Curso Taller Minitab Completo

TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
CURSO TALLER DE
APLICACIN DE MINITAB
Elabor: Dagoberto Salgado Horta Enero 2011

Tel. 2719872 o 3006527920
Mail: dasaho2@yahoo.es
Pgina 1
Dagoberto Salgado Horta

CONTENIDO
MDULO 1. INTRODUCCIN
1.
2.
3.
4.
5.
Caractersticas generales del Minitab

Pantallas y mens
Abrir, guardar e imprimir archivos
Clculos con columnas y renglones
Aplicaciones
MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS

1.
2.
3.
4.
5.
Grficos de barras y lnea

Diagrama de Pareto y de Causa Efecto
Grficas de dispersin de dos variables
Grficas tridimensionales
Aplicaciones
MDULO 3. ESTADSTICA DESCRIPTIVA

1.
2.
3.
4.
5.
6.
Estadsticos de una muestra

Diagrama de caja y diagrama de tallo y hojas
Histogramas
Prueba de normalidad
Distribucin normal estndar y distribucin normal
Aplicaciones
MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL

1.
2.
3.
4.
5.
6.
7.
Clculo de probabilidades
Pruebas de hiptesis de una poblacin
Pruebas de hiptesis de dos poblaciones
Tamao de muestra y potencia
Anlisis de varianza (ANOVA)
Correlacin y Regresin lineal y cuadrtica simple
Aplicaciones
MDULO 5. ESTADSTICA NO PARAMTRICA

1. Prueba de rachas de normalidad
2. Prueba de los signos de una mediana
3. Prueba de Wilconox de una mediana
4. Prueba de rangos de dos muestras de Mann Whitney
5. Prueba de Kruskal Wallis varias poblaciones
6. Prueba de medianas de Mood varias poblaciones (ANOVA)
7. Experimentos aleatorizados bloqueados (ANOVA 2 vas)
8. Tablas de Contingencia.
9. Aplicaciones
Pgina 2

MDULO 6. CONTROL ESTADSTICO DEL PROCESO

1.
2.
3.
4.
5.
6.
7.
8.
9.
Cartas de control por variables: I-MR, Xmedia R

Estudios de capacidad de equipos de medicin R&R
Estudios de capacidad de procesos normales
Estudios de capacidad de procesos no normales
Cartas de control por atributos: p, np, c, u
Estudios de capacidad de proceso por atributos
Cartas de control especiales (EWMA, CuSum)
Muestreo por atributos (AQL, AOQL, LTPD, Z1.4)
Ejercicios
MDULO 7. DISEO DE EXPERIMENTOS

1.
2.
3.
4.
5.
6.
7.
Cartas Multivari
Diseo de experimentos factoriales completos
Diseo de experimentos factoriales de dos niveles
Diseo de experimentos fraccionales
Diseo de experimentos de Taguchi
Superficies de respuesta
Aplicaciones
MDULO 8. TPICOS ESPECIALES

1.
2.
3.
4.
5.
6.
Series de tiempo
Regresin mltiple
Anlisis multivariado
Confiabilidad
Operaciones especiales
Aplicaciones
Pgina 3

MDULO 1. INTRODUCCIN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadstico Minitab
1.1 Caractersticas generales del Minitab

Minitab es un paquete estadstico que incluye funciones de la estadstica descriptiva,
estadstica inferencial, diseo de experimentos, series de tiempo, estadstica
multivariada, confiabilidad y otras funciones especiales para facilitar los clculos y los
anlisis estadsticos.
Todos las lneas de comando tendrn el formato siguiente (> separa mens):
Data > Change Data Type > Numeric to Text.

1.2 Pantallas y mens
Las pantallas y menus principales del Minitab se muestran a continuacin:
Captura de datos
File > New
Hoja de trabajo nueva
manteniendo lo que ya se ha
procesado como grficas
sesiones, etc.
Proyecto nuevo,
borra toda la
informacin que
exista en el
proyecto abierto.

Nmero de columna
Nombre de columna
Numricas
Letra T indica columna

de texto
Alfanumrica Fecha/hora
Para cambiar el tipo de datos de la columna de numrica a texto
Data > Change Data Type > Numeric to Text.

