Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AUTORES:
- Arocutipa Medina Willy Gonzalo
- Mamani Salazar José Antonio
- Marcani Leyva Joseph Fredy
- Roque Ramos Abraham Alvaro
- Valdeiglesias Flores Mario Eduardo
AREQUIPA- 2020
Tabla de contenido
En primer lugar, se realizó una investigación y análisis de distintas fuentes tanto como revistas,
libros, enlaces, tesis y fichas técnicas; para luego comenzar con la redacción del capítulo 1 que
consta del marco teórico en el cual se encontrará todos los fundamentos necesarios para realizar
esta investigación además de conceptos necesarios para este análisis, luego el capítulo 2 trata de
la recolección de datos y análisis de estos datos que se realizó con ayuda del programa minitab y
del excel para finalmente dar nuestras conclusiones y evidencias de cómo se realizó el trabajo a
lo largo del semestre.
1. PLANTEAMIENTO DEL PROBLEMA
1.1. OBJETIVOS
1.1.1.OBJETIVO GENERAL
Analizar el consumo energético de la población y la industria de la ciudad de
Arequipa en los últimos 10 años
1.1.2.OBJETIVOS ESPECÍFICOS.
Hallar la regresión más adecuada de los n° de clientes-año, consumo-año y n° de
clientes-consumo tanto en el sector industrial y poblacional.
Determinar el crecimiento del consumo eléctrico de la población comparado con
la industria.
Predecir a través de series de tiempo el consumo energético de la población e
industria de los siguientes 3 años.
n el caso que estemos usando una sola variable, x, sabemos que una línea necesita 2
parámetros. La fórmula para la regresión lineal con una sola variable x es:
y=wx+b
El aprendizaje consiste en encontrar cuáles son los mejores parámetros (coeficientes)
para los datos que tengamos. Los mejores coeficientes serán los que minimicen alguna
medida de error. Para la regresión lineal usaremos el error cuadrático medio.
Ejemplo:
Hemos usado una regresión lineal para encontrar los parámetros de la línea que
minimiza el error de los datos que tenemos. El proceso de aprendizaje consiste en
estimar los parámetros w y b. Así nos queda que, para estos datos, los mejores valores
son:
w=0.0918
b=1.2859
y=0.0918 x +1.2859
Podemos usar este modelo de regresión lineal para estimar cuáles serán los resultados
para otros valores de x. Por ejemplo, si queremos saber el resultado para x = 5,
usaremos el modelo anterior y veremos que el resultado es 1.7449:
y=0.0918(5)+ 1.2859=1.7449
Este es un ejemplo muy simple. En realidad, los problemas de machine learning tienen
muchas más variables. Sin embargo, he escogido este ejemplo porque es muy fácil de
visualizar, explicar y entender. Espero que la intuición de este ejemplo sirva para
entender lo que está pasando cuando haya más variables.
2.4. COEFICIENTE DE DETERMINACIÓN.
La fórmula es:
2 S SR
R= E.1
S yy
n n
S S R =∑ ( ^y i− y ) S yy =∑ ( ^yi − y)2
2
i=k i=k
Ilustración 1:Fuente propia. Donde esa Y que lleva un “sombrerito”, detalla que no es el valor de Y sino una
estimación de Y. La Y con una línea arriba es la media, y la otra Y sin nada es la Y verdadera en otras
palabras lo observado.
Ilustración 2:Fuente propia. A la izquierda tenemos el caso con coeficiente bajo y a la derecha el caso con
coeficiente de determinación alto.
En cada uno de los casos tenemos arriba el numerador del cálculo del coeficiente y
abajo el denominador del cálculo. Líneas verdes para el numerador y azules para el
denominador. Observemos que en el caso de la izquierda las líneas azules son mucho
más largas que las verdes. Esto indica que nuestra recta de regresión no explica mucho
la posición de los valores en la relación dibujada entre las dos variables. En cambio,
en el caso de la derecha hay una gran aproximación de las líneas verdes a las azules.
Esto indica que realmente nuestra recta de regresión consigue situarse muy próxima a
la realidad posicional de los puntos en el diagrama de dispersión.
