Tesis

Browse

Now showing 1 - 15 of 15

Open Access
Cumplimiento de tiempo de titulación de los estudiantes de la universidad técnica estatal de Quevedo
(Quevedo:UTEQ, 2025) Oviedo Armijos, Omar Andrés; Díaz Macias, Efraín Evaristo
Este estudio se enfoca en un problema relevante en el contexto de la Universidad Técnica Estatal de Quevedo: el tiempo de titulación de los estudiantes. Se plantea una serie de preguntas de investigación específicas, como la identificación de las barreras académicas que enfrentan los estudiantes, la influencia de factores socioeconómicos en la prolongación de sus estudios, y la relación entre el período académico y el tiempo de titulación. La delimitación del problema establece el campo de estudio, el área, la línea de investigación, el lugar y el período de tiempo en el que se llevará a cabo la investigación. Esta información es fundamental para entender el contexto y las limitaciones del estudio. Los objetivos de la investigación son tanto generales como específicos. El objetivo general es desarrollar un modelo predictivo que, mediante algoritmos y técnicas de predicción, permita entender y predecir el tiempo de titulación de los estudiantes. Los objetivos específicos, por otro lado, desglosan las tareas concretas que se llevarán a cabo, como la identificación de variables relevantes, la exploración de la relación entre la situación socioeconómica y la prolongación de los estudios, y el análisis de los factores que afectan el período académico de los estudiantes. En resumen, esta investigación busca proporcionar una visión detallada y predictiva sobre los factores que inciden en el cumplimiento del tiempo de titulación de los estudiantes de la Universidad Técnica Estatal de Quevedo, específicamente en el campo de Tecnologías de la Información y la Comunicación, en un período de tiempo determinado. Los resultados de esta investigación podrían ser útiles para tomar decisiones que mejoren la eficiencia académica y el apoyo a los estudiantes en su proceso de titulación.
Open Access
Caracterización de factores predictivos para identificar zonas de riesgo de femicidios y muertes violentas de mujeres en Ecuador
(Quevedo:UTEQ, 2025) Tapia Cerezo, Wendy; Zambrano Vega, Cristian Gabriel
Este estudio analiza la violencia fatal contra mujeres en Ecuador en el período 2014-2023, utilizando datos oficiales de la Función Judicial del Ecuador, con el objetivo de identificar patrones, factores de riesgo y zonas de alta incidencia. Se aplicaron técnicas avanzadas de limpieza y transformación de datos, eliminando valores nulos y duplicados, normalizando variables y manejando valores atípicos para mejorar la calidad del dataset. El análisis descriptivo mostró que la mayoría de las víctimas tenían entre 30 y 40 años, con una edad promedio de 33.95 años, nivel educativo básico y en su mayoría de etnia mestiza. Los agresores fueron principalmente parejas o exparejas con bajo nivel educativo, siendo en muchos casos mayores que las víctimas. En el análisis geográfico, se identificó que Guayas (33.04%), Pichincha (11.44%) y Manabí (9.32%) concentraron el mayor número de casos de violencia letal contra mujeres. El estudio también analizó la distribución temporal, evidenciando que los meses con mayor incidencia fueron diciembre, septiembre y marzo, mientras que los domingos fueron los días con más casos reportados. En el análisis predictivo, se compararon modelos de Machine Learning para la clasificación de femicidios y muertes violentas de mujeres, incluyendo Random Forest (RF), Support Vector Machine (SVM), Gradient Boosting Machine (GBM) y K-Means (clustering no supervisado). Estos modelos fueron entrenados y evaluados utilizando las métricas de precisión, recall, F1-score y matriz de confusión, con el objetivo de medir el rendimiento en la clasificación de los casos. El modelo GBM obtuvo la mayor precisión (91.76%), seguido de Random Forest (90%). Los hallazgos resaltan la importancia de usar inteligencia artificial y análisis de datos para mejorar la prevención de la violencia de género y optimizar las decisiones en políticas públicas y seguridad en Ecuador.
