MODELOS DE MANTENIMIENTO
EERICK HINOSTROZA, JOSE RAZA, PABLO TERRONES, PAUL HUAMAN
17/4/2021
## Warning: package 'RcmdrMisc' was built under R version 4.0.5## Loading required package: car## Loading required package: carData## Loading required package: sandwichMODELOS DE MANTENIMIENTO
PASO 1: ESTRUCTURAR BASE DE DATOS
Importamos las 4 bases de datos.
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)Estructuramos las cuatro tablas en una “data2”
(data2 <- data.frame(ÁrbolC =arbol, Red_N = redn, Regresion = regresion, SActual = actual))## ÁrbolC Red_N Regresion SActual
## 1 23.81 23.24 16.13 17.09
## 2 22.13 20.08 17.84 15.77
## 3 22.64 18.01 18.28 18.45
## 4 21.69 23.28 15.61 16.55
## 5 23.58 19.23 17.62 22.23
## 6 22.14 21.22 16.12 22.11
## 7 18.73 21.47 17.29 18.26
## 8 21.59 20.60 16.13 18.04
## 9 20.36 21.11 16.64 19.66
## 10 20.53 21.27 15.03 19.76
## 11 20.11 21.03 18.16 18.74
## 12 20.34 17.34 16.82 19.02
## 13 19.19 22.80 17.44 18.54
## 14 22.92 21.85 16.76 16.70
## 15 18.65 17.85 17.26 17.57
## 16 20.60 23.15 15.55 19.89
## 17 19.83 19.57 17.49 19.06
## 18 20.09 19.56 18.42 18.70
## 19 19.43 20.79 17.54 19.39
## 20 22.06 18.04 17.13 19.68
## 21 21.15 20.95 15.50 19.20
## 22 19.26 21.83 16.80 16.85
## 23 18.08 18.17 18.47 19.91
## 24 20.24 22.66 18.42 19.82
## 25 18.75 18.29 18.43 18.08
## 26 20.69 18.89 15.56 19.38
## 27 21.62 19.49 16.03 20.30
## 28 23.69 19.19 15.39 21.60
## 29 23.93 26.47 15.12 23.39
## 30 23.19 25.25 17.77 19.33summary(data2)## ÁrbolC Red_N Regresion SActual
## 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. :23.39A partir de “data2” apilamos las cuatro variables un una table de dos variables denominada: “DB_Mantto”
DB_Mantto <- stack(data2[, c("ÁrbolC","Red_N","Regresion","SActual")])
names(DB_Mantto) <- c("Data_Mantto", "Modelo_Mantto")
DB_Mantto## Data_Mantto Modelo_Mantto
## 1 23.81 ÁrbolC
## 2 22.13 ÁrbolC
## 3 22.64 ÁrbolC
## 4 21.69 ÁrbolC
## 5 23.58 ÁrbolC
## 6 22.14 ÁrbolC
## 7 18.73 ÁrbolC
## 8 21.59 ÁrbolC
## 9 20.36 ÁrbolC
## 10 20.53 ÁrbolC
## 11 20.11 ÁrbolC
## 12 20.34 ÁrbolC
## 13 19.19 ÁrbolC
## 14 22.92 ÁrbolC
## 15 18.65 ÁrbolC
## 16 20.60 ÁrbolC
## 17 19.83 ÁrbolC
## 18 20.09 ÁrbolC
## 19 19.43 ÁrbolC
## 20 22.06 ÁrbolC
## 21 21.15 ÁrbolC
## 22 19.26 ÁrbolC
## 23 18.08 ÁrbolC
## 24 20.24 ÁrbolC
## 25 18.75 ÁrbolC
## 26 20.69 ÁrbolC
## 27 21.62 ÁrbolC
## 28 23.69 ÁrbolC
## 29 23.93 ÁrbolC
## 30 23.19 ÁrbolC
## 31 23.24 Red_N
## 32 20.08 Red_N
## 33 18.01 Red_N
## 34 23.28 Red_N
## 35 19.23 Red_N
## 36 21.22 Red_N
## 37 21.47 Red_N
## 38 20.60 Red_N
## 39 21.11 Red_N
## 40 21.27 Red_N
## 41 21.03 Red_N
## 42 17.34 Red_N
## 43 22.80 Red_N
## 44 21.85 Red_N
## 45 17.85 Red_N
## 46 23.15 Red_N
## 47 19.57 Red_N
## 48 