1. Introducción

Actualmente, la empresa Metrología y Suministros de Veracruz S.A. de C.V, ubicada en la zona centro del estado Veracruz, más específicamente en la ciudad de Río Blanco, se dedica a la calibración de instrumentos y cuenta con una gran cantidad de clientes quienes envían sus instrumentos con ellos para ser calibrados. El proceso consiste en recibir los instrumentos que los clientes envían a calibrar y dependiendo del tipo de instrumento, la empresa los canaliza al laboratorio correspondiente para llevar a cabo el proceso de calibración.

El proceso de calibración consiste en calcular la incertidumbre de cada instrumento. La estimación de incertidumbre [1] , se refiere al proceso de cuantificar la falta de certeza asociada con una medición en el contexto de la metrología. La estimación de la incertidumbre se basa en la evaluación de todos los factores que contribuyen a la falta de precisión en una medición, incluyendo errores sistemáticos y aleatorios.

El primer paso del proceso de calibración es definir los puntos de calibración, los cuales son indicados por el cliente, de no ser así, se toman los puntos de calibración cada 10, 50 y 90% de la escala partiendo de su límite menor. Después, se selecciona el instrumento patrón y el medio de generación de temperatura en el que se sumerge el instrumento. El siguiente paso es preparar el instrumento a calibrar y el instrumento patrón a las mismas condiciones (condiciones de baño, horno u otro medio que reproduce, mide o simula una temperatura especificada). Luego se toman cuatros lecturas de temperatura en 10%, 50% y 90% de la escala partiendo de su límite menor o de acuerdo a los requerimientos del cliente. Son 4 lecturas del instrumento a calibrar y 4 lecturas del instrumento patrón y se anotan en la toma de datos para la calibración del instrumento. Y, por último, se apagan los equipos utilizados.

Hoy en día, la empresa Metrología y Suministros de Veracruz S.A de C.V. realiza la captura de las lecturas en documentos de Excel, en los cuales, también se encuentran las fórmulas utilizadas para calcular la incertidumbre de cada instrumento. A pesar de que el proceso funciona, la empresa tiene la necesidad de mejorar los tiempos para realizar más calibraciones en menos tiempo.

En este contexto, se propone el desarrollo de una aplicación web que permita a los usuarios introducir las lecturas de los instrumentos y realizar las operaciones correspondientes para la estimación de incertidumbre de manera automatizada. Además, se busca implementar un dashboard para mejorar la gestión y el control de operaciones. Según el trabajo de Cifuentes Linares [2], los dashboards son eficaces, concisos y precisos en la gestión de datos, lo cual ayudará a la empresa a tener un mejor control con sus calibraciones y sus clientes.

Asimismo, el objetivo de la investigación es la elección de un algoritmo de regresión en el dashboard para predecir las lecturas del instrumento patrón en futuras calibraciones y mejorar la precisión en los resultados. De la Fuente Ruiz [3] menciona que la metrología 4.0, como aplicación de la industria 4.0 en el campo de la metrología, utiliza tecnologías avanzadas como sensores inteligentes, internet de las cosas (IoT), análisis de datos y big data para mejorar la precisión y la eficiencia de las mediciones, así como para optimizar los procesos de producción y reducir costos.

2. Estado del arte

En esta sección se analiza la literatura más relacionada con la metrología, el desarrollo del dashboard y los algoritmos de regresión.

En primer lugar, en [4] se abordó la enseñanza de la metrología, destacando su importancia en el desarrollo de capacidades de medición y su papel crucial en la innovación y la garantía de calidad de productos. Entre las ventajas, se mencionó que la metrología es fundamental para el desarrollo económico y social, así como para la competitividad empresarial y la protección del consumidor. Sin embargo, también se identificaron debilidades, como la falta de visibilidad de la metrología como disciplina y la confusión con otras áreas, lo que ha llevado a una baja demanda en programas de formación específicos.

