http://www.dspace.espol.edu.ec/handle/123456789/50515 Matemática 2026-02-20T15:59:54Z http://www.dspace.espol.edu.ec/handle/123456789/65682 Title: Identificación de puntos calientes mediante análisis multivariante y geoespacial de extorsiones en la ciudad Guayaquil empleando aprendizaje automático Authors: Luzuriaga Cedeño, Pedro Joel; Scott Macías, Oscar Antonio Description: La extorsión en Guayaquil constituye un fenómeno delictivo que impacta gravemente la seguridad y estabilidad social. El objetivo principal de esta investigación es analizar la distribución espacial y temporal de los delitos de extorsión en la ciudad, integrando técnicas estadísticas y modelos geoespaciales para identificar zonas críticas, planteando la hipótesis de que este delito no se distribuye de manera aleatoria, sino que se concentra en áreas específicas debido a factores socioeconómicos. Se analizó, mediante herramientas como RStudio y GeoDa, la base de datos de llamadas de emergencia al 911 Guayaquil desde el 2021 hasta 2024 proporcionada por la Empresa Pública Municipal para la Gestión de Riesgos y Control de Seguridad de Guayaquil en colaboración con el Centro de Estudios e Investigaciones Estadística. Se utilizaron índices como la Razón Estandarizada de Mortalidad y Riesgo Relativo, análisis multivariante mediante el Análisis de Componentes Principales y métodos geoespaciales como Getis-Ord Gi* y el Índice Local de Moran. Los resultados mostraron un incremento significativo de la tasa de extorsión por año en todos los distritos y circuitos de la ciudad de Guayaquil. A través de los métodos geoespaciales y el análisis multivariante se obtuvieron mapas de significancia y agrupamiento para identificar puntos calientes en circuitos. Se concluye que existen agrupaciones significativas de circuitos considerados puntos calientes desde la zona noroeste hasta la zona sur de Guayaquil, mientras que los puntos fríos están concentrados en la zona noreste de la ciudad, evidenciando una distribución no aleatoria de este delito. Palabras Clave: Extorsión, Mapas de Criminalidad, Análisis Espacial, Riesgo Relativo 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/65681 Title: Clasificación Automatizada de Toses para Diagnóstico de COVID-19 usando Redes Neuronales Convolucionales Authors: Castro Muñoz, Joel Alberto Description: En el contexto de la pandemia por COVID-19, la detección temprana sigue siendo un desafío para contener la propagación de virus y mitigar la presión sobre los sistemas de salud. Sin embargo, los métodos de diagnóstico convencionales presentan limitaciones en términos de accesibilidad, costo y tiempo de procesamiento. En respuesta a estas limitaciones, este trabajo propone un sistema basado en redes neuronales convolucionales para la clasificación de señales acústicas de toses, con el objetivo de desarrollar una alternativa no invasiva, rápida y de bajo costo. El sistema desarrollado empleó el dataset crowdsourced CoughVid, junto con los conjuntos de datos COVID-19 Cough Recording y Virufy Data Set, los cuales fueron preprocesados y transformados en representaciones espectrales mediante espectrogramas de Mel y cromagramas. Se evaluaron dos modelos de redes neuronales: CoughNet, basado únicamente en características escalares, y CoughNetwithCNN, que integra información espectral con capas convolucionales. Los modelos fueron optimizados mediante validación cruzada (k-fold) y búsqueda de hiperparámetros, incorporando técnicas de regularización como dropout y early stopping para evitar el sobreajuste. Los resultados demostraron que el modelo híbrido CoughNetwithCNN alcanzó una exactitud promedio de entrenamiento del 96.48% y una exactitud en prueba del 87.27%, superando a CoughNet y a clasificadores tradicionales como Naïve Bayes, Support Vector Machines y Random Forest. Además, se evidenció que la combinación de características escalares y representaciones espectrales mejora significativamente la capacidad del modelo para diferenciar entre toses de pacientes positivos y negativos para COVID-19. Este estudio sugiere que el uso de redes neuronales en el análisis de audio tiene el potencial de complementar los métodos de diagnóstico convencionales, ofreciendo una solución accesible y escalable para la detección temprana de enfermedades respiratorias. Keywords: COVID-19, Redes Neuronales Convolucionales, Análisis de Audio, Diagnóstico Automatizado, Aprendizaje Profundo 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/63104 Title: Clasificación de riesgo crediticio mediante técnicas de Machine Learning para una institución financiera. Authors: Freire Zambrano, Gorki Salomón Description: Este proyecto aborda la necesidad de mejorar la clasificación del riesgo crediticio en una institución financiera a través de la implementación de algoritmos de Machine Learning. Actualmente, la evaluación del riesgo crediticio en Ecuador se realiza de manera operativa, lo que puede conducir a clasificaciones incorrectas, incrementando la morosidad o limitando el acceso a créditos. El objetivo de este trabajo es desarrollar modelos de clasificación del riesgo crediticio utilizando algoritmos de Machine Learning para evaluar su eficacia en la predicción de incumplimientos crediticios en una institución financiera. Se emplearon los modelos de regresión logística, tanto lineal como no lineal, utilizando el método de Newton para optimizar los parámetros de los modelos. Se compararon los resultados obtenidos mediante la librería scikit-learn utilizando métricas como Precisión, Sensibilidad, Especificidad y la Curva ROC-AUC. Los resultados mostraron que el modelo No Lineal proporciona mayor precisión, dado su capacidad de ajustarse a los datos. Finalmente, se concluye que el uso de estos modelos puede mejorar significativamente la rentabilidad de la institución financiera al agilizar la toma de decisiones con respecto a créditos y reducir la probabilidad de incumplimiento en los préstamos. Palabras Clave: Machine Learning, Riesgo Crediticio, Regresión Logística No Lineal, Curva ROC-AUC. 2024-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/63077 Title: Asignación automatizada de rutas a nivel nacional para una empresa del sector público Authors: Játiva Macías, Alexsander Israel; Meza Moina, Frank Leonardo Description: La asignación de redes de transporte es crucial para las empresas, pues una pobre planificación de las rutas incurre en un aumento en los gastos operativos. De esta forma, las empresas tienen la necesidad de herramientas que les permitan realizar dichas asignaciones de forma eficiente. En particular, una empresa pública del Ecuador asigna sus operaciones de transporte de forma manual, tardándose un promedio de dos días por implementación. En este trabajo se implementó un modelo de matemático orientado a asignar rutas con el objetivo de reducir las distancias recorridas. Para lograrlo, se usaron técnicas de clustering, seguido de la implementación de un problema de ruteo de vehículos que permite determinar las rutas óptimas. Usando estas técnicas se logró realizar la asignación de rutas en poco menos de dos horas, representando una reducción del 88.73% del tiempo con respecto a la implementación manual. Con este enfoque se busca no solo optimizar la distancia por el personal operativo, sino también mejorar la eficiencia operativa y reducir el impacto ambiental asociado al uso de la flota vehicular. En conclusión, se espera que esta implementación proporcione una mayor precisión en la planificación y ejecución de las rutas, facilitando una gestión más eficiente de los recursos disponibles y contribuyendo a la sostenibilidad operativa de la empresa. Palabras Clave: Optimización de rutas, clustering, ruteo de vehículos, planificación logística. 2024-01-01T00:00:00Z