Aparecer una caja de dilogo donde indicaremos si deseamos almacenar
los valores convertidos en la misma columna o en otra nueva.
Para pasar las columnas
a la zona de trabajo, se pueden
seleccionar con doble click en
estas, o por medio del botn de
Select
1.3 Abrir, guardar e imprimir archivos
Para proyectos donde

se incluye todo, datos
grficas, sesiones.
Se puede importar
una hoja de clculo
de Excel en forma
directa con
Para hojas de trabajo

(worksheets) slo la
parte de hoja tipo Excel
Open Worksheet
Pgina 5

1.4 Clculos con columnas y renglones

a) Se tiene una calculadora integrada para hacer operaciones con columnas:
Calc > Calculator

Columna donde
aparecer el
resultado
Columnas
que contienen
los datos
Expresin a
calcular
Ejemplo: Velocidad por tiempo

Store result in C8
Expresion:
C1*C2
b) Otra forma de realizar operaciones en columnas o renglones es a travs de
Calc > Column o Row Statistics respectivamente:
Clculos
disponibles
Columna (s) sobre la que se har

el clculo
Constante opcional (K1, K2, etc.)
en la que se desea almacenar el
resultado
La constante se muestra con

Data > Display Data > selecc. K2
c) Otra forma de realizar operaciones en columnas o renglones es a travs de
Editor > Enable commands

MTB > Let C4 = C1 + C2 + C3
o
Edit > Command line editor

Escribir la expresin Let C4 = C1 + C2 + C3
Submit commnads
1.5 Aplicaciones
Ejercicios con renglones y columnas
Pgina 6

MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS

La teora se puede consultar en el documento de word anexo: Herramientas Solucin Probs.doc
2.1 Grficos de barras y lnea

Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab como ejemplo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad fsica y pulso en reposo. Todos tiran una moneda y los que les salo sol corren durante
un minuto, despus se vuelve a tomar su pulso.
Se puede obtener informacin sobre los archivos de Minitab con:
Help > Help > Data Sets Pulse.Mtw (dar doble click)
Para grficas de barras:
File > Open Worksheet > Pulse.Mtw

Graph > Bar chart
Se muestran distintas opciones para representar las barras,
Para el caso de hombres y mujeres segn su actividad se tiene:
Graph > Bar chart: Count of unique values, Stack

Categorical variables: Activity Sex
Chart of Activity, Sex
Sex
1
2
60
50
Count
40
30
20
10
0
Activity
Para cambiar la apariencia de las barras:

Colocarse en las barras y dar doble click, aparece el cuadro de dilogo
Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, tambin se puede seleccionar un tipo de trama por barra dando
Click en la grfica, click en la seccin especfica y doble click, poner trama en Type.
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:
Data > Code > Numeric to text
Se puede usar la
misma columna
u otra para los
valores una vez
transformados
Una vez cambiados los valores la grfica se actualiza en forma automtica colocndose
en la grfica y con botn derecho del ratn seleccionar Update Graph Now
Pgina 7

El marco de la grfica se puede quitar seleccionndolo con doble click y modificndolo

Para grficas de Pastel:
Graph > Pie chart

Se muestran distintas opciones para los datos fuente ya sea Chart
caso se establece una variable categrica en este caso Activity
Raw Data en cuyo
La otra opcin es que los valores ya estn tabulados previamente,

Chart values from a table
Pie Chart of Activity
C ategory
0
1
2
3
Para separar un sector: Click sobre la grfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Cambiando el nmero de actividad por su nombre con:
Data > Code > Numeric to text

1
2
3
4
Nula
Baja
Media
Alta
Para indicar el normbre de la categora y su frecuencia en cada uno de las partes

de la grfica de pastel, seleccionar la grfica e ir a Slice Labels y marcar:
Category name, Frequency.