Por otro lado, en [3] se mencionó la integración de tecnologías avanzadas en la medición y control de variables climáticas, destacando las ventajas de la Industria 4.0, como la personalización de productos, la optimización de la calidad y la mejora en la toma de decisiones a través del análisis de datos en tiempo real. Sin embargo, también se identificaron desventajas, como la complejidad en la gestión de grandes volúmenes de datos y la necesidad de herramientas específicas para su análisis, lo que puede representar una debilidad en la implementación de estas tecnologías.

A pesar de estos desafíos, el nicho de oportunidad radica en la creciente demanda de soluciones metrológicas precisas y eficientes, impulsadas por la interconexión de dispositivos y el uso de inteligencia artificial, lo que sugiere un potencial significativo para el desarrollo futuro en este campo. Los dashboards son herramientas para la gestión de datos y en [5] se mencionó la implementación de un dashboard basado en minería de datos para mejorar la gestión de contratos en el sector público en Colombia. Entre las ventajas, se destacó la capacidad de identificar patrones y comportamientos anómalos en los procesos de contratación. Sin embargo, se identificaron debilidades en la calidad de los datos, lo que representa un nicho de oportunidad para mejorar la calidad de los mismos y desarrollar herramientas más accesibles y especializadas en el análisis de variables categóricas.

Así como también en [6] se presentó el diseño e implementación de dashboards para la visualización de clústeres. Se describió el proceso KDD (Knowledge Discovery in Databases) y su relación con la minería de datos. También se explicó la minería de datos y se detallaron los modelos de minería que se utilizaron para la clasificación no supervisada en clustering. Con este trabajo se puede, nuevamente, confirmar la importancia y lo útil que es un dashboard para las organizaciones, ya que les permite tener datos importantes a la vista y entenderlos de manera fácil. Por otra parte, en [7] se mencionó el uso de algoritmos de aprendizaje automático en el análisis y predicción de datos, destacando su capacidad para identificar tendencias y comportamientos futuros a partir de grandes volúmenes de información. Entre las ventajas se mencionó la precisión y estabilidad de modelos como los árboles de decisión y las redes neuronales, que permiten representar relaciones complejas y realizar predicciones efectivas. En [8] se abordó la aplicación de algoritmos de regresión lineal, tanto simple como múltiple, para analizar la relación entre la temperatura y la humedad en un datacenter, con el objetivo de optimizar la ventilación y prolongar la vida útil de los servidores. Entre las ventajas se destacó la capacidad de modelar y predecir condiciones climáticas que afectan el rendimiento de los sistemas informáticos. Sin embargo, una debilidad que se identificó es que la regresión lineal puede no ser adecuada para todos los escenarios, especialmente en la temperatura, esto representa una oportunidad para investigar y desarrollar modelos más robustos que puedan aplicarse en diversos contextos donde la ventilación también es crucial.

3. Materiales y métodos

A continuación, se presentan los datos más importantes que fueron extraídos de los archivos de instrumentos calibrados por la empresa Metrología y Suministros de Veracruz S.A de C.V. Estos datos fueron seleccionados por el autor, en colaboración con un experto en algoritmos de inteligencia artificial, con el objetivo de tener información relevante sobre los instrumentos para aplicar los algoritmos de inteligencia artificial. La identificación de estos datos se basó en su relevancia para el análisis y aplicación de algoritmos de regresión. Ya que el objetivo es elegir el algoritmo de regresión adecuado para predecir las lecturas del instrumento patrón.

Asimismo, se presentan los algoritmos de regresión que se tomaron en cuenta para la elección del mejor de ellos y por último se muestran los mockups de la aplicación web.

3.1. Extracción de datos

La empresa Metrología y Suministros de Veracruz S.A de C.V no cuenta con los datos de sus calibraciones en una base de datos, actualmente tienen las calibraciones en documentos de Excel, es decir, un documento por cada calibración. En el cual se encuentran las lecturas del equipo patrón. La información de las lecturas se encuentran las tomas de datos que corresponden a los documentos de Excel, las cuales se muestran en las Figuras 1 y 2.

