construido “Situación del Mercado Laboral Peruano-SMLP” es robusto y competitivo, además el
modelo analiza el comportamiento irregular y capturó la tendencia del ritmo de crecimiento de los
puestos de trabajo en el sector formal privado peruano.
REFERENCIAS BIBLIOGRÁFICAS
Agencia Peruana de Noticias Andina (2025, 15 de noviembre). INEI. https://andina.pe/agencia/noticia-
inei-poblacion-ocupada-del-pais-crecio-19-el-tercer-trimestre-del-2025-
1052089.aspx#:~:text=Empresas%20medianas%20lideraron%20el%20aumento,al%20tercer%
20trimestre%20del%202024.
AbdelSalam, S., & Azzam, S. (2016). Reduction of lateral pressures on retaining walls using geofoam
pág. 7773
inclusion. Geosynthetics International, 23(6), 395-407.
https://www.researchgate.net/profile/Sherif-
Abdelsalam/publication/299654845_Reduction_of_lateral_pressures_on_retaining_walls_usin
g_geofoam_inclusion/links/5c8a43a7299bf14e7e7b6643/Reduction-of-lateral-pressures-on-
retaining-walls-using-geofoam-inclusion.pdf
Aluja, J. (2000). Génesis de una teoria de la incertidumbre. Fundación General de la Universidad
Autónoma de Madrid. https://doi.org/http://encuentros-
multidisciplinares.org/Revistan%C2%BA6/Jaime%20Gil%20Aluja%201.pdf
Abbasov, A., & Mamedova, M.(2003). Application of fuzzy time series to population forecasting.
Vienna University of Tecnology, 12 , 545-552.
https://corp.at/archive/CORP2003_Abbasov.pdf
Banco Central de Reserva del Perú (BCRP). Anuales-20260116-185040_PBI
https://doi.org/https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/PM04863
AA/html
Bose M., & Mail K. (2019) Designing fuzzy time series forecasting models: A survey. International
Journal of Approximate Reasoning, 11, 78-99. https://doi.org/10.1016/j.ijar.2019.05.002
Chen, S.M.(1996). Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems , 81(3),
311-319 ttps://ir.lib.nycu.edu.tw/bitstream/11536/1108/1/A1996VB35900002.pdf
Comisión Económica para América Latina y el Caribe (CEPAL). (2024). Estudio Económico de
América Latina y el Caribe. LC/PUB.2024/10-P.
https://doi.org/https://www.cepal.org/es/publicaciones/80595-estudio-economico-america-
latina-caribe-2024-trampa-crecimiento-cambio-climatico
Jaramillo B. & Sparrow B. (2014). Crecimiento y segmentación del empleo en el Perú 2001-2011.
CENDOC GRADE. https://doi.org/https://repositorio.grade.org.pe/handle/20.500.12820/266
Kaufmann, A., Aluja, J., & Pirla, J. (1986). Introducción de la teoria de los subconjuntos borrosos a la
gestión de las empresas. Milladoiro.
Kukal,J., & Van Quang, T.,(2014). A monetary policy rule based on fuzzy control in inflation
targeting framework. Prague Economic Papers, 23(3), 2090-314.
inclusion. Geosynthetics International, 23(6), 395-407.
https://www.researchgate.net/profile/Sherif-
Abdelsalam/publication/299654845_Reduction_of_lateral_pressures_on_retaining_walls_usin
g_geofoam_inclusion/links/5c8a43a7299bf14e7e7b6643/Reduction-of-lateral-pressures-on-
retaining-walls-using-geofoam-inclusion.pdf
Aluja, J. (2000). Génesis de una teoria de la incertidumbre. Fundación General de la Universidad
Autónoma de Madrid. https://doi.org/http://encuentros-
multidisciplinares.org/Revistan%C2%BA6/Jaime%20Gil%20Aluja%201.pdf
Abbasov, A., & Mamedova, M.(2003). Application of fuzzy time series to population forecasting.
