https://repositorio.uide.edu.ec/handle/37000/7830 2026-08-05T11:40:08Z 2026-08-05T11:40:08Z Aguilera Sarmiento, Santiago Gabriel Angamarca Castillo, Yanela Stefany Erazo Granda, Hugo Javier Quimbita Carrera, Bryan Andrés Navas Castellanos, Andrés Roberto (tutor) Avalos Silva, Héctor Guillermo (tutor) https://repositorio.uide.edu.ec/handle/37000/9640 2026-08-03T22:13:50Z 2026-01-01T00:00:00Z

Title: Modelado predictivo de la producción agrícola de papa, maíz y arveja basado en variabilidad climática y factores productivos en la Sierra del Ecuador Authors: Aguilera Sarmiento, Santiago Gabriel; Angamarca Castillo, Yanela Stefany; Erazo Granda, Hugo Javier; Quimbita Carrera, Bryan Andrés; Navas Castellanos, Andrés Roberto (tutor); Avalos Silva, Héctor Guillermo (tutor) Abstract: La producción agrícola en la región Sierra del Ecuador está influenciada por la variabilidad climática, especialmente por factores como la temperatura y la precipitación, los cuales afectan el desarrollo de los cultivos y dificultan la planificación agrícola y la toma de decisiones. El objetivo de esta investigación fue desarrollar una herramienta predictiva basada en técnicas de aprendizaje automático para estimar la producción de papa, maíz suave seco y arveja tierna. Para ello, se utilizaron datos históricos de producción agrícola y variables climáticas correspondientes al período 2002 - 2023, obtenidos de fuentes oficiales. Los datos fueron sometidos a procesos de limpieza, tratamiento de valores faltantes, generación de variables derivadas y análisis exploratorio. Posteriormente, se implementaron y compararon modelos de Regresión Lineal, Random Forest, XGBoost y Redes Neuronales Artificiales, evaluados mediante las métricas RMSE, MAE y R². Los resultados evidenciaron que la Regresión Lineal obtuvo el mejor desempeño para la predicción de papa y arveja, mientras que Random Forest presentó la mayor capacidad predictiva para el maíz, demostrando que la selección del modelo depende de las características de cada cultivo. Finalmente, se desarrolló una interfaz interactiva que permite estimar la producción agrícola a partir de variables climáticas y productivas. Se concluye que la herramienta constituye un apoyo para la planificación agrícola y la toma de decisiones basadas en datos frente a la variabilidad climática… Agricultural production in the Ecuadorian Highlands (Sierra region) is strongly influenced by climate variability, particularly by factors such as temperature and precipitation, which affect crop development and make agricultural planning and decision-making more challenging. The objective of this study was to develop a predictive tool based on machine learning techniques to estimate the production of potatoes, dry soft corn, and green peas. Historical agricultural production data and climatic variables for the period 2002–2023 were obtained from official sources. The dataset was processed through data cleaning, missing value treatment, feature engineering, and exploratory data analysis. Subsequently, Linear Regression, Random Forest, XGBoost, and Artificial Neural Network models were implemented and compared using RMSE, MAE, and R² as evaluation metrics. The results showed that Linear Regression achieved the best predictive performance for potatoes and green peas, whereas Random Forest provided the highest predictive accuracy for dry soft corn, demonstrating that model selection depends on the characteristics of each crop. Finally, an interactive interface was developed to estimate agricultural production based on climatic and production-related variables. It is concluded that the proposed tool supports agricultural planning and data-driven decision-making under conditions of climate variability…

2026-01-01T00:00:00Z Builtrón Pambabay, Samantha Carolina Espinoza Bone, Jose Manuel Rosero Ordoñez, Evelin Marisol Salazar Grandes, Mayra Cecilia Mora Cajas, Karla Estefanía (tutor) Lopez Tito, Juan Fernando (tutor) https://repositorio.uide.edu.ec/handle/37000/9639 2026-08-03T22:03:04Z 2026-01-01T00:00:00Z