Para agregar texto y figuras a la grfica, seleccionar la grfica con un click:
Editor > Annotation > Graph annotation tools

Para agregar texto
Seleccionar el botn T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botn de la figura e insertarla
2.2 Diagrama de Pareto y de Causa Efecto

Diagrama de Pareto
Se utiliza el archivo PARETO anexo con estadsticas de los defectos en un producto
Copiar los datos de este archivo de datos para el mdulo 2 en Minitab
Stat > Quality Tools > Pareto Chart

Pgina 8

Para el diagrama de Pareto se tienen

Se indica
dos opciones
la columna
dedonde
entrada
sede
encuentran
datos:
los defectos
Chart defects in
se tiene la opcin de una categora By Variable
Los defectos ya se tienen tabulados en una columna donde
Chart defects table
aparecen los nombre y en otra para las frecuencias
Por ejemplo de la primera opcin colocando Defectos en Chart
defects in se tiene:
Pareto Chart of Defectos

200
100
Count
60
100
40
50
Percent
80
150
20
0
Defectos
Count
Percent
Cum %
Rayas
124
63.6
63.6
Sopladura
42
21.5
85.1
Forma
19
9.7
94.9
Terminacin
6
3.1
97.9
Other
4
2.1
100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, despus
acumula todos los dems conceptos y los agrupa en la barra de otros.
Usando Operario en By Variable
in se obtiene el diagrama estratificado siguiente:
Pareto Chart of Defectos by Operario

s
ya
Ra
Operario = A
p
So
lad
ur
a
r
Fo
r
Te
n
mi
i
ac
n
th
O
er
Operario = B
80
60
Count
40
20
Operario = C
80
Operario = D
Defectos
Ray as
Sopladura
Forma
Terminacin
Other
60
40
20
0
y
Ra
as
So
pla
du
ra
Fo
rm
a
r
Te
in
m
i
ac
n
O
e
th
Defectos
Para quitar los colores: seleccionar las barras y se cambia con

Fill Pattern - Custom - Background color - elegir un color que puede ser blanco
Con Type se pueden cambiar las tramas de las barras, con click se selecciona la
la grfica, click en la barra especfica, doble click y seleccionar la trama.
Diagrama de Causa efecto
Stat > Quality Tools > Cause and Effect

Para el diagrama de Causa Efecto se tienen dos opciones de entrada de datos:
Unicamente columnas de ramas principales o columnas adicionales para subramas.
Pgina 9

Los datos se colocan como sigue:

Causas primarias:
AMBIENTE
Polvo
Vibraciones
Humedad
Temperatura
Causas secundarias:
FORMA
Dimetro
Curvatura
MATLS.
Forma
Dureza
Amacen
PERSONAL
MTODO
Salud
Ajuste
Habilidad
Velocidad
Humor
ALMACEN
Tiempo
Ambiente
HABILIDAD
HUMOR
Seleccin
Horas
Formacin
Moral
Experiencia Cansancio
MAQUINAS
Mantto.
Deformacin
Abrasin
Herramental
Cause-and-Effect Diagram
Measurements
Material
S alud
ia
nc
ie
er
xp in
E
ac
rm
F o ci n
c
le
Se
a
ur
at
ro
et
m
i
v
ur
Para cambiar el
tamao de letra
hacer doble click en
los ttulos y
seleccionar otro
tamao de letra
Personnel
F orma
D ureza
H abilidad
Ca
a
ns
io
nc
al
or
po
as
or
e
nt
bie
Tie
A macen
Temperatura
H umor
H erramental
V elocidad
H umedad
V ibraciones
A brasin
D eformacin
A juste
P olv o
M antto.
Env ironment
Methods
Machines
2.3 Grficas de dispersin de dos variables

Se utiliza de nuevo el archivo PULSE.MTW de Minitab anexo
Grfica de dispersin simple
File > Open Worksheet > Pulse.mtw o Copiar los datos del archivo a Minitab
Graph > Scatterplot > Simple
Indicar en Y variable Weight y en X variable Height
La grfica de dispersin simple se muestra a continuacin:
Scatterplot of Weight vs Height
220
200
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
Pgina 10
74
76

Grfica de dispersin Simple con una variable categrica:

Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaa Groups e indicando la variable
categrica Sex.
220
Sex
1
2
200
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
74
76
Para cambiar el tipo se smbolo por categora para impresin en blanco y negro:
Click sobre cualquiera de los puntos, para seleccionarlos todos
Click sobre los puntos de una cierta categora
Doble click para que aparezca el cuadro de dilogo que permita cambiar el color,
smbolo y tamao para los puntos de ese grupo.
Grfica de dispersin con estratificacin por grupos:
Graph > Scatterplot > With Groups

Indicar en Y variable Weight y en X variable Height
Indicar en Categorical variables for Grouping Sex
La grfica obtenida es similar a la mostrada arriba.
Identificacin de puntos en una grfica
Se utiliza el archivo de datos COCHES.MTW anexo:
Copiar los datos del archivo de datos para el mdulo 2 COCHES
Graficando Potencia (CV) vs Previo de venta (pesetas) PVP se tiene:
Pgina 11

Scatterplot of PVP vs Pot.(CV)

50000000
40000000
PVP
30000000
20000000
10000000
0
0
100
200
300
400
500
Pot.(CV)
Para saber el precio y potencia de un coche caro, posicionar el cursor en el punto

y esperar unos segundos:
Symbol, Row 180: Pot. (CV) = 225, PVP = 44652800
Para marcar ms de un punto a la vez se utiliza Brush
Con el grfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la ve,.
manteniendo presionado el botn izquierdo del ratn mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing
Con Brush activado y con la ventana de grfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)
Para poner la marca a cada punto se usa:
Stat > Scatter plot: With Groups

Labels > Data Labels > seleccionar Use Labels from Column Marca
Pgina 12

Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mnimo y
mximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.
Eje X
Eje Y
Minimum
Minimum
50 Maximum
1500000 Maximum
Scatterplot of PVP vs Pot.(CV)

NISSA N
VO LKSW A GEN
2000000
RENA ULT
FIA T
PEUGEOT
LA NC IA
FORD
VO LKSW A GEN
RENA ULT
PVP
1800000
OPEL
1700000
PEUGEOT
SEA T
VO LKSW A GEN
1600000
OPEL
PEUGEOT
FORD
1500000
50
60
FIA T
SEA T
OPEL
C ITROEN
SEA T
1900000
100
2000000
SEA T
HYUNDA I
NISSA N
SEA T
FORD
PEUGEOT
SEA T FIA T
SEA T
A lfa Romeo
FIA T
C ITROEN
MA ZDA
FORD
SEA T ROVER
VO LKSW A GEN HYUNDA I
C ITROEN
SUZUKI
70
80
90
100
Pot.(CV)
Para identificar las coordenadas de los puntos de la grfica seleccionar la grfica
Editor > Crosshair

El cursor se convierte en una cruz que se puede colocar en el punto
para ver las coordenadas
Grficas de dispersin Bivariantes con pneles:

Se utiliza el archivo REHEAT.MTW de Minitab localizado en la carpeta DATA.
File > Open Worksheet > Reheat.Mtw
o copiar los datos del archivo anexo
Stat > Scatter plot: With Connected Line
para unir los puntos
Y variable Quality X variables Time
Multiple graphs > By Variables > En By variables in separate panels Temp
Pgina 13

Para modificar la apariencia de la grfica, seleccionarla y:
Editor > Panel > Option

Seleccionar Dont alternate panels
Seleccionar Both variable names and levels
Scatterplot of Quality vs Time
Temp = 350
Temp = 375
Temp = 400
Temp = 425
Temp = 450
Temp = 475
8
6
4
Quality
2
0
8
6
4
2
0
25
30
35
25
30
35
25
30
35
Time
Graficas bivariantes con distribuciones de frecuencia adicionales

Con los datos del archivo de datos del mdulo 2 - COCHES
Graph > Marginal Plot

Se tienen 3 posibilidades despus de indicar la variable Y y X como antes:
Grfica de dispersin Simple con una variable categrica:
Marginal Plot of PVP vs Pot.(CV)
50000000
PVP
40000000
30000000
20000000
10000000
0
0
100
200
300
Pot.(CV)
400
500
50000000
50000000
30000000
40000000
20000000
10000000
PVP
PVP
40000000
0
0
100
200
300
Pot.(CV)
400
500
30000000
20000000
10000000
0
0
Pgina 14
100
200
300
Pot.(CV)
400
500