Vienna University of Tecnology, 12 , 545-552.
https://corp.at/archive/CORP2003_Abbasov.pdf
Banco Central de Reserva del Perú (BCRP). Anuales-20260116-185040_PBI
https://doi.org/https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/PM04863
AA/html
Bose M., & Mail K. (2019) Designing fuzzy time series forecasting models: A survey. International
Journal of Approximate Reasoning, 11, 78-99. https://doi.org/10.1016/j.ijar.2019.05.002
Chen, S.M.(1996). Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems , 81(3),
311-319 ttps://ir.lib.nycu.edu.tw/bitstream/11536/1108/1/A1996VB35900002.pdf
Comisión Económica para América Latina y el Caribe (CEPAL). (2024). Estudio Económico de
América Latina y el Caribe. LC/PUB.2024/10-P.
https://doi.org/https://www.cepal.org/es/publicaciones/80595-estudio-economico-america-
latina-caribe-2024-trampa-crecimiento-cambio-climatico
Jaramillo B. & Sparrow B. (2014). Crecimiento y segmentación del empleo en el Perú 2001-2011.
CENDOC GRADE. https://doi.org/https://repositorio.grade.org.pe/handle/20.500.12820/266
Kaufmann, A., Aluja, J., & Pirla, J. (1986). Introducción de la teoria de los subconjuntos borrosos a la
gestión de las empresas. Milladoiro.
Kukal,J., & Van Quang, T.,(2014). A monetary policy rule based on fuzzy control in inflation
targeting framework. Prague Economic Papers, 23(3), 2090-314.
pág. 7774
https://d1wqtxts1xzle7.cloudfront.net/102370468/j.pep.485-
libre.pdf?1684434547=&response-content-
disposition=inline%3B+filename%3DA_Monetary_Policy_Rule_Based_on_Fuzzy_Co.pdf&E
xpires=1769191445&Signature=XQYh5wbX79RZGkokU8uStV29VybpJOjCuHOx9NLDhe
GHAh1FXMiGUc~DNNFQk9bqYTixjMwJ-
VwjcH~BNy0ybet8QaawgQtmEpkgm6WECfWF50wmRDsR~3cc6uycqd3fC7mjBYl1WYsz
ZUh8yjHWB6GD~LyKwcg05lhGXZEmZOB0cO7DwM-
fl8V~JCgqwu6sYUuHvS9arst5iYPF9vMg8TizoxeJtnAsSAAdW96bP7TGKJKB5Q59Vorfnw
cnHNUUf6FIP-
GhSP0yFaetGfTyQzgYuKeS~qQEKuO84RAcu0e88TI74XSbDWKZp2vnASOH6ceyNzsoD
N0nxrHk8Yu38w__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA
Mendoza, W., & García, J (2006). Perú, 2001-2005: crecimiento económico y pobreza. Documento de
trabajo 250. https://doi.org/https://d1wqtxts1xzle7.cloudfront.net/118845607/DDD250-
libre.pdf?1728752917=&response-content-
disposition=inline%3B+filename%3DPeru_2001_2005_crecimiento_economico_y_p.pdf&Ex
pires=1767910641&Signature=Sq-i97tbQKB8xFJpq9st8f7UmW1VPF-
vut9O8vMkTRj36TMMKQqecAUsloQhg4SLaoKQISCLn~VwAAuvDHKEww6Dg2XIVbhd
-Ntn2ssxhKgF-
rsBnsrqa6X9yCmefiLr7D2cjcQEMQW9Mw9n5xTCCZem9i2EUbUG0XLd02k9K1LwWQU
FSQ2qnMsSrLLZmODtFzQ3TtYBaHlEJy1h3tVf5jb4Jxy4aBDrHNFD0Gf7ltfRUtid8JUNKbf
e7PkP~cAn6Q4bE1rhkWfMjXPx15c85dgDI9RhZgjMjfmdCAuKi9cN48uf40bjTbMVR3rFH
UsqIWtjmY6WzmXQdxh02074zw__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA
Ministerio de Trabajo y Promocion del Perú (MTPE). (2023). Reporte del mercado laboral.
