http://hdl.handle.net/20.500.11799/21940 Toda la documentación relacionada a los distintos centros universitarios Fri, 09 Oct 2026 07:18:01 GMT 2026-10-09T07:18:01Z http://hdl.handle.net/20.500.11799/144509 Rentabilidad de una engorda de bovinos en corral en Tejupilco, Estado de México Cruz Mondragón, Evellyn La presente investigación tuvo como finalidad determinar los costos totales de producción y la viabilidad económica de bovinos productores de carne finalizados en confinamiento, con información proveniente de 50 animales, tipo estudio de caso, durante diciembre 2025 a marzo de 2026, mediante el método de costos privados realmente desembolsables observados y de la rentabilidad, a través de la expresión ingreso por venta menos el costo total de producción por cabeza. Los resultados indicaron que, bajo la dieta de alimentación asignada por el engordador y durante un periodo de 120 días que duró el proceso, el peso vivo de entrada al corral y final fue 325±17 y 575.5±22.4 kilogramos, el monto total de costos productivos, ingreso y ganancia por animal, fue $29,414.5, $40,860.5 y $11,446; una relación beneficio/costo de 1.4 y punto de equilibrio en número de animales producidos de 2.6. Se determina que el proceso de finalización de ganado bovino en la zona de estudio y bajo las condiciones de producción es rentable y la actividad puede replicarse en otras engordas con condiciones similares. Thu, 08 Oct 2026 00:00:00 GMT http://hdl.handle.net/20.500.11799/144509 2026-10-08T00:00:00Z http://hdl.handle.net/20.500.11799/144482 Hybrid Optimization of Wheat Yield Using Genetic Algorithms and Machine Learning With Phenotypic and Climatic Features Moreno Sánchez, Juan Carlos; Trueba Espinosa, Adrián; Ruiz Castilla, Sergio; Garcia Lamont, Farid Accurate wheat yield prediction is critical for global food security, yet existing forecasting models often struggle to balance high- dimensional genomic data with dynamic environmental variables. This study developed an automated framework based on genetic algorithms (GAs) to simultaneously optimize phenotypic selection, climatic feature engineering, and machine learning hyper-parameters. The framework was evaluated across two contrasting cultivation environments: irrigated (Mexico) and nonirrigated (Middle East). For the irrigated dataset, the model achieved a peak performance of coefcient of determination (R2) = 0.8363 and root mean squared error (RMSE) = 38.59, demonstrating that the proposed methodology is capable of predicting wheat yield with a R2 exceeding 0.80 under irrigated conditions. Meanwhile, in the nonirrigated environment, the system maintained robust predictive power with R2 = 0.6199 and RMSE = 721.67. To ensure the statistical reliability and reproducibility of these fndings, a bootstrapping validation (1000 iterations) was performed on the top-performing individuals. This process yielded narrow 95% confdence intervals, confrming that while the GA-optimized features provide higher stability in irrigated systems, the framework efectively captures genotype–environment interactions even under water-limited conditions. This dual-environment validation, underpinned by robust resampling techniques, demonstrates the scalability of the proposed soft computing approach for precision breeding across diverse agroclimatic zones. Artículo en revista científica indexada Mon, 29 Jun 2026 00:00:00 GMT http://hdl.handle.net/20.500.11799/144482 2026-06-29T00:00:00Z http://hdl.handle.net/20.500.11799/144481 Comparative Evaluation of Segmentation Techniques on Maize Seeds Campo Leal, Juan Augusto; Diaz Gaxiola, Eduardo; Lizarraga Sarabia, Alejandro; Cervantes Canales, Jair; Garcia Lamont, Farid; Vega Lopez, Ines Fernando; Yee Rendon, Arturo In this study, we performed a comparative analysis of various segmentation techniques on a dataset of digital images depicting maize seeds. The dataset includes categories representing different quality levels of seed batches, labeled as worst, bad, average, good, and excellent. The objective of this study was to identify the most accurate combination of segmentation techniques and color spaces for maize seed segmentation. To achieve this, we systematically compared various segmentation techniques, including Otsu, Watershed, and K-means clustering, across different color spaces such as RGB, HSV, and grayscale. We evaluated the performance of these combinations using metrics like Intersection over Union (IoU), Mean Square Error (MSE), Pixel Accuracy (PA), Kappa (k) coefficient, and F-1 Score in images from the Maize Seed dataset. The results showed that the K-means segmentation technique in the HSV color space yielded the best results across all evaluated metrics. In particular, using the IoU metric in the HSV color space, K-means achieved mean values of 0.98, 0.97, 0.95, 0.91, and 0.91 for the categories excellent, good, average, bad, and worst, respectively. Artículo en revista científica indexada Wed, 01 Jul 2026 00:00:00 GMT http://hdl.handle.net/20.500.11799/144481 2026-07-01T00:00:00Z http://hdl.handle.net/20.500.11799/144480 Tokenización en perfil humano digital para la identificación humana Ruiz Castilla, José Sergio; Luna Coria, Dalia Berenice; Garcia Lamont, Farid La identidad incluye nombre, edad, género, etc. Sin embargo, dichos datos son datos confidenciales y requieren protección. Es necesario identificar a personas en procesos judiciales o personas desaparecidas. Una persona tiene múltiples características físicas como color de ojos, piel y cabello. Además, tipo de: la frente, la nariz, la boca o los labios. Para este trabajo, se han se han determinado 256 características que incluyen la dentadura, la ropa, el calzado y accesorios. Para cada característica se crean categorías. Luego, se genera un vector de tokens. Al vector de tokens de características se le ha denominado Perfil Humano Digital representado como una matriz de valores enteros, hasta llegar a un patrón tipo QR. Se pretende que, dichos Perfiles se almacenen en un repositorio para proyectos futuros como identificación de personas ante procesos judiciales, búsqueda de personas desaparecidas e identificación de LGBTs (Lesbianas, gais, bisexuales y Trans) Artículo en revista científica indexada Mon, 18 May 2026 00:00:00 GMT http://hdl.handle.net/20.500.11799/144480 2026-05-18T00:00:00Z