Sede Santo Domingo
Entérate cómo entregar tus trabajos de titulación
Permanent URI for this community
Browse
Browsing Sede Santo Domingo by Author "Armas Herrera, Reinaldo"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Open Access 
Empresas comerciales zombis ecuatorianas: Una clasificación mediante Machine Learning(2024-04-15) Ugando Peñate, Mikel; Sabando García, Ángel Ramón; Armas Herrera, Reinaldo; Higuerey Gómez, Ángel Alexander; D’Elia Di Michele, Pierina; Inga Llanez, Elvia Rosalía; Ugando Peñate, Mikel"En este artículo se ha estudiado que metodología de Machine Learning predice de forma más acertada la presencia de empresas zombis en el sector comercial ecuatoriano. Para ello, se emplearon datos de estas empresas en los años, 2019, 2020 y 2021. La variable zombi se definió como una variable binaria que tomaba el valor de uno si la empresa había tenido patrimonio negativo los tres años anteriores, y cero en otro caso. Los resultados determinaron que los distintos métodos de Machine Learning son precisos a la hora de predecir empresas zombis,si bien la regresión logística arroja los mejores resultados en términos de las curvas ROC en los años 2019 y 2020, no estando el resto de los métodos muy alejados en términos de resultados. Para el resto de las métricas de evaluación, el Random Forest es la mejor técnica independiente del año estudiado."Item Open Access Evaluación por inteligencia artificial a un instrumento de estrategias de aprendizajes en estudiantes universitarios ecuatorianos(2024-04-15) Sabando García, Ángel Ramón; Ugando Peñate, Mikel; Armas Herrera, Reinaldo; Higuerey Gómez, Ángel Alexander; D’Elia Di Michele, Pierina; Inga Llanez, Elvia Rosalía; Sabando García, Ángel RamónResumen: Actualmente, las estrategias de aprendizaje que utilizan los estudiantes universitarios son muy diversas y acompañada de la tecnología. Este estudio aplica machine learning para evaluar el instrumento de medición de estrategias de aprendizaje en estudiantes universitarios. Se empleó técnicas correcional, mediante las estadísticas uinvariante y multivariante. Además, se utilizó metodología de Cross-Industry Standard Process for Data Mining (CRISP-DM). El instrumento fue aplicado a una muestra de 984 estudiantes de la Pontificia Universidad Católica del Ecuador sede Santo Domingo, de diferentes carrera de grado. Las variables endógenas fueron; Escala I y II; mientras que las explicativas fueron: estrategias motivacionales, metacognitivas, de elaboración de procesos, de control del contexto y de búsqueda. Los resultados permitieron determinar una alta confiabilidad de las preguntas, mientras que las cargas factoriales de los constructos y de las variables endógenas, permitieron comprobar que los índices son propios de cada componente de las estrategias de aprendizajeItem Open Access "La inteligencia artificial en la predicción de la temperatura ambiental y del suelo en Ecuador"(2025-01-01) Sabando García , Ángel Ramón; Ugando Peñate , Mikel; Armas Herrera, Reinaldo; Higuerey Gómez, Ángel Alexander; Tarazona Meza, Néstor Leopoldo; Félix López, Manuel; D'Elia Di Michele, Pierina; Inga Llanez , Elvia Rosalía; Sabando García , Ángel Ramón"Introducción: El estudio tuvo como objetivo principal analizar la probabilidad y predicción para la temperatura ambiental y el suelo en la zona costera de Manabí en Ecuador. Metodología: La metodología hace uso de series de tiempo Box Jenkins ARIMA y de comparación de medias. Los datos se midieron a las 07:00 am, 12:00 pm y 18:00pm, iniciando en enero de 2015 hasta diciembre del 2020. Los datos se analizaron y procesaron con la ayuda de la inteligencia artificial incorporada al software RStudio. Resultados: Los resultados, evidencian que la temperatura del suelo está correlacionada con la temperatura ambiental. Discusión: Las pruebas de bondades de ajuste para los coeficientes y supuestos validaron el modelo ARIMA observado y esperado. Además, los criterios AIC y BIC se utilizaron para escoger el mejor modelo predictivo. Conclusiones: En conclusión, la inteligencia artificial identificó que la predicción de las temperaturas ambiental y del suelo son simuladas adecuadamente a través de un modelo ARIMA(0,1,1)(0,1,1)[12], con componentes de tendencia y estacionalidad; afirmando un modelo de series de tiempo no estacionario. Se llega a determinar que, la temperatura tiene una pequeña variabilidad por cada periodo de tiempo, pero en aumento, y en lo posterior probablemente este factor climático se convierta en un determinante del calentamiento global."