Proyecciones del empleo nacional y del sector formal privado: 2023-2025.(Diciembre 2023)
https://doi.org/https://cdn.www.gob.pe/uploads/document/file/5773724/5129000-reporte-de-
proyecciones-del-mercado-laboral-2023-2025.pdf?v=1706542477
Plataforma del Estado Peruano. (2025, 15 de noviembre). MEF.
https://www.gob.pe/institucion/mef/noticias/1289605-mef-economia-peruana-crecio-3-9-en-
https://d1wqtxts1xzle7.cloudfront.net/102370468/j.pep.485-
libre.pdf?1684434547=&response-content-
disposition=inline%3B+filename%3DA_Monetary_Policy_Rule_Based_on_Fuzzy_Co.pdf&E
xpires=1769191445&Signature=XQYh5wbX79RZGkokU8uStV29VybpJOjCuHOx9NLDhe
GHAh1FXMiGUc~DNNFQk9bqYTixjMwJ-
VwjcH~BNy0ybet8QaawgQtmEpkgm6WECfWF50wmRDsR~3cc6uycqd3fC7mjBYl1WYsz
ZUh8yjHWB6GD~LyKwcg05lhGXZEmZOB0cO7DwM-
fl8V~JCgqwu6sYUuHvS9arst5iYPF9vMg8TizoxeJtnAsSAAdW96bP7TGKJKB5Q59Vorfnw
cnHNUUf6FIP-
GhSP0yFaetGfTyQzgYuKeS~qQEKuO84RAcu0e88TI74XSbDWKZp2vnASOH6ceyNzsoD
N0nxrHk8Yu38w__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA
Mendoza, W., & García, J (2006). Perú, 2001-2005: crecimiento económico y pobreza. Documento de
trabajo 250. https://doi.org/https://d1wqtxts1xzle7.cloudfront.net/118845607/DDD250-
libre.pdf?1728752917=&response-content-
disposition=inline%3B+filename%3DPeru_2001_2005_crecimiento_economico_y_p.pdf&Ex
pires=1767910641&Signature=Sq-i97tbQKB8xFJpq9st8f7UmW1VPF-
vut9O8vMkTRj36TMMKQqecAUsloQhg4SLaoKQISCLn~VwAAuvDHKEww6Dg2XIVbhd
-Ntn2ssxhKgF-
rsBnsrqa6X9yCmefiLr7D2cjcQEMQW9Mw9n5xTCCZem9i2EUbUG0XLd02k9K1LwWQU
FSQ2qnMsSrLLZmODtFzQ3TtYBaHlEJy1h3tVf5jb4Jxy4aBDrHNFD0Gf7ltfRUtid8JUNKbf
e7PkP~cAn6Q4bE1rhkWfMjXPx15c85dgDI9RhZgjMjfmdCAuKi9cN48uf40bjTbMVR3rFH
UsqIWtjmY6WzmXQdxh02074zw__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA
Ministerio de Trabajo y Promocion del Perú (MTPE). (2023). Reporte del mercado laboral.
Proyecciones del empleo nacional y del sector formal privado: 2023-2025.(Diciembre 2023)
https://doi.org/https://cdn.www.gob.pe/uploads/document/file/5773724/5129000-reporte-de-
proyecciones-del-mercado-laboral-2023-2025.pdf?v=1706542477
Plataforma del Estado Peruano. (2025, 15 de noviembre). MEF.
https://www.gob.pe/institucion/mef/noticias/1289605-mef-economia-peruana-crecio-3-9-en-
pág. 7775
setiembre-y-acumula-21-meses-consecutivos-de-crecimiento.