Figura 1.
Toma de datos de termómetros de lectura directa (TLD).

Figura 2.
Toma de datos de termómetros de líquido en vidrio (TLV).

En ambas figuras se encuentra la información de las mediciones, las cuales obtienen 4 lecturas del instrumento a calibrar y el instrumento patrón. Estas 4 lecturas se realizan por cada punto a calibrar.

A pesar de que las imágenes luzcan similares, no lo son. Es verdad que comparten los datos de las mediciones, pero en la Figura 2 se tiene información extra como las lecturas del termómetro auxiliar. Esto es importante mencionarlo para la extracción.

Para lograr extraer los datos numéricos de las lecturas de los instrumentos, se realizaron 2 scripts en Python. La razón de que fueron 2 scripts es porque, como se mencionó, al ser 2 tomas de datos diferentes, los datos se encuentran en diferentes celdas. En la Figura 3 se muestra la selección de las celdas del documento de Excel de donde se van a extraer los datos. Y en la Figura 4 se muestra el resto del código del script.

Figura 3.
Selección de celdas del documento de TLD.

Figura 4.
Extracción de datos de celdas.

3.2. Modelos de regresión

Los modelos de regresión que se investigaron fueron los siguientes:

1. Regresión lineal.

Es la técnica de modelado más utilizada, la cual tiene una conexión entre una variable dependiente (Y) y una variable independiente (X) [9]. Y la gráfica que mejor representa esta técnica se muestra en la Figura 5.

Figura 5.
Regresión lineal.

2. Regresión polinómica.

La regresión polinómica es muy similar a la regresión lineal, ya que también existe relación entre variables dependientes e independientes [9]. Solamente que esta técnica se utiliza para representar una relación no lineal, así como se muestra en la Figura 6.

Figura 6.
Regresión polinómica.

3. Árboles de regresión.

Los árboles de regresión son un método de aprendizaje supervisado utilizado para predecir valores continuos. Este algoritmo divide el espacio de características en subconjuntos más pequeños y, en cada división, se selecciona la característica y el punto de corte que minimizan el error de predicción. La estructura resultante es un árbol binario donde cada nodo interno representa una decisión basada en una característica y cada nodo terminal (hoja) representa una predicción del valor continuo. En la Figura 7 se observa la gráfica de esta técnica.

• Selección de características y punto de corte:

  • Se evalúan múltiples puntos de corte para cada característica del conjunto de datos.

  • Para cada posible punto de corte, se calcula una métrica de error, comúnmente el Error Cuadrático Medio (MSE, por sus siglas en inglés).

  • Se selecciona la característica y el punto de corte que minimicen el MSE, dividiendo así el conjunto de datos en dos subconjuntos.

• División recursiva:

  • El proceso de selección de característica y punto de corte se repite recursivamente para cada subconjunto resultante.

  • Esta recursión continúa hasta que se cumple un criterio de parada, como alcanzar una profundidad máxima del árbol o un número mínimo de datos por nodo.

• Nodos terminales:

  • Los nodos terminales del árbol, conocidos como hojas, contienen las predicciones finales.

  • La predicción en cada hoja es el valor promedio de los valores objetivos de los datos que llegan a esa hoja.

• Ventajas:

  • Simplicidad e Interpretabilidad: Los árboles de regresión son intuitivos y sus resultados son fácilemente interpretables.

  • Manejo de Datos No Lineales: Pueden capturar relaciones no lineales entre las características y el valor objetivo sin necesidad de transformaciones complejas.

• Desventajas:

  • Propensión al Sobreajuste: Pueden sobre ajustarse a los datos de entrenamiento, especialmente si el árbol es muy profundo.

  • Inestabilidad: Pequeñas variaciones en los datos pueden resultar en estructuras de árbol significativamente diferente [10].

Figura 7.
Árboles de regresión.