19.56 Red_N
## 49 20.79 Red_N
## 50 18.04 Red_N
## 51 20.95 Red_N
## 52 21.83 Red_N
## 53 18.17 Red_N
## 54 22.66 Red_N
## 55 18.29 Red_N
## 56 18.89 Red_N
## 57 19.49 Red_N
## 58 19.19 Red_N
## 59 26.47 Red_N
## 60 25.25 Red_N
## 61 16.13 Regresion
## 62 17.84 Regresion
## 63 18.28 Regresion
## 64 15.61 Regresion
## 65 17.62 Regresion
## 66 16.12 Regresion
## 67 17.29 Regresion
## 68 16.13 Regresion
## 69 16.64 Regresion
## 70 15.03 Regresion
## 71 18.16 Regresion
## 72 16.82 Regresion
## 73 17.44 Regresion
## 74 16.76 Regresion
## 75 17.26 Regresion
## 76 15.55 Regresion
## 77 17.49 Regresion
## 78 18.42 Regresion
## 79 17.54 Regresion
## 80 17.13 Regresion
## 81 15.50 Regresion
## 82 16.80 Regresion
## 83 18.47 Regresion
## 84 18.42 Regresion
## 85 18.43 Regresion
## 86 15.56 Regresion
## 87 16.03 Regresion
## 88 15.39 Regresion
## 89 15.12 Regresion
## 90 17.77 Regresion
## 91 17.09 SActual
## 92 15.77 SActual
## 93 18.45 SActual
## 94 16.55 SActual
## 95 22.23 SActual
## 96 22.11 SActual
## 97 18.26 SActual
## 98 18.04 SActual
## 99 19.66 SActual
## 100 19.76 SActual
## 101 18.74 SActual
## 102 19.02 SActual
## 103 18.54 SActual
## 104 16.70 SActual
## 105 17.57 SActual
## 106 19.89 SActual
## 107 19.06 SActual
## 108 18.70 SActual
## 109 19.39 SActual
## 110 19.68 SActual
## 111 19.20 SActual
## 112 16.85 SActual
## 113 19.91 SActual
## 114 19.82 SActual
## 115 18.08 SActual
## 116 19.38 SActual
## 117 20.30 SActual
## 118 21.60 SActual
## 119 23.39 SActual
## 120 19.33 SActualPASO 2: ANALISIS DE LA BASE DE DATOS
Teniendo como base la data aplilada “DB_Mannto” se genera los diagramas de caja para el analisis de su media:
Boxplot(Data_Mantto~Modelo_Mantto, data=DB_Mantto, id=list(method="y"))
## [1] "59" "119"numSummary(DB_Mantto[,"Data_Mantto", drop=FALSE], groups=DB_Mantto$Modelo_Mantto,
statistics=c("mean", "sd", "IQR", "quantiles"), quantiles=c(0,.25,.5,.75,1))## mean sd IQR 0% 25% 50% 75% 100%
## ÁrbolC 21.03400 1.705609 2.2425 18.08 19.8950 20.645 22.1375 23.93
## Red_N 20.75600 2.224344 2.6450 17.34 19.2000 20.870 21.8450 26.47
## Regresion 16.89167 1.103312 1.6800 15.03 16.0525 16.975 17.7325 18.47
## SActual 19.10233 1.729648 1.6800 15.77 18.1250 19.130 19.8050 23.39
## Data_Mantto:n
## ÁrbolC 30
## Red_N 30
## Regresion 30
## SActual 30Al aplicar:
t.test(Data_Mantto~Modelo_Mantto, alternative=‘two.sided’, conf.level=.95, var.equal=FALSE, data=DB_Mantto)
Se obtiene el siguiente error:
Error in t.test.formula(Data_Mantto ~ Modelo_Mantto, alternative = “two.sided”, : grouping factor must have exactly 2 levels
POR LO TANTO, Dado que el test de t en R solo se puede hace para un máximo de dos variables independientes realizamos el analisis de 2 en 2 de las variables.
