Salazar Ibargüen, HumbertoVarela Carlos, EnriqueSalazar ibargùen, Humberto; 0000-0003-4556-7302Varela, Enrique; 0000-0003-0715-7513Corona Hernández, Andrea2025-09-022025-09-022025-04https://hdl.handle.net/20.500.12371/29372"El principal objetivo de este trabajo consiste en desarrollar una metodología para predecir el parámetro Xmax (profundidad atmosférica del máximo desarrollo de las lluvias) utilizando exclusivamente datos del Detector de Superficie (SD). Para ello, se implementó un modelo de aprendizaje automático basado en el algoritmo XGBoost, cuyo entrenamiento inicial se realizó con datos Golden que combinan información tanto del Detector de Fluorescencia (FD) como del Detector de Superficie (SD). Una vez optimizado el modelo, este fue almacenado y posteriormente aplicado para realizar predicciones empleando únicamente datos del SD, siguiendo los cortes energéticos y criterios de selección establecidos en el análisis. Los resultados obtenidos demuestran un comportamiento satisfactorio en las predicciones de ⟨Xmax⟩, mostrando una notable concordancia con las tendencias físicas esperadas según los modelos teóricos y mediciones experimentales reportadas en la literatura. Este trabajo valida la eficacia del enfoque propuesto, destacando su potencial para superar las limitaciones operacionales del FD mediante el uso exclusivo de datos del SD, lo que representa un avance significativo en el análisis de rayos cósmicos de ultra alta energía, particularmente en condiciones donde la disponibilidad de datos de fluorescencia es limitada".pdfspaCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRAFísica--Física de la radiación (general)--Física de los rayos cósmicos--Temas especiales--LluviasFísica--Óptica--Instrumentos y aparatos ópticos (general)--Instrumentos especiales--Detectores ópticosLluvias de rayos cósmicos--MediciónAprendizaje automático (Inteligencia artificial)Tesis de licenciaturaopenAccess