Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos
En los sistemas de producción es importante gestionar la eficiencia general de los procesos y en igual medida hacer gestión sobre los reprocesos y rechazos que se presentan en las células productivas de tal forma que se identifiquen sus causas y se emprendan acciones que lleven a su disminución. En...
- Autores:
-
Arenas Bustamante, Alexis Andrés
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/79417
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::003 - Sistemas
Industria de cosméticos
Envasado de cosméticos
Scrap
Machine Learning
Feature importance
Regression
Scrap assigned
Aprendizaje de máquinas
Importancia de las características
Regresión
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_fe014c5bcc59653eb422a142043b7ad3 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/79417 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| dc.title.translated.eng.fl_str_mv |
A model to manage scrap in the cosmetic packaging process |
| title |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| spellingShingle |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos 000 - Ciencias de la computación, información y obras generales::003 - Sistemas Industria de cosméticos Envasado de cosméticos Scrap Machine Learning Feature importance Regression Scrap assigned Aprendizaje de máquinas Importancia de las características Regresión |
| title_short |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| title_full |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| title_fullStr |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| title_full_unstemmed |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| title_sort |
Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos |
| dc.creator.fl_str_mv |
Arenas Bustamante, Alexis Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Villa Garzón, Fernán Alonso |
| dc.contributor.author.none.fl_str_mv |
Arenas Bustamante, Alexis Andrés |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::003 - Sistemas |
| topic |
000 - Ciencias de la computación, información y obras generales::003 - Sistemas Industria de cosméticos Envasado de cosméticos Scrap Machine Learning Feature importance Regression Scrap assigned Aprendizaje de máquinas Importancia de las características Regresión |
| dc.subject.lemb.none.fl_str_mv |
Industria de cosméticos Envasado de cosméticos |
| dc.subject.proposal.eng.fl_str_mv |
Scrap Machine Learning Feature importance Regression Scrap assigned |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje de máquinas Importancia de las características Regresión |
| description |
En los sistemas de producción es importante gestionar la eficiencia general de los procesos y en igual medida hacer gestión sobre los reprocesos y rechazos que se presentan en las células productivas de tal forma que se identifiquen sus causas y se emprendan acciones que lleven a su disminución. En el presente trabajo se establece un proceso para facilitar la gestión del scrap del proceso de envasado de cosméticos partiendo de la implementación de una base de datos en SAP Business Warehouse que consolida la información de todas las variables que tienen influencia en el scrap. Adicionalmente, se hace una selección de las variables relevantes utilizando métodos de selección de características que luego son consideradas en la estimación de tres modelos de aprendizaje de máquinas que buscan determinar el scrap real de una orden de producción. Para la evaluación del desempeño de los modelos se utilizan las métricas de calidad MAE, RMSE y R2 score donde el modelo adecuado se obtiene a partir del modelo CART- Decision Tree que tiene un mejor desempeño tanto para el conjunto de entrenamiento como para el de validación. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-04-26T21:55:37Z |
| dc.date.available.none.fl_str_mv |
2021-04-26T21:55:37Z |
| dc.date.issued.none.fl_str_mv |
