knitr::opts_chunk$set(echo = TRUE)

Analisis exploratorio

Analisis exploratorio del tiempo de fallas de las maquinas de un proceso de elaboración de galletas, en el cual comparamos tres métodos nuevos (Árbol de clasificación, Redes Neuronáles, Métodos de Regresión) con el Sistema Actual.

arbol <-c(23.81,    22.13,  22.64,  21.69,  23.58,  22.14,  18.73,  21.59,
          20.36,    20.53,  20.11,  20.34,  19.19,  22.92,  18.65,  20.6,
          19.83,    20.09,  19.43,  22.06,  21.15,  19.26,  18.08,  20.24,
          18.75,    20.69,  21.62,  23.69,  23.93,  23.19)

redn <-c(23.24, 20.08,  18.01,  23.28,  19.23,  21.22,  21.47,  20.6,
         21.11, 21.27,  21.03,  17.34,  22.8,   21.85,  17.85,  23.15,
         19.57, 19.56,  20.79,  18.04,  20.95,  21.83,  18.17,  22.66,
         18.29, 18.89,  19.49,  19.19,  26.47,  25.25)

regresion <-c(16.13,    17.84,  18.28,  15.61,  17.62,  16.12,  17.29,  16.13,
              16.64,    15.03,  18.16,  16.82,  17.44,  16.76,  17.26,  15.55,
              17.49,    18.42,  17.54,  17.13,  15.5,    16.8,  18.47,  18.42, 
              18.43,    15.56,  16.03,  15.39,  15.12, 17.77)

actual <-c(17.09,   15.77,  18.45,  16.55,  22.23,  22.11,  18.26,  18.04,  
           19.66,   19.76,  18.74,  19.02,  18.54,  16.7,   17.57,  19.89,
           19.06,   18.7,   19.39,  19.68,  19.2,   16.85,  19.91,  19.82,  18.08,
           19.38,   20.3,   21.6,   23.39,  19.33)


data2  <- data.frame(Árbol =arbol, Red_N = redn, Regresión = regresion, Sist_Actual = actual)

summary(data2)
##      Árbol           Red_N         Regresión      Sist_Actual   
##  Min.   :18.08   Min.   :17.34   Min.   :15.03   Min.   :15.77  
##  1st Qu.:19.89   1st Qu.:19.20   1st Qu.:16.05   1st Qu.:18.12  
##  Median :20.64   Median :20.87   Median :16.98   Median :19.13  
##  Mean   :21.03   Mean   :20.76   Mean   :16.89   Mean   :19.10  
##  3rd Qu.:22.14   3rd Qu.:21.84   3rd Qu.:17.73   3rd Qu.:19.80  
##  Max.   :23.93   Max.   :26.47   Max.   :18.47   Max.   :23.39

Comparativa de T-student de los nuevos procesos contra el método actual

# Pruebas t de Student
t_arbol <- t.test(arbol, actual, alternative = "less", var.equal = FALSE)
t_redn <- t.test(redn, actual, alternative = "less", var.equal = FALSE)
t_regresion <- t.test(regresion, actual, alternative = "less", var.equal = FALSE)



# Comparación de resultados
resultados <- data.frame(Modelo = c("Arbol", "Redn", "Regresion"),
                         Valor_p = c(t_arbol$p.value, t_redn$p.value, t_regresion$p.value),
                         Media_Modelo = c(mean(arbol), mean(redn), mean(regresion)),
                         Media_Actual = mean(actual),
                         Diferencia_Medias = c(mean(arbol), mean(redn), mean(regresion)) - mean(actual))

resultados
##      Modelo      Valor_p Media_Modelo Media_Actual Diferencia_Medias
## 1     Arbol 9.999726e-01     21.03400     19.10233          1.931667
## 2      Redn 9.989030e-01     20.75600     19.10233          1.653667
## 3 Regresion 1.630094e-07     16.89167     19.10233         -2.210667

Conclusiones

Para determinar cuál es la mejor opción para reducir el tiempo de fallas de las máquinas en el proceso de elaboración de galletas, debemos considerar varios factores, incluyendo los resultados de la prueba de hipótesis realizadas en los datos proporcionados,

1. Análisis de los resultados de la prueba de hipótesis: Calculamos la diferencia de medias y realizamos la prueba de hipótesis para cada método propuesto en comparación con el sistema actual. Buscamos un valor P bajo, lo que indica que hay evidencia significativa para rechazar la hipótesis nula de que no hay diferencia entre los métodos propuestos y el sistema actual.

Por lo que sugerimos que la propuesta a implementarse sea la de regresión; sin embargo lineas abajo a modo de recomendación consideramos 2 factores más para una toma de decisión más acertada.

2. Consideración de otros factores: Además de los resultados de las pruebas de hipótesis, debemos considerar otros factores importantes, como la viabilidad de implementación, el costo asociado, la disponibilidad de recursos, la interpretación de los resultados y cualquier otra consideración relevante para el proceso de elaboración de galletas.

3. Consultar a expertos en la materia: Es posible que sea beneficioso consultar a expertos en el campo de la fabricación de galletas o en análisis de datos para obtener una perspectiva más amplia y experta sobre qué opción sería la más adecuada en función de los datos y las circunstancias específicas.

Una vez que hayamos considerado estos factores, podremos tomar una decisión informada sobre cuál es la mejor opción para implementar y reducir el tiempo de fallas de las máquinas en el proceso de elaboración de galletas.