Na maioria dos países, o câncer de mama entre as mulheres é predominante. Se diagnosticado precocemente, apresenta alta probabilidade de cura. Diversas abordagens baseadas em Estatística foram desenvolvidas para auxiliar na sua detecção precoce. Este artigo apresenta um método para a seleção de variáveis para classificação dos casos em duas classes de resultado, benigno ou maligno, baseado na análise citopatológica de amostras de célula da mama de pacientes. As variáveis são ordenadas de acordo com um novo índice de importância de variáveis que combina os pesos de importância da Análise de Componentes Principais e a variância explicada a partir de cada componente retido. Observações da amostra de treino são categorizadas em duas classes através das ferramentas k-vizinhos mais próximos e Análise Discriminante, seguida pela eliminação da variável com o menor índice de importância. Usa-se o subconjunto com a máxima acurácia para classificar as observações na amostra de teste. Aplicando ao Wisconsin Breast Cancer Database, o método proposto apresentou uma média de 97,77% de acurácia de classificação, retendo uma média de 5,8 variáveis.

In the majority of countries, breast cancer among women is highly prevalent. If diagnosed in the early stages, there is a high probability of a cure. Several statistical-based approaches have been developed to assist in early breast cancer detection. This paper presents a method for selection of variables for the classification of cases into two classes, benign or malignant, based on cytopathological analysis of breast cell samples of patients. The variables are ranked according to a new index of importance of variables that combines the weighting importance of Principal Component Analysis and the explained variance based on each retained component. Observations from the test sample are categorized into two classes using the k-Nearest Neighbor algorithm and Discriminant Analysis, followed by elimination of the variable with the index of lowest importance. The subset with the highest accuracy is used to classify observations in the test sample. When applied to the Wisconsin Breast Cancer Database, the proposed method led to average of 97.77% in classification accuracy while retaining an average of 5.8 variables.

Na maioria dos países, o câncer de mama entre as mulheres é predominante. Se diagnosticado precocemente, apresenta alta probabilidade de cura. Diversas abordagens baseadas em Estatística foram desenvolvidas para auxiliar na sua detecção precoce. Este artigo apresenta um método para a seleção de variáveis para classificação dos casos em duas classes de resultado, benigno ou maligno, baseado na análise citopatológica de amostras de célula da mama de pacientes. As variáveis são ordenadas de acordo com um novo índice de importância de variáveis que combina os pesos de importância da Análise de Componentes Principais e a variância explicada a partir de cada componente retido. Observações da amostra de treino são categorizadas em duas classes através das ferramentas k-vizinhos mais próximos e Análise Discriminante, seguida pela eliminação da variável com o menor índice de importância. Usa-se o subconjunto com a máxima acurácia para classificar as observações na amostra de teste. Aplicando ao Wisconsin Breast Cancer Database, o método proposto apresentou uma média de 97,77% de acurácia de classificação, retendo uma média de 5,8 variáveis.

In the majority of countries, breast cancer among women is highly prevalent. If diagnosed in the early stages, there is a high probability of a cure. Several statistical-based approaches have been developed to assist in early breast cancer detection. This paper presents a method for selection of variables for the classification of cases into two classes, benign or malignant, based on cytopathological analysis of breast cell samples of patients. The variables are ranked according to a new index of importance of variables that combines the weighting importance of Principal Component Analysis and the explained variance based on each retained component. Observations from the test sample are categorized into two classes using the k-Nearest Neighbor algorithm and Discriminant Analysis, followed by elimination of the variable with the index of lowest importance. The subset with the highest accuracy is used to classify observations in the test sample. When applied to the Wisconsin Breast Cancer Database, the proposed method led to average of 97.77% in classification accuracy while retaining an average of 5.8 variables.

Em diversos setores da indústria é desejado que trabalhadores reunidos em uma estação de trabalho apresentem perfil de aprendizado similar. O presente artigo apresenta um método de agrupamento de trabalhadores utilizando modelagem por curva de aprendizado e técnicas de clusterização. O método modela dados de desempenho de trabalhadores por intermédio de diversos modelos de curvas de aprendizado; os parâmetros de aprendizado dos modelos testados permitem predizer o desempenho dos trabalhadores em intervalos de tempo pré-determinados. Os valores preditos são agrupados através de ferramentas de clusterização. O maior índice de ajuste (IA), gerado a partir do Silhouette Index e do coeficiente de determinação, indica o modelo de curva mais consistente em termos de aderência aos dados e qualidade de agrupamento de perfis de aprendizado. Ao ser aplicado em dados de uma indústria de calçados, o método gerou agrupamentos consistentes de trabalhadores com base nos distintos perfis de aprendizado.

In many industrial segments, it is desirable to allocate workers with similar learning profiles in the same workstation. This paper presents a method that groups workers based on learning curve modeling and clustering techniques. Workers' performance data are modeled through several learning curve models; learning parameters allow for workers' performance prediction at intervals of predetermined time. The predicted values are then grouped by clustering techniques. The largest Adjustment Index (AI), derived from the Silhouette Index and Coefficient of Determination, indicates the model yielding superior adherence to data and better clustering of learning profiles. When applied to a shoe manufacturing process, the method generated consistent groups of workers based on their learning profiles.

Curvas de aprendizagem permitem representar a melhoria no desempenho de um trabalhador por conta da repetição de um procedimento manual. Este artigo traz uma revisão da literatura das aplicações das curvas de aprendizado. Primeiramente, é apresentada uma breve revisão dos principais modelos de curva de aprendizado. É então apresentada uma revisão das principais utilizações para as curvas de aprendizado, agrupadas em 5 diferentes áreas de pesquisa: (i) Monitoramento de Custos; (ii) Gerenciamento e Otimização de Produção; (iii) Sequenciamento de tarefas; (iv) Atribuição de Tarefas para Trabalhadores e Balanceamento de Linhas de Produção; e (v) Cálculo do lote econômico de produção com o efeito de aprendizagem.

Learning curves are a graphical representation of an employee performance improvement as a result of task repetition. This paper presents a literature review of the applications of learning curves. Firstly, a brief review of major models of learning curves is presented. Next, a review of the main uses of learning curves is presented grouped into five different areas of research: (i) Cost Monitoring, (ii) Production Management and Optimization, (iii) Task Scheduling, (iv) Assignment of Workers to Tasks and Assembly Line Balancing, and (v) Calculation of Economic Batch Quantity with the learning effect.