2021-04-05 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/MR |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/79417 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional -Sede Medellín |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/79417 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional -Sede Medellín Repositorio Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Altmann, A., Toloşi, L., Sander, O., & Lengauer, T. (2010). Permutation importance: a corrected feature importance measure. Bioinformatics, Volume 26, 1340–1347. Obtenido de https://doi.org/10.1093/bioinformatics/btq134 Bettayeb, B., Bassetto, S., & Sahnoun, M. (2014). Quality control planning to prevent excessive scrap production. Journal of Manufacturing Systems, 400-411. Biswas, P., & Sarker, B. (2008). Optimal batch quantity models for a lean production system with in-cycle rework and scrap. International Journal of Production Research. Biswas, P., & Sarker, B. (2008). Optimal batch quantity models for a lean production system with in-cycle rework and scrap. International Journal of Production Research, 6585-6610. Breiman, L. (2001). Random Forest. Obtenido de https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf Carmignani , G. (2017). Scrap value stream mapping (S-VSM): a new approach to improve the supply scrap management process. International Journal of Production Research, 3559-3576. Chen, J.-M., Lin, Y.-H., & Chen, Y.-C. (2010). Economic optimisation for an imperfect production system with rework and scrap rate. Int. J. Industrial and Systems Engineering, 92–109. Conceição, G. M., Nascimento Saldiva, P. H., & Singer, J. d. (2001). Modelos MLG e MAG para análise da associação entre poluição atmosférica e marcadores de morbi-mortalidade: uma introdução baseada em dados da cidade de São Paulo. Revista Brasileira de Epidemiología. Florian, E., Coupek, D., Caputo, D., Colledani, M., Penalva, M., Ortiz, J. A., . . . Kollegger, G. (2018). Zero Defect Manufacturing Strategies for Reduction of Scrap and Inspection Effort in Multi-Stage Production Systems. Procedia CIRP, 368–373. García, G. (2014). Sistema de predicción de ruido urbano mediante redes neuronales. Universidad de Granada, 223. Guazzelli, A. (2013). Predicciones sobre el futuro, parte 4: Ponga en marcha una solución predictiva. IBM developerWorks. Hastie, T., & Tibshirani, R. (1987). Generalized additive models: Some applications. Journal of the American Statistical Association, 371-386. Huber, S., Wiemer, H., Schneider, D., & Ihlenfeldt, S. (2019). DMME: Data mining methodology for engineering applications–a holistic extension to the CRISP-DM model. Procedia CIRP, 403-408. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with applications in R. Springer. Kvålseth, T. (1985). Cautionary Note about R 2. The American Statistician, 279-285. Recuperado el 29 de Diciembre de 2020, de https://www.ars.usda.gov/ARSUserFiles/80000000/SpatialWorkshop/19KramerSupplRsq.pdf Lein, Y., & Liu, H. (2003). Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution. 856–863. Obtenido de https://www.aaai.org/Papers/ICML/2003/ICML03-111.pdf Lewis, R. J. (2000). An Introduction to Classification and Decision Trees (CART) Analysis. Obtenido de https://www.researchgate.net/profile/Roger_Lewis6/publication/240719582_An_Introduction_to_Classification_and_Regression_Tree_CART_Analysis/links/0046352d3fb18f1740000000/An-Introduction-to-Classification-and-Regression-Tree-CART-Analysis.pdf Martínez Rodríguez, E. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escuarialense. Masuch, R., Kelm, B., & Menze, B. (2009). A comparison of random forest and its Gini importance with standard chemometric methods for the feature selection and classification of spectral data. BMC Bioinformatics. Obtenido de https://doi.org/10.1186/1471-2105-10-213 Moreno Sarmiento, E. (2008). Predicción con Series de Tiempo y Regresión. Politécnico Gran Colombiano. Murugaiah, U., Jebaraj Benjamin, S., Srikamaladevi Marathamuthu, M., & Muthaiyah, S. (2010). Scrap loss reduction using the 5‐whys analysis. International Journal of Quality & Reliability Management, 527-540. Nasir, M. (1993). Time Series Modelling and Prediction Using Neural Networks. Universiti Teknologi Mara. Navot, A., Shpigelman, L., Tishby, N., & Vaadia, E. (s.f.). Nearest Neighbor Based Feature Selection for Regression and its Application to Neural Activity. Recuperado el 26 de Diciembre de 2020, de https://papers.nips.cc/paper/2005/file/5a2756a3cb9cde852cad3c97e120b656-Paper.pdf Pandey, P., & Ahsan Akhtar Hasin , M. (1998). Lead time adjustment through scrap management, Production Planning & Control. 