En este trabajo se lleva a cabo un estudio comparativo de técnicas de optimización para la identificación de parámetros en modelos eléctricos equivalentes de baterías de ion-litio. Se emplea el modelo 2RC sobre un conjunto de doce baterías, utilizando cuatro bases de datos públicas provenientes de centros de investigación reconocidos. La metodología se estructura en cuatro etapas: en primer lugar, se selecciona el modelo 2RC por su equilibrio entre precisión y simplicidad computacional; en segundo lugar, se recopilan datos experimentales de ciclos de carga y descarga; en tercer lugar, se aplican diversos métodos de optimización con el objetivo de minimizar el error entre los datos experimentales y los resultados estimados por el modelo; y finalmente, se evalúan la precisión, mediante el error cuadrático medio, y la eficiencia computacional, mediante el tiempo de ejecución. Se consideran métodos tradicionales, metaheurísticos y bioinspirados, entre ellos la optimización por mínimos cuadrados, el algoritmo de enjambre de partículas, el recocido simulado y diversas variantes inspiradas en procesos naturales. Se evidencia que las técnicas bioinspiradas permiten alcanzar una mayor precisión que los métodos tradicionales, sin un aumento significativo en el costo computacional. En particular, la optimización por enjambre de partículas muestra un desempeño superior en cuanto a exactitud y robustez frente a mínimos locales. Se concluye que la incorporación de estrategias de optimización avanzadas mejora significativamente la fidelidad de los modelos eléctricos equivalentes, lo que resulta fundamental para una estimación más precisa del estado de carga, el envejecimiento y la vida útil de baterías en aplicaciones críticas, tales como vehículos eléctricos y sistemas aeroespaciales.

DDoS attacks pose a significant threat to SDN networks, as the central controller can easily becomeoverwhelmed, potentially affecting the entire network. Although machine learning models are typicallyvery accurate in detecting these types of attacks, they still present common problems such as excessivevariables, overfitting, and difficulty interpreting their decisions. Therefore, this study presents a unifiedframework that seeks to address these problems by integrating feature selection independent of aclassification model, reducing dimensionality using PCA, and accounting for the contribution of eachfeature using SHAP. It also includes statistical analysis using the Friedman and Wilcoxon tests, alongwith the Brier calibration metric, to validate the stability and reliability of the results. All of this wastested on eight machine learning models using the CICDDoS2019 dataset. The models were comparedunder two conditions: first using the selected features and then using the PCA-transformed features toevaluate the effect of dimensionality reduction. The ensemble models, particularly Random Forest andXGBoost, achieved the best balance between accuracy, efficiency, and stability. Furthermore, thecalibration analysis showed that the models generated well-fitting predictions, with a very low Brierscore (0.0003), supporting the reliability of the training. Finally, the statistical analysis (Friedman andWilcoxon) showed that, at least for most models, the performance differences were minimal andnonsignificant, confirming the stability and competitiveness of the evaluated models. PCA reduceddimensionality by 67% without compromising predictive capacity, and thanks to the SHAP analysis, itwas confirmed that the most relevant features for malicious traffic detection were preserved even afterthe transformation. Overall, the results show that the proposed framework combines good performance,a clear understanding of model decisions, and reliable evaluation, offering a solid foundation fordetecting and understanding DDoS attacks in SDN networks.

Este trabajo presenta el diseño e implementación de un sistema centralizado para la supervisión de redes de campus universitarios, utilizando herramientas de código abierto como Zabbix y Syslog-ng. El objetivo principal fue mejorar la detección de incidencias, la gestión de registros y la generación de alertas en tiempo real, optimizando así la seguridad y operatividad de la infraestructura tecnológica. Se realizó un diagnóstico de la red institucional, identificando nodos críticos y servicios esenciales. A partir de ello, se configuró una arquitectura de monitoreo jerárquica, capaz de recolectar y analizar eventos mediante protocolos como SNMP y Syslog, con visualización de métricas clave y notificaciones automatizadas vía Telegram. El sistema demostró una alta efectividad en la detección de fallos, con tiempos de respuesta inferiores al segundo y una tasa de precisión del 99%. La solución implementada permitió priorizar eventos según su criticidad, reducir los tiempos de reacción ante incidentes y mejorar la toma de decisiones técnicas. Este enfoque demuestra que el uso de software libre es una alternativa viable y eficiente para la gestión proactiva de redes complejas en entornos académicos, fortaleciendo la continuidad operativa y la seguridad informática institucional.