2
2 ( ∑ observado− predicho)
R= 2
( ∑ observado −media)
( ∑ y i− ^y i )
2
2
R =1−
( ∑ yi − y)
2
Definimos como energía eléctrica o electricidad como la forma de energía que resulta de la
existencia de una diferencia de potencial entre dos puntos, lo que permite establecer una
corriente eléctrica entre ambos cuando se les pone en contacto por medio de un conductor
eléctrico. Normalmente el conductor es de un material metálico debido a que disponen de
mayor cantidad de electrones libres, un caro ejemplo puede ser el cobre, plata o el oro.
Dependiendo del movimiento de las cargas existen dos tipos de corrientes en un circuito
eléctrico.
1. Corriente continua:
Una de las primeras fuentes de corriente directa fueron las celdas galvánicas, creadas por
Luigi Galvani y Alessandro Volta, que utilizaron una corriente química que obtenía la
energía eléctrica a partir de reacciones redox espontáneas y para eso empleaba dos metales
diferentes conectados por un puente salino y separados por una lámina absorbente. La celda
voltaica fue un antecedente para la creación de la batería y la pila que es uno de los objetos
más utilizados como fuente eléctrica para distintos dispositivos eléctricos como controles
remotos, juguetes, entre otros.
En las industrias se utilizan máquinas eléctricas que generan corriente continua al igual que
las células fotovoltaicas, que lo generan con ayuda del efecto fotovoltaico.
2. Corriente alterna:
Al igual que la corriente continua se puede reconocer con el símbolo DC, la corriente
alterna se reconoce con la alegoría AC porque es un tipo de corriente eléctrica que cambia a
lo largo del tiempo, como su propio nombre lo dice alterna o sea hay una variación que
puede ser en intensidad de corriente o en sentido a intervalos regulares. La corriente
continua es constante, pero la alterna presenta un comportamiento senoidal, sin embargo, en
algunas ocasiones puede ser una onda cuadrada o triangular.
“Un sistema trifásico es básicamente un sistema de tres corrientes alternas monofásicas que
se producen simultáneamente y están desfasadas 120° entre sí” (Kuznetsov, 1967). Este
sistema se transporta por 3 conductores o fases, aunque también se incluye uno más que es
el neutro, estas fases se conocen como R, S, T y N sería el conductor neutro.
2.6. MEDIDOR
Costo de Conexión
Para el otorgamiento de un suministro eléctrico el solicitante (futuro cliente del servicio
de electricidad), éste debe abonar el presupuesto de conexión, que comprende:
• Cable de acometida
• Medidor
1. Industrias Alimentarias:
2. Industria Textil:
Se dedican a la transformación y aleación de los metales, para lograr formas útiles para
otras industrias o para el consumidor directo. Acá podemos poner el ejemplo de la
empresa Metaquim, que tiene la confianza de Cerro Verde.
4. Industrias Químicas:
5. Industrias Farmacéuticas:
6. Industrias Energéticas:
LA JOYA MINING S.A.C., es una planta de beneficio de minerales, con capacidad para
150 TMSD, dedicada al procesamiento de minerales auríferos de la zona sur de nuestro país
por medio del acopio, mediante el proceso de lixiviación CIP se recupera el oro del mineral
el cual es depositado en carbón activado. El carbón activado cargado con oro, plata y otros
metales es procesado en la planta de desorción de nuestra empresa que tiene una capacidad
para 5 TMS. La cual recupera el oro, plata y los otros metales son eliminados, ya que, no
son el fin de la compañía.
Embotelladora San Miguel del Sur, es una compañía que pertenece a Ajegroup, grupo local
productor de bebidas gaseosas, aguas minerales, entre otras. Fue fundada en el Perú desde
1992. La compañía se encarga de abastecer la marca Kola Real en el norte chico y sur chico
de Perú, además de una parte de Áncash.
ISM Arequipa implemento una auditoría energética en el año 2013, detectándose más de 5
proyectos de ahorro energético En el 2013 se implementa el servicio Energy Coach a partir
de un proyecto de medición y telemedida que empezó con 5 medidores ubicados en puntos
de suministro de energía. Este servicio, buscó mejorar el control de consumo en hora punta
(gestión tarifaria), el control de cargas encendidas innecesariamente, y fugas de energía por
aire comprimido y sobre temperaturas en el proceso. El 2016 y 2017 se implementa el
sistema Mentor Monitor, para realizar la gestión de OEE (Eficiencia Global de los Equipos).