Open Access
Caracterización del perfil de egreso de los profesionales de la Universidad Técnica Estatal de Quevedo
(Quevedo: UTEQ, 2024) Chévez Castro, María Isabel; Zhuma Mera , Emilio Rodrigo
En el presente proyecto se analizó la brecha que existe entre el perfil de egreso de los estudiantes de las carreras de Software y Telemática de la Universidad Técnica Estatal de Quevedo y el perfil profesional que demandan las empresas en Hiring Room. Para ello se aplicó técnicas de estadísticas descriptivas, minería de texto y modalización de tópicos con Localización Latente de Dirichlet para encontrar tópicos y palabras claves dentro de textos. Una vez descritos ambos perfiles, se requiere analizar la brecha en cuanto a la capacidad de los estudiantes graduados para ocupar estas vacantes demandadas con ayuda de minería de texto. Para el análisis del perfil de egreso de las carreras de Software y Telemática se aplicó el método de Localización Latente de Dirichlet o en sus siglas en inglés (LDA) a las mallas curriculares, perfil de egreso y competencias específicas con las que se gradúan los estudiantes. De esta manera se pudo conocer en qué medida los estudiantes se encuentran capacitados para cubrir una vacante en el mercado laboral. Para el análisis del perfil profesional demandando en Hiring Room, la obtención de los datos se lo realizó mediante la técnica Web Scraping o raspado de la Web a los anuncios en Hiring Room, la muestra a considerar fue de 356 anuncios de empleo del presente año en Ecuador, una vez obtenido los datos, se aplicó técnicas de minería de texto y preprocesamiento de texto que faciliten la aplicación de Localización Latente de Dirichlet, describiendo finalmente el perfil profesional.
Open Access
Pronóstico del rendimiento de cultivo de maíz forrajero basado en variables agronómicas en la ciudad de Quevedo
(Quevedo: UTEQ, 2024) Villarroel Molina, Ricardo Rafael; Zambrano Vega, Cristian
Este proyecto de investigación se centró en la construcción de modelos predictivos para el rendimiento del maíz forrajero en Quevedo utilizando técnicas de aprendizaje automático supervisado. Se analizaron variables agronómicas como altura de la planta, diámetro del tallo, inserción de mazorca, variedad de semilla y distancia de siembra, destacando que mayores distancias entre plantas favorecen un aumento en el diámetro del tallo, correlacionándose positivamente con las variables de rendimiento estudiadas (peso total, peso de hojas, peso de tallo y peso de mazorcas). Se entrenaron y optimizaron modelos independientes para cada variable de rendimiento mediante el ajuste de hiperparámetros para minimizar el RMSE con los algoritmos de Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Multi-layer Perceptron (MLP), Deep Neural Network (DNN), Gradient Boosting Tree (GBT) y XGBoost (XGB). Se evaluó el desempeño de los modelos mediante las pruebas estadísticas de significancia de Friedman y la prueba post-hoc de Nemenyi, centradas en las métricas de RMSE y R². Los modelos construidos por el algoritmo de RF obtuvieron los mejores valores de RMSE y de R².
Open Access
Modelo predictivo de riesgos laborales en el gobierno autónomo descentralizado de pichincha
(Quevedo: UTEQ, 2024) Giraldo Muñoz, Jocelyne Natasha; Samaniego Mena, Eduardo Amable
La seguridad laboral se rige como una preocupación en el Gobierno Autónomo Descentralizado de Pichincha por los riesgos laborales debido al impacto negativo, por la falta de cultura de seguridad y salud en el trabajo. La Ciencia de Datos puede ser útil para abordar este problema, ya que brinda a los investigadores herramientas avanzadas y técnicas analíticas para estudiar conjuntos de datos pequeños como grandes. A pesar de esta preocupación por los accidentes, hasta ahora se han realizado pocos análisis para identificar tendencias o patrones específicos. Por lo tanto, este proyecto se enfoca en analizar una base de datos que contiene información sobre accidentes ocurridos en el GAD de Pichincha durante el período 2015-2023 con el objetivo principal de analizar los accidentes. Para lograr esto, se emplearon algoritmos de aprendizaje automático y técnicas de Ciencia de Datos para identificar patrones y tendencias en los accidentes laborales. Se llevó a cabo una categorización detallada de los datos con el fin de comprender mejor el comportamiento variable. Además, se desarrolló un modelo predictivo utilizando un enfoque basado en regresión lineal que muestra una disminución progresiva en la cantidad total de accidentes registrados. Asimismo, tras realizar un análisis predictivo para el año 2023, se observa una alta concordancia entre los resultados predichos y reales, lo cual respalda la precisión del modelo utilizado.
