Se ha diseñado un modelo de analítica prescriptiva para reducir el tiempo de fallas de las máquinas de un proceso de elaboración de galletas, se prueba tres alternativas de mejora para concluir cuál de ellas debería implementar.
30 réplicas tanto del modelo de mantenimiento actual y las tres diferentes propuestas de mejora que ha logrado proponer.
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(ÁrbolC =arbol, Red_N = redn, Regresion = regresion, SActual = actual)
Se realiza un summary y un boxplot para la data actual y de las diferentes propuestas de mejora
summary(data2$SActual)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 15.77 18.12 19.13 19.10 19.80 23.39
summary(data2$Regresion)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 15.03 16.05 16.98 16.89 17.73 18.47
summary(data2$Red_N)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 17.34 19.20 20.87 20.76 21.84 26.47
summary(data2$ÁrbolC)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 18.08 19.89 20.64 21.03 22.14 23.93
boxplot(data2,las = 1,horizontal = TRUE)
Como se puede apreciar la data actual y el modelo de redes presentan outliers, el de regresión presenta menor variabilidad.
Ho→media modelo actual=media modelo “n”
Ho→media modelo actual≠media modelo “n”
Que se puede traducir a:
Ho→No existe una diferencia significativa entre la data actual y el modelo “n”
Ha→Si existe una diferencia significativa entre la data actual y el modelo “n”
# Propuesta 1
t.test(data2$SActual,data2$Regresion, conf.level = 0.95)
##
## Welch Two Sample t-test
##
## data: data2$SActual and data2$Regresion
## t = 5.902, df = 49.248, p-value = 3.26e-07
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 1.458045 2.963288
## sample estimates:
## mean of x mean of y
## 19.10233 16.89167
# Propuesta 2
t.test(data2$SActual,data2$Red_N, conf.level = 0.95)
##
## Welch Two Sample t-test
##
## data: data2$SActual and data2$Red_N
## t = -3.2145, df = 54.681, p-value = 0.002194
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.684758 -0.622575
## sample estimates:
## mean of x mean of y
## 19.10233 20.75600
# Propuesta 3
t.test(data2$SActual,data2$ÁrbolC, conf.level = 0.95)
##
## Welch Two Sample t-test
##
## data: data2$SActual and data2$ÁrbolC
## t = -4.3555, df = 57.989, p-value = 5.479e-05
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.819433 -1.043900
## sample estimates:
## mean of x mean of y
## 19.10233 21.03400
Al ser el p-value más pequeño el del modelo de la regresión,y al rechazar la Ho se concluye reduce significativamente el tiempo de falla de las máquinas en comparación con el modelo de mantenimiento actual, por lo que es la propuesta que se sugiere implementar.