3.3. Mockups

A continuación, se presentan los mockups utilizados para representar cómo se verá el diseño final de la aplicación web. La toma de datos te termómetro de lectura directa (TLD), en la cual se solicita la información de las mediciones, es decir, 4 lecturas del instrumento patrón y las 4 lecturas del instrumento a calibrar. Posteriormente, se solicita ingresar las condiciones ambientales en las cuales se realizó la toma de datos (Figura 8).

Figura 8.
Toma de datos TLD.

Por último, en la Figura 9, se muestra el diseño del dashboard para la aplicación web, en el cual se incluyen gráficas con datos importantes como el número total de instrumentos que hay sin calibrar, cuantos ya han sido calibrados, entre otros.

Figura 9.
Dashboard para la aplicuación web.

3.4. Patrón arquitectónico

En esta sección se presenta el patrón arquitectónico propuesto para el desarrollo de la aplicación web. La aplicación es diseñada empleando el patrón de diseño MVC (Model-View-Controller, Modelo-Vista-Controlador). MVC es un patrón de diseño utilizado para crear aplicaciones web y es usado en casi todos los marcos de desarrollo web [11]. La arquitectura se muestra en la Figura 10.

Figura 10.
Patrón arquitectónico MVC propuesto para el desarrollo de la aplicación web.

En MVC, el modelo representa los datos y la lógica del negocio. Es el encargado de gestionar el acceso a la base de datos, realizar cálculos y procesamiento de la información. La vista es la interfaz del usuario que representa los datos al usuario y recibe las interacciones de este. Se encarga de mostrar la información de manera visual. El control es el intermediario entre el modelo y la vista. Responde a las acciones del usuario, actualiza el modelo según sea necesario y selecciona la vista que se debe mostrar [12].

• Cliente

  El término cliente se refiere a un componente en un sistema cliente-servidor que solicita servicios o recursos de un servidor. En el contexto de la programación cliente-servidor, un cliente es una aplicación que envía solicitudes a un servidor para acceder a datos, recursos o funcionalidades proporcionadas por el servidor [13] .

• Servidor

  En el contexto de la programación cliente-servidor, un servidor es un componente que proporciona servicios, recursos o funcionalidades a los clientes que lo solicitan. Los servidores son programas o dispositivos que están diseñados para atender las peticiones de los clientes y proporcionarles los datos o servicios requeridos [13].

  • Modelo: representa la lógica de la aplicación en distintas clases encargadas de estructurar e interactuar con la información de los instrumentos para utilizar el algoritmo de predicción.

  • Controlador: es el componente que se encarga de la interacción entre el cliente y el servidor. Actúa como intermediario, recibiendo las solicitudes del cliente, procesándolas y enviándolas al servidor. En este caso va a recibir los datoos numéricoos que el cliente introduzca para después utilizar el algoritmo de regresión.

4. Resultados

A continuación, se muestran los resultados de la extracción de datos de los documentos de Excel y del modelo del algoritmo de regresión. Una vez realizada la extracción de datos a través de los scripts en Python se obtuvieron dos conjuntos de datos que se muestran en las Figuras 11 y 12.

Figura 11.
Conjunto de datos de TLD.

Figura 12.
Conjunto de datos de TLV.

El resultado que se obtuvo tras realizar la extracción de datos fueron dos conjuntos de datos que podemos observar en las Figuras 11 y 12. En los cuales se tienen datos importantes como marca, modelo, id del instrumento, fecha de calibración y todas las lecturas que se realizaron de todos los puntos que se calibraron, el total de datos extraídos son 698, los cuales todos cuentan con las variables que ya se mencionaron. Teniendo los conjuntos de datos, el siguiente paso fue crear una nueva columna en la cual se calculó la diferencia entre el punto a calibrar y la lectura del instrumento patrón. Esta diferencia se obtuvo restando el valor de la lectura del instrumento patrón del valor del punto a calibrar. Y el resultado de esta operación se muestra en la Figura 13.

Figura 13.
Creación de la nueva columna.

Ahora teniendo esa nueva columna se procedió a realizar una gráfica (X, Y) utilizando la columna de fecha de calibración y la nueva columna donde se realizó la resta. La gráfica obtenida se muestra en la Figura 14.

