Comunidades en DSpace
Seleccione una comunidad para explorar sus colecciones.
- Posgrado
- pregrado
- Este espacio contiene las publicaciones realizadas en Indoamérica, se clasifican en: (1) Artículos científicos indexados y (2) Libros científicos.
Envíos recientes
Minería de datos educativos para mejorar el rendimiento académico: Un caso de estudio en el bachillerato
(Ambato: Universidad Tecnológica Indoamérica, 2025) Vásquez Ojeda, Santiago Javier; Pérez Argudo, Washington Oswaldo
El objetivo de este estudio es analizar el rendimiento académico de los estudiantes de
bachillerato utilizando Minería de datos y modelos predictivos para identificar las
variables clave que influyen en su desempeño. La metodología empleada se basa en el
uso de técnicas estadísticas y de aprendizaje automático, como la regresión lineal, árboles
de decisión, Random Forest y Boosted Trees, aplicadas a datos académicos y
socioeconómicos obtenidos de la base de datos del Ineval se analizaron datos de los años
2023–2024. Los resultados indican que el modelo de Random Forest es el más preciso,
alcanzando una precisión del 85%, seguido por Boosted Trees con un 83%. Las variables
socioeconómicas, como el ingreso familiar y el nivel educativo de los padres, junto con
el rendimiento académico previo y la asistencia a clases, fueron identificadas como los
factores más influyentes en el rendimiento de los estudiantes. En conclusión, este estudio
subraya la importancia de integrar Data Mining en la educación, ya que permite
personalizar las estrategias pedagógicas y tomar decisiones informadas para mejorar el
rendimiento académico de los estudiantes, considerando un enfoque multidimensional
que abarque tanto los aspectos académicos como los socioeconómicos.
Dimensionamiento y caracterización de las curvas de carga de transformadores de distribución utilizando clustering y modelos predictivos de aprendizaje automático
(Ambato: Universidad Tecnológica Indoamérica, 2025) Torres Bermeo, Pedro Adrián; Varela Aldás, José Luis
El dimensionamiento eficiente y la caracterización de las curvas de carga de los
transformadores de distribución son desafíos cruciales para las empresas eléctricas,
especialmente ante la creciente variabilidad de la demanda, impulsada por cargas
emergentes como los vehículos eléctricos. Este estudio aplica técnicas de clustering y
modelos predictivos para analizar y predecir el comportamiento de la demanda de los
transformadores, optimizar los factores de utilización y mejorar la planificación de la
infraestructura. Se evaluaron tres algoritmos de clustering, K-shape, DBSCAN y DTW
con K-means, para determinar cuál caracteriza mejor las curvas de carga de los
transformadores. Los resultados muestran que DTW con K-means proporciona la mejor
segmentación, con una similitud de correlación cruzada de 0.9552 y un índice de
consistencia temporal de 0.9642. Para la modelación predictiva, se probaron algoritmos
supervisados, donde Random Forest alcanzó la mayor precisión al predecir el tipo de
curva de carga correspondiente para cada transformador (0.78), y el modelo SVR obtuvo
el mejor desempeño en la predicción de la carga máxima, explicando el 90% de la
variabilidad de la carga (R² = 0.90). Los modelos fueron aplicados a 16,696
transformadores del sector eléctrico ecuatoriano, validando la predicción de carga con
una precisión del 98.55%. Adicionalmente, la asignación optimizada de la potencia
nominal de los transformadores redujo la capacidad instalada en 39.27%, incrementando
el factor de utilización de los transformadores de 31.79% a 52.35%. Estos hallazgos
resaltan el valor de los enfoques basados en datos para optimizar los sistemas de
distribución eléctrica.
Segmentación avanzada de clientes en la industria de suplementos naturales para mejorar las estrategias de marketing mediante herramientas de Big Data
(Ambato: Universidad Tecnológica Indoamérica, 2025) Paz Ojeda, Jorge Enrique; Sánchez Montero, Ivanna Karina
La compañía Nature’s Sunshine Products, dedicada a la comercialización de suplementos
naturales. Sus sucursales de Latinoamérica (NSP Latam) cada vez enfrentan mayores
dificultades para alcanzar sus metas comerciales una de las causas es la falta de aplicación
de herramientas tecnológicas que le permitan comprender a profundidad el
comportamiento de sus clientes. Esta situación ha limitado el impacto de sus estrategias
de marketing, afectando tanto la fidelización como el aprovechamiento de oportunidades
de venta. Ante este problema, el objetivo del estudio fue aplicar una metodología de
segmentación avanzada basada en el análisis RFM (Recencia, Frecuencia y Valor
Monetario) y técnicas de agrupamiento como K-means, DBSCAN y clustering jerárquico,
con el fin de identificar patrones de comportamiento que orienten decisiones comerciales
más efectivas. La hipótesis planteada sostiene que, mediante el uso de algoritmos de
segmentación y análisis de datos, es posible clasificar a los clientes en grupos con
características similares, lo que permitirá implementar estrategias personalizadas y
mejorar los resultados del negocio. Para esto, se trabajó con una base de datos de más de
79.000 registros de ventas, de los últimos dos años, la cual fue procesada mediante con
herramientas de Big Data en entornos como Python y Google Colab. Los resultados
demostraron que el algoritmo K-means fue el más efectivo, permitiendo identificar cuatro
segmentos claros: Platinum, Gold, Silver y Bronze, cada uno con niveles distintos de
compra, compra más reciente y frecuencia de compra. Esta clasificación ofrece a la
empresa una base sólida para optimizar sus campañas, enfocar sus recursos y fortalecer
la relación con sus clientes. En conclusión, la integración de tecnologías de análisis de
datos en esta industria no solo mejora la comprensión del mercado, sino que también
impulsa la competitividad y sostenibilidad del negocio en el tiempo.
