Introducción. El análisis se enfocó en mejorar el desempeño de equipos de desarrollo de software mediante la recolección de métricas, el uso de técnicas estadísticas y de analítica de datos.  Propósito. Aplicar regresión lineal para modelar la relación entre el número de líneas de código y la complejidad ciclomática. Además, aplicar bootstrapping para evaluar el desempeño del equipo y análisis de sentimientos en los comentarios de los desarrolladores. Metodología. Se hizo análisis exploratorio de los datos, se aplicó las técnicas descritas, posteriormente se evaluó los modelos aplicados y se obtuvieron  resultados. Resultados. El análisis de regresión lineal mostró resultados prometedores: el MSE de alrededor de 9.81 sugiere un buen ajuste y precisión del modelo. Sin embargo, el R² de aproximadamente 0.51 indica que la complejidad ciclomática explica moderadamente la variabilidad de la variable independiente. El MAE de aproximadamente 2.02 indica una buena precisión del modelo en términos absolutos. Además, bootstrapping muestra una distribución similar a una campana de Gauss, con límites inferiores y superiores cercanos a la media poblacional. El análisis de sentimiento reveló que el sentimiento neutral es el más común, seguido de sonriente, mientras que preocupado y feliz son menos frecuentes. Conclusiones. El análisis logró sus objetivos al aplicar regresión lineal y bootstrapping para evaluar métricas clave. Sin embargo, la evaluación del modelo de análisis de sentimientos fue limitada debido a la falta de variables de comparación y comentarios poco expresivos, resultando en un sentimiento neutral predominante.

El presente artículo examina la eficiencia de los paneles solares en rela-ción con la temperatura local y la altitud sobre el nivel del suelo. Uti-lizando tecnologías de Internet de las Cosas (IoT) y técnicas avanzadasde machine learning, se investiga cómo las variaciones en la temperatu-ra y la humedad afectan el rendimiento eléctrico de los paneles solares.Los datos fueron recolectados mediante una placa ESP32 y monitorea-dos continuamente a través de la plataforma ThingSpeak. Estos datosse recopilaron en cuatro alturas distintas: al nivel del panel (0.2m porencima del nivel del suelo), a 0.3 m sobre el panel, a 1.8 m y a 3 m delsuelo. Los resultados revelan que la temperatura disminuye a medidaque aumenta la altura, lo que conlleva una mejora en la eficiencia delpanel solar. Este fenómeno se atribuye a la reducción del calor convec-tivo y por radiación cerca del suelo, así como a la menor interaccióntérmica con la superficie.Para determinar la altura óptima de instalación de los paneles solares,se utilizaron modelos de Random Forest. Estos modelos permiten pre-decir las condiciones óptimas bajo las cuales los paneles solares operancon máxima eficiencia, tanto en términos de potencia reactiva (Q) comode factor de potencia (PF). Este estudio proporciona una guía prácti-ca para la instalación de paneles solares, destacando la importancia deconsiderar la altura de instalación para mejorar la eficiencia energética.Además, demuestra cómo la integración de tecnologías IoT y machinelearning puede ofrecer soluciones precisas y optimizadas para el diseñode sistemas de energía renovable.

 Los inversionistas del mercado de valores en Colombia y en cualquier parte del mundo requieren pronósticos del precio de las acciones. Por ello se apoya en econometría, estadística y aprendizaje automático. El pronóstico de mercados financieros generalmente se modela como una serie temporal donde los datos no son independientes entre sí y la secuencia junto con orden temporal son muy significantes. Como resultado de la revisión de literatura y del preprocesamiento se obtuvo que las técnicas autoregresivas para series temporales son muy idóneas para resolver y modelar esta situación. Eneste estudio se realizó predicción del precio de las acciones de Bancolombia, Davivienda y Ecopetrol para el segundo semestre de 2023. Los datos se obtuvieron de https://es.investing.com/ desde el 1 de enero de 2018 hasta el 16 de junio de 2023. Se entrenaron 3 máquinas de aprendizaje (una por cada acción), las cuales fueron consumidas por un módulo web creado en Streamlit. Para los tres activos, los resultados fueron de alta variabilidad para los 2 primeros meses del segundo semestre y estabilidad sin tendencia (ni alcista ni bajista) para los cuatro últimos.