El sistema logra identificar diferentes áreas de mejora relacionadas a perdidas por paradas
de línea, reprocesos, reducción de velocidad etc.
RESULTADOS:
8.5 % de reducción de consumo mensual efectivo de energía total (60 000 kWh /
mes) en planta Arequipa.
6.5 % de reducción de facturación adicional por gestión del consumo en hora punta
(S/ 18000 / mes)
Incremento de productividad por mejora de la eficiencia productiva en planta
(recurso humano, materiales, etc.)
4. Sociedad Minera Cerro Verde S.A.A.
Yura S.A. (Yura) es una productora de cemento, parte del conglomerado peruano Grupo
Gloria, filial de Consorcio Cementero del Sur S.A. (92,65%). Fue fundada en 1996 para la
preparación, transporte y venta de concreto premezclado, así como para la extracción y
molienda de minerales metálicos y no metálicos en Perú.
En la tabla se muestra las plantas de cemento y los tipos de proceso como sus consumos
energéticos. De acuerdo a ella Cementos Lima S.A. ubicada en Lima es la más eficiente en
la utilización de la energía.
2009 AREQUIPA
POBLACIÓN HABITANTES 1 205 317
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 2 257.76
COMERCIAL Y
NÚMERO DE CLIENTES 16 323
SERVICIOS
FINALES POR SECTORES
ECONÓMICOS
INDUSTRIAL 1 935
RESIDENCIAL 273 423
COMERCIAL Y
VENTA DE ENERGIA POR 182.20
SERVICIOS
SECTORES ECONOMICOS
INDUSTRIAL 1 690.96
(GW.h)
RESIDENCIAL 325.33
2010 AREQUIPA
POBLACIÓN HABITANTES 1 218 168
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 2 440.82
PRODUCCIÓN DE HIDRÁULICA 200.30
ENERGÍA ELÉCTRICA TÉRMICA 166.77
(GW.h) EÓLICA 0
COMERCIAL Y
NÚMERO DE CLIENTES 16 359
SERVICIOS
FINALES POR SECTORES
ECONÓMICOS INDUSTRIAL 1 953
RESIDENCIAL 289 405
COMERCIAL Y
VENTA DE ENERGIA POR 194.22
SERVICIOS
SECTORES ECONOMICOS
(GW.h) INDUSTRIAL 1 838.32
RESIDENCIAL 355.56
2011 AREQUIPA
POBLACIÓN HABITANTES 1 231 553
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 2 573.98
COMERCIAL Y
NÚMERO DE CLIENTES 16 370
SERVICIOS
FINALES POR SECTORES
ECONÓMICOS
INDUSTRIAL 1 951
RESIDENCIAL 304 146
COMERCIAL Y
VENTA DE ENERGIA POR 229.06
SERVICIOS
SECTORES
INDUSTRIAL 1 890.90
ECONOMICOS (GW.h)
RESIDENCIAL 391.45
2012 AREQUIPA
POBLACIÓN HABITANTES 1 2452 51
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 2 558.51
COMERCIAL Y
NÚMERO DE CLIENTES 16 738
2013 SERVICIOS AREQUIPA
FINALES POR SECTORES
POBLACIÓN DE HABITANTES
ECONÓMICOS 1 259 162
INDUSTRIAL 2 206
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h)
RESIDENCIAL 3212 614.99
379
COMERCIAL Y
HIDRÁULICA 1 209.64
