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, determinísticoDiseño de un programa para la gestión de inventarios basado en árbol de decisiones que permita la optimización de recursos en las empresasinfo:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.01.05