PASO 3: PRUEBA DE HIPOTESIS E INTERVALOS DE CONFIANZA
3.1 ARBOL DE CLASIFICACION VS SISTEMA ACTUAL
DB_ARBvsSAC<- stack(data2[, c("ÁrbolC","SActual")])
names(DB_ARBvsSAC) <- c("Data_ARBvsSAC", "Modelo_ARBvsSAC")
DB_ARBvsSAC## Data_ARBvsSAC Modelo_ARBvsSAC
## 1 23.81 ÁrbolC
## 2 22.13 ÁrbolC
## 3 22.64 ÁrbolC
## 4 21.69 ÁrbolC
## 5 23.58 ÁrbolC
## 6 22.14 ÁrbolC
## 7 18.73 ÁrbolC
## 8 21.59 ÁrbolC
## 9 20.36 ÁrbolC
## 10 20.53 ÁrbolC
## 11 20.11 ÁrbolC
## 12 20.34 ÁrbolC
## 13 19.19 ÁrbolC
## 14 22.92 ÁrbolC
## 15 18.65 ÁrbolC
## 16 20.60 ÁrbolC
## 17 19.83 ÁrbolC
## 18 20.09 ÁrbolC
## 19 19.43 ÁrbolC
## 20 22.06 ÁrbolC
## 21 21.15 ÁrbolC
## 22 19.26 ÁrbolC
## 23 18.08 ÁrbolC
## 24 20.24 ÁrbolC
## 25 18.75 ÁrbolC
## 26 20.69 ÁrbolC
## 27 21.62 ÁrbolC
## 28 23.69 ÁrbolC
## 29 23.93 ÁrbolC
## 30 23.19 ÁrbolC
## 31 17.09 SActual
## 32 15.77 SActual
## 33 18.45 SActual
## 34 16.55 SActual
## 35 22.23 SActual
## 36 22.11 SActual
## 37 18.26 SActual
## 38 18.04 SActual
## 39 19.66 SActual
## 40 19.76 SActual
## 41 18.74 SActual
## 42 19.02 SActual
## 43 18.54 SActual
## 44 16.70 SActual
## 45 17.57 SActual
## 46 19.89 SActual
## 47 19.06 SActual
## 48 18.70 SActual
## 49 19.39 SActual
## 50 19.68 SActual
## 51 19.20 SActual
## 52 16.85 SActual
## 53 19.91 SActual
## 54 19.82 SActual
## 55 18.08 SActual
## 56 19.38 SActual
## 57 20.30 SActual
## 58 21.60 SActual
## 59 23.39 SActual
## 60 19.33 SActualt.test(Data_ARBvsSAC~Modelo_ARBvsSAC, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_ARBvsSAC)##
## Welch Two Sample t-test
##
## data: Data_ARBvsSAC by Modelo_ARBvsSAC
## 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:
## 1.043900 2.819433
## sample estimates:
## mean in group ÁrbolC mean in group SActual
## 21.03400 19.10233DADO QUE EL “P-VALUE” ES MENOR QUE “ALFA”, RECHAZAMOS LA HIPOTESIS NULA. SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
3.2 REDES NEURONALES VS SISTEMA ACTUAL
DB_RNEvsSAC<- stack(data2[, c("Red_N","SActual")])
names(DB_RNEvsSAC) <- c("Data_RNEvsSAC", "Modelo_RNEvsSAC")
DB_RNEvsSAC## Data_RNEvsSAC Modelo_RNEvsSAC
## 1 23.24 Red_N
## 2 20.08 Red_N
## 3 18.01 Red_N
## 4 23.28 Red_N
## 5 19.23 Red_N
## 6 21.22 Red_N
## 7 21.47 Red_N
## 8 20.60 Red_N
## 9 21.11 Red_N
## 10 21.27 Red_N
## 11 21.03 Red_N
## 12 17.34 Red_N
## 13 22.80 Red_N
## 14 21.85 Red_N
## 15 17.85 Red_N
## 16 23.15 Red_N
## 17 19.57 Red_N
## 18 19.56 Red_N
## 19 20.79 Red_N
## 20 18.04 Red_N
## 21 20.95 Red_N
## 22 21.83 Red_N
## 23 18.17 Red_N
## 24 22.66 Red_N
## 25 18.29 Red_N
## 26 18.89 Red_N
## 27 19.49 Red_N
## 28 19.19 Red_N
## 29 26.47 Red_N
## 30 25.25 Red_N
## 31 17.09 