La inteligencia artificial (IA) y el big data representan un cambio paradigmático en la gestión pública, redefiniendo la toma de decisiones mediante modelos predictivos, automatización de procesos y análisis masivo de datos. Este estudio emplea un enfoque mixto para evaluar 120 implementaciones de IA en gobiernos de 40 países entre 2018 y 2023. A través de métodos estadísticos como DEA, regresión logística y análisis de clúster, se identificaron patrones de eficiencia, adopción tecnológica y sesgos algorítmicos. Los hallazgos revelan que Europa lidera en implementación (45%), con énfasis en administración pública (50%), mientras que América Latina presenta menor adopción (20%) y prioridad en salud (15%). La eficiencia fue mayor en la gestión fiscal (0.82), seguida por atención ciudadana (0.78), y menor en salud pública (0.65), evidenciando diferencias estructurales y tecnológicas. Se detectaron sesgos significativos en sistemas automatizados, especialmente relacionados con opacidad en el diseño (OR=4.5) y datos históricos sesgados (OR=3.2). Las capacidades técnicas fueron estadísticamente más altas en Europa y Asia-Pacífico en comparación con América Latina (p<0.001). Se concluye que el uso de IA en el sector público debe ir acompañado de marcos regulatorios robustos, interoperabilidad institucional y capacitación especializada para mitigar riesgos éticos y reducir la brecha digital.

Este proyecto se centra en el desarrollo de una aplicación móvil destinada a calcular de manera precisa y eficiente el volumen de las plantaciones de teca en el campus La María de la Universidad Técnica Estatal de Quevedo. La necesidad de este desarrollo emerge ante la dificultad de realizar mediciones exactas con métodos convencionales, lo que puede influir adversamente en la gestión forestal. El objetivo principal es desarrollar una aplicación móvil que evalúe y registre el crecimiento volumétrico de las plantaciones de teca para apoyar la toma de decisiones en el manejo forestal. La metodología implementada en este estudio es de carácter experimental y cuantitativo, utilizando un enfoque metodológico mixto. Para el desarrollo se han integrado tecnologías avanzadas como TensorFlow Lite y Firebase. La aplicación, desarrollada en Android Studio y programada en Java, incorpora modelos de aprendizaje profundo para la estimación del volumen de madera. En la sección de resultados y discusiones, las pruebas experimentales llevadas a cabo en la universidad han demostrado que la aplicación mejora significativamente la precisión de las mediciones en comparación con las técnicas tradicionales. Este hecho resalta la eficacia de integrar tecnologías avanzadas en la gestión forestal. En conclusión, el proyecto no solo ofrece una solución tecnológica a los desafíos de medición en las plantaciones de teca, sino que también se alinea con los esfuerzos globales hacia una gestión forestal sostenible, enfatizando la importancia de la tecnología en la industria forestal.

Este estudio evaluó la incorporación de la inteligencia artificial (IA) en la enseñanza de las matemáticas en instituciones educativas de Quevedo, Ecuador, a través de un enfoque cuantitativo, descriptivo y correlacional en el que participaron 47 docentes y 420 estudiantes de centros públicos y privados, analizando el grado de implementación de IA, su relación con el rendimiento académico y las percepciones del profesorado. Los resultados evidenciaron marcadas desigualdades institucionales como el 63% de los docentes en centros privados utiliza frecuentemente IA, en contraste con un 25% en el sector público, lo que se vincula con una mayor disponibilidad de infraestructura tecnológica; esto es 84% frente a 18%. Asimismo, los estudiantes que emplearon herramientas de IA alcanzaron un promedio superior en matemáticas 8.2 vs. 6.5 sin las herramientas, con una correlación positiva moderada (r = 0.45, p < 0.05). El 68% del profesorado reconoce el potencial de la IA para mejorar el aprendizaje, aunque el 85% manifiesta carencias formativas. Las diferencias significativas entre instituciones, confirmadas mediante ANOVA p < 0.05, reflejan desigualdades estructurales persistentes. Estos hallazgos subrayan la urgencia de desarrollar políticas educativas orientadas a la formación docente, al acceso equitativo a tecnologías emergentes y al fomento de una cultura pedagógica innovadora, clave para una integración efectiva y justa de la IA en contextos educativos diversos.