Open Access
Aprendizaje profundo para la detección de armas de fuego en sistemas de videovigilancia
(Quevedo: UTEQ, 2024) Briones Montalvo , Cristhian Danilo; Zambrano Vega , Cristian Gabriel
Ecuador enfrenta un desafío creciente de inseguridad, potenciado por el narcotráfico y la proliferación de armas de fuego, lo que exige soluciones inteligentes que combinen estrategias de seguridad pública y tecnológica. En este contexto, los sistemas de videovigilancia basados en circuitos cerrados de televisión (CCTV) se han convertido en herramientas cruciales para el monitoreo y registro de eventos en tiempo real. Sin embargo, para combatir eficazmente la amenaza de las armas de fuego, se requieren sistemas precisos de detección en tiempo real. Este proyecto aborda una necesidad urgente al explorar técnicas de aprendizaje profundo y visión por computadora para desarrollar un sistema de reconocimiento de armas en sistemas de CCTV, con el objetivo de proponer una herramienta informática que pueda contribuir a la lucha contra la proliferación de armas de fuego y la violencia en la sociedad ecuatoriana. Se analizaron diversas herramientas para la construcción de modelos de visión artificial: YOLOv8, Teacheable Machine (EfficientNet) y la metodología Haar-Cascade. Se evaluaron los rendimientos de los modelos de detección generados empleando varias métricas de precisión. Entre los modelos evaluados, se encontró que el modelo basado en YOLOv8 demostró ser el más eficaz en términos de precisión y rendimiento.
Open Access
Análisis del comportamiento de los residuos sólidos no peligrosos en los cantones de la provincia de Los Ríos: Un enfoque de Ciencia de Datos
(Quevedo: UTEQ, 2024) Alarcón Bermúdez, María Mercedes; Erazo Moreta, Orlando
La gestión eficiente de los residuos sólidos es un desafío global que afecta la calidad de vida de las comunidades y del medio ambiente. El manejo inadecuado de los residuos sólidos ha generado preocupaciones debido al constante crecimiento de la población y la provincia de Los Ríos no se encuentra exenta de esta problemática. La Ciencia de Datos se ha hecho presente en diferentes áreas de trabajo, incluyendo la ambiental. Por ello, este proyecto tiene como objetivo principal analizar el comportamiento de los residuos, aplicando técnicas de Ciencia de Datos. Para identificar las principales variables influyentes en la generación y manejo de residuos, se realizaron análisis de Chi-Cuadrado y ANOVA, asegurando la independencia de las variables seleccionadas. Posteriormente, para agrupar los cantones según características similares, se aplicaron técnicas de clustering como K-means, DBSCAN y clustering jerárquico, donde se utilizó el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de los datos. En los resultados se identificaron 16 variables influyentes relacionadas con la generación y forma de eliminación de los residuos sólidos no peligrosos en los hogares. Al aplicar las técnicas de clustering, se identificaron cuatro grupos con características similares en eliminación y manejo de residuos. Las estrategias identificadas en cada cluster revelaron que ciertos cantones participan en voluntariado ambiental y que, en su mayoría, los residuos son depositados con los demás residuos del hogar. Estos resultados demuestran cómo la Ciencia de Datos puede contribuir en el beneficio ambiental.
Open Access
Detección de patrones académicos en curso de nivelación con deserción en la Universidad Técnica Estatal de Quevedo basado en los factores socioeconómicos
(Quevedo: UTEQ, 2024) Almeida Murillo , Jean Carlos; Samaniego Mena, Eduardo
Actualmente las universidades de Ecuador enfrentan grandes desafíos debido a la deserción estudiantil, por lo cual es apremiante tomar medidas para identificar los factores que inciden en este problema. Para lograr los objetivos, se realizó un análisis descriptivo y exploratorio de un conjunto de datos obtenido del departamento de Sistema de Gestión Académico de la Universidad Técnica Estatal de Quevedo. A través este proyecto, se propone abordar el problema mediante la implementación de algoritmos de Minería de Datos con el objetivo de descubrir patrones que ocasionan la deserción estudiantil. Se utilizó la metodología de descubrimiento de conocimiento en base de datos (KDD), la cual consiste en fases de selección, preprocesamiento, transformación, Minería de Datos y evaluación de los datos. Para la preparación y depuración del conjunto de datos se usó RStudio y Weka para aplicar los algoritmos de J48, DecisiónStump, RandomTree, RandomForest, HoeffdingTree, LMT y RepTree. Para elegir el algoritmo óptimo para el estudio se evaluaron cuantitativamente cada uno de ellos mediante la precisión. En los resultados obtenidos, se destacó que el algoritmo de Random Tree tuvo mejor resultado en los análisis, seguido del del Random Forest, este algoritmo permitió identificar los patrones asociados directamente con la deserción estudiantil.
