Taller Grupal N2

Grupo 04

  • Pinto Mauricio, Karla Lorena
  • Guerra Zavala Jhoselyn Milagros
  • Jiménez Pereda Claudia Lucia
  • Morales Acosta Litzy Ariani
  • Rivera Menendez, Leslie Hiomara

Paso 1: Análisis Descriptivo Gráfico (Box Plot)

Se analiza el boxplot de los resultados con el objetivo de determinar qué modelo utilizar, considerando la premisa de maximizar el beneficio empresarial (a mayor valor, mejor desempeño), y reducir el tiempo de fallas de las máquinas de un proceso de elaboración de galletas. A partir del boxplot (boxplot(data2)), se observa que los modelos de Árbol de Clasificación y Redes Neuronales presentan los valores más altos y una mayor frecuencia. Por ello, resulta pertinente realizar una comparación más detallada entre ambos modelos para evaluar si existen diferencias o si su desempeño es similar.

 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)
 boxplot(data2)
plot of chunk unnamed-chunk-7

plot of chunk unnamed-chunk-7

Paso 2: Formulación de hipótesis

  • H0 = No existe una diferencia significativa en el rendimiento entre el modelo de Árbol de Clasificación y el modelo de Red Neuronal.

  • H1 = Existe una diferencia significativa en el rendimiento entre el modelo de Árbol de Clasificación y el modelo de Red Neuronal.

Paso 3: Validación de las hipótesis

Utilizando R Commander hacemos la comparación para determinar si:

  • H0 = Árbol Clasificación = Red Neuronal

  • H1 = Árbol Clasificación ≠ Red Neuronal

Considerar que si: P-Value > 5% =>No se Rechaza la H0, caso contrario se Rechaza H0

Resultado:

No se rechaza la H0 porque el P-value es mayor a 0.05

P-Value= 0.5173 > 0.05

 with(data2, (t.test(ÁrbolC, Red_N, alternative='two.sided', conf.level=.95, paired=TRUE)))

    Paired t-test

data:  ÁrbolC and Red_N
t = 0.65544, df = 29, p-value = 0.5173
alternative hypothesis: true mean difference is not equal to 0
95 percent confidence interval:
 -0.5894627  1.1454627
sample estimates:
mean difference 
          0.278

Conclusión:

De acuerdo con los resultados obtenidos, el valor p (0.5173) es mayor al nivel de significancia del 5%, por lo que no se rechaza la hipótesis nula. En consecuencia, no existe evidencia estadística suficiente para afirmar que el modelo de Árbol de Clasificación presenta un rendimiento significativamente diferente al modelo de Red Neuronal. Por lo tanto, ambos modelos muestran un desempeño comparable y podrían aportar beneficios similares en la solución del problema analizado.