Matrices de Graficas bivariantes
Graph > Matrix Plot

Se tienen varias posibilidades despus de indicar las variables:
Matriz de "todas" por "todas" las
variables seleccionadas
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
Matrix Plot of PVP, Num.Cil., Pot.(CV)

4
12
40000000
20000000
PVP
12
8
Num.C il.
4
400
P ot.( C V )
200
0
0
20000000
40000000
Matriz bivariante solo entre las variables seleccionadas:
Pgina 15
200
400
En este caso se seleccionan:

Matrix Plot of PVP, Consumo vs Cil.(cc), Pot.(CV), Velo.max

0
200
400
40000000
En esta grfica si en el
Editor se selecciona la
opcin Brush y manualmente
seleccionamos una serie de
puntos en una ventana,
en forma automtica se
seleccionan en las otras
ventanas.
PVP
30000000
20000000
10000000
0
12
Consumo
10
8
6
4
0
2500
5000
Cil.(cc)
160
Pot.(CV)
240
Velo.max
320
2.4 Grficas bivariantes tridimensionales

Grafica bivariada en tres dimensiones
Graph > 3D Scatter Plot

Se utiliza de nuevo el archivo COCHES.MTW anexo
Indicar las variables para el eje
Z, Y y X
3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)
45000000
30000000
PVP
15000000
450
300
0
2000
Cil.(cc)
150
4000
6000
Pot.(CV)
Con la herramienta Tools > Tool Bars > 3D Graph tools se puede modificar la grfica:
Pgina 16

Girar grfica
Zoom
Posicin inicial
Sobre la grfica de 3 dimensiones se pueden usar tambin las opciones Brush,

modificar ejes, puntos, etc. haciendo doble click sobre ellos.
En algunos casos se desea tener los
lneas verticales para los puntos, esto
se hace en el menu de:

Data View Seleccionar en Data Display
Projected lines
Grafica bivariada en tres dimensiones estratificada por una variable categrica

Indicar las variables Z, Y y X as como la
variable (s) categrica (s)
3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)

Num.C il.
2
4
5
6
8
12
45000000
30000000
PVP
15000000
450
300
0
2000
C il.( cc)
150
4000
6000
P ot.( C V )

Superficie mallada (Wireframe) o superificie con textura (surface)
Generar datos para la superficie por medio de una funcin ya establecida con:
Pgina 17

Calc > Make Mesh Data
Columnas donde
se guardan los
datos generados
Datos para un
sombrero vaquero
Obtener la grfica con:
Graph > 3D Surface Plot

Columnas de datos para Z, Y y X de Mesh
Se tienen dos opciones,

mallada o superficie
Surface Plot of C3 vs C2, C1
C3
-1
-5
C1
C2
-5
Contour Plot of C3 vs C2, C1
Curvas de nivel (Contour Plots)

5.0
Graph > Contour Plot
-0.4
Columnas de datos para Z, Y y X de Mesh
-0.4
-0.4
C2
2.5
-0.8
-0.8
0.4
0.4
0.0
0.8
0.8
-2.5
0.0
-0.4
-0.8
-5.0
-5.0
Pgina 18
-0.4
-0.8
-2.5
0.0
C1
-0.8
2.5
5.0

2.5 Aplicaciones
(Ver ejercicios de Aplicaciones Seccin 2 en este libro)
MDULO 3. ESTADSTICA DESCRIPTIVA

3.1 Estadsticos de una muestra
Ver archivo Estadistica Descriptiva.doc anexo para una explicacin de los conceptos tericos
Se usa el archivo DETERGENTE.MTW anexo en la hoja de datos del mdulo 3:
Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal
de 4 grs. indicando en cul de las 2 lneas se ha llenado:
Estudio estadstico bsico:
Stat > Basic statistics > Display descriptive statistics