Figura 14.
Gráfica (X, Y) de la columna de fecha de calibración y la columna con la diferencia.

Esto se realizó para observar los datos de manera gráfica y de acuerdo con los modelos de regresión analizados anteriormente, encontrar el modelo que tenga el gráfico similar a nuestra gráfica. Teniendo en cuenta la gráfica de árboles de regresión en la Figura 7, es el modelo que mejor se ajusta a nuestra gráfica obtenida de nuestro conjunto de datos en la Figura 14. Para comprobarlo se procedió a aplicar este algoritmo al conjunto de datos para verificar si es el algoritmo adecuado o se debe elegir otro, tomando en cuenta las métricas MSE Y MAE. Lo primero que se realizó fue crear datos de prueba y entrenamiento y crear el modelo de árbol de regresión. Train_size=0.8, significa que el 80% de los datos se utilizarán para entrenar el modelo y el 20% restante de prueba. Posteriormente se graficó el modelo con los datos de entrenamiento (Figura 17).

Figura 15.
Creación del modelo.

Figura 16.
Código de gráfica del modelo.

Figura 17.
Gráfica de modelo vs datos de entrenamiento.

En la Figura 18, se observa que el modelo (línea azul), toca casi todos los datos de entrenamiento (puntos verdes). Y para calcular las métricas se utilizaron las funciones “mse” y “mae”.

Figura 18.
MSE Y MAE.

• MSE: 0.12

• MAE: 0.06

El Error Cuadrático Medio (MSE), es una métrica que mide el promedio de los errores cuadrados entre los valores predichos y los valores reales [14]. Unos valores cercanos a 0 indican que el modelo tiene una alta precisión y valores altos indican que el modelo tiene una baja precisión [15]. Se calcula de la siguiente manera:

Donde:

• n es el número de observaciones.

• es el valor real.

• es el valor predicho.

El Error Absoluto Medio (MAE), es una métrica que mide el promedio de los errores absolutos entre los valores predichos y los valores reales [16].

Donde:

• n es el número de observaciones.

• es el valor real.

• es el valor predicho.

En los resultados obtenidos se observa que el modelo es bueno, ya que tiene buena precisión. Pero, aun así, el modelo se puede mejorar limpiando los datos, es decir se filtraron los datos atípicos (outliers) utilizando “z-score”, el cual es una medida de cuántas desviaciones estándar un punto de datos está por encima o por debajo de la media [17]. Por lo que en la Figura 19 se muestra cómo se filtraron los datos atípicos.

Figura 19.
Filtración de datos atípicos.

Por lo que en la Figura 20 se observa la gráfica que dio como resultado el nuevo modelo.

Figura 20.
Modelo 2 vs datos de entrenamiento.

Una vez que se limpiaron los datos y se aplicó el modelo a estos datos, se obtuvieron nuevos resultados de MSE y MAE, aplicando las mismas funciones de la Figura 21.

Figura 21.
.Nuevos resultados de MSE y MAE

Como se mencionó anteriormente, la precisión de las métricas MSE y MAE, es buena cuando los valores son cercanos a 0. Y al obtener un MSE con valor 0.00 y un MAE con valor de 0.01, el algoritmo es bueno.

Por lo que significa que el algoritmo de árboles de regresión es el indicado para el proyecto. Con esto se va a lograr predecir las lecturas del equipo patrón cuando el usuario vaya a realizar una calibración. La predicción va a funcionar cuando el usuario introduzca el punto que se quiere calibrar, por ejemplo 30°, y el algoritmo arrojará un resultado con varios decimales, como, por ejemplo: 0.002, esto quiere decir que al punto de calibración 30° tendrá una variación de los decimales mostrados por el modelo del algoritmo.