Segmentación del consumo energético mediante K-Means: Aplicaciones en tarifación, detección de outliers y predicción de demanda en sistemas sin medición inteligente
(Ambato: Universidad Tecnológica Indoamérica, 2025) Muyulema Masaquiza, Wilmer Darío; Ayala Chauvin, Manuel Ignacio
La gestión de la demanda de energía en sistemas que carecen de medición inteligente
presenta un desafío importante para los distribuidores eléctricos, principalmente debido
a la ausencia de datos en tiempo real. Esta investigación evalúa la eficacia del algoritmo
K-Means cuando se aplica a los registros de facturación mensual de 221.401 clientes
residenciales de Empresa Eléctrica Ambato Regional Centro Norte S.A. (EEASA)
(Ecuador) durante el período 2023-2024. La metodología abarcó la limpieza de datos, la
normalización de la puntuación Z y la validación empleando los índices Silhouette (0,55)
y Davies-Bouldin (0,51). Además, se utilizaron modelos de regresión lineal (LR) y
bosque aleatorio (RF) para pronosticar la demanda, y este último arrojó un R2 de 0,67.
Los hallazgos delinearon ocho grupos distintos, lo que facilitó la formulación de tasas
más representativas, la identificación de valores atípicos a través del método de rango
intercuartílico (IQR) y la mejora de la estimación del consumo. Se concluye que este
enfoque de segmentación no supervisada constituye una herramienta robusta y rentable
para la planificación energética en entornos de red desprovistos de infraestructura
inteligente.
Implementación de la inteligencia artificial para el análisis de sentimientos de la percepción pública al Facebook de la Policía Nacional del Ecuador
(Ambato: Universidad Tecnológica Indoamérica, 2025) Murillo Coll, María Mercedes; Rubio Proaño, Andrés Xavier
El análisis de sentimientos en redes sociales se ha convertido en una
herramienta clave para comprender la percepción pública sobre
instituciones como la Policía Nacional del Ecuador. Dado que las
redes sociales permiten a los ciudadanos expresar opiniones,
preocupaciones y denuncias, su análisis sistemático mediante
inteligencia artificial (IA) y Big Data es crucial para mejorar la
comunicación y confianza institucional. Este estudio emplea
técnicas avanzadas de procesamiento de lenguaje natural (NLP) para
evaluar la opinión ciudadana en Facebook. Se usaron tres modelos:
BERT, basado en deep learning, para comprender el contexto del
texto; NRC, que clasifica emociones en categorías como alegría,
miedo o ira; y VADER, diseñado para interpretar el tono emocional
en textos informales.
El proceso metodológico incluyó tres fases principales: extracción
de datos mediante web scraping, preprocesamiento del texto
eliminando caracteres irrelevantes, y análisis de sentimientos con los
modelos mencionados. Los resultados reflejan distintas
percepciones sobre la Policía Nacional del Ecuador. BERT
identificó una mayoría de comentarios positivos (51,45 %),
indicando una visión favorable; NRC mostró una alta presencia de
emociones negativas (46,85 %), especialmente ira y miedo,
reflejando preocupaciones ciudadanas; y VADER clasificó la
mayoría como neutros (73,99 %), lo que sugiere limitaciones en la
precisión del modelo para este análisis.
Los hallazgos resaltan la necesidad de estrategias comunicacionales
efectivas para mejorar la imagen institucional y abordar
preocupaciones de la ciudadanía. Se recomienda ampliar el estudio
a otras plataformas como Twitter e Instagram, aplicar modelos
híbridos para mejorar la precisión del análisis y fortalecer el uso de
Big Data para la toma de decisiones en seguridad pública. Este
enfoque permitirá optimizar la relación entre la Policía Nacional y
la comunidad, promoviendo mayor confianza y transparencia.