Cogollo Flórez, Myladis RocíoJiménez Peña, Elis Loana2024-06-282025-06-282024-06-282024-06-26https://repositorio.unicordoba.edu.co/handle/ucordoba/8321Los procedimientos industriales requieren de acciones y decisiones efectivas para monitorear y mejorar la calidad de cualquier tipo de producto, manteniendo la competitividad y el cumplimiento de las especificaciones preestablecidas. Los índices de capacidad de procesos son una herramienta empleada para ello, sin embargo, generalmente requieren que se satisfaga el supuesto de normalidad de los datos del proceso, y no se ha abordado un análisis de sensibilidad del efecto que pueden tener cambios en los parámetros claves del proceso sobre el valor del índice. En este estudio se propone un análisis prescriptivo para la estimación del índice de capacidad Cpm cuando los datos del proceso no se distribuyen normalmente. Se consideran métodos de optimización tradicional y heurísticos, junto con optimización no lineal. Con la metodología propuesta se logra identificar, a partir de datos históricos, los valores óptimos de los percentiles que conllevan a obtener un valor del índice Cpm de un proceso capaz. En particular para el conjunto de datos experimental analizado, el cual se puede ajustar a una distribución Gamma, se encuentra que los valores del índice que denotan procesos capaces aumentan a medida que aumenta el parámetro de escala, mientras que el parámetro de forma se mantiene cercano a cero.Industrial procedures require effective actions and decisions to monitor and improve the quality of any type of product, maintaining competitiveness and compliance with pre-established specifications. Process capability indices are a tool used for this purpose, however, they generally require that the assumption of normality of the process data be satisfied, and a sensitivity analysis of the effect that changes in key parameters may have has not been addressed. of the process on the value of the index. In this study, a prescriptive analysis is proposed for the estimation of the capacity index Cpm when the process data is not normally distributed. Traditional and heuristic optimization methods are considered, along with nonlinear optimization. With the proposed methodology, it is possible to identify, from historical data, the optimal values of the percentiles that lead to obtaining a value of the Cpm index of a capable process. In particular, for the experimental data set analyzed, which can be fitted to a Gamma distribution, it is found that the index values denoting capable processes increase as the scale parameter increases, while the shape parameter remains close steel.1. Introducción.....................................................................................................62. Objetivos............................................................................................................82.1 Objetivo general.............................................................................................82.2 Objetivos específicos.....................................................................................83. Marco teórico..................................................................................................93.1 Índice de capacidad de procesos................................................................93.2 Índice de capacidad de procesos no normales........................................93.2.1 Índice Cpm (índice de Taguchi)..................................................................93.3 Elementos de datos de Big Data..................................................................103.4 Modelo de optimización...............................................................................123.5 Métodos de optimización..............................................................................123.5.1 Método del gradiente reducido generalizado (GRG)............................123.5.2 Particle Swarm Optimization (PSO)...........................................................143.6. Métricas de evaluación..................................................................................154. Formulación matemática del modelo de optimización..............................154.1 Etapa 1: Ajuste de distribución a los datos del proceso............................164.2 Etapa 2: Adaptación del modelo de optimización.....................................184.3 Etapa 3: Optimización de parámetros.........................................................184.4 Etapa 4: Cálculo de los percentiles y estimación del índice......................194.5 Etapa 5: Análisis prescriptivo.........................................................................195. Aplicación real..................................................................................................195.1 Etapa 1: Ajuste de distribución a los datos del proceso.............................205.2 Etapa 2: Adaptación distribucional al modelo de optimización................215.3 Etapas 3 y 4: Optimización de parámetros, Cálculo de los percentiles y estimación del índice.............................................................................................215.4 Etapa 5: análisis prescriptivo........................................................................226. Conclusiones.....................................................................................................24Referencias............................................................................................................25application/pdfspaCopyright Universidad de Córdoba, 2024Trabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/embargoedAccessÍndices de capacidad de procesosAnalítica prescriptivaAlgoritmos evolutivosOptimización de parámetrosProcess capability indicesPrescriptive analyticsEvolutionary algorithmsParameter optimizationUniversidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.cohttp://purl.org/coar/access_right/c_f1cf