VENTA DE ENERGIA
PRODUCCIÓN DE POR 240.55
SERVICIOS
ENERGÍA SECTORES
ELÉCTRICA TÉRMICA 61.39
INDUSTRIAL 1 829.77
ECONOMICOS
(GW.h) (GW.h) 96.89
SOLAR
RESIDENCIAL 419.43
COMERCIAL Y 17 219
NÚMERO DE SERVICIOS
CLIENTES FINALES 2 285
POR SECTORES INDUSTRIAL
ECONÓMICOS RESIDENCIAL 339 090
COMERCIAL Y 259.88
VENTA DE ENERGÍA SERVICIOS
POR SECTORES INDUSTRIAL 1 861.53
ECONOMICOS(GW.h)
RESIDENCIAL 430.89
2015 AREQUIPA
POBLACIÓN HABITANTES 1 287 205
CONSUMO DE ENERGÍA ELÉCTRICA 2 626,47
(GW.h)
2014 AREQUIPA
POBLACIÓN2016
DE HABITANTES 1 273 180
AREQUIPA
CONSUMO DE ENERGÍA
POBLACIÓN ELÉCTRICA (GW.h)1 301 298
HABITANTES 2 782,08
HIDRÁULICA 5 085,69857.93
CONSUMO DE ENERGÍA ELÉCTRICA
PRODUCCIÓN DE
(GW.h) 58.39
ENERGÍA ELÉCTRICA TÉRMICA
(GW.h)
PRODUCCIÓN DE SOLAR 838,7 95.27
HIDRAULICA
ENERGÍA ELÉCTRICA TÉRMICA
COMERCIAL Y229,80
(GW.h) 17709
NÚMERO DE CLIENTES SERVICIOS 91,14
SOLAR
FINALES POR SECTORES INDUSTRIAL 19 360 2425
NÚMERO DE
ECONÓMICOS COMERCIAL
CLIENTES FINALES Y SERVICIOS
RESIDENCIAL 351 361
POR SECTORES INDUSTRIAL 3 035
ECONÓMICOS COMERCIAL Y 205.890
VENTA DE ENERGÍA POR RESIDENCIA 378 178
SERVICIOS
SECTORES L
VENTA DE ENERGÍA
ECONOMICOS(GW.h) COMERCIAL 285,842 054.334
INDUSTRIAL
POR SECTORES Y SERVICIOS
RESIDENCIAL 463.484
ECONÓMICOS(GW.h) INDUSTRIAL 4 260,44
RESIDENCIA 492,23
L
2017 AREQUIPA
POBLACIÓN HABITANTES 1 315 528
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 5 240.09
PRODUCCIÓN DE HIDRÁULICA 938.37
ENERGÍA ELÉCTRICA TÉRMICA 763.43
(GW.h) SOLAR 84.35
COMERCIAL Y
NÚMERO DE CLIENTES 20 078
SERVICIOS
FINALES POR SECTORES
ECONÓMICOS INDUSTRIAL 3 200
RESIDENCIAL 390 588
COMERCIAL Y
VENTA DE ENERGIA POR 319.81
SERVICIOS
SECTORES ECONOMICOS
INDUSTRIAL 4 363.00
(GW.h)
RESIDENCIAL 502.19
2018 AREQUIPA
POBLACIÓN HABITANTES 1 329 802
CONSUMO DE ENERGÍA ELÉCTRICA (GW.h) 5 471.22
COMERCIAL Y
NÚMERO DE CLIENTES 20 613
SERVICIOS
FINALES POR SECTORES
ECONÓMICOS
INDUSTRIAL 3 440
RESIDENCIAL 402 746
COMERCIAL Y
VENTA DE ENERGIA POR 332.14
SERVICIOS
SECTORES
INDUSTRIAL 4 568.32
ECONOMICOS (GW.h)
RESIDENCIAL 519.14
3.2. Centrales eléctricas de la región de Arequipa
AREQUIPA
TIPO DE FUENTE EMPRESA CENTRAL PRODUCCIÓN
ELÉCTRICA ELÉCTRICA (MWh)
CENTRALES TÉRMICO Cía. De Minas C.T. 108,04
ELÉCTRICAS DE LA Buenaventura ORCOPAMPA
REGIÓN DE S.A.A.
C.T. SHILA 0,9
AREQUIPA
Cía. Minera Ares C.T. ARCATA 101,4
S.A.C. C.T. ARES 24,77
Compañía Minera C.T. MINA 1 439,4
Caraveli S.A.C. C.T. PLANTA 5 967,94
Corporación C.T. ACEROS 7,89
Aceros Arequipa
S.A.