SActual
## 32 15.77 SActual
## 33 18.45 SActual
## 34 16.55 SActual
## 35 22.23 SActual
## 36 22.11 SActual
## 37 18.26 SActual
## 38 18.04 SActual
## 39 19.66 SActual
## 40 19.76 SActual
## 41 18.74 SActual
## 42 19.02 SActual
## 43 18.54 SActual
## 44 16.70 SActual
## 45 17.57 SActual
## 46 19.89 SActual
## 47 19.06 SActual
## 48 18.70 SActual
## 49 19.39 SActual
## 50 19.68 SActual
## 51 19.20 SActual
## 52 16.85 SActual
## 53 19.91 SActual
## 54 19.82 SActual
## 55 18.08 SActual
## 56 19.38 SActual
## 57 20.30 SActual
## 58 21.60 SActual
## 59 23.39 SActual
## 60 19.33 SActualt.test(Data_RNEvsSAC~Modelo_RNEvsSAC, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_RNEvsSAC)##
## Welch Two Sample t-test
##
## data: Data_RNEvsSAC by Modelo_RNEvsSAC
## 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:
## 0.622575 2.684758
## sample estimates:
## mean in group Red_N mean in group SActual
## 20.75600 19.10233DADO QUE EL “P-VALUE” ES MENOR QUE “ALFA”, RECHAZAMOS LA HIPOTESIS NULA. SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
3.3 METODOS DE REGRESION VS SISTEMA ACTUAL
DB_REGvsSAC<- stack(data2[, c("Regresion","SActual")])
names(DB_REGvsSAC) <- c("Data_REGvsSAC", "Modelo_REGvsSAC")
DB_REGvsSAC## Data_REGvsSAC Modelo_REGvsSAC
## 1 16.13 Regresion
## 2 17.84 Regresion
## 3 18.28 Regresion
## 4 15.61 Regresion
## 5 17.62 Regresion
## 6 16.12 Regresion
## 7 17.29 Regresion
## 8 16.13 Regresion
## 9 16.64 Regresion
## 10 15.03 Regresion
## 11 18.16 Regresion
## 12 16.82 Regresion
## 13 17.44 Regresion
## 14 16.76 Regresion
## 15 17.26 Regresion
## 16 15.55 Regresion
## 17 17.49 Regresion
## 18 18.42 Regresion
## 19 17.54 Regresion
## 20 17.13 Regresion
## 21 15.50 Regresion
## 22 16.80 Regresion
## 23 18.47 Regresion
## 24 18.42 Regresion
## 25 18.43 Regresion
## 26 15.56 Regresion
## 27 16.03 Regresion
## 28 15.39 Regresion
## 29 15.12 Regresion
## 30 17.77 Regresion
## 31 17.09 SActual
## 32 15.77 SActual
## 33 18.45 SActual
## 34 16.55 SActual
## 35 22.23 SActual
## 36 22.11 SActual
## 37 18.26 SActual
## 38 18.04 SActual
## 39 19.66 SActual
## 40 19.76 SActual
## 41 18.74 SActual
## 42 19.02 SActual
## 43 18.54 SActual
## 44 16.70 SActual
## 45 17.57 SActual
## 46 19.89 SActual
## 47 19.06 SActual
## 48 18.70 SActual
## 49 19.39 SActual
## 50 19.68 SActual
## 51 19.20 SActual
## 52 16.85 SActual
## 53 19.91 SActual
## 54 19.82 SActual
## 55 18.08 SActual
## 56 19.38 SActual
## 57 20.30 SActual
## 58 21.60 SActual
## 59 23.39 SActual
## 60 19.33 SActualt.test(Data_REGvsSAC~Modelo_REGvsSAC, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_REGvsSAC)##
## Welch Two Sample