Please use this identifier to cite or link to this item: https://repositorio.ufba.br/handle/ri/33499
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorFiaccone, Rosemeire Leovigildo-
dc.contributor.authorBoaventura, Laion Lima-
dc.creatorBoaventura, Laion Lima-
dc.date.accessioned2021-05-26T21:09:00Z-
dc.date.available2021-05-26T21:09:00Z-
dc.date.issued2021-05-26-
dc.date.submitted2020-02-14-
dc.identifier.urihttp://repositorio.ufba.br/ri/handle/ri/33499-
dc.description.abstractNeste trabalho, utilizamos técnicas de Inteligência Artificial e Controle Estatístico de Processos (CEP) para propor duas novas ferramentas de monitoramento de processos. Fundamentado em gráficos de controle mais tradicionais, como o proposto por Haworth (1996), bem como amparado por metodologias mais recentes, como Mostajeran (2016), os Gráfico de Controle de Classificação e Gráfico de Controle de Predição para Respostas Contínua, aqui propostos, têm por principal motivação apresentar-se à literatura como alternativas mais robustas e flexíveis que as ferramentas mais tradicionais. Para isso, além de grande capacidade de reconhecimento de padrões e diagnóstico de problemas, independente do cenário amostral, essas novas ferramentas, têm de ser capazes de desempenhar suas funções de monitoramento em grande escala, prevendo situações de Mercado, as quais os processos ocorrem, cada vez mais, em grandes volumes de dados. Buscando ilustrar ao máximo o quão flexíveis são os gráficos propostos, aplicamos 16 modelos de Aprendizagem de Máquinas a uma grande quantidade de cenários amostrais simulados, variando tamanho amostral, número de amostras, existência ou não de correlação linear entre os preditores do processo, bem como desbalanceamento e não normalidade da característica de interesse. Além dos estudos de simulação, de modo a ratificar a aplicabilidade das ferramentas propostas, bem como comparar as propostas a demais gráficos já consolidados na literatura, apresentamos 4 aplicações envolvendo bancos de dados reais, nos quais os resultados mostram que tanto o Gráfico de Controle de Classificação quanto o Gráfico de Controle de Predição para Respostas Contínua, podem ser alternativas interessantes quando se trata de controle de processos.pt_BR
dc.description.abstractIn this work, we use Artificial Intelligence and Statistical Process Control (CEP) techniques to propose two new process monitoring tools. Based on more traditional control charts, as proposed by Haworth (1996), as well as supported by more recent methodologies, such as Mostajeran (2016), the Classification Control Graph and Prediction Control Graph for Continuous Responses, proposed here, their main motivation is to present themselves to the literature as more robust and flexible alternatives than the more traditional tools. For this, in addition to the great ability to recognize patterns and diagnose problems, regardless of the sample scenario, these new tools must be able to perform their monitoring functions on a large scale, predicting market situations, in which the processes occur, increasingly, in large volumes of data. In order to fully illustrate how flexible the proposed graphics are, we apply 16 Machine Learning models to a large number of simulated sample scenarios, varying sample size, number of samples, whether or not there is a linear correlation between the process predictors, as well as imbalance and non-normality of the characteristic of interest. In addition to the simulation studies, in order to confirm the applicability of the proposed tools, as well as to compare the proposals with other graphs already consolidated in the literature, we present 4 applications involving real databases, in which the results show that both the Control Graph of Classification and the Prediction Control Chart for Continuous Responses can be interesting alternatives when it comes to process control.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado da Bahia (FAPESB)pt_BR
dc.language.isopt_BRpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectInteligência Artificial (IA)pt_BR
dc.subjectControle Estatístico de Processos (CEP)pt_BR
dc.subjectGráficos de Controlept_BR
dc.subjectModelos de Classificaçãopt_BR
dc.subjectModelos de Regressãopt_BR
dc.subjectReamostragempt_BR
dc.titleGráficos de controle de aprendizagem dos processos: uma flexibilização de CEP com IApt_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisor-coSilva, Paulo Henrique Ferreira da-
dc.contributor.refereesSant'Anna, Angelo Marcio Oliveira-
dc.contributor.refereesMarcondes Filho, Danilo-
dc.publisher.departamentUniversidade Federal da Bahiapt_BR
dc.publisher.departamentInstituto de Matemática e Estatísticapt_BR
dc.publisher.departamentDepartamento de Matemáticapt_BR
dc.publisher.programem Matemáticapt_BR
dc.publisher.initialsUFBApt_BR
dc.publisher.countrybrasilpt_BR
dc.subject.cnpqCiências Exatas e da Terrapt_BR
dc.subject.cnpqMatemáticapt_BR
dc.subject.cnpqProbabilidade e Estatísticapt_BR
Appears in Collections:Dissertação (PGMAT)

Files in This Item:
File Description SizeFormat 
DISSERTACAO_LAION.pdf3,38 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.