Maestría en Matemática Aplicada
Permanent URI for this collectionhttp://repositorio.uta.edu.ec/handle/123456789/32203
Browse
Item Aplicación de algoritmos de Machine Learning para predecir la deserción estudiantil en alumnos de primer y segundo semestre en universidades públicas del Ecuador.(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2023) Rodríguez Vásconez, Cristóbal Alejandro; Benalcázar Palacios, Marco EnriqueSe estima que en Ecuador la tasa de deserción en los dos primeros semestres de universidad es del 20%. Existen factores socioeconómicos que influyen en el abandono académico de un estudiante. La carencia de programas que atiendan la insatisfacción estudiantil provoca que no se detecten problemas a tiempo y no se puedan aplicar acciones correctivas oportunamente. En este proyecto se aplican técnicas de Machine Learning para predecir la deserción estudiantil a partir de factores seleccionados: socioeconómicos, psicológicos, demográficos y académicos. Partimos de la recolección y tratamiento de datos y se usaron Redes Neuronales Artificiales para crear un modelo que clasifica a un estudiante entre desertor o a salvo de deserción. Se evalúan las métricas Acurracy, sensibilidad y especificidad para determinar qué tan eficiente es el modelo. El modelo final es capaz de clasificar estudiantes a salvo de deserción de forma correcta el 87% de las veces y logra clasificar a desertores de forma correcta el 60% de las veces.Item Modelo de predicción del resultado en exámenes de acceso a la educación superior para estudiantes que se preparan en centros de capacitación preuniversitaria usando algoritmos de Machine Learning.(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2023) Coba Gavilánez, Christian Danilo; Benalcázar Palacios, Marco EnriqueLa nota de admisión para el ingreso a la educación superior define si un estudiante ingresa o no la carrera de su interés. En Ecuador se ofertan cupos para el 56% de los postulantes a tercer nivel [1]. Esto hace que los estudiantes que optan por un cupo se preparen adicionalmente en un programa preuniversitario. Los cursos de preparación preuniversitaria tienen la misión de hacer que un estudiante obtenga una buena nota y pueda postular para tener una mayor probabilidad de ingreso a la universidad. Usualmente un programa preuniversitario consta de varios procesos académicos y evaluaciones continuas. En este trabajo se propone tener una predicción de la nota que sacará un estudiante en su examen de ingreso a la universidad antes de completar el programa preuniversitario. Adicionalmente se desea conocer cuáles son los factores de mayor relevancia que hacen que esta nota varíe. En los resultados se puede ver que la filial Ambato, un curso de 10 meses y los simulacros de exámenes son factores que tienen un impacto directo en la nota final de admisión. Los modelos de predicción implementados en este trabajo se basan en el uso de regresión lineal y redes neuronales artificiales (RNA). Los resultados de predicción de ambos modelos son similares, pero la ventaja del modelo de regresión lineal es que se puede interpretar cada una de las variables predictoras. Los datos y las variables de interés se obtuvieron del centro de estudios Quality Up, con información de procesos de admisión de 300 estudiantes pertenecientes al ciclo sierra 2022.Item Modelo matemático para predecir el grado de deserción de los estudiantes en el Instituto Superior Tecnológico Bolívar(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2023) Mejía Zamora, Edgar Patricio; Benalcázar Palacios, Marco EnriqueStudent desertion is an indicator of delay in education in any country in the world and this occurs with a greater impact in Ecuador. For this reason, it is important to take into account the research work that is presented through the following thesis. The purpose of this research is to predict the desertion of students from the Bolívar Higher Technological Institute in the city of Ambato. The Institute's archives show that 1,036 students were enrolled in the May-October 2022 semester in five majors. The calculated sample size is 280 surveys using a confidence level of 95% and a margin of error of 5%. The surveys were applied to two groups, the first to: 115 students who for any reason abandoned their studies in any semester but returned to continue their studies. A second group of 165 students who did not drop out at any time, used Google forms for the survey through multiple choice questions . Due to having an asymmetric dataset, it is necessary to balance the data so that the models to be used work correctly. In the present work, two algorithms are used: Support Vector Machines (SVM) and Feed-forward Artificial Neural Networks. When comparing the results obtained based on the F1 score, it was determined that the best algorithm was Feed-forward Artificial Neural Networks with an F-score value of 82.2% while in Support Vector Machines it yielded a value of 72.5 %.Item Modelo matemático para predecir los divorcios en la ciudad de Latacunga(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2022-09) Hidalgo Estrella, Marco Vinicio; Benalcázar Palacios, Marco EnriqueCurrently, the early prediction of a divorce case is essential to save the marriage. The sample selected for this study was 381 people between married and divorced couples from urban parishes in the city of Latacunga. The data was obtained through the survey, through the questionnaire instrument that uses Professor Gottman's method. To determine the most important variables or characteristics that can lead to a divorce, the free software Rstudio was used. In a first sweep using the variable correlation method, 15 variables were obtained, then in a second sweep using the WEKA software, 5 variables or characteristics were obtained. The independent variables are: Atr2(Try to ignore differences even in difficult situations), Atr3(Restart arguments from the beginning and correct