Shepherd, D., & Shi, F. (1998). Economic modelling whit fuzzy logic. IFAC Proceedings Volumes,
31(16), 435-440. https://doi.org/10.1016/S1474-6670(17)40518-0
Song, Q., & Chissom,B.S. (1993a). Fuzzy time series and its models. Fuzzy sets and systems, 54(3),
269-277. https://www.researchgate.net/profile/Qiang-Song-
16/publication/256410485_Fuzzy_time_series_and_its_model/links/5a0055080f7e9b62a14d2
b54/Fuzzy-time-series-and-its-model.pdf
Song, Q., & Chissom,B.S. (1993a). Forecasting enrollments with fuzzy time serie-Part I. Fuzzy sets
and systems, 54(1), 1-9.
https://www.sciencedirect.com/science/article/abs/pii/016501149390355L
Song, Q., & Chissom,B.S. (1994). Forecasting enrollments with fuzzy time serie-Part II. Fuzzy sets
and systems, 62(1), 1-8.
https://www.sciencedirect.com/science/article/abs/pii/0165011494900671
Stojić G. (2012). Using Fuzzy logic for evaluating the level of countries (regions) economic
development. Panoeconomicus 59(3), 293-310. https://doiserbia.nb.rs/img/doi/1452-
595X/2012/1452-595X1203293S.pdf
Tabares H., & Hernandez J. (2009). Aproximación por lógica difusa de la serie de tiempo: demanda
diaria de energía eléctrica. Revista facultad de ingenierpia Universidad de Antioquia, (47),
2099-217. http://www.scielo.org.co/pdf/rfiua/n47/n47a19.pdf
Tsaur, R.C., Yang, J.C.O., & Wang, H.F. (2005). Fuzzy relation analysis in fuzzy serie model.
Computers & Mathematics with Applications, 49(4), 539-548
https://www.sciencedirect.com/science/article/pii/S0898122105000489
Zadeh, L.A. (1965). Fuzzy sets. Information and control. INFORMATION SCIENCES, 8, 338-353.
https://doi.org/https://www.sciencedirect.com/science/article/pii/S001999586590241X
Zadeh, L.A. (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - I. INFORMATION SCIENCES, 8, 199-249.
https://doi.org/https://d1wqtxts1xzle7.cloudfront.net/32274985/The_Concept_of_a_Linguistic
_Variable_and_its_Applications_to_Approximate_Reasoning_I-
setiembre-y-acumula-21-meses-consecutivos-de-crecimiento.
Shepherd, D., & Shi, F. (1998). Economic modelling whit fuzzy logic. IFAC Proceedings Volumes,
31(16), 435-440. https://doi.org/10.1016/S1474-6670(17)40518-0
Song, Q., & Chissom,B.S. (1993a). Fuzzy time series and its models. Fuzzy sets and systems, 54(3),
269-277. https://www.researchgate.net/profile/Qiang-Song-
16/publication/256410485_Fuzzy_time_series_and_its_model/links/5a0055080f7e9b62a14d2
b54/Fuzzy-time-series-and-its-model.pdf
Song, Q., & Chissom,B.S. (1993a). Forecasting enrollments with fuzzy time serie-Part I. Fuzzy sets
and systems, 54(1), 1-9.
https://www.sciencedirect.com/science/article/abs/pii/016501149390355L
Song, Q., & Chissom,B.S. (1994). Forecasting enrollments with fuzzy time serie-Part II. Fuzzy sets
and systems, 62(1), 1-8.
https://www.sciencedirect.com/science/article/abs/pii/0165011494900671
Stojić G. (2012). Using Fuzzy logic for evaluating the level of countries (regions) economic
development. Panoeconomicus 59(3), 293-310. https://doiserbia.nb.rs/img/doi/1452-
595X/2012/1452-595X1203293S.pdf
Tabares H., & Hernandez J. (2009). Aproximación por lógica difusa de la serie de tiempo: demanda
diaria de energía eléctrica. Revista facultad de ingenierpia Universidad de Antioquia, (47),
2099-217. http://www.scielo.org.co/pdf/rfiua/n47/n47a19.pdf
Tsaur, R.C., Yang, J.C.O., & Wang, H.F. (2005). Fuzzy relation analysis in fuzzy serie model.