Open Access
Modelo de predicción de siniestros de tránsito terrestre en el Ecuador
(Quevedo: UTEQ, 2024) Bowen Calero , Génesis Katherine; Samaniego Mena , Eduardo Amable
Ante el alarmante aumento de siniestros viales a nivel mundial, la seguridad vial se ha convertido en un tema de gran importancia. En Ecuador, la situación no es la excepción; todos los días, surgen acontecimientos en las vías que ponen en peligro la vida de las personas llegando incluso a causar muertes. Estos siniestros generan altos costos para la salud pública, sin considerar los daños materiales y las pérdidas económicas. Este trabajo de investigación se enfoca en estimar las tendencias de los siniestros de tránsito terrestre en Ecuador con el fin de analizar sus causas y descubrir patrones ocultos. Se aplica técnicas de minería de datos y análisis estadísticos, para examinar los factores comunes que inciden en estos acontecimientos. A través de un enfoque geoespacial, el estudio segmenta y clasifica las zonas de mayor riesgo, empleando algoritmos de agrupamiento basándose en la incidencia de varios tipos de siniestros terrestres. Para el modelo de predicción se aplicó varios algoritmos, entre los cuales Forest Random que se destaca por su bajo error cuadrático. Los resultados indican una alta concentración de siniestros en ciertas provincias, especialmente durante los fines de semanas. Las motocicletas y los automóviles emergen como los más afectados debido a la falta de medidas de seguridad al conducir. Esta herramienta es un recurso valioso para las entidades encargadas, orientándolas hacia acciones enfocadas a la prevención y mitigación de siniestros con el fin de salvaguardar la seguridad vial de la población.
Open Access
Inteligencia de negocios aplicada al uso de recursos en la producción de acero
(Quevedo: UTEQ, 2024) Tigselema Egre, Suanny Gabriela; Zhuma Mera, Emilio Rodrigo
La industria siderúrgica en Ecuador se enfrenta a desafíos significativos respecto al consumo de recursos e interrupciones de producción no planificadas. El consumo incontrolado de recursos aumenta los costos operativos y el desgaste de equipos, lo que puede resultar en interrupciones de producción y pérdidas económicas. Por ello, el presente estudio se centra en una de empresa siderúrgica ecuatoriana. La empresa busca mejorar la sostenibilidad y reducir su impacto ambiental, lo que requiere una gestión eficiente de recursos. Para gestionar los recursos de manera eficiente es necesaria la toma de decisiones informadas. En el presente proyecto se utilizaron soluciones de inteligencia de negocios que combinadas con el análisis de datos permitieron identificar las causas más comunes de las interrupciones en la producción, las tendencias relacionadas al consumo de recursos y a la emisión de dióxido de carbono (CO2). El proyecto aporta conocimiento sobre las técnicas de análisis de datos aplicables a la industria siderúrgica, especialmente en términos de gestión de recursos. En particular, proporciona a la empresa siderúrgica información clave para la toma de decisiones estratégicas, que permitan la creación de planes para la mitigación de interrupciones en la producción. Este conocimiento también puede ser valioso para otras empresas del sector que busquen optimizar sus procesos y recursos.
Open Access
Modelo de clasificación para la identificación de software malicioso ofuscado en sistemas operativos windows
(Quevedo: UTEQ, 2024) Ponce Velez, Iván Darío; Zhuma Mera , Emilio Rodrigo
La ofuscación es una técnica en la informática que dificulta la comprensión del código fuente para proteger la propiedad intelectual y evitar la ingeniería inversa; en el ámbito del presente estudio, se utiliza para complicar la detección de malware. Sin embargo, para abordar este problema se construyó un modelo basado en técnicas de aprendizaje automático para identificar amenazas que utilizan técnicas de ofuscación. Por lo consiguiente, en el desarrollo del presente estudio se utilizó la metodología “Descubrimiento de conocimiento en bases de datos” (KDD, del inglés Knowledge Discovery in Databases), que inició con la preparación del conjunto de datos, donde se aplicó la selección de atributos con base en la correlación. Mediante una revisión de la literatura, se seleccionaron y aplicaron técnicas supervisadas en la fase de minería de datos. Los algoritmos Random Forest, Decision Tree, SVM, KNN y Gradient Boosting se utilizaron para identificar correctamente los grupos principales de software malicioso, demostrando así el rendimiento del modelo en la identificación de malware. Por último, el principal aporte de esta investigación es un modelo basado en el algoritmo Random Forest que presentó una precisión del 99% en la clasificación de malware ofuscado, mejorando las capacidades de identificar amenazas cibernéticas en este ámbito.
Open Access
Inteligencia de negocios aplicada a la gestión de ventas en una empresa de consumo masivo como herramienta de ayuda para la toma de decisiones
(Quevedo: UTEQ, 2024) Ortiz Terán , Ingrid Lisbeth; Díaz Macías, Efraín Evaristo
Esta investigación se centra en la optimización de la gestión de ventas mediante la aplicación de modelos de análisis de datos en el contexto empresarial. Una buena gestión de ventas es esencial en el ámbito empresarial, ya que abarca la planificación, coordinación y supervisión de las actividades de venta. Sin embargo, la capacidad para cumplir con las expectativas de los clientes enfrenta varios desafíos. Entre estos se encuentran la dificultad para anticipar las necesidades futuras de los clientes, la identificación de oportunidades para mejorar las ventas y la segmentación adecuada de clientes para detectar aquellos que podrían estar en riesgo de deserción. La investigación aborda estos problemas a través de varios enfoques. En primer lugar, se emplean modelos de series temporales para prever la demanda de productos. En segundo lugar, se utilizan algoritmos de asociación para identificar oportunidades de ventas cruzadas. Finalmente, se realiza una segmentación de clientes para detectar aquellos en riesgo de deserción, facilitando la implementación de medidas preventivas. Para el pronóstico de la demanda de productos, se aplicaron diversos modelos de series temporales: Prophet, Suavizado Exponencial, SARIMA, Random Forest y XGBoost. Se utilizó la métrica MAPE para evaluar la precisión de las predicciones. Aunque XGBoost mostró la mejor precisión promedio, Random Forest resultó ser el modelo más consistente y frecuentemente seleccionado como el mejor ajuste para la mayoría de los productos. Además, el análisis de reglas de asociación mediante el algoritmo FP-Growth demostró ser más eficiente que Apriori, destacando su capacidad para generar recomendaciones personalizadas y aumentar los ingresos por cliente. La segmentación de clientes utilizando técnicas de agrupación jerárquica reveló patrones significativos que facilitan la identificación de clientes en riesgo de abandono y la implementación de estrategias de retención más efectivas. Así, este trabajo contribuye con conocimiento al sector empresarial en Ecuador, al ofrecer herramientas y estrategias que pueden proporcionar una ventaja competitiva en un entorno dinámico y competitivo.
Open Access
Modelo predictivo en las exportaciones no petroleras del ecuador
(Quevedo:UTEQ, 2024) Pichucho Arreaga, Mario Alejandro; Torres Quijije, Ángel Iván
El desarrollo de la investigación evaluó un modelo predictivo para identificar patrones y tendencias en las principales categorías de productos no petroleros exportados por Ecuador. La metodología empleada comprendió el uso de enfoques cuantitativos y cualitativos, incluyendo investigación documental, exploratoria y descriptiva. Así como también se utilizaron métodos inductivos y deductivos junto con estadísticas descriptivas, minería de datos y modelado predictivo, empleando como herramienta el software R y RStudio para la simulación. Los resultados revelaron patrones significativos en la evolución de las exportaciones no petroleras, destacando la importancia de mantener precios competitivos y una logística eficiente. El análisis de los modelos predictivos tales como Random Walk with Drift, Holt-Winters y ARIMA, permitieron obtener estimaciones precisas en diferentes horizontes temporales. Además, existieron variaciones en el valor FOB y el peso total de las exportaciones hacia varios países, con sectores clave para el crecimiento económico sostenible. En conclusión, el estudio ofreció una comprensión detallada de las exportaciones no petroleras del Ecuador y proporcionó recomendaciones para mejorar las estrategias comerciales en un entorno global dinámico.
