Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático

Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas sup...

Full description

Autores:
Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodríguez Cárdenas, Stefania
Patiño Ospina, Laura Paola
Tipo de recurso:
Article of investigation
Fecha de publicación:
2023
Institución:
Universidad Cooperativa de Colombia
Repositorio:
Repositorio UCC
Idioma:
OAI Identifier:
oai:repository.ucc.edu.co:20.500.12494/52793
Acceso en línea:
https://doi.org/10.23925/cafi.v6i1.58372
https://hdl.handle.net/20.500.12494/52793
Palabra clave:
Fraude financiero
Inteligencia artificial
Técnicas supervisadas
Detección de fraudes
Minería de datos
Financial fraud
Artificial intelligence
Supervised techniques
Fraud detection
Data mining
Rights
closedAccess
License
http://purl.org/coar/access_right/c_14cb
id COOPER2_2916b2f57a452eb5831f0a1c44c00369
oai_identifier_str oai:repository.ucc.edu.co:20.500.12494/52793
network_acronym_str COOPER2
network_name_str Repositorio UCC
repository_id_str
dc.title.none.fl_str_mv Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
title Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
spellingShingle Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
Fraude financiero
Inteligencia artificial
Técnicas supervisadas
Detección de fraudes
Minería de datos
Financial fraud
Artificial intelligence
Supervised techniques
Fraud detection
Data mining
title_short Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
title_full Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
title_fullStr Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
title_full_unstemmed Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
title_sort Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
dc.creator.fl_str_mv Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodríguez Cárdenas, Stefania
Patiño Ospina, Laura Paola
dc.contributor.author.none.fl_str_mv Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodríguez Cárdenas, Stefania
Patiño Ospina, Laura Paola
dc.subject.none.fl_str_mv Fraude financiero
Inteligencia artificial
Técnicas supervisadas
Detección de fraudes
Minería de datos
topic Fraude financiero
Inteligencia artificial
Técnicas supervisadas
Detección de fraudes
Minería de datos
Financial fraud
Artificial intelligence
Supervised techniques
Fraud detection
Data mining
dc.subject.other.none.fl_str_mv Financial fraud
Artificial intelligence
Supervised techniques
Fraud detection
Data mining
description Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas supervisadas y no supervisadas que usan la inteligencia artificial para la prevención y detección temprana de estos fraudes y así minimizar riesgos en las operaciones financieras. Debido a lo anterior, el estudio analiza el uso de las técnicas supervisadas, su estado referencial por medio del análisis cienciométrico y bibliométrico, determinando la importancia de ellas para la prevención y detección de los fraudes financieros. A nivel metodológico es un estudio documental, exploratorio y analítico. Los resultados del estudio indican que las técnicas de aprendizaje automático supervisadas son las más precisas en el momento de aplicar los experimentos para la detección y prevención, logrando así resultados de efectividad superiores al 90% utilizando algoritmos como árbol de decisión, redes neuronales, Naive Bayes, Maquina de vectores de soportes, Bosque aleatorio y regresión logística, siendo notable en los resultados que los fraudes financieros mayormente analizados en estos estudios fueron falsificación de estados financieros, fraude de tarjetas de crédito, informes financieros fraudulentos y fraude de servicios financieros. Por otra parte, se resalta que el tema de investigación está en crecimiento gracias a que la detección de fraudes se está volviendo necesaria para las organizaciones y con mayor relevancia para las instituciones financieras, por ser una de las mayores afectadas por este flagelo del fraude.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-09-30T22:15:57Z
dc.date.available.none.fl_str_mv 2023-09-30T22:15:57Z
dc.date.issued.none.fl_str_mv 2023-04-01
dc.type.none.fl_str_mv Artículos Científicos
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coarversion.none.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/article
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_2df8fbb1
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 2595-1750
dc.identifier.uri.none.fl_str_mv https://doi.org/10.23925/cafi.v6i1.58372
https://hdl.handle.net/20.500.12494/52793
dc.identifier.bibliographicCitation.none.fl_str_mv PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750.