138-142. Pedersen, E. J., Miller, D. L., Simpson, G. L., & Ross, N. (2018). Hierarchical generalized additive models: an introduction with mgcv. Peerj. Pérez Rave, J., La Rotta, D., Madera, Y., Sánchez, K., Restrepo, G., & Rodríguez, M. (2011). Identificación y caracterización de mudas de transporte, procesos, movimientos y tiempos de espera en nueve pymes manufactureras incorporando la perspectiva del nivel operativo. Ingeniare: Revista Chilena de Ingeniería, 396-408. Rajkumar, S., Digambar, S., Dattatray, K., & Dattatray, R. (2019). Scrap Reduction Techniques. International Research Journal of Engineering and Technology (IRJET). Ravindra, K., Rattan, P., Mor, S., & Aggarwal, A. N. (2019). Generalized Additive Models: Building evidence of air pollution, climate change and human health. Environment International. Ribeiro, V., Goldschmidt, R., & Choren, R. (2009). Métodos para Previsão de Séries Temporais e suas Tendências de Desenvolvimento. Monografías en Sistemas e Computação, 1-26. Ruiz, P. (2007). La gestión de costes en Lean manufacturing. Cómo evaluar las mejoras en costes en un sistema Lean. Netbiblo, 17. Socconini, L. (2019). Lean Manufacturing. Paso a paso. Barcelona: Marge Books. Specht, D. F. (1991). A General Regression Neural Network. IEEE Transactions on Neural Networks, 2. Obtenido de https://d1wqtxts1xzle7.cloudfront.net/56278595/grnn.pdf?1523302618=&response-content-disposition=inline%3B+filename%3DA_General_Regression_Neural_Network.pdf&Expires=1609038386&Signature=F5lBPNL6xiRAYp5HNoyBz5jmW1788zaNgy01U54VJoZtsY9FznGNr-E~4nfqgS~0l2oE Velásquez, J. D., Zambrano, C., & Vélez, L. (2011). ARNN: Un paquete para la predicción de series de tiempo usando redes neuronales autorregresivas. Revista Avances en Sistemas e Informática, 177-181. Villa, F. (2010). Modelado y Predicción del Precio de la Electricidad en Mercados de Corto Plazo Liberalizados Usando Redes Cascada Correlación. Universidad Nacional de Colombia. Willmott, C. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 1309–1313. Recuperado el 29 de Diciembre de 2020, de www.jstor.org/stable/26222954 Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Wood, S. N. (2018). Generalized Additive Models: An Introduction with R (2nd Edition). Journal of Statistical Software. Wood, S., & Wood, M. S. (2015). Package ‘mgcv’. R Package Version. 1-7. Yang, J., Yao, D., Zhan, X., & Zhan, X. (2014). Predicting Disease Risks Using Feature Selection Based on Random Forest and Support Vector Machine. Bioinformatics Research and Applications, 8492, 1-11. Zhang, G. B. (1998). Forecasting with artificial neural networks: the state of the art. International Journal of Forecasting, 35-62. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
72 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/79417/1/1128423824.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/79417/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/79417/3/license_rdf https://repositorio.unal.edu.co/bitstream/unal/79417/4/1128423824.2021.pdf.jpg |
| bitstream.checksum.fl_str_mv |
aef239f0bf45e8c860840f1f4bcb7192 cccfe52f796b7c63423298c2d3365fc6 4460e5956bc1d1639be9ae6146a50347 535927fbdb33dd11effc6c7fc7a7b0e8 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089927309131776 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Villa Garzón, Fernán Alonso9c83ea56495b8f17a79c27fd0001bb81600Arenas Bustamante, Alexis Andrés3f0161e9f17a7b8a48d4bbceb341b5972021-04-26T21:55:37Z2021-04-26T21:55:37Z2021-04-05https://repositorio.unal.edu.co/handle/unal/79417Universidad Nacional -Sede MedellínRepositorio Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/En los sistemas de producción es importante gestionar la eficiencia general de los procesos y en igual medida hacer gestión sobre los reprocesos y rechazos que se presentan en las células productivas de tal forma que se identifiquen sus causas y se emprendan acciones que lleven a su disminución. En el presente trabajo se establece un proceso para facilitar la gestión del scrap del proceso de envasado de cosméticos partiendo de la implementación de una base de datos en SAP Business Warehouse que consolida la información de todas las variables que tienen influencia en el scrap. Adicionalmente, se hace una selección de las variables relevantes utilizando métodos de selección de características que luego son consideradas en la estimación de tres modelos de aprendizaje de máquinas que buscan determinar el scrap real de una orden de producción. Para la evaluación del desempeño de los modelos se utilizan las métricas de calidad MAE, RMSE y R2 score donde el modelo adecuado se obtiene a partir del modelo CART- Decision Tree que tiene un mejor desempeño tanto para el conjunto de entrenamiento como para el de validación.In production systems, it is important to manage the Overall Equipment Effectiveness and to the same extent manage the reprocesses and rejects that occur in the production cells in such a way that their causes are identified and actions are taken that lead to their reduction. In this work, a process is established to facilitate the scrap management of the cosmetic packaging process based on the implementation of a database in SAP Business Warehouse that consolidates the