Open Access
Modelo predictivo de ciberataques en entornos de internet de las cosas
(Quevedo:UTEQ, 2024) Arias Chevez , German Nelson; Zhuma Mera , Emilio Rodrigo
La Ciencia de Datos permite, en entornos de Internet de las Cosas, detectar y prevenir ciberataques utilizando el poder de las técnicas de aprendizaje automático para encontrar de forma autónoma las mejores soluciones para resolver los problemas que afrontan los dispositivos frente a los ciberataques y vulnerabilidades que poseen. El conjunto de datos CICIOT2023 contiene registros de los distintos tipos de ciberataques dirigidos a dispositivos de Internet de las Cosas. El objetivo de la presente investigación es generar un modelo predictivo aplicando técnicas de aprendizaje automático para detectar ciberataques en entornos de Internet de las Cosas utilizando el conjunto de datos de CICIOT2023, en este trabajo se destaca la importancia que tienen los modelos de predicción para proteger los entornos de Internet de las Cosas y reducir vulnerabilidades mediante el uso de técnicas de aprendizaje automático y minería de datos. Se aplican algoritmos de clasificación, regresión de aprendizaje automático y técnicas de minería de datos con conjuntos de datos de entrenamiento y pruebas, para llevar a cabo el modelado predictivo de una variedad de ciberataques. Estos ataques se categorizan en siete familias: Distributed Denial of Service (DDoS), Denial-of-Service (DoS), Reconocimiento, ataques basados en la web, Fuerza Bruta, Spoofing y Mirai. Además, se pretenda utilizar algoritmos de visualización de datos para identificar patrones que influyan en la seguridad de los protocolos frente a los ciberataques. Los resultados de la investigación muestran la importancia de un modelo predictivo para mantener la seguridad de los dispositivos de IoT frente a las actividades de los ciberdelincuentes, y de esta manera proteger y reducir vulnerabilidades en entornos de Internet de las Cosas. El proyecto de investigación desarrollado puede resultar de gran utilidad para aquellas empresas especializadas en ciberseguridad.
Open Access
Modelo predictivo de desnutrición infantil en el ecuador: distrito zona 5
(Quevedo:UTEQ, 2024) Carrión González, Angélica Neomí; Erazo Moreta, Orlando Ramiro
En Ecuador, la desnutrición infantil se ha convertido en un desafío en el área de salud pública, marcando el desarrollo de los niños. Esta incidencia no solo afecta en lo físico sino también en lo cognitivo, emocional y social, siendo una desventaja para el ciclo de su vida. La implementación de programas sociales y el disponer de herramientas para combatir el aumento, la evaluación de factores y la predicción de la desnutrición infantil han sido un reto para las autoridades del país. Ante esta situación, este trabajo persigue disponer de un modelo que ayude en la predicción de la desnutrición infantil, centrándose en una zona concreta de Ecuador, la zona 5 (Santa Elena, Guayas, Los Ríos, Galápagos). Para ello, se empleó una base de datos otorgada por el Ministerio de Salud Pública que incluye registros de pacientes infantiles de 2021 y 2022. La recolección, unificación de datos, limpieza, tratamiento de valores perdidos y normalización de variables están entre las técnicas utilizadas en el estudio. Para disponer del modelo se utilizaron algoritmos de Aprendizaje Automático como regresión logística, Random Forest, K-Nearest Neighbors, Árbol de clasificación y XGBoost. Los resultados indican que XGBoost tiene la mayor precisión en la predicción de la desnutrición infantil. Los indicadores clave como edad, peso, talla e índice de masa corporal fueron identificados a través del análisis de los datos; estos son esenciales para evaluar el estado nutricional de los niños. El modelo obtenido ha demostrado ser una herramienta útil para identificar la desnutrición temprana, lo que ayudaría en la implementación de intervenciones preventivas y terapéuticas más efectivas.

Browse

Latest publications