identifier_str_mv 2595-1750
PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750.
url https://doi.org/10.23925/cafi.v6i1.58372
https://hdl.handle.net/20.500.12494/52793
dc.relation.isversionof.none.fl_str_mv https://revistas.pucsp.br/index.php/CAFI/article/view/58372
dc.relation.ispartofjournal.none.fl_str_mv Revista CAFI – Contabilidade, Atuária, Finanças & Informação
dc.relation.references.none.fl_str_mv Boden, M. (1996). Artificial Intelligence. Elsevier. Obtenido de books.google.es: https://books.google.es/books?id=_ixmRlL9jcIC&printsec=frontcover&hl=es#v=on epage&q&f=false
Calvo, J., Guzmán, M., & Daniel, R. (2018). Machine learning, una pieza clave en la transformación de los modelos de negocio. Management solutions Making things happen. Obtenido de managementsolutions.com: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machin e-learning.pdf
Chirinos, Y., Godínez López, R., & Ramírez García, A. (2021). Tendencias Investigación Universitaria Vol. IX.Cáp IV. Obtenido de researchgate.net: https://www.researchgate.net/publication/349607908_Tendencias_Investigacion_U niversitaria_Vol_IX
Ciobanu, M. (2019). The rise of machine learning and artificial intelligence in fraud detection. Obtenido de thepaypers.com: https://thepaypers.com/expert-opinion/therise- of-machine-learning-and-artificial-intelligence-in-fraud-detection/779255
Cooper, D., Dacin, T., & Palmer, D. (2013). Fraud in accounting, organizations and society: Extending the boundaries of research. Accounting, Organizations and Society, 38, 440–457. Obtenido de webofscience.com: https://www.webofscience.com/wos/woscc/fullrecord/ WOS:000329013200003?SID=7F2IsIgNMPe7vfo858n
Fetzer, J. H. (1990) Artificial Intelligence: Its Scope and Limits. Kluwer Academic Publishers. Recuperado de: https://books.google.com.co/books?id=77SLBQAAQBAJ&printsec=frontcover&hl =es#v=onepage&q&f=false
González, L. (18 de agosto de 2020). Aprendizaje no Supervisado. Obtenido de aprendeia.com: https://aprendeia.com/aprendizaje-no-supervisado-machinelearning
Hernández Sampieri, R., & Torres, C. (2018). Metodología de la investigación (Vol. 4). México DF: McGraw-Hill Interamericana
Hurtado de Barrera, J. (2012). El Proyecto de Investigación. Qué es investigar. El “quiénes” de la investigación (Séptima Edición). Caracas, Venezuela: Ediciones: Quirón (SYPAL).
James, R. (2014). Report to the Nations on Occupational Fraud and Abuse: 2014 Global Fraud Study, 79: 1-79.
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert systems with applications, 32(4), 995-1003
KPMG. (2013). Encuesta de fraude en Colombia. (KPMG, Ed.) Bogotá: KPMG Colombia
Langwagen Fripp, L. (octubre de 2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito. Obtenido de colibri.udelar.edu.uy (Universidad de la república Uruguay): https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/23163/1/Lan19.pdf
Larranaga, P., Calvo, B., Santana, R., Bielza, C., Galdiano, J., Inza, I., ... & Robles, V. (2006). Machine learning in bioinformatics. Briefings in bioinformatics, 7(1), 86-112.
León Sánchez, D. P. (2015). Modelo predictivo para riesgo de liquidez de una entidad fiduciaria usando minería de datos (Doctoral dissertation).
Linares Galán, J. E. (2022). Control interno en la prevención y detección de fraude corporativo [Diapositivas]. Obtenido de jabrveriana.edu.co: https://www.jabrveriana.edu.co/personales/hbermude/Audire/jelg2.pdf
McCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). Una propuesta para el proyecto de investigación de verano de Dartmouth sobre inteligencia artificial. Consultado el 15 de octubre de 2022. Archivado desde el original en http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
Mitchell, T. (1997). Machine Learning. McGraw-Hill
Molina, R. (2017). ¿Formación para la investigación o investigación formativa? La investigación y la formación como pilar común de desarrollo. Revista Boletín Redipe, 6(1), 84-89.
