Ingeniería en Sistemas, Electrónica e Industrial
Permanent URI for this communityhttp://repositorio.uta.edu.ec/handle/123456789/1
Browse
3 results
Search Results
Item Gestión de almacenes en la empresa Repremarva Cia. Ltda(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Carrera de Ingeniería Industrial, 2024-02) Zamora Salinas, Anthony Josué; Tigre Ortega, Franklin GeovannyThe research presents the thematic "Warehouse management in the company Repremarva Cía. "For the development of the objectives of this document is executed initially the analysis of the current situation of warehouse management in the company Repremarva, this through selected information from the current warehouses and products with which the institution has, being the main ones: The reception area, dispatch area, storage area, quarantine area and office area, consequently we proceeded with the categorization and flow of products to be used according to the needs of the company, we proceeded to analyze in detail four models of products belonging to different families classified in categories A and B, from each selected family, a representative product was chosen to serve as an exemplary case. The choice of this reference product is based on the intention to replicate the selected forecasting model in each product family, extending it in a comprehensive manner throughout the entire warehouse, with the objective of optimizing the approach, the ABC method was applied to classify the products into categories A, B and C. The focus was specifically focused on categories A and B to develop demand forecasts for which will be used to develop the warehouse organization using the proposed criteria. This approach is based on the analysis of historical sales data provided by the company. The choice of working with products of categories A and B is justified by their significant impact on demand and their strategic importance in inventory management, which is delimited in the fulfillment of the determination of performance indexes focused on warehouse management, so that the insertion of KPIs is an essential part of a continuous improvement for the companyItem Modelo Prospectivo para Determinar la Ocupación de Camas en el Hospital IESS Puyo(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en Matemática Aplicada, 2023-03) Gavilanes Valencia, Christian Gabriel; Benalcázar Palacios, Freddy GeovannyLa emergencia sanitaria iniciada en el año 2020 por el COVID -19 afectó en todos los ámbitos a la humanidad; encontrando un sistema sanitario fragmentado, ante esta situación se han tomado diferentes acciones, y como una manera de aportar a la reactivación se plantea un estudio investigativo bajo el tema: “Modelo Prospectivo para determinar la ocupación de camas en el Hospital IESS Puyo”, este estudio estadístico se basó en series de tiempo por ser el óptimo para predecir el comportamiento a futuro de la ocupación de camas en el hospital. Una vez construido y aplicado el programa, se seleccionó el mejor modelo SARIMA para la ocupación de camas en las áreas de hospitalización y emergencia; para ello se utilizó la metodología Box-Jenkins para analizar la serie de tiempo correspondiente a la ocupación de camas en las dos áreas del Hospital en el periodo comprendido entre enero 2018 – septiembre 2022. Las variables usadas para la construcción de los modelos matemáticos fueron como variable dependiente la ocupación de camas y como variable independiente el tiempo. Para verificar la estacionariedad de las series de tiempo se procedió a descomponer cada una de las series en sus cuatro componentes (datos observados, tendencia, estacionalidad y aleatoriedad). Se realizó el test de Dickey Fuller y se graficaron las funciones de correlación simple y parcial para comprobar la presencia de raíces unitarias utilizándose un nivel de significancia de 0.05. Los resultados alcanzados en la presente investigación son dos modelos prospectivos, el modelo SARIMA (1,1,1) (1,0,3) se ajusta adecuadamente a la serie de tiempo de ocupación de camas en el área de hospitalización del Hospital Básico IESS Puyo, cuya estimación arrojó como ecuación de pronóstico: ∆𝑌.. Para el área de emergencias se desarrolló un modelo SARIMA (1,1,1) (1,0,2), cuya ecuación de pronóstico es: ∆𝑌𝑡= = 0.759401 𝑌t-1+0.963401 𝑌 t-12+ 0.999998 𝜖𝑡−1 + 𝜖t´, dichos modelos prospectivos encontrados permiten tener un pronóstico efectivo a mediano plazo. Al comparar los datos de testeo con los obtenidos del entrenamiento se encontró que la eficacia de los modelos del área de hospitalización y emergencia fue de 87.16% y 88.61%, respectivamente. Estos parámetros van a permitir al personal del Hospital optimizar recursos y brindar una atención de calidad a los usuarios del hospital.Item Pronóstico de precipitación en el centro de Tungurahua aplicando aprendizaje estadístico con redes neuronales artificiales(Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en matemática Aplicada, 2023) López Parra, Juan Luis; Benalcázar Palacios, Marco EnriqueEste trabajo presenta el análisis de aplicación de redes neuronales artificiales recurrentes para el pronóstico de precipitación en la estación meteorológica de Querochaca, provincia de Tungurahua. Los datos analizados pertenecen a la lluvia del periodo de 2015 al 2021. El modelo propuesto consiste en una red neuronal artificial recurrente de 5 capas. La primera capa es la celda de memoria LSTM, que se destaca por tomar en cuenta la secuencialidad de los datos que son objeto de análisis. Además, se utilizaron 4 capas completamente conectadas , donde la primera trabaja con función de activación tanh y 100 neuronas. Las dos capas que siguen a continuación tienen función de activación relu con 500 neuronas cada una. Estas tres capas mencionadas, trabajaron con factor dropout de 0,02. La capa de salida tiene 1 neurona con función de activación purelin. La arquitectura general de la red neuronal consiste en una primera capa con celda de memoria LSTM, seguida de tres capas ocultas y finalmente la capa de salida. La red neuronal ha sido configurada para desarrollar regresión lineal. Se realizaron pruebas con 10, 50, 100, 500 y 1000 neuronas respectivamente en la segunda, tercera y cuarta capa. Además, se trabajó con 10 y 100 unidades ocultas en la celda LSTM. Se seleccionó la mejor arquitectura en base a dos indicadores de rendimiento que son el error RMSE y la gráfica de pronóstico. Los hiperparámetros de entrenamiento que más influyen sobre el pronóstico son el valor máximo de épocas y la tasa de aprendizaje inicial. En este proyecto se obtuvieron los mejores resultados utilizando pocas unidades ocultas en la celda LSTM. El mejor modelo construido en el presente trabajo presenta un error 4,4535 con una gráfica de pronóstico muy similar al comportamiento real.