t-test
##
## data: Data_REGvsSAC by Modelo_REGvsSAC
## 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:
## -2.963288 -1.458045
## sample estimates:
## mean in group Regresion mean in group SActual
## 16.89167 19.10233DADO QUE EL “P-VALUE” ES MENOR QUE “ALFA”, RECHAZAMOS LA HIPOTESIS NULA. SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
3.4 ARBOL DE CLASIFICACION VS REDES NEURONALES
DB_ARBvsRNE<- stack(data2[, c("ÁrbolC","Red_N")])
names(DB_ARBvsRNE) <- c("Data_ARBvsRNE", "Modelo_ARBvsRNE")
DB_ARBvsRNE## Data_ARBvsRNE Modelo_ARBvsRNE
## 1 23.81 ÁrbolC
## 2 22.13 ÁrbolC
## 3 22.64 ÁrbolC
## 4 21.69 ÁrbolC
## 5 23.58 ÁrbolC
## 6 22.14 ÁrbolC
## 7 18.73 ÁrbolC
## 8 21.59 ÁrbolC
## 9 20.36 ÁrbolC
## 10 20.53 ÁrbolC
## 11 20.11 ÁrbolC
## 12 20.34 ÁrbolC
## 13 19.19 ÁrbolC
## 14 22.92 ÁrbolC
## 15 18.65 ÁrbolC
## 16 20.60 ÁrbolC
## 17 19.83 ÁrbolC
## 18 20.09 ÁrbolC
## 19 19.43 ÁrbolC
## 20 22.06 ÁrbolC
## 21 21.15 ÁrbolC
## 22 19.26 ÁrbolC
## 23 18.08 ÁrbolC
## 24 20.24 ÁrbolC
## 25 18.75 ÁrbolC
## 26 20.69 ÁrbolC
## 27 21.62 ÁrbolC
## 28 23.69 ÁrbolC
## 29 23.93 ÁrbolC
## 30 23.19 ÁrbolC
## 31 23.24 Red_N
## 32 20.08 Red_N
## 33 18.01 Red_N
## 34 23.28 Red_N
## 35 19.23 Red_N
## 36 21.22 Red_N
## 37 21.47 Red_N
## 38 20.60 Red_N
## 39 21.11 Red_N
## 40 21.27 Red_N
## 41 21.03 Red_N
## 42 17.34 Red_N
## 43 22.80 Red_N
## 44 21.85 Red_N
## 45 17.85 Red_N
## 46 23.15 Red_N
## 47 19.57 Red_N
## 48 19.56 Red_N
## 49 20.79 Red_N
## 50 18.04 Red_N
## 51 20.95 Red_N
## 52 21.83 Red_N
## 53 18.17 Red_N
## 54 22.66 Red_N
## 55 18.29 Red_N
## 56 18.89 Red_N
## 57 19.49 Red_N
## 58 19.19 Red_N
## 59 26.47 Red_N
## 60 25.25 Red_Nt.test(Data_ARBvsRNE~Modelo_ARBvsRNE, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_ARBvsRNE)##
## Welch Two Sample t-test
##
## data: Data_ARBvsRNE by Modelo_ARBvsRNE
## t = 0.54323, df = 54.341, p-value = 0.5892
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.7478602 1.3038602
## sample estimates:
## mean in group ÁrbolC mean in group Red_N
## 21.034 20.756DADO QUE EL “P-VALUE” ES MAYOR QUE “ALFA”, NO RECHAZAMOS LA HIPOTESIS NULA. NO SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
3.5 ARBOL DE CLASIFICACION VS METODOS DE REGRESION
DB_ARBvsREG<- stack(data2[, c("ÁrbolC","Regresion")])
names(DB_ARBvsREG) <- c("Data_ARBvsREG", "Modelo_ARBvsREG")
DB_ARBvsREG## Data_ARBvsREG Modelo_ARBvsREG