information on all the variables that influence scrap. In addition, a selection of the relevant variables is made using feature selection methods that are then considered in the estimation of three machine learning models that seek to determine the real waste of a production order. For the evaluation of the performance of the proposed models, the quality metrics MAE, RMSE and R2 score are used where the appropriate model is obtained from the CART-Decision Tree model that has a better performance for both the training and validation set.MaestríaEl desarrollo del trabajo se realizó siguiendo la metodología CRISP-DM (Cross Industry Standard Process for Data Mining) que está basada en un proceso integral para llevar a cabo proyectos de minería de datos (Wirth, R., & Hipp, J., 2000) y que consta de seis etapas: (1) Comprensión del negocio, (2) Estudio y comprensión de los datos, (3) Análisis de los datos y selección de características, (4) Modelado, (5) Evaluación y (6) Despliegue.72 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaFacultad de MinasMedellínUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::003 - SistemasIndustria de cosméticosEnvasado de cosméticosScrapMachine LearningFeature importanceRegressionScrap assignedAprendizaje de máquinasImportancia de las característicasRegresiónUn modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticosA model to manage scrap in the cosmetic packaging processTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/MRAltmann, A., Toloşi, L., Sander, O., & Lengauer, T. (2010). Permutation importance: a corrected feature importance measure. Bioinformatics, Volume 26, 1340–1347. Obtenido de https://doi.org/10.1093/bioinformatics/btq134Bettayeb, B., Bassetto, S., & Sahnoun, M. (2014). Quality control planning to prevent excessive scrap production. Journal of Manufacturing Systems, 400-411.Biswas, P., & Sarker, B. (2008). Optimal batch quantity models for a lean production system with in-cycle rework and scrap. International Journal of Production Research.Biswas, P., & Sarker, B. (2008). Optimal batch quantity models for a lean production system with in-cycle rework and scrap. International Journal of Production Research, 6585-6610.Breiman, L. (2001). Random Forest. Obtenido de https://www.stat.berkeley.edu/~breiman/randomforest2001.pdfCarmignani , G. (2017). Scrap value stream mapping (S-VSM): a new approach to improve the supply scrap management process. International Journal of Production Research, 3559-3576.Chen, J.-M., Lin, Y.-H., & Chen, Y.-C. (2010). Economic optimisation for an imperfect production system with rework and scrap rate. Int. J. Industrial and Systems Engineering, 92–109.Conceição, G. M., Nascimento Saldiva, P. H., & Singer, J. d. (2001). Modelos MLG e MAG para análise da associação entre poluição atmosférica e marcadores de morbi-mortalidade: uma introdução baseada em dados da cidade de São Paulo. Revista Brasileira de Epidemiología.Florian, E., Coupek, D., Caputo, D., Colledani, M., Penalva, M., Ortiz, J. A., . . . Kollegger, G. (2018). Zero Defect Manufacturing Strategies for Reduction of Scrap and Inspection Effort in Multi-Stage Production Systems. Procedia CIRP, 368–373.García, G. (2014). Sistema de predicción de ruido urbano mediante redes neuronales. Universidad de Granada, 223.Guazzelli, A. (2013). Predicciones sobre el futuro, parte 4: Ponga en marcha una solución predictiva. IBM developerWorks.Hastie, T., & Tibshirani, R. (1987). Generalized additive models: Some applications. Journal of the American Statistical Association, 371-386.Huber, S., Wiemer, H., Schneider, D., & Ihlenfeldt, S. (2019). DMME: Data mining methodology for engineering applications–a holistic extension to the CRISP-DM model. Procedia CIRP, 403-408.James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with applications in R. Springer.Kvålseth, T. (1985). Cautionary Note about R 2. The American Statistician, 279-285. Recuperado el 29 de Diciembre de 2020, de https://www.ars.usda.gov/ARSUserFiles/80000000/SpatialWorkshop/19KramerSupplRsq.pdfLein, Y., & Liu, H. (2003). Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution. 856–863. Obtenido de https://www.aaai.org/Papers/ICML/2003/ICML03-111.pdfLewis, R. J. (2000). An Introduction to Classification and Decision Trees (CART) Analysis. Obtenido de https://www.researchgate.net/profile/Roger_Lewis6/publication/240719582_An_Introduction_to_Classification_and_Regression_Tree_CART_Analysis/links/0046352d3fb18f1740000000/An-Introduction-to-Classification-and-Regression-Tree-CART-Analysis.pdfMartínez Rodríguez, E. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escuarialense.Masuch, R., Kelm, B., & Menze, B. (2009). A comparison of random forest and its Gini importance with standard chemometric methods for the feature selection and classification of spectral data. BMC Bioinformatics. Obtenido de https://doi.org/10.1186/1471-2105-10-213Moreno Sarmiento, E. (2008). Predicción con Series de Tiempo y Regresión. Politécnico Gran Colombiano.Murugaiah, U., Jebaraj Benjamin, S., Srikamaladevi Marathamuthu, M., & Muthaiyah, S. (2010). Scrap loss reduction using the 5‐whys analysis. International Journal of Quality & Reliability Management, 527-540.Nasir, M. (1993). Time Series Modelling and Prediction Using Neural Networks. Universiti Teknologi Mara.Navot, A., Shpigelman, L., Tishby, N., & Vaadia, E. (s.f.). Nearest Neighbor Based Feature Selection for Regression and its Application to Neural Activity. Recuperado el 26 de Diciembre de 2020, de https://papers.nips.cc/paper/2005/file/5a2756a3cb9cde852cad3c97e120b656-Paper.pdfPandey, P., & Ahsan Akhtar Hasin , M. (1998). Lead time adjustment through scrap management, Production Planning & Control. 138-142.Pedersen, E. J., Miller, D. L., Simpson, G. L., & Ross, N. (2018). Hierarchical generalized additive models: an introduction with mgcv. Peerj.Pérez Rave, J., La Rotta, D., Madera, Y., Sánchez, K., Restrepo, G., & Rodríguez, M. (2011). Identificación y caracterización de mudas de transporte, procesos, movimientos y tiempos de espera en nueve pymes manufactureras incorporando la perspectiva del nivel operativo. Ingeniare: Revista Chilena de Ingeniería, 396-408.Rajkumar, S., Digambar, S., Dattatray, K., & Dattatray, R. (2019). Scrap Reduction Techniques. International Research Journal of Engineering and Technology (IRJET).Ravindra, K., Rattan, P., Mor, S., & Aggarwal, A. N. (2019). Generalized Additive Models: Building evidence of air pollution, climate change and human health. Environment International.Ribeiro, V., Goldschmidt, R., & Choren, R. (2009). Métodos para Previsão de Séries Temporais e suas Tendências de Desenvolvimento. Monografías en Sistemas e Computação, 1-26.Ruiz, P. (2007). La gestión de costes en Lean manufacturing. Cómo evaluar las mejoras en costes en un sistema Lean. Netbiblo, 17.Socconini, L. (2019). Lean Manufacturing. Paso a paso. Barcelona: Marge Books.Specht, D. F. (1991). A General Regression Neural Network. IEEE Transactions on Neural Networks, 2. Obtenido de https://d1wqtxts1xzle7.cloudfront.net/56278595/grnn.pdf?1523302618=&response-content-disposition=inline%3B+filename%3DA_General_Regression_Neural_Network.pdf&Expires=1609038386&Signature=F5lBPNL6xiRAYp5HNoyBz5jmW1788zaNgy01U54VJoZtsY9FznGNr-E~4nfqgS~0l2oEVelásquez, J. D., Zambrano, C., & Vélez, L. (2011). ARNN: Un paquete para la predicción de series de tiempo usando redes neuronales autorregresivas. Revista Avances en Sistemas e Informática, 177-181.Villa, F. (2010). Modelado y Predicción del Precio de la Electricidad en Mercados de Corto Plazo Liberalizados Usando Redes Cascada Correlación. Universidad Nacional de Colombia.Willmott, C. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 1309–1313. Recuperado el 29 de Diciembre de 2020, de www.jstor.org/stable/26222954Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining.Wood, S. N. (2018). Generalized Additive Models: An Introduction with R (2nd Edition). Journal of Statistical Software.Wood, S., & Wood, M. S. (2015). Package ‘mgcv’. R Package Version. 1-7.Yang, J., Yao, D., Zhan, X., & Zhan, X. (2014). Predicting Disease Risks Using Feature Selection Based on Random Forest and Support Vector Machine. Bioinformatics Research and Applications, 8492, 1-11.Zhang, G. B. (1998). Forecasting with artificial neural networks: the state of the art. International Journal of Forecasting, 35-62.ORIGINAL1128423824.2021.pdf1128423824.2021.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf1577289https://repositorio.unal.edu.co/bitstream/unal/79417/1/1128423824.2021.pdfaef239f0bf45e8c860840f1f4bcb7192MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83964https://repositorio.unal.edu.co/bitstream/unal/79417/2/license.txtcccfe52f796b7c63423298c2d3365fc6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.unal.edu.co/bitstream/unal/79417/3/license_rdf4460e5956bc1d1639be9ae6146a50347MD53THUMBNAIL1128423824.2021.pdf.jpg1128423824.2021.pdf.jpgGenerated Thumbnailimage/jpeg4366https://repositorio.unal.edu.co/bitstream/unal/79417/4/1128423824.2021.pdf.jpg535927fbdb33dd11effc6c7fc7a7b0e8MD54unal/79417oai:repositorio.unal.edu.co:unal/794172023-10-24 09:55:50.094Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |