Examinando por Autor "Morales Rivera, Mario Alfonso"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Análisis en fase I y fase II de una carta EWMA con límites de control dinámicos para monitorear datos basados en la distribución Birnbaum-Saunders
    (Universidad de Cordoba, 2024-07-10) Buelvas Pestana, Luis Miguel; Morales Ospina, Víctor; Martínez Flórez, Guillermo; Morales Rivera, Mario Alfonso; Cogollo Flórez, Miladis Rocío
    Spa: En el monitoreo de procesos se distinguen claramente dos fases: Fase I y Fase II. La Fase I sirve para estabilizar el proceso y estimar parámetros, principalmente, y resulta fundamental para lograr un eficiente monitoreo del proceso en Fase II, la cual se encarga del monitoreo en linea una vez cumplida la Fase I. Con frecuencia, la distribución del estadístico con el cual se hace el monitoreo del proceso, es conocida, sin embargo, en algunos casos, la distribución del estadístico de monitoreo es desconocida. Una alternativa en estos casos, es el uso de procedimientos Bootstrap, sin embargo, las cartas construidas bajo esta metodología, han mostrado algunas deficiencias en su desempeño en Fase I. En este trabajo se propone una carta de control tipo EWMA con límites dinámicos para monitorear la media de datos Birnbaum-Saunders (BS) agregados y se estudia su desempeño en Fase I y Fase II, usando como criterio sus límites de control, las desviaciones estándar de los mismos y la longitud promedio de corrida (ARL); de lo cual, se encontró que de manera general la carta propuesta funciona mucho mejor a la carta establecida para el monitoreo de un proceso que siga una distribución Birnabum-Saunders.
  • Miniatura
    PublicaciónEmbargo
    Bestmodel: una nueva función en R para evaluar la capacidad predictiva de un modelo
    (Universidad de Córdoba, 2024-12-11) Velásquez Alemán, Elkin David; Cogollo Flórez, Myladis; Morales Rivera, Mario Alfonso; Morales Ospina, Victor
    El objetivo de la investigación se fundamenta en desarrollar una nueva función en R que facilite el cálculo simultáneo y rápido de las métricas para modelos de pronóstico, como series de tiempo, modelos de regresión y redes neuronales, ofreciendo una alternativa más interactiva y fácil de usar. La función fue además comparada con otras herramientas disponibles, resaltando tanto sus ventajas como sus desventajas frente a otras funciones tradicionales, que calculan métricas de manera independiente. La propuesta busca mejorar la experiencia del usuario, permitiendo la automatización de la evaluación de modelos en tan solo pocas líneas de código, optimizando el proceso de análisis, reduciendo el esfuerzo y el tiempo requerido para interpretar los resultados de manera más rápida.