Variables y variable categrica
Grficas de los datos
Seleccin de estadsticos especficos
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Peso en gr

Variable
Lnea
N N*
Mean
Peso en gr 1
250
0 3999.6
2
250
0 4085.6
Variable
Lnea
Q3 Maximum
Peso en gr 1
4040.0
4113.0
2
4121.5
4202.0
Pgina 19
SE Mean
3.14
3.32
StDev
49.6
52.5
Minimum
3877.0
3954.0
Q1
3967.8
4048.8
Median
3999.5
4087.0

Las grficas obtenidas de la estadstica descriptiva son las siguientes:

Histogram (with Normal Curve) of Peso en gr by Lnea de llenado
3900 3960 4020 4080 4140 4200
50
1
Mean
StDev
N
Frequency
40
4000
49.60
250
2
Mean
StDev
N
30
4086
52.51
250
20
10
0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Lnea de llenado
Individual Value Plot of Peso en gr vs Lnea de llenado

4200
4150
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
Boxplot of Peso en gr by Lnea de llenado

4200
4150
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
3.2 Diagrama de caja y diagrama de tallo y hojas

Para estos ejemplos se utiliza el archivo PULSE.MTW de Minitab
File > Open Worksheet > Pulse.mtw o copiar los datos del archivo anexo
Diagrama de caja
Pgina 20

Graph > Boxplot

Hacer una columna con el incremento del Pulso = Pulse 2 - Pulse 1
Calc > Calculator

Store result in variable Incremento
Expression Pulse2 - Pulse1
Grfica de caja sencillo
Boxplot of Pulse1
100
90
Pulse1
80
70
60
50
Grfica de caja por grupos
Boxplot of Incremento vs Ran, Sex

50
40
Incremento
30
20
10
0
-10
-20
Sex
Ran
2
1
2
2
Pgina 21

El diagrama de caja muestra los cuartiles Q1, Q2 (mediana) y Q3, el rango

intercuartlico es Q3 - Q1 y los bigotes se encuentran en Q1 + 1.5RIC y
Q3 - 1.5RIC. Los valores que exceden estos rangos se muestran en asteriscos.
Los valores similares se desplazan horizontalmente para que se puedan apreciar.
Diagrama de tallo y hojas
Graph > Stem and Leaf

o Stat > EDA > Stem and Leaf
Variable
Estratificacin opcional por otra variable
Destacar valores que exceden 1.5 RIC
de Q1 y Q3
Definicin del ancho de la "celda" de nmeros
Stem-and-Leaf Display: Weight

Stem-and-leaf of Weight N = 92
Tallo Hojas
1
9
5
4
10 288
13
11 002556688
24
12 00012355555
37
13 0000013555688
(11) 14 00002555558
44
15 0000000000355555555557
22
16 000045
16
17 000055
10
18 0005
6
19 00005
HI 215
Leaf Unit = 1.0

Con Increment = 20
Leaf Unit = 10
Tallo Hojas
1
0 9
13
1 000111111111
37
1 222222222223333333333333
(33) 1 444444444445555555555555555555555
22
1 666666777777
10
1 888899999
HI 21
Valor anmalo destacado
Lnea de profundidad (frec. Acumulada hasta la mediana () )
Diagrama de puntos
Graph > Dotplot

Se tienen varias alternativas para estos diagramas desde el simple hasta estratificado.
Identificando el incremento en el pulso para quienes han corrido o no y por sexo.
Pgina 22

Dotplot of Incremento vs Ran, Sex
Ran
Sex
1
2
1
2
-9
18
Incremento
27
36
45
3.3 Histogramas o distribuciones de frecuencia

Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25
Frequency
20
15
10
50
60
70
80
90
100
Pulse1
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
La apariencia de las barras se puede cambiar haciendo clcik en estas.
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaa Binning
Se deifnen los intervalos a travs de sus

puntos de corte
Se indica el nuevo nmero de intervalos
Pgina 23

Histogram of Pulse1
30
25
Frequency
20
15
10
5
0
48.00
56.66
65.33
74.00
Pulse1
82.66
91.33
100.00
Con doble click en la escala horizontal se puede modificar la escala de valores
Una vez creada esta grfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Editor > Make Similar Graph
Histogram of Pulse2
30
Frequency
25
20
15
10
5
0
60
80
100
Pulse2
120
140
Para comparar los histogramas segn se haya corrido o no se tiene:
Pgina 24

