Identificación de patrones de eventos críticos en series de tiempo para la planeación de la recolección de residuos sólidos
A partir del estudio de las herramientas que componen el control estadístico de procesos (SPC, por sus siglas in inglés), el presente artículo tiene como objetivo crear una metodología que pueda facilitar la identificación de eventos críticos, máximos y mínimos en series de tiempo relacionadas con l...
- Autores:
-
Duran Correa, Jose Alejandro
- Tipo de recurso:
- http://purl.org/coar/version/c_b1a7d7d4d402bcce
- Fecha de publicación:
- 2017
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/35943
- Palabra clave:
- Control Estadístico De Procesos
Gráfica De Control I
Pronósticos
Eventos Críticos
Planeación De Operaciones.
Statistical Process Control
Control I Chart
Forecasts
Critical Events
Operations Planning.
- Rights
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
Summary: | A partir del estudio de las herramientas que componen el control estadístico de procesos (SPC, por sus siglas in inglés), el presente artículo tiene como objetivo crear una metodología que pueda facilitar la identificación de eventos críticos, máximos y mínimos en series de tiempo relacionadas con la recolección de residuos sólidos. Debido a cambios inusuales observados a través del proceso de recolección de residuos residenciales, se busca mejorar el sistema actual de planeación y control de operaciones de una empresa anónima en los Estados Unidos, encargada de la gestión de residuos sólidos municipales, en 17 unidades en el área de mercado comprendida entre los estados de Texas y Oklahoma. Esta investigación implementó herramientas estadísticas para el tratamiento de series temporales, como el modelo multiplicativo con el cual se obtuvieron índices estacionales gracias a la descomposición de la tendencia. Además, se implementó la gráfica de control I del SPC, para visualizar la ubicación de los datos dentro de las zonas establecidas por límites de probabilidad. Con esta metodología, se pudo crear 51 series temporales que permitieran mejorar los pronósticos de los modelos ARIMA. Finalmente, según los resultados obtenidos, se realizaron comparaciones de los valores pronosticados de las series creadas respecto a los valores pronosticados de la serie de tiempo real, la metodología mejoró los errores MAPE y MPE, en un 78% y 75%, de los casos respectivamente. |
---|