Rosenblum, H. (01 de enero de 2005). Corporate Scandals: The Many Faces of Greed. Obtenido de go.gale.com (Gale Academic OneFile): https://go.gale.com/ps/i.do?p=AONE&u=anon%7Eb6c97118&id=GALE|A1298139 45&v=2.1&it=r&sid=googleScholar&asid=2ea8b338Mart%EDnez
Rozen, C. (2014). Fraude corporativo en aumento. Revista Management 2: 1-2.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/closedAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv closedAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_14cb
dc.format.extent.none.fl_str_mv 77– 101
dc.coverage.temporal.none.fl_str_mv v. 6 n. 1
dc.publisher.none.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué
dc.publisher.program.none.fl_str_mv Contaduría Pública
dc.publisher.place.none.fl_str_mv Ibagué
publisher.none.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué
institution Universidad Cooperativa de Colombia
bitstream.url.fl_str_mv https://repository.ucc.edu.co/bitstreams/4af72e20-c85f-4919-b4f4-0c038107f79a/download
https://repository.ucc.edu.co/bitstreams/dcfbeddd-dfb3-4970-83d6-2abff482ffe1/download
https://repository.ucc.edu.co/bitstreams/bf0c0243-a282-4886-aee1-b2969a51ecac/download
https://repository.ucc.edu.co/bitstreams/b1abf092-fd0d-4bbf-b7ce-4e8475c290f4/download
https://repository.ucc.edu.co/bitstreams/2c4b081d-013c-48ce-9cc4-6b390817624e/download
https://repository.ucc.edu.co/bitstreams/2f474785-7d1c-4d54-8e24-704621f88657/download
bitstream.checksum.fl_str_mv 0da70633a6113322f1a25034f19b3641
0ac92d2d7782e3532dc08dbc3d204fbd
3bce4f7ab09dfc588f126e1e36e98a45
516d38ad453e36c4c27925a5161ef463
6c2574d4d3cc61617f9f6a9c6e51b7ea
33ef826a705d8b3d72f72f124977290c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Cooperativa de Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1811565114204094464
spelling Hernández Aros, LudiviaGutierrez Portela, FernandoRodríguez Cárdenas, StefaniaPatiño Ospina, Laura Paolav. 6 n. 12023-09-30T22:15:57Z2023-09-30T22:15:57Z2023-04-012595-1750https://doi.org/10.23925/cafi.v6i1.58372https://hdl.handle.net/20.500.12494/52793PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750.Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas supervisadas y no supervisadas que usan la inteligencia artificial para la prevención y detección temprana de estos fraudes y así minimizar riesgos en las operaciones financieras. Debido a lo anterior, el estudio analiza el uso de las técnicas supervisadas, su estado referencial por medio del análisis cienciométrico y bibliométrico, determinando la importancia de ellas para la prevención y detección de los fraudes financieros. A nivel metodológico es un estudio documental, exploratorio y analítico. Los resultados del estudio indican que las técnicas de aprendizaje automático supervisadas son las más precisas en el momento de aplicar los experimentos para la detección y prevención, logrando así resultados de efectividad superiores al 90% utilizando algoritmos como árbol de decisión, redes neuronales, Naive Bayes, Maquina de vectores de soportes, Bosque aleatorio y regresión logística, siendo notable en los resultados que los fraudes financieros mayormente analizados en estos estudios fueron falsificación de estados financieros, fraude de tarjetas de crédito, informes financieros fraudulentos y fraude de servicios financieros. Por otra parte, se resalta que el tema de investigación está en crecimiento gracias a que la detección de fraudes se está volviendo necesaria para las organizaciones y con mayor relevancia para las instituciones financieras, por ser una de las mayores afectadas por este flagelo del fraude.Many organizations are currently affected by financial fraud, becoming a current concern for the financial area of any entity, since when it materializes, it directly harms the assets of any public or private company. To do