Graph > Histogram: Simple

Multiple Graphs:
Multiple Variable:
In separate panels of the same graph; Same scales for graphs X, Y
By Variable:
Ran
Histogram of Pulse1
50
60
70
16
80
90
100
14
Frequency
12
10
8
6
4
2
0
50
60
70
80
90
100
Pulse1
Panel variable: Ran
3.4 Distribucin normal estndar y distribucin normal

La teoria se puede consultar en el archivo de Word anexo:
Distribucin Normal.doc
Calc > Probability distributions > Normal

Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o rea desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant
Da el valor para el cual se obtiene
la probabilidad acumulada que se
indica
Media cero y desv. Estndar uno
indica una distribucin normal
estndar, con otros valores
se trata de la distribucin normal
El rea total de probabilidad es de 1.0

La media es de cero y la desv. Estandar 1
Ejemplos:
Densidad de probabilidad
Pgina 25


Seleccionar Probability Density
En Input Constant poner 1.5
Normal with mean = 0 and standard deviation = 1
x
f( x )
1.5 0.129518
Probabilidad acumulada

Seleccionar Cumulative Probability
x P( X <= x )
1.5
0.933193
Probabilidad acumulada inversa

Seleccionar Inverse Cumulative Probability
P( X <= x )
x
0.9332 1.50006
Dibujo de la grfica de densidad normal (entre -4 a +4 con incrementos de 0.1)
Calc > Make Patterned data > Simple set of numbers

Store patterned data in C1
Columna para guardar los datos

Primer valor
ltimo valor
Incremento
Listar cada valor
Listar toda la lista
Columna de datos fuente

Columna de datos distribuidos normalmente
Graph > Scatter plot (With connect line)

Pgina 26

Indicar en Y C1 y en X C1
En la grfica quitar los puntos dejando solo la lnea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4
C2
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
C1
Para la parte sombreada bajo la campana se dibuja un polgono:
Editor > Annotation > Graph annotation tools

Seleccionar para el interior el color gris
0.4
C2
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
C1
Para las distribuciones de densidad de Weibull se tiene (entre 0 y 4 con incrementos de 0.01):
Calc > Make Patterned data > Simple set of numbers

Store patterned data in C1
Calc > Probability distributions > Weibull
se repiten los valores del 1 al 4 en el parmetro de forma
Pgina 27

Graph > Scatterplot (With connect Line)

En la grfica seleccionar los puntos con doble click
Attributes, Symbols, Custom, Type None, Color Black

Con Editor > Annotation > Graph annotation tools
Con T escribir el texto de las opciones de las grficas de Weibull
Scatterplot of C2, C3, C4, C5 vs C1
1.6
a
a
a
a
1.4
1.2
= 1,
= 1,
= 1,
= 1,
b
b
b
b
Variable
C2
C3
C4
C5
=1
=2
=3
=4
Y-Data
1.0
0.8
0.6
0.4
0.2
0.0
0
2
C1
Areas bajo la curva normal

Excel
=Distr.norm.estand( valor de Z)
Minitab
Calc > Probablity distributions > Normal

Cumulative probability, Mean 0, standar deviation 1
Input constant (valor de Z)
Media = 0
K2
K1
Optional storage (K1 o K2)

Data> Display data K1 K2
Calc > Calculator Store result in C1 Expresion K2 - K1
rea entre Z = 1 sigmas
Minitab
K2
0,933193
K1
0,0668072
rea
0,8663858
Excel
rea
0,866385597
0,97725
0,0227501
0,9544999
0,954499736
0,99865
0,0013499
0,9973001
0,997300204
0,0668072
0,0668072
0,066807201
0,211855
0,211855
0,211855399
0,0668072
0,6589398
0,658939681
rea antes de Z = -1.5

rea despus de Z = 0.8
Restar a 1 o dar - Z
rea entre Z=-1.5 y Z=0.6
0,725747
Para cambiar el nmero de decimales mostrado en las columnas seleccionndolas y
Editor > Format column > Numeric
Fixed decimal with 8 u otro
Pgina 28

