https://repositorio.uide.edu.ec/handle/37000/7830 2026-08-25T20:53:26Z https://repositorio.uide.edu.ec/handle/37000/9645 Title: Predicción de congestión hospitalaria mediante análisis de admisiones históricas Authors: Caiza Lema, Kevin Fernando; Castro Arévalo, Jaime Manuel; Galárraga Sosa, Patricio Daniel; Garzón Chamorro, Marco Vinicio; Navas Castellanos, Andrés Roberto (tutor); Chiliquinga Jiménez, Gabriela Estefania (tutor) Abstract: Esta investigación desarrolló y evaluó un enfoque predictivo para estimar, con siete días de anticipación, la relación entre demanda hospitalaria y capacidad disponible en grupos de establecimientos de salud del Ecuador. Se utilizaron datos del período 2022-2024 sobre egresos hospitalarios, disponibilidad de camas y causas de egreso, partiendo de 3,434,083 registros con cobertura nacional de 633 establecimientos. El estudio consolidó un proceso reproducible de integración, depuración, ingeniería de características, modelado, evaluación y priorización operativa. Se evaluaron escenarios con y sin outliers mediante modelos de Machine Learning, principalmente Random Forest y XGBoost, y se incorporó un experimento complementario de Deep Learning con una red neuronal densa ligera (MLP_light). En el benchmark principal, el mejor resultado puntual de Machine Learning se obtuvo con XGBoost en el escenario con outliers y conjunto completo de variables (WMAPE 0.369118; MAE 0.060626; RMSE 0.088753). Por su parte, el experimento MLP_light alcanzó el mejor WMAPE puntual del estudio (0.362742), evidenciando un desempeño competitivo bajo configuraciones específicas… This research developed and evaluated a predictive approach to estimate, seven days in advance, the relationship between hospital demand and available capacity in groups of healthcare facilities in Ecuador. Data from the 2022-2024 period were used, including hospital discharges, bed availability, and causes of discharge, starting from 3,434,083 records with national coverage across 633 healthcare facilities. The study consolidated a reproducible process for data integration, cleaning, feature engineering, modeling, evaluation, and operational prioritization. Scenarios with and without outliers were evaluated using Machine Learning models, mainly Random Forest and XGBoost, and a complementary Deep Learning experiment was incorporated through a lightweight dense neural network (MLP_light). In the main benchmark, the best Machine Learning result was obtained with XGBoost in the scenario with outliers and the complete set of variables (WMAPE 0.369118; MAE 0.060626; RMSE 0.088753). Meanwhile, the MLP_light experiment achieved the best WMAPE result of the study (0.362742), showing competitive performance under specific configurations… 2026-01-01T00:00:00Z https://repositorio.uide.edu.ec/handle/37000/9644 Title: Modelo predictivo para la identificación temprana de la demanda territorial de atención social en la provincia de Manabí a partir de registros administrativos de desarrollo humano Authors: Mendoza López, Adriana Stefany; Rodríguez Galarza, Gonzalo Paul; Torres Ramírez, Iván Patricio; Huilca Revelo, Víctor German; Mora Cajas, Karla Estefanía (tutor); Vinueza Bustamante, Bryan Steven (tutor) Abstract: Este proyecto de titulación tiene como objetivo desarrollar modelos predictivos basados en técnicas de aprendizaje automático y minería de datos que permitan identificar y anticipar de forma temprana la demanda territorial de atención social en los cantones y parroquias de la provincia de Manabí, utilizando información proveniente del Sistema de Información Local (SIL). La investigación se desarrolló bajo un enfoque cuantitativo, con un diseño no experimental y un alcance descriptivo y predictivo. Las fuentes principales de información fueron registros administrativos de violencia de género, acciones de salud integral y preventiva, y atención y asistencia humanitaria integral. La metodología adoptada fue CRISP-DM, estándar para el desarrollo de proyectos de minería de datos y ciencia de datos, abarcando las fases de comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. El proyecto demuestra que los registros administrativos pueden transformarse en información útil para el desarrollo de modelos predictivos de demanda social. Los resultados obtenidos proporcionan una metodología aplicable para fortalecer la planificación y la toma de decisiones basada en evidencia dentro de la gestión pública… This graduation project aims to develop predictive models based on machine learning and data mining techniques that allow for the early identification and anticipation of the territorial demand for social services in the cantons and parishes of the province of Manabí, using information obtained from the Local Information System (LIS). The research was conducted under a quantitative approach, with a non-experimental design and a descriptive and predictive scope. The main sources of information were administrative records related to gender-based violence, comprehensive and preventive health actions, and comprehensive humanitarian assistance. The methodology adopted was CRISP-DM, a standard framework for data mining and data science projects, encompassing the phases of business understanding, data understanding, data preparation, modeling, evaluation, and deployment. The project demonstrates that administrative records can be transformed into valuable information for developing predictive models of social service demand. The results provide an applicable methodology to strengthen planning and evidence-based decision making within public administration. 2026-01-01T00:00:00Z https://repositorio.uide.edu.ec/handle/37000/9640 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 https://repositorio.uide.edu.ec/handle/37000/9639 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