MEJORA Y OPTIMIZACIÓN DE PROCESOS MEDIANTE ANÁLISIS MULTIVARIANTE DE DATOS

•. Comprender y saber analizar los datos de naturaleza multivariante
• Entender el concepto de variable latente
- Reducir la dimensión de los espacios para facilitar su interpretación
- Identificar los factores independientes que afectan al rendimiento de los procesos
• Entender la relevancia de las variables latentes en problemas industriales

• Comprender el concepto del Análisis de Componentes Principales (PCA)
- Familiarizarse con términos comunes en PCA, tales como Score, Loading, SPE, T2-Hotelling, entre otros, y ver su utilidad práctica.
- Identificar los problemas que pueden resolverse mediante PCA
- Reconocer las ventajas del PCA para analizar datos multivariantes
• Entender el algoritmo iterativo NIPALS para desarrollar un modelo de PCA
• Conocer distintos criterios para determinar el número de componentes adecuado
• Interpretar las relaciones entre variables y entre individuos mediante gráficos
• Aplicar PCA a un conjunto de datos estándar e interpretar los resultados

•. Comprender la Regresión de Componentes Principales (PCR) y la Regresión por Mínimos Cuadrados Parciales (PLS)
- Reconocer las ventajas de PCR y PLS en comparación con la Regresión Lineal Múltiple
• Desarrollar modelos PLS que expliquen la variabilidad en X y la correlación con Y
- Interpretar modelos PLS mediante gráficos
• Entender cómo implementar PLS para resolver diversos problemas industriales.

• Realizar análisis de datos históricos con un modelo PCA
- Desarrollar gráficos de Control Estadístico Multivariante de Procesos (MSPC) para identificar causas especiales de variación
• Llevar a cabo Control Estadístico Multivariante de Procesos (MSPC) para datos en línea
• Entender cómo el MSPC puede ayudar en la mejora de un proceso mediante el análisis de un caso real

• Entender las diferencias entre los modelos de variables latentes y aquellos desarrollados a partir de métodos de regresión y aprendizaje automático
• Reconocer las limitaciones de los modelos empíricos desarrollados a partir de datos históricos
• Aprender cómo se pueden optimizar los procesos utilizando modelos de variables latentes construidos a partir de datos históricos

• Conocer qué son los soft sensor
• ¿Cómo se suelen construir?
• ¿Cómo construir buenos soft sensor para poder predecir variables críticas en procesos industriales?