La predicción de la lectura del instrumento patrón va a permitir al usuario verificar si la lectura se va a encontrar en un rango aceptable con respecto al punto a calibrar, por ejemplo, si el punto a calibrar es de 30°, una lectura valida del instrumento patrón sería 30.001° o 30.005°. Pero, si la predicción muestra valores muy grandes como por ejemplo 5, quiere decir que la lectura del instrumento patrón sería aproximadamente de 35°, y esto significa que el instrumento patrón ya no se encuentran en condiciones óptimas para calibrar instrumentos, así que el usuario debe tomar la decisión de enviar a calibrar su equipo patrón con quien corresponda y con un tiempo de anticipación aceptable con la finalidad de seguir entregando calibraciones de calidad a sus clientes.

5. Discusión

La predicción de lecturas de los instrumentos de metrología es importante ya que ofrece la oportunidad de identificar las futuras lecturas de los instrumentos y así estar preparados para una anomalía, así como también le ofrece a la empresa Metrología y Suministros de Veracruz S.A. de C.V. la oportunidad de estar preparada económicamente para calibrar en tiempo y forma el instrumento patrón. Y así seguir ofreciendo calidad y precisión en las calibraciones de los instrumentos de sus clientes.

En esta etapa se llevó a cabo la elección del algoritmo de regresión tomando en cuenta el tipo de gráfica que generaron los datos obtenidos de los documentos de Excel. Posteriormente se seleccionó el algoritmo de árboles de regresión y se evaluó mediante las métricas del Error Cuadrático Medio (MSE) y el Error Absoluto Medio (MAE).

La elección del modelo de regresión es un paso que sienta las bases para la siguiente fase el proyecto que implicará la implementación y validación del modelo seleccionado.

Posteriormente se considera realizar un trabajo donde se realice el análisis comparativo de diversos algoritmos de regresión tomando en cuenta las métricas que ya se mencionaron anteriormente. En este trabajo no se realizó ese análisis comparativo ya que se pretende que en un futuro trabajo sea completamente enfocado al análisis comparativo.

Además de la evaluación del modelo de regresión seleccionado, es fundamental realizar pruebas de usabilidad del dashboard y la aplicación web para analizar cómo los usuarios finales interactúan con la herramienta. Estas pruebas permitirán evaluar la experiencia del usuario, identificar posibles áreas de mejora en la interfaz y medir la aceptación del usuario.

Aunque la herramienta aún se encuentra en una fase preliminar, los mockups brindan una visualización previa de la aplicación web. El patrón arquitectónico propuesto asegura que los diferentes componentes de la aplicación web se integren de manera eficiente.

6. Conclusiones

La metrología desempeña un papel fundamental en el desarrollo científico, tecnológico, económico y social, impactando sectores tan diversos como la industria, el comercio, la salud y el medio ambiente. En un contexto donde la precisión y la calidad son esenciales, la adopción de tecnologías avanzadas, como el Internet de las Cosas y la Inteligencia Artificial, se vuelve crucial, tal como lo propone la Metrología 4.0, para mejorar la eficacia en todos los procesos relacionados con la metrología.

En este artículo, se presentó un análisis detallado de los datos de calibraciones previas en la empresa Metrología y Suministros de Veracruz S.A. de C.V., utilizando métricas como MAE y MSE para seleccionar el algoritmo de regresión más adecuado. La herramienta propuesta ofrece a la empresa una ventaja competitiva al permitir la predicción de futuras lecturas en el instrumento patrón, lo que facilita la planificación proactiva y la gestión eficiente de los recursos.

El diseño del dashboard, junto con los mockups presentados, proporciona a la empresa una visualización clara y accesible de información crítica, como las lecturas históricas y proyectadas, y otros datos relevantes para la toma de decisiones. Esta visualización no solo optimiza los procesos de calibración, sino que también incrementa la confiabilidad de los resultados, apoyando a la empresa en su misión de ofrecer calibraciones de alta calidad.