## 1 23.81 ÁrbolC
## 2 22.13 ÁrbolC
## 3 22.64 ÁrbolC
## 4 21.69 ÁrbolC
## 5 23.58 ÁrbolC
## 6 22.14 ÁrbolC
## 7 18.73 ÁrbolC
## 8 21.59 ÁrbolC
## 9 20.36 ÁrbolC
## 10 20.53 ÁrbolC
## 11 20.11 ÁrbolC
## 12 20.34 ÁrbolC
## 13 19.19 ÁrbolC
## 14 22.92 ÁrbolC
## 15 18.65 ÁrbolC
## 16 20.60 ÁrbolC
## 17 19.83 ÁrbolC
## 18 20.09 ÁrbolC
## 19 19.43 ÁrbolC
## 20 22.06 ÁrbolC
## 21 21.15 ÁrbolC
## 22 19.26 ÁrbolC
## 23 18.08 ÁrbolC
## 24 20.24 ÁrbolC
## 25 18.75 ÁrbolC
## 26 20.69 ÁrbolC
## 27 21.62 ÁrbolC
## 28 23.69 ÁrbolC
## 29 23.93 ÁrbolC
## 30 23.19 ÁrbolC
## 31 16.13 Regresion
## 32 17.84 Regresion
## 33 18.28 Regresion
## 34 15.61 Regresion
## 35 17.62 Regresion
## 36 16.12 Regresion
## 37 17.29 Regresion
## 38 16.13 Regresion
## 39 16.64 Regresion
## 40 15.03 Regresion
## 41 18.16 Regresion
## 42 16.82 Regresion
## 43 17.44 Regresion
## 44 16.76 Regresion
## 45 17.26 Regresion
## 46 15.55 Regresion
## 47 17.49 Regresion
## 48 18.42 Regresion
## 49 17.54 Regresion
## 50 17.13 Regresion
## 51 15.50 Regresion
## 52 16.80 Regresion
## 53 18.47 Regresion
## 54 18.42 Regresion
## 55 18.43 Regresion
## 56 15.56 Regresion
## 57 16.03 Regresion
## 58 15.39 Regresion
## 59 15.12 Regresion
## 60 17.77 Regresiont.test(Data_ARBvsREG~Modelo_ARBvsREG, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_ARBvsREG)##
## Welch Two Sample t-test
##
## data: Data_ARBvsREG by Modelo_ARBvsREG
## t = 11.169, df = 49.653, p-value = 3.764e-15
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 3.397285 4.887382
## sample estimates:
## mean in group ÁrbolC mean in group Regresion
## 21.03400 16.89167DADO QUE EL “P-VALUE” ES MENOR QUE “ALFA”, RECHAZAMOS LA HIPOTESIS NULA. SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
3.6 REDES NEURONALES VS METODOS DE REGRESION
DB_RNEvsREG<- stack(data2[, c("Red_N","Regresion")])
names(DB_RNEvsREG) <- c("Data_RNEvsREG", "Modelo_RNEvsREG")
DB_RNEvsREG## Data_RNEvsREG Modelo_RNEvsREG
## 1 23.24 Red_N
## 2 20.08 Red_N
## 3 18.01 Red_N
## 4 23.28 Red_N
## 5 19.23 Red_N
## 6 21.22 Red_N
## 7 21.47 Red_N
## 8 20.60 Red_N
## 9 21.11 Red_N
## 10 21.27 Red_N
## 11 21.03 Red_N
## 12 17.34 Red_N
## 13 22.80 Red_N
## 14 21.85 Red_N
## 15 17.85 Red_N
## 16 23.15 Red_N
## 17 19.57 Red_N
## 18 19.56 Red_N
## 19 20.79 Red_N
## 20 18.04 Red_N
## 21 20.95 Red_N
## 22 21.83 Red_N
## 23 18.17 Red_N
## 24 22.66 Red_N
## 25 18.29 Red_N
## 26 18.89 Red_N
## 27 19.49 Red_N
## 28 19.19 Red_N
## 29 26.47 Red_N
## 30 25.25 Red_N
## 31 16.13 Regresion
## 32 17.84 Regresion
## 33 18.28 Regresion
## 34 15.61 Regresion
## 35 17.62 Regresion
## 36 16.12 Regresion
## 37 17.29 Regresion
## 38 16.13 Regresion
## 39 16.64 Regresion
## 40 15.03 Regresion
## 41 18.16 Regresion
## 42 16.82 Regresion
## 43 17.44 Regresion
## 44 16.76 Regresion
## 45 17.26 Regresion
## 46 15.55 Regresion
## 47 17.49 Regresion
## 48 18.42 Regresion
## 49 17.54 