this, and in response to this problem, supervised and unsupervised techniques have been implemented that use artificial intelligence for the prevention and early detection of these frauds and, thus, minimize risks in financial operations. Due to the above, the study analyzes the use of supervised techniques, their referential status through scientometric and bibliometric analysis, determining their importance for the prevention and detection of financial fraud. At the methodological level, it is a documentary, exploratory and analytical study. The results of the study indicate that supervised machine learning techniques are the most accurate when applying experiments for detection and prevention, thus achieving effectiveness results greater than 90% using algorithms such as decision trees, neural networks, Naive Bayes, Support Vector Machine, Random Forest and logistic regression, being notable in the results that the financial frauds, mostly analyzed in these studies, were falsification of financial statements, credit card fraud, fraudulent financial reports and service financial fraud. On the other hand, it is highlighted that the subject of research is growing thanks to the fact that fraud detection is becoming necessary for organizations and, with greater relevance, for financial institutions, as they are one of the most affected by this scourge of fraud.https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001438723https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000476030https://orcid.org/0000-0002-1571-3439https://orcid.org/0000-0003-3722-3809PLANAUDIAQUAludivia.hernandez@campusucc.edu.cofernando.gutierrez@campusucc.edu.costefania.rodriguezc@campusucc.edu.colaura.patinoo@campusucc.edu.cohttps://scholar.google.com/citations?hl=es&user=i48G4IMAAAAJhttps://scholar.google.com/citations?hl=es&user=9gw2ob4AAAAJ77– 101Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, IbaguéContaduría PúblicaIbaguéhttps://revistas.pucsp.br/index.php/CAFI/article/view/58372Revista CAFI – Contabilidade, Atuária, Finanças & InformaçãoBoden, M. (1996). Artificial Intelligence. Elsevier. Obtenido de books.google.es: https://books.google.es/books?id=_ixmRlL9jcIC&printsec=frontcover&hl=es#v=on epage&q&f=falseCalvo, J., Guzmán, M., & Daniel, R. (2018). Machine learning, una pieza clave en la transformación de los modelos de negocio. Management solutions Making things happen. Obtenido de managementsolutions.com: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machin e-learning.pdfChirinos, Y., Godínez López, R., & Ramírez García, A. (2021). Tendencias Investigación Universitaria Vol. IX.Cáp IV. Obtenido de researchgate.net: https://www.researchgate.net/publication/349607908_Tendencias_Investigacion_U niversitaria_Vol_IXCiobanu, M. (2019). The rise of machine learning and artificial intelligence in fraud detection. Obtenido de thepaypers.com: https://thepaypers.com/expert-opinion/therise- of-machine-learning-and-artificial-intelligence-in-fraud-detection/779255Cooper, D., Dacin, T., & Palmer, D. (2013). Fraud in accounting, organizations and society: Extending the boundaries of research. Accounting, Organizations and Society, 38, 440–457. Obtenido de webofscience.com: https://www.webofscience.com/wos/woscc/fullrecord/ WOS:000329013200003?SID=7F2IsIgNMPe7vfo858nFetzer, J. H. (1990) Artificial Intelligence: Its Scope and Limits. Kluwer Academic Publishers. Recuperado de: https://books.google.com.co/books?id=77SLBQAAQBAJ&printsec=frontcover&hl =es#v=onepage&q&f=falseGonzález, L. (18 de agosto de 2020). Aprendizaje no Supervisado. Obtenido de aprendeia.com: https://aprendeia.com/aprendizaje-no-supervisado-machinelearningHernández Sampieri, R., & Torres, C. (2018). Metodología de la investigación (Vol. 4). México DF: McGraw-Hill InteramericanaHurtado de Barrera, J. (2012). El Proyecto de Investigación. Qué es investigar. El “quiénes” de la investigación (Séptima Edición). Caracas, Venezuela: Ediciones: Quirón (SYPAL).James, R. (2014). Report to the Nations on Occupational Fraud and Abuse: 2014 Global Fraud Study, 79: 1-79.Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert systems with applications, 32(4), 995-1003KPMG. (2013). Encuesta de fraude en Colombia. (KPMG, Ed.) Bogotá: KPMG ColombiaLangwagen Fripp, L. (octubre de 2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito. Obtenido de colibri.udelar.edu.uy (Universidad de la república Uruguay): https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/23163/1/Lan19.pdfLarranaga, P., Calvo, B., Santana, R., Bielza, C., Galdiano, J., Inza, I., ... & Robles, V. (2006). Machine learning in bioinformatics. Briefings in bioinformatics, 7(1), 86-112.León Sánchez, D. P. (2015). Modelo predictivo para riesgo de liquidez de una entidad fiduciaria usando minería de datos (Doctoral dissertation).Linares Galán, J. E. (2022). Control interno en la prevención y detección de fraude corporativo [Diapositivas]. Obtenido de jabrveriana.edu.co: https://www.jabrveriana.edu.co/personales/hbermude/Audire/jelg2.pdfMcCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). Una propuesta para el proyecto de investigación de verano de Dartmouth sobre inteligencia artificial. Consultado el 15 de octubre de 2022. Archivado desde el original en http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.htmlMitchell, T. (1997). Machine Learning. McGraw-HillMolina, R. (2017). ¿Formación para la investigación o investigación formativa? La investigación y la formación como pilar común de desarrollo. Revista Boletín Redipe, 6(1), 84-89.Rosenblum, H. (01 de enero de 2005). Corporate Scandals: The Many Faces of Greed. Obtenido de go.gale.com (Gale Academic OneFile): https://go.gale.com/ps/i.do?p=AONE&u=anon%7Eb6c97118&id=GALE|A1298139 45&v=2.1&it=r&sid=googleScholar&asid=2ea8b338Mart%EDnezRozen, C. (2014). Fraude corporativo en aumento. Revista Management 2: 1-2.Fraude financieroInteligencia artificialTécnicas supervisadasDetección de fraudesMinería de datosFinancial fraudArtificial intelligenceSupervised techniquesFraud detectionData miningEstudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automáticoArtículos Científicoshttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbPublicationORIGINALEstudioDeLaPrevencion.pdfEstudioDeLaPrevencion.pdfapplication/pdf1625415https://repository.ucc.edu.co/bitstreams/4af72e20-c85f-4919-b4f4-0c038107f79a/download0da70633a6113322f1a25034f19b3641MD51Licencia EstudioPrevencion.docxLicencia EstudioPrevencion.docxapplication/vnd.openxmlformats-officedocument.wordprocessingml.document283356https://repository.ucc.edu.co/bitstreams/dcfbeddd-dfb3-4970-83d6-2abff482ffe1/download0ac92d2d7782e3532dc08dbc3d204fbdMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/bf0c0243-a282-4886-aee1-b2969a51ecac/download3bce4f7ab09dfc588f126e1e36e98a45MD52TEXTEstudioDeLaPrevencion.pdf.txtEstudioDeLaPrevencion.pdf.txtExtracted texttext/plain60447https://repository.ucc.edu.co/bitstreams/b1abf092-fd0d-4bbf-b7ce-4e8475c290f4/download516d38ad453e36c4c27925a5161ef463MD54Licencia EstudioPrevencion.docx.txtLicencia EstudioPrevencion.docx.txtExtracted texttext/plain5989https://repository.ucc.edu.co/bitstreams/2c4b081d-013c-48ce-9cc4-6b390817624e/download6c2574d4d3cc61617f9f6a9c6e51b7eaMD56THUMBNAILEstudioDeLaPrevencion.pdf.jpgEstudioDeLaPrevencion.pdf.jpgGenerated Thumbnailimage/jpeg15207https://repository.ucc.edu.co/bitstreams/2f474785-7d1c-4d54-8e24-704621f88657/download33ef826a705d8b3d72f72f124977290cMD5520.500.12494/52793oai:repository.ucc.edu.co:20.500.12494/527932024-08-10 17:58:40.989restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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