Title: Modelo Ensemble basado en técnicas de aprendizaje supervisado para la predicción de fallas electromecánicas en sistemas de producción Authors: Builtrón Pambabay, Samantha Carolina; Espinoza Bone, Jose Manuel; Rosero Ordoñez, Evelin Marisol; Salazar Grandes, Mayra Cecilia; Mora Cajas, Karla Estefanía (tutor); Lopez Tito, Juan Fernando (tutor) Abstract: El presente trabajo desarrolla un modelo Ensemble basado en técnicas de aprendizaje supervisado para estimar la probabilidad de que una máquina presente al menos una falla electromecánica durante los siguientes 30 días. El estudio utilizó 10.527 registros históricos, los cuales fueron depurados, agregados por máquina y día, complementados con periodos sin fallas y enriquecidos mediante variables temporales de 7 y 15 días. Se evaluaron los algoritmos Regresión Logística, Random Forest y Gradient Boosting mediante validación temporal, optimización de hiperparámetros y selección de umbrales de clasificación. Posteriormente, se analizaron diferentes configuraciones Soft Voting, seleccionándose un Ensemble compuesto por Regresión Logística y Random Forest, con pesos de 1 y 4 y un umbral de 0,62. En el conjunto de prueba, el modelo alcanzó una precisión de 0,941, un recall de 0,919, una especificidad de 0,547, una balanced accuracy de 0,733 y un coeficiente MCC de 0,433. Los resultados evidenciaron un comportamiento más equilibrado que los modelos individuales y la línea base. Finalmente, el modelo fue integrado en un dashboard orientado a la priorización de máquinas y al apoyo de la planificación del mantenimiento...This study develops an Ensemble model based on supervised learning techniques to estimate the probability that a machine will experience at least one electromechanical failure within the following 30 days. The analysis used 10,527 historical failure records, which were cleaned, aggregated by machine and day, complemented with failure-free periods, and enriched through 7-day and 15-day temporal features. Logistic Regression, Random Forest, and Gradient Boosting models were evaluated using temporal validation, hyperparameter optimization, and classification-threshold selection. Different Soft Voting configurations were subsequently assessed, and the final Ensemble combined Logistic Regression and Random Forest with weights of 1 and 4, respectively, and a classification threshold of 0.62. On the test set, the model achieved a precision of 0.941, recall of 0.919, specificity of 0.547, balanced accuracy of 0.733, and an MCC of 0.433. These results showed a more balanced performance than the individual models and the baseline classifier. Finally, the model was integrated into a dashboard designed to prioritize machines according to their estimated risk and support maintenance planning...

2026-01-01T00:00:00Z Avilés Paute, José Miguel Barros Viteri, David Alexis Ramírez Vilaña, Luis Miguel Villacís Oleas, Jorge Israel Navas Castellanos, Andrés Roberto (tutor) Andrade Montalvo, Pablo Xavier (tutor) https://repositorio.uide.edu.ec/handle/37000/9638 2026-08-03T16:41:02Z 2026-01-01T00:00:00Z

Title: Predicción del Rendimiento Académico Universitario Mediante Modelos Secuenciales Stacked BiLSTM en Entornos Virtuales de Aprendizaje Authors: Avilés Paute, José Miguel; Barros Viteri, David Alexis; Ramírez Vilaña, Luis Miguel; Villacís Oleas, Jorge Israel; Navas Castellanos, Andrés Roberto (tutor); Andrade Montalvo, Pablo Xavier (tutor) Abstract: El abandono estudiantil y los resultados académicos deficientes constituyen una problemática recurrente en la educación superior virtual, particularmente para las instituciones que administran Entornos Virtuales de Aprendizaje (EVA). La presente investigación plantea y valida una arquitectura secuencial de tipo Stacked BiLSTM orientada a la predicción de la condición académica final del estudiante (Fail, Pass o Distinction), tomando como insumo su actividad semanal registrada en el EVA, con el propósito de sustentar sistemas de alerta temprana. El desarrollo se rigió por la metodología CRISP-DM y empleó el Open University Learning Analytics Dataset (OULAD); una vez descartados los registros de estudiantes retirados, se obtuvieron 22 437 trayectorias académicas, las cuales fueron estructuradas en un tensor de 33 semanas × 7 variables. Sobre esta representación se entrenó una red BiLSTM apilada de dos capas (128 y 64 unidades), cuyo desempeño se contrastó con modelos LSTM, Transformer, Random Forest y XGBoost… Student dropout and poor academic outcomes represent a persistent challenge in online higher education, particularly for institutions that manage Virtual Learning Environments (VLE). This study proposes and validates a sequential Stacked BiLSTM architecture aimed at predicting a student's final academic outcome (Fail, Pass, or Distinction) based on their weekly activity recorded in the VLE, with the purpose of supporting early warning systems. The work followed the CRISP-DM methodology and employed the Open University Learning Analytics Dataset (OULAD); after discarding the records of withdrawn students, 22,437 academic trajectories were obtained and structured into a 33-week × 7-feature tensor…