Este estudio explora cómo el Metro de Quito ha influido en la movilidad urbana durante su primer año de funcionamiento (2023–2024). A través de un enfoque mixto que combinó análisis estadístico, encuestas a más de 1.200 usuarios, modelos espaciales y entrevistas cualitativas se examinaron cuatro áreas clave: congestión vehicular, tiempos de viaje, precios del suelo y emisiones contaminantes. Los hallazgos muestran que, si bien el metro logró reducir el tráfico en un 15,2% en corredores clave como la avenida Maldonado, su impacto fue más limitado en otras zonas. Los mayores beneficios los obtuvieron usuarios de transporte público, quienes redujeron sus tiempos de viaje en más del 40%, a diferencia de los automovilistas, cuyo ahorro fue mínimo. También se identificó un alza promedio del 18,1% en los precios del suelo cerca de las estaciones, con incrementos aún mayores en zonas de alto valor como La Carolina, lo que plantea riesgos de gentrificación. A nivel ambiental, el sistema evitó la emisión de 4.250 toneladas de CO₂, aunque su dependencia energética de fuentes fósiles limita su impacto en sostenibilidad. Estos resultados ponen en duda la visión optimista que se tiene del metro como solución integral y subrayan la urgencia de implementar políticas complementarias: desde restricciones vehiculares hasta planes de vivienda social y transición energética. El estudio aporta evidencia clave para repensar el papel de los sistemas metro en ciudades intermedias del Global South.

Para poder cumplir la estrategia de la Organización de las Naciones Unidas de incrementar la producción de alimentos, se deben elevar los rendimientos de la producción agrícola, lo que resulta imposible sin el desarrollo de la mecanización de los tractores. La presente investigación surge en analizar los principales resultados del estado del conocimiento en temáticas como la fiabilidad de los tractores, factores que afectan su operatividad, necesidad de la gestión del mantenimiento integral y uso de la inteligencia artificial (IA). Se empleó una metodología dialéctico-materialista que combinó métodos teóricos y empíricos, centrados en una revisión bibliográfica en bases de datos académicas. La investigación concluyó que en la mayoría de las aplicaciones de la IA en maquinaria agrícola están dirigidas a la operatividad de los equipos y no a las actividades relacionadas con su conservación de los mantenimientos técnicos y las reparaciones, crucial para la sostenibilidad y la producción.

This paper introduces a novel approach to modeling stock market crash dynamics by drawing an analogy to the mechanics of anti-plane shear deformation in a cracked finite isotropic wedge. Financial markets under stress exhibit patterns of stress concentration, failure propagation, and systemic breakdown, much like cracked elastic media under mechanical deformation. The main objective of this study is to develop a mathematical model that describes the evolution of financial crises as mechanical fracture processes in elastic media. To this end, the specific objectives are: (1) to establish a formal correspondence between the physical variables of the elastic model and financial indicators of risk and instability; (2) to derive critical conditions for crisis propagation using methods from elasticity theory and fracture mechanics; and (3) to analyze the influence of parameters such as the shear modulus ( ), interpreted as market resilience, on the dynamics of recovery or collapse. This will be achieved by using methods from fracture mechanics and elasticity theory, we derive a framework that captures the spread of financial distress, the collapse of price stability, and the conditions for market recovery. The model provides insights into liquidity crises, systemic risk, and intervention strategies.

It's a good question! This depends on the context in which they are viewed. However, the answers have different nuances and real-world implications. On January 20, 2025, DeepSeek-R1 and DeepSeek-R1-Zero were officially launched worldwide. Initially, generative AI projects were led by Open AI with ChatGPT, meta with Llama, and Google with Gemini, among others. With DeepSeek's disruption in the artificial intelligence market, a range of opportunities have opened up globally in all spheres of knowledge because it is an open source and can be implemented by anyone who needs to use it. Many companies have exploited this opportunity to improve their production processes