Revista de Matemática: Teoría y Aplicaciones ISSN Impreso: 1409-2433 ISSN electrónico: 2215-3373

OAI: https://revistas.ucr.ac.cr/index.php/matematica/oai
Árboles de clasificación para el análisis de gráficos de control multivariantes
PDF

Palabras clave

Statistic Process Control
T2 Hotelling
Classification trees
Control estadístico de la calidad
T 2 de Hotelling
Árboles de clasificación

Cómo citar

Gámez Martínez, M., Alfaro Cortés, E., Alfaro Navarro, J. L., & García Rubio, N. (2009). Árboles de clasificación para el análisis de gráficos de control multivariantes. Revista De Matemática: Teoría Y Aplicaciones, 16(1), 30–42. https://doi.org/10.15517/rmta.v16i1.1417

Resumen

En control estadístico de la calidad, una de las herramientas más utilizadas son los gráficos de control. El principal problema de los gráficos de control multivariantes radica en que sólo indican que se ha producido un cambio en el proceso, pero no dice cuál o cuáles de las variables son las que originan este cambio. En la literatura especializada existen muchas aproximaciones para solucionar este problema, si bien, la más utilizada consiste en la descomposición del estadístico T2. En este trabajo se propone un método alternativo mediante la aplicación de árboles de clasificación. Los resultados obtenidos muestran que estos árboles de clasificación constituyen una buena herramienta para completar la interpretación de los gráficos de control multivariantes.

https://doi.org/10.15517/rmta.v16i1.1417
PDF

Citas

Alt, F.B. (1985) ”Multivariate quality control” , en: N.L. Johnson & S. Kotz (Eds.) Encyclopedia of Statistical Sciences vol. 6, John Wiley & Sons, New York.

Aparisi, F.; Avendaño, G.; Sanz, J. (2006) “Techniques to interpret T 2 control chart signals”, IIE Transactions 38: 647–657.

Breiman, L.; Friedman, J.H.; Olshen, R.; Stone, C.J. (1984) Classification and Regression Trees. Wadsworth International Group, Belmont.

Chang S.I.; Aw C.A. (1996) “A neural fuzzy control chart for detecting and classifying process mean shifts”, International Journal of Production Research 34(8): 2265–2278.

Cheng, C.S. (1995) “A multi-layer neural network model for detecting changes in the process mean”, Computers and Industrial Engineering 28(1): 51–61.

Cheng, C.S. (1997) “A neural network approach for the analysis of control chart patterns”, International Journal of Production Research 35(3): 667–697.

Doganaksoy, N.; Faltin, F.W.; Tucker W.T. (1991) “Identification of out of control quality characteristics in a multivariate manufacturing enviroment”, Communications in Statistics - Theory and Methods 20: 2775–2790.

Guh, R.S. (2003) “Integrating artificial intelligence into on-line statistical process control” , Quality and Reliability Engineering International 19: 1–20.

Guh, R.S. (2007) “On-line identification and quantification of mean shifts in bivariate processes using a neural network-based approach”, Quality and Reliability Engineering International 23: 367–385.

Guh, R.S.; Tannock, J.D.T. (1999) “A neural network approach to characterize pattern parameters in process control charts”, Journal of Intelligent Manufacturing 10(5): 449–462.

Hayter, A.J.; Tsui, K.L. (1994) “Identification and quantification in multivariate quality control problems”, Journal of Quality Technology 26: 197–208.

Jackson, J.E. (1980) “Principal components and factor analysis: Part I – Principal components”, Journal of Quality Technology 12: 201–213.

Mason, R.L.; Young, J.C. (2002) “Multivariate statistical process control with industrial applications” , American Statistical Association and the Society for Industrial and Applied Mathematics (ASA-SIAM): Philadelphia.

Mason, R.L.; Tracy, N.D.; Young, J.C. (1995) “Decomposition of T 2 for multivariate control chart interpretation”, Journal of Quality Technology 27: 109–119.

Murphy, B.J. (1987) “Selecting out of control variables with the T 2 multivariate quality control procedure” , Journal of the Royal Statistical Society 36 Serie D (The Statistician): 571–581.

Niaki, S.T.A.; Abassi, B. (2005) “Fault diagnosis in multivariate control charts using artificial neural networks”, Quality and Reliability Engineering International 21: 825–840.

Noorossana, R.; Farrokhi, M.; Saghaei, A. (2003) “Using neural networks to detect and classify out-of-control signals in autocorrelated processes”, Quality and Reliability Engineering International 19: 1–12.

Quinlan, J.R. (1986) “Induction on decision trees”, Machine Learning 1: 81–106.

Quinlan, J.R. (1993) C4.5 Programs for Machine Learning. Morgan Kaufmann, San Mateo, CA.

Tracy, N.D.; Young, J.C.; Mason, R.L. (1992) “Multivariate control charts for individual observations”, Journal of Quality Technology 24: 88–95.

Zorriassatine, F.; Tannock, J.D.T. (1998) “A review of neural networks for statistical process control”, Journal of Intelligent Manufacturing 9(3): 209–224.

Comentarios

Descargas

Los datos de descargas todavía no están disponibles.