Como trabajo futuro, se planea no solo desarrollar la aplicación web e integrar el algoritmo de árboles de regresión entrenado, sino también expandir la herramienta para incluir diversas funcionalidades adicionales, como la integración de otros algoritmos de machine learning, la personalización de los dashboards para diferentes usuarios, y la implementación de pruebas de usabilidad exhaustivas para asegurar que la herramienta sea intuitiva y efectiva en el entorno operativo de la empresa. Estas mejoras potenciales permitirán que la empresa no solo mantenga su posición en el mercado, sino que también avance hacia una metrología más inteligente y adaptativa.

7. Referencias

[1] JCGM. (2020). Guide to the expression of uncertainty in measurement-Part 6: Developing and using measurement models. https://www.bipm.org/documents/20126/2071204/JCGM_GUM_6_2020.pdf

[2] Cifuentes Linares, I. C. (2023). Desarrollo de dashboard para la gestión de operaciones de la dirección de calidad de Postobón S.A. [Tesis de Grado]. Universidad de Antioquia, Colombia. https://hdl.handle.net/10495/33326

[3] De la Fuente Ruiz, S. (2019). Implantación, estudio y control de calidad de variables climáticas en el ámbito de la metrología 4.0 [Tesis de Grado]. Universidad de Valladolid. http://uvadoc.uva.es/handle/10324/37849

[4] Alberto, A., S., Jacob, F. L. (2019). The teaching of metrology: The genesis and the epilogue of a degree. ACM Seventh International Conference on Technological Ecosystems for Enhancing Multiculturality, León España. https://doi.org/10.1145/3362789.336285

[5] Suakanto, S., Supangkat, S. H., Suhardi, Saragih, R. (2013). Smart city dashboard for integrating various data of sensor networks. IEEE International Conference on ICT for Smart Society, Jakarta, Indonesia. https://doi.org/10.1109/ICTSS.2013.6588063

[6] Vargas Cuervo, D. F. (2019). Diseño e implementación de dashboards para la visualización de clústeres agregados de regiones geográficas [Tesis de Grado]. Universidad del Bosque, Bogotá, D. C. https://hdl.handle.net/20.500.12495/6034

[7] Sandoval, L. J. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica, (11), 36-40. http://www.redicces.org.sv/jspui/bitstream/10972/3626/1/Art6_RT2018.pdf

[8] D’angiolo, F. G., Kwist, I. F., Loiseau, M., Contreras, D., E., Asteasuain, F. (2019). Algoritmos de Regresión Lineal aplicados al mantenimiento de un Datacenter. XXV Congreso Argentino de Ciencias de la Computación (CACIC), Córdoba, Argentina. https://sedici.unlp.edu.ar/handle/10915/91401

[9] Prashant. (2024). Different Types of Regression Models.https://www.analyticsvidhya.com/blog/2022/01/different-types-of-regression-models/#

[10] Breiman, L., Friedman, J., Stone, C. J., Olshen, R. A. (1984). Classification and Regression Trees. Taylor & Francis.

[11] Microsoft. (2024). Patrón MVC de ASP.NET | .NET. https://dotnet.microsoft.com/es-es/apps/aspnet/mvc

[12] Trueba Espinosa, A., Camarena Sagredo, J. G., Martínez Reyes, M., López García, M. L. (2012). Automatización de la codificación del patrón modelo vista controlador (MVC) en proyectos orientados a la Web. CIENCIA ergo-sum, 19 (3), 239-250. https://dialnet.unirioja.es/servlet/articulo?codigo=5199006

[13] Qian, Z., Kavvos, G. A., Birkedal, L. (2021). Client-server sessions in linear logic. Proceedings of the ACM on Programming Languages, 5 (62), 1-31. https://doi.org/10.1145/3473567

[14] OA.mg. (2006). Pattern Recognition and Machine Learning. https://oa.mg/work/10.1007/978-0-387-45528-0

[15] scikit-learn (2024). 3.4. Metrics and scoring: quantifying the quality of predictions. https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics

[16] Hyndman, R. J., Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal Forecast, 22 (4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001

[17] SciPy. (2024). scipy.stats.zscore — SciPy v1.13.0 Manual. https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.zscore.html