Regresion
## 50 17.13 Regresion
## 51 15.50 Regresion
## 52 16.80 Regresion
## 53 18.47 Regresion
## 54 18.42 Regresion
## 55 18.43 Regresion
## 56 15.56 Regresion
## 57 16.03 Regresion
## 58 15.39 Regresion
## 59 15.12 Regresion
## 60 17.77 Regresiont.test(Data_RNEvsREG~Modelo_RNEvsREG, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=DB_RNEvsREG)##
## Welch Two Sample t-test
##
## data: Data_RNEvsREG by Modelo_RNEvsREG
## t = 8.5245, df = 42.455, p-value = 9.625e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 2.949785 4.778882
## sample estimates:
## mean in group Red_N mean in group Regresion
## 20.75600 16.89167DADO QUE EL “P-VALUE” ES MENOR QUE “ALFA”, RECHAZAMOS LA HIPOTESIS NULA. SE ENCUENTRA DIFERENCIAS SIGNIFICATIVAS ENTRE AMBOS MODELOS.
PASO 4: CONCLUSIONES
Generando nuevamente los diagramas de caja para las cuatro variables:
Boxplot(Data_Mantto~Modelo_Mantto, data=DB_Mantto, id=list(method="y"))
## [1] "59" "119"numSummary(DB_Mantto[,"Data_Mantto", drop=FALSE], groups=DB_Mantto$Modelo_Mantto,
statistics=c("mean", "sd", "IQR", "quantiles"), quantiles=c(0,.25,.5,.75,1))## mean sd IQR 0% 25% 50% 75% 100%
## ÁrbolC 21.03400 1.705609 2.2425 18.08 19.8950 20.645 22.1375 23.93
## Red_N 20.75600 2.224344 2.6450 17.34 19.2000 20.870 21.8450 26.47
## Regresion 16.89167 1.103312 1.6800 15.03 16.0525 16.975 17.7325 18.47
## SActual 19.10233 1.729648 1.6800 15.77 18.1250 19.130 19.8050 23.39
## Data_Mantto:n
## ÁrbolC 30
## Red_N 30
## Regresion 30
## SActual 30Y a partir del analisis se observa que: Dado que “Data_Mantto” representa el tiempo de fallas de las máquinas de un proceso de elaboración de galletas. Es claro que a MENOR TIEMPO DE FALLA SE ESTARÁ OPTIMIZANDO EL PROCESO.
Así, de la prueba de hipotesis se concluye que entre EL SISTEMA ACTUAL y los tres modelos propuestos se ENCUENTRAN DIFERENCIAS SIGNIFICATIVAS en relación al tiempo de fallaS de las maquinas. Es decir en cualquiera de los casos se está impactando significativamente el tiempo de falla actual de una maquina.
Sin embargo, del análisis previo se concluye también que entre los MODELOS DE ARBOL Y REDES NEURONALES NO SE ENCUENTRAN DIFERENCIAS SIGNIFICATIVAS, por lo cual cualquiera de estos modelos podría ser el adecuado. NO OBSTANTE, ambos modelos incrementan significativamente el tiempo de falla de una maquina en relación al sistema actual por lo cual ambos casos no serían viables.
Finalmente, el MODELO DE REGRESIÓN es SIGNIFICATIVMENTE DIFERENTE QUE EL SISTEMA ACTUAL, pero en este caso se reduce el tiempo de falla de una máquina en promedio a 16.89. POR LO TANTO DEBERÍA IMPLEMENTARSE ESTE MODELO.
———- FIN