2026-01-01T00:00:00Z Vicente Guayanay, Jimmy Leonel Muso Tandalla, Marjorie Aracely Andrade Peñafiel, Mateo Josué Mora Cajas, Karla Estefania (tutor) Vizcaino Imacaña, Fernanda Paulina (tutor) https://repositorio.uide.edu.ec/handle/37000/9637 2026-08-03T21:26:12Z 2026-01-01T00:00:00Z

Title: Estimación del Valor en Riesgo (VaR) y Backtesting Dinámico: Un Análisis Comparativo de la Robustez entre Modelos de Heterocedasticidad Condicional (GARCH) y Redes Neuronales Recurrentes (LSTM) Authors: Vicente Guayanay, Jimmy Leonel; Muso Tandalla, Marjorie Aracely; Andrade Peñafiel, Mateo Josué; Mora Cajas, Karla Estefania (tutor); Vizcaino Imacaña, Fernanda Paulina (tutor) Abstract: En esta tesis se puso a prueba qué tan bien funcionan distintos métodos para estimar el Valor en Riesgo (VaR) en un mercado tan particular como como el ecuatoriano. Se trabajó con el indice Ecuador General Adj (BVQA) y con 2.888 precios diarios reales, desde 2012 hasta 2024, evaluando cinco alternativas a los niveles de confianza del 95% y el 99%: un GARCH (1,1) con distribución t de Student, dos redes LSTM de regresión cuantica (una estática y otra con reentrenamiento walk-forward y variables de volatilidad, la LSTM-WF), un modelo híbrido que combina GARCH con LSTM, y como referencia no paramétrica, el VaR Histórico calculado sobre una ventana móvil de 500 observaciones. Para comparar los modelos se aplicó un backtesting dinámico con las pruebas de Kupiec y Christoffersen, el test de Diebold- Mariano con varianza HAC y el Expected Shortfall empirico; todo el análisis se implementó en Python y es reproducible. Contra lo que la literatura de mercados desarrollados haria esperar, el método más simple fue el que mejor funcionó: el VaR Histórico aprobó las dos pruebas de cobertura en ambos niveles de confianza y resultó significativamente más preciso que el GARCH-t en el test de Diebold-Mariano (p=0,028 al 95% y p=0,034 al 99%), quedando la LSTM-WF como la segunda opción válida. La explicación está en la propia naturaleza del BVQA: su baja liquidez produce una dinámica IGARCH (a + B-1), efectos ARCH que no llegan a ser significativos (p = 0,395) y un 20,8% de retornos exactamente nulos, condiciones bajo las cuales los modelos de volatilidad condicional pierden su ventaja… This thesis examined how well different methods estimate Value at Risk (VaR) in a market as particular as Ecuador's. Using the Ecuador General Adj index (BVQA) and 2,888 real daily prices from 2012 to 2024, five alternatives were evaluated at the 95% and 99% confidence levels: a GARCH (1,1) with Student's t distribution, two quantile-regression LSTM networks (one static and one with walk-forward retraining and volatility features, the LSTM- WF), a hybrid model combining GARCH with LSTM, and, as the non-parametric benchmark, Historical VaR computed over a 500-observation rolling window. Model comparison relied on dynamic backtesting with the Kupiec and Christoffersen tests, the Diebold-Mariano test with HAC variance, and the empirical Expected Shortfall; the whole analysis was implemented in Python and is fully reproducible. Contrary to what the developed-markets literature would suggest, the simplest method performed best: Historical VaR passed both coverage tests at both confidence levels and proved significantly more accurate than the GARCH-t under the Diebold-Mariano test (p = 0.028 at 95% and p = 0.034 at 99%), with the LSTM-WF standing as the second valid option. The explanation lies in the very nature of the BVQA: its low liquidity produces IGARCH dynamics (a + B = 1), ARCH effects that fail to reach significance (p=0.395), and 20.8% of exactly zero returns - conditions under which conditional-volatility models lose their edge…

2026-01-01T00:00:00Z