Show simple item record

dc.contributor.advisorAnzanello, Michel Josépt_BR
dc.contributor.authorLohmann, Matheus dos Reispt_BR
dc.date.accessioned2020-02-14T04:16:27Zpt_BR
dc.date.issued2019pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/205861pt_BR
dc.description.abstractA aplicação de técnicas multivariadas encontra diversas aplicações práticas tanto na análise de agrupamentos quanto na classificação e desperta interesse nos mais diversos setores. Em segmentos industriais, técnicas multivariadas são tipicamente utilizadas na programação de produção e monitoramento de processos produtivos, mas suas aplicações não ficam restritas a este segmento. Setores como o educacional tem apresentado interesse crescente na aplicação de técnicas multivariada para melhor análise de dados e geração de estratégias. Esta dissertação propõe métodos para a análise de perfis humanos através de ferramentas multivariadas com propósitos de agrupamentos e classificação em diferentes segmentos. Para tal, o primeiro artigo propõe uma estrutura multivariada para formar grupos consistentes de trabalhadores com base em seus padrões de aprendizado. Em termos de sua operacionalização, aplica-se a análise de componentes principais (ACP) a parâmetros oriundos da modelagem de curvas de aprendizagem (CAs) sobre os dados de desempenho de tais trabalhadores; a manipulação dos parâmetros gerou um índice de importância de variável (IIV) que orientou um processo iterativo de remoção das variáveis. Ao aplicar a estrutura proposta a um processo de fabricação de calçados, descobriu-se que apenas 8 dos 29 parâmetros oriundos das CAs foram relevantes na inserção dos trabalhadores em dois grupos distintos por suas características de aprendizagem. Em seguida, no artigo 2, é apresentada uma estrutura para selecionar um subconjunto de parâmetros das CAs com o propósito de classificar trabalhadores de acordo com seus padrões de aprendizado; um índice de importância de parâmetro (IIP) é gerado como base nas saídas das regressões Partial Least Square (PLS) e Least Absolute Shrinkage and Selection Operator (LASSO). Quando aplicado a dados reais, identificou-se que 3 dos 29 parâmetros originais foram relevantes na classificação dos trabalhadores em duas linhas de produção existentes; a estrutura proposta atingiu 100% de classificações corretas com as três ferramentas de classificação utilizadas. Por fim, o artigo 3 traz uma abordagem multivariada para selecionar as variáveis com maior influência sobre três possíveis desfechos de alunos de graduação: diplomação, evasão interna (troca de curso dentro da mesma IES) ou evasão externa. Variáveis do perfil acadêmico e dados de desempenho foram analisadas através da técnica “omita uma variável por vez” (OUVV) em conjunto com ferramentas de classificação. Ao ser aplicada a dados de ingressantes em cursos de engenharias, a abordagem obteve acurácia de 91,22%, retendo 22,22% das variáveis originais; destaca-se o fato da maioria dos procedimentos realizados apontar as variáveis de desempenho acadêmico (aprovações e reprovações) como as mais influentes no processo.pt_BR
dc.description.abstractThe application of multivariate techniques finds several practical applications such as cluster analysis and classification, and generates interest in the most diverse sectors. In industrial segments, multivariate techniques are typically used in production scheduling and production process monitoring, but their applications are not restricted to this segment. Other sectors, such as education, has shown increasing interest in the application of multivariate techniques to do better data analysis and generation strategies. This thesis proposes methods for the analysis of human profiles through multivariate techniques for the purpose of clustering and classification in different segments. For that matter, the first paper proposes a multivariate structure to form consistent groups of workers based on their learning patterns. In terms of its operationalization, principal component analysis (PCA) is applied to parameters derived from learning curve (LC) modeling on the workers’ performance data; the manipulation of the parameters generated an importance index that guided an iterative process of variable removal. Applying the proposed structure to a shoe manufacturing process, 8 out of the original 29 LC parameters were deemed relevant for inserting workers into two distinct clusters by their learning characteristics. Next, in paper 2, a framework for selecting a subset of LC parameters is presented for purpose of classifying workers according to their learning patterns; a parameter importance index (PII) is generated based on the outputs of the Partial Least Square (PLS) and Least Absolute Shrinkage and Selection Operator (LASSO) regressions. When applied to real data, it was identified that 3 out of the original 29 parameters were relevant in the classification of workers in two existing production lines; the proposed structure reached 100% correct classifications with three classification techniques used. Finally, paper 3 presents a multivariate approach to select the variables with the greatest influence on three possible outcomes of undergraduate students: graduation, internal dropout or external dropout. Academic profile variables and performance data were analyzed using the “omit one variable at a time” method combined with classification techniques. When applied to data from freshmen in engineering courses, the approach obtained accuracy of 91.22%, retaining 22.22% of the original variables; most of the procedures performed indicated the academic performance variables as the most influential in the process.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectClustering analysisen
dc.subjectAnálise de clusterspt_BR
dc.subjectClassificationen
dc.subjectAnálise multivariadapt_BR
dc.subjectHuman profilesen
dc.subjectImportance indexen
dc.titleAnálise de perfis humanos em cenários industriais e acadêmicos balizada por ferramentas multivariadaspt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb001111769pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia de Produçãopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2019pt_BR
dc.degree.levelmestradopt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record