EGASA C.T. CHILINA 27 998,53
C.T. 25 251,71
MOLLENDO
HIDRÁULICO EGASA C.H. 13 520,28
CHARCANI I
C.H. 4 743,54
CHARCANI II
C.H. 39 167,83
CHARCANI III
C.H. 90 900,98
CHARCANI IV
C.H. 551 349,82
CHARCANI V
C.H. 52 811,49
CHARCANI VI
Generadora de C.H. LA JOYA 49 854,63
Energía del Perú
S.A.
SOLAR GTS Majes S.A.C. C.S. MAJES 46 407,71
SOLAR
GTS Repartición C.S. 44 735,28
S.A.C. REPARTICIÓN
TÉRMICO Inkabor S.A.C. C.T. RIO SECO 161,37
C.T. UBINAS 465,52
Minera Bateas C.T. 218,02
S.A.C. HUAYLLACHO
GRUPO 289,58
ALQUILADOS
Minera C.T. -
Yanaquihua S.A.C. YANAQUIHUA
Pesquera C.T. 32,96
Diamante S.A. MOLLENDO
CENTRALES TÉRMICO Samay I S.A. C.T. PUERTO 136 004,11
ELÉCTRICAS DE LA BRAVO
REGIÓN DE Sociedad Eléctrica C.T. ATICO 2 519,82
AREQUIPA del Sur Oeste S.A. C.T. 10,64
CARAVELI
C.T. CHALA -
C.T. 32,95
COTAHUASI
C.T. OCOÑA -
HIDRAÚLICO Sociedad Eléctrica C.H. -
del Sur Oeste S.A. CARAVELI
C.H. 9,99
CHOCOCO
TÉRMICO Sociedad Minera C.T. CERRO -
Cerro Verde S.A. VERDE
HIDRAÚLICO Stalkraft Perú S.A. C.H. 772,85
HUAYLLACHO
C.H. 21 969,42
MISAPUQUIO
C.H. SAN 1 857,69
ANTONIO
C.H. SAN 1 516,43
IGNACIO
TÉRMICO Unión de C.T. 18,25
Cervecería AREQUIPA
Peruanas Backus y DORADA
Johnston S.A.A.
3.3. Consumo de energía eléctrica (Gw.h)
5000
(GW*h)
4000
3000
2000
1000
0
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
AÑO
AREQUIPA
2500
2000
1500
1000
500
0
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Año
1200
1000
(GW*h)
800
600
400
200
0
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
AÑO
Criterio
Número de Clientes Venta de
Finales Energía(Gw.h)
Año
273423 325.33
2009
289405 355.56
2010
304146 391.45
2011
321379 419.43
2012
339090 430.89
2013
351361 463.484
2014
367866 479.566
2015
378178 492.23
2016
390588 502.19
2017
402746 519.14
2018
Interpretación:
- Desde el año 2009 hasta el 2018 hubo un aumento de 129323 clientes finales, mientras
que en la venta de energía hubo un aumento de 193.81 Gw.h
- En todos los años hubo un aumento en el número de clientes finales y en la venta de
energía.
- El mayor aumento de número de clientes finales fue entre los años 2012 y 2013 con la
cantidad de 17711, mientras que el mayor aumento de venta de energía fue entre los
años 2010 y 2011 con la cantidad de 35.89 Gw.h
- En el año 2018 el sector doméstico es de los que más clientes finales tiene, en
comparación con los otros sectores, mientras el sector industrial estaría ganando en las
cifras de venta de energía.
3.8. Cuadro de doble entrada sector industrial
Criterio
Número de Clientes Venta de
Finales Energía(Gw.h)
Año
Interpretación:
a) Cuadro de doble entrada con los datos obtenidos de Número de clientes y Potencia
que consumen en cada año
De la tabla anterior concluimos que en todos los casos nuestras variables tienen un buen grado
de relación cuadrática entre ellas.
c) Realizamos una regresión cuadrática para observar el crecimiento o decrecimiento
de estos datos.
Figura 5: Regresión cuadrática del número de clientes por año en el sector doméstico
Figura 6: Regresión cuadrática del consumo de energía (Gw.h) por año en el sector doméstico
Figura 7: Regresión cuadrática del número de clientes y el consumo de energía (Gw.h) en el sector doméstico
Regresión 2 2
2
r =¿98.04%
lineal r =¿99.46% r =96.41%
Regresión 2
r =¿99.89%
2
r =¿99.51% r 2=¿99.27%
cuadrática
Según teoría mientras mayor sea el porcentaje de determinación más representativo será
para nuestro modelo y podrá ser usado para una mejor predicción.
En nuestro cuadro vemos que en todos los casos la regresión cuadrática es mejor
modelo de representación.
e) Interpretación
- El mayor incremento que hubo en el número de clientes finales con respecto del año 2009 al
2018 fue entre al año 2011 y 2012 en donde aumentaron 17233 clientes en el sector doméstico.
- Tanto en el número de clientes finales como en la producción de energía los datos aumentan,
esto se debe probablemente al crecimiento económico que hoy día demandan mayor cantidad de
energía.
3.10. Regresión del sector industrial
Criterio
Número de Clientes Finales Venta de Energía(Gw.h)
Año
Con estos resultados podemos decir que en los dos primeros casos nuestras variables tienen un
buen grado de relación cuadrática entre ellas y en el último caso se aprecia una relación lineal.
c) Realizamos una regresión cuadrática para observar el crecimiento o decrecimiento de
estos datos.
Figure 8: Regresión cuadrática del número de clientes por año en el sector industrial
Figure 9: Regresión cuadrática del consumo de energía (Gw.h) por año en el sector industrial
d) Realizamos una regresión lineal para observar el crecimiento o decrecimiento de estos
datos.
Figure 10: Regresión lineal del número de clientes y el consumo de energía (Gw.h) en el sector industrial
Regresión 2 2
2
r =¿76.26%
lineal
r =¿94.16% r =64.25%
2
Regresión 2 2 r =¿72.96%
cuadrática
r =¿98.30% r =¿80.22%
Según teoría mientras mayor sea el porcentaje de determinación más representativo será
para nuestro modelo y podrá ser usado para una mejor predicción.
En este caso en el primero y segundo caso la regresión cuadrática es mejor modelo de
representación, pero en el tercer caso lo representa el modelo de regresión lineal.
f) Interpretaciones
Pronósticos
Período(Año) Pronóstico(Consumo Gw/h)
2019 522.860
2020 526.913
2021 528.119
4.2. SECTOR INDUSTRIAL.
Pronósticos
Período(Año) Pronóstico(Consumo Gw/h)
2019 5903.79
2020 7023.41
2021 8273.52
Podemos conseguir un resultado más realista utilizando el método de Winters, con una
longitud de periodo de 10 años.
En la tabla observamos los datos obtenidos de la gráfica.
Pronósticos
Período(Año) Pronóstico(Consumo Gw/h)
2019 5903.79
2020 7023.41
2021 8273.52
Conclusiones
4. Comparando el crecimiento del consumo energético del sector industrial con el sector
doméstico concluimos que el crecimiento del consumo energético del sector industrial es mayor
en comparación con el consumo energético del sector doméstico.
5. Logramos predecir tanto el consumo doméstico como el industrial, lo cual resulta con un alza
de valores en los próximos años.
Grupo:
Reunión: 1
Fecha: 16/09/2020
Link: https://meet.google.com/njw-dcdd-vsh
Foto:
Objetivos:
Reunión: 2
Fecha: 29/10/2020
Link: https://meet.google.com/ang-sfqi-jvi
Foto:
Acordado:
Reunión: 3
Fecha: 4/11/2020
Link: https://meet.google.com/jao-qyjx-cpg
Foto:
Acordado:
Reunión: 4
Fecha: 12/11/2020
Link: https://meet.google.com/gde-uezy-tpt
Foto:
Acordado:
Reunión: 5
Fecha: 08/12/2020
Link: https://meet.google.com/dti-zhig-xmz
Foto:
Acordado:
Reunión: 6
Fecha: 15/12/2020
Link: https://meet.google.com/uar-opwz-nur
Foto:
Acordado:
Reunión: 7
Fecha: 16/12/2020
Link: https://meet.google.com/xrn-vxgq-qon
Foto:
Acordado:
Tablas de Excel:
Cálculos hechos en Minitab:
Labores realizadas en el Minitab