Computers & Mathematics with Applications, 49(4), 539-548
https://www.sciencedirect.com/science/article/pii/S0898122105000489
Zadeh, L.A. (1965). Fuzzy sets. Information and control. INFORMATION SCIENCES, 8, 338-353.
https://doi.org/https://www.sciencedirect.com/science/article/pii/S001999586590241X
Zadeh, L.A. (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - I. INFORMATION SCIENCES, 8, 199-249.
https://doi.org/https://d1wqtxts1xzle7.cloudfront.net/32274985/The_Concept_of_a_Linguistic
_Variable_and_its_Applications_to_Approximate_Reasoning_I-
pág. 7776
1975%281%29.pdf20131110-23275-1136x84-libre-libre.pdf?1384074005=&response-
content-
disposition=inline%3B+filename%3DThe_Concept_of_a_Linguistic_Variable_and.pdf&Expi
res=1768792089&Signature=FRKft-
P3U9IC1Ucd3z7WoB58AWH8W9wp7dzqW1G63m45zfmd5GuaUYj5PAxgXeo0-
zZ~nzP4RT9LI9DdXFM6y4lx5MPGffKlMCu~vYqKX3qjs-
S6Fawd2Py7svkXDoxWx5EvK2FcvcUAGdRLAmmcmYxfLWqNC~v0tan66SenVTBwzBA
-eoK~dgXjOUiNEn1yCd2FrPDSII8qvtjM~8mW6KPWIqErCcgZ-
AwajDQtgXp0Isb2ZXjcun1XTFHUl6VuwUyBhomhBTlITGQLpJvGP1T3iFaTUHVyiJyJgB
PDFEodo9AiQH9dfh-hlTjYqfFQhashb9g~ZM2vrVNBilgyUA__&Key-Pair-
Id=APKAJLOHF5GGSLRBV4ZA
Zadeh, L. A (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - II*. INFORMATION SCIENCES, 8, 301-357.
https://www.sciencedirect.com/science/article/abs/pii/0020025575900468
Zadeh, L. A (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - III*. INFORMATION SCIENCES, 9, 43-80.
https://www.sciencedirect.com/science/article/abs/pii/0020025575900171
Zimmermann, H. (2011). Fuzzy set Theory-and ist applications. Springer Science & Business Media
1975%281%29.pdf20131110-23275-1136x84-libre-libre.pdf?1384074005=&response-
content-
disposition=inline%3B+filename%3DThe_Concept_of_a_Linguistic_Variable_and.pdf&Expi
res=1768792089&Signature=FRKft-
P3U9IC1Ucd3z7WoB58AWH8W9wp7dzqW1G63m45zfmd5GuaUYj5PAxgXeo0-
zZ~nzP4RT9LI9DdXFM6y4lx5MPGffKlMCu~vYqKX3qjs-
S6Fawd2Py7svkXDoxWx5EvK2FcvcUAGdRLAmmcmYxfLWqNC~v0tan66SenVTBwzBA
-eoK~dgXjOUiNEn1yCd2FrPDSII8qvtjM~8mW6KPWIqErCcgZ-
AwajDQtgXp0Isb2ZXjcun1XTFHUl6VuwUyBhomhBTlITGQLpJvGP1T3iFaTUHVyiJyJgB
PDFEodo9AiQH9dfh-hlTjYqfFQhashb9g~ZM2vrVNBilgyUA__&Key-Pair-
Id=APKAJLOHF5GGSLRBV4ZA
Zadeh, L. A (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - II*. INFORMATION SCIENCES, 8, 301-357.
https://www.sciencedirect.com/science/article/abs/pii/0020025575900468
Zadeh, L. A (1975). The Concept of a Linguistic Variable and its Application to Approximate
Reasoning - III*. INFORMATION SCIENCES, 9, 43-80.
https://www.sciencedirect.com/science/article/abs/pii/0020025575900171
Zimmermann, H. (2011). Fuzzy set Theory-and ist applications. Springer Science & Business Media