3.5 Prueba de normalidad

Utilizando el archivo de datos de DETERGENTE.MTW anexo
Copiar los datos del archivo a Minitab
Las hiptesis son las siguientes:
Ho: Los datos SI provienen de una poblacin distribuida normalmente
Ha: Los datos NO provienen de una poblacin distribuida normalmente
Stat > Basic statistics > Normality Test

en Variable indicar la columna de Pesos
Seleccionar la prueba de Anderson Darling
Probability Plot of Peso en gr
Normal
99.9
Mean
StDev
N
AD
P-Value
99
95
Percent
90
4043
66.76
500
0.426
0.314
80
70
60
50
40
30
20
AD - El estadstico de Anderson
Darling est en funcin de las
distancias entre los puntos y la
recta es mejor un valor menor
P Value indica la probabilidad
de equivocarnos al rechazar el
supuesto de normalidad cierto
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
Un valor P de menos de 0.05

indica que los datos no son
normales, en este caso si lo son.
4300
Otra forma de hacerlo es con:
Graph > Probability Plot: Single

Variable indicar la columna de Pesos
en Graph
Probability Plot of Peso en gr

Normal - 95% CI
99.9
Mean
StDev
N
AD
P-Value
99
95
Percent
90
80
70
60
50
40
30
20
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
4300
3.6 Aplicaciones
Ver hoja de aplicaciones de este mdulo 3.
Pgina 29
4043
66.76
500
0.426
0.314
En la grfica se deben observar

la gran mayora de puntos dentro
del intervalo de confianza y
obtener un P value mayor a 0.05
para indicar que los datos siguen
una distribucin normal

MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL

4.1 Clculo de probabilidades
Distribucin t de Student (para nmero de muestras menor a 30 o sigma desconocida)
Se usa para pruebas de hiptesis sobre medias de una y dos poblaciones
Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel
=Distr.t( valor de t, gl, colas)
rea bajo la curva
=Distr.t.inv( valor de probabilidad, gl)
Estadstico t para una cierta rea

El rea siempre se divide entre 2
Calc > Probablity distributions > t

Inverse Cumulative probability, Degrees of freedom
Input constant (valor de la probabilidad alfa o rea bajo la curva)
Minitab
Estadstico t (valor a partir del cual inicia el rea bajo la curva alfa)
Probabilidad alfa (valor del rea bajo la curva corresp. A t)
Media = 0
Datos
10
10
Alfa
0,05
0,1
1- Alfa
Estadstico t
Minitab
en Minitab
0,95
1,83311
0,9
1,38303
Estadstico t
Excel
1,833112933
1,383028738
Distribucin F de Fisher (para probar hiptesis de comparacin de varianzas entre dos muestras)
Requiere dos parmetros adicionales de Grados de Libertad (gl) = n1 -1 y n2 = 2
Excel
=Distr.F( valor de F, gl 1, gl 2)
=Distr.F.inv( valor de probabilidad, gl 1, gl 2)
Minitab
Calc > Probablity distributions > F

Inverse Cumulative probability
Numerator Degrees of freedom; Denominator Degrees of Freedom

Estadstico F (valor a partir del cual inicia el rea bajo la curva alfa)
Fc
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra 1
10
10
Datos de la
muestra 2
10
10
Alfa
0,05
0,1
S12
S 22
1- Alfa
Minitab
0,95
0,9
Pgina 30
S1 debe ser mayor a S2
Estadstico F
en Minitab
3,17889
2,44034
Excel
3,178893104
2,440340438

Distribucin Chi Cuadrada (para probar hiptesis de la varianza de una poblacin)

Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel
=Distr.Chi( valor de Chi, gl)

=Prueba.Chi.inv( valor de probabilidad, gl)
Minitab
Calc