Iván Gabriel, Mafla BolañosRuano Piscal, Luis StivenTapia Collaguazo, Henry Stalin2025-03-252025-03-252025-03https://repositorio.upec.edu.ec/handle/123456789/2757Esta investigación desarrolló un programa de gestión de inventarios en Python utilizando árboles de decisión y redes neuronales, basándose en modelos determinísticos y probabilísticos. El programa calcula la cantidad óptima de pedido y el punto de reorden, entre otros valores relevantes según el tipo de inventario. Para el análisis de variables, se aplicaron técnicas de validación cruzada con árboles de decisión y redes neuronales, combinando métodos de predicción y clasificación. En el árbol de decisiones de predicción, se utilizó MAE = mediana (|𝑦̂ 𝑖 − 𝑦𝑖|) para evaluar la predicción, obteniendo un valor óptimo de MAE= 2,99, mientras que en clasificación alcanzó una precisión del 90% de predicciones correctas. Posteriormente, se implementaron redes neuronales para mejorar la capacidad predictiva, usando el MSE = 1 𝑛 ∑ (𝑌𝑖 − 𝑌̂𝑖)2 𝑖=1 en predicción, alcanzando un valor óptimo de 0,902, y la entropía cruzada Loss =− 1 𝑁 ∑ (𝑦𝑖 log(𝑝𝑖) + (1 − 𝑦𝑖)log (1 − 𝑝𝑖)𝑁 𝑖=1 en clasificación, logrando un valor óptimo de 0,614, y un valor óptimo de precisión del 69%. Para finalizar realizando una comparativa de los programas usando MSE y RMSE = √1 𝑛 ∑ (𝑌𝑖 − 𝑌̂𝑖)2 𝑖=1 , evidenciando que las redes neuronales aportaron una mayor precisión en las predicciones que los árboles de decisión.application/pdf270 páginasspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Modelos de inventario, Árbol de decisión, Red neuronal, Python, probabilístico, determinísticoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.01.05