them), Atr10 (Most of our goals are unusual) Atr35(I insult my spouse in an argument), Atr43 (I remain silent to calm the atmosphere in an argument), and divorce was the dependent variable. Two supervised classification algorithms were used: Logistic Regression and Naive Bayes, executing the predictions with 70% training data and 30% testing data. To evaluate the performance in the classification, the precision and F1_Score metrics were used. The tests determined that the value of the F1-Score of the Logistic Regression model is (98%) with an accuracy of (98%), while the F1Score value of the Naive Bayes model is (96%) and its accuracy of (96%). Concluding that the Logistic Regression model is the best model to predict divorces in the city of Latacunga.Item Optimización de los indicadores de productividad de los procesos de manufactura de una empresa láctea mediante la simulación con Flexsim integrando la filosofía Lean Manufacturing(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2021) Flores Cadena, Cristian Andrés; Benalcázar Palacios, Marco EnriqueThe objective of this research is to simulate the manufacturing processes of the dairy company Soprab with the integration of the Lean Manufacturing Philosophy. One of the important advantages of simulation is to generate changes in the process without the need to make investments in companies. For the simulation, the data of the manufacturing processes of the yogurt and mozzarella cheese production lines were collected, through an on-site visit of the production plant. During this visit, data was collected on: number of operators, process times, equipment and machinery of the production lines and production batches. The simulation was carried out in the yogurt and mozzarella cheese production lines due to their high demand compared to the other products of the company. For the simulation, the Flexsim program was used, where the data collected in the plant was loaded. The simulation process was validated, with which it is concluded that the simulation carried out reflects the operation of the real process, where the initial productivity indicators were: cycle time equal to 687 min and productivity of 0.88 units / min in the line for making yogurt; while in the mozzarella cheese production line the initial values were: cycle time equal to 2339 min and productivity of 0.427 units / min. Then simulations of the improvement scenarios were carried out, incorporating Lean Manufacturing in the production lines such as: TPM, Poka Yoke, 5 S, elimination of mudas, kaizen and SMED. It was determined that the incorporation of the Lean Manufacturing philosophy did have significant statistical differences in the productivity indicators between the simulated model and the simulated improvement scenarios of the yogurt and mozzarella cheese line. Of the improvement scenarios proposed in the yogurt production line, the incorporation of 5 S is the best scenario because it reduces the cycle time to 620.3 min and productivity of 0.966 units / min. While in the mozzarella cheese production line, the scenario with the standardization of processes was the best with a reduction of the cycle time to 2185 min and a productivity of 0.450 units / min. In the yogurt production line, cycle time was reduced by 9.68% and productivity increased by 10.27%. While in the cheese making line, the cycle time was reduced by 6.58% and productivity increased by 6.79%. In the yogurt production line, the company obtains a daily income of $ 2700 from the sale of 2L yogurt, while with the improvement proposal it could increase production and generate sales of $ 2992, increasing income by 10 , 81%. While in the mozzarella cheese production line, daily income of around $ 375 is obtained from the sale of 250 g mozzarella cheese, and with the improvement proposal it could increase the income to $ 478, increasing the income around 27, 47%.Item Pronóstico de precipitación en el centro de Tungurahua aplicando aprendizaje estadístico con redes neuronales artificiales(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en matemática Aplicada, 2023) López Parra, Juan Luis; Benalcázar Palacios, Marco EnriqueEste trabajo presenta el análisis de aplicación de redes neuronales artificiales recurrentes para el pronóstico de precipitación en la estación meteorológica de Querochaca, provincia de Tungurahua. Los datos analizados pertenecen a la lluvia del periodo de 2015 al 2021. El modelo propuesto consiste en una red neuronal artificial recurrente de 5 capas. La primera capa es la celda de memoria LSTM, que se destaca por tomar en cuenta la secuencialidad de los datos que son objeto de análisis. Además, se utilizaron 4 capas completamente conectadas , donde la primera trabaja con función de activación tanh y 100 neuronas. Las dos capas que siguen a continuación tienen función de activación relu con 500 neuronas cada una. Estas tres capas mencionadas, trabajaron con factor dropout de 0,02. La capa de salida tiene 1 neurona con función de activación purelin. La arquitectura general de la red neuronal consiste en una primera capa con celda de memoria LSTM, seguida de tres capas ocultas y finalmente la capa de salida. La red neuronal ha sido configurada para desarrollar regresión lineal. Se realizaron pruebas con 10, 50, 100, 500 y 1000 neuronas respectivamente en la segunda, tercera y cuarta capa. Además, se trabajó con 10 y 100 unidades ocultas en la celda LSTM. Se seleccionó la mejor arquitectura en base a dos indicadores de rendimiento que son el error RMSE y la gráfica de pronóstico. Los hiperparámetros de entrenamiento que más influyen sobre el pronóstico son el valor máximo de épocas y la tasa de aprendizaje inicial. En este proyecto se obtuvieron los mejores resultados utilizando pocas unidades ocultas en la celda LSTM. El mejor modelo construido en el presente trabajo presenta un error 4,4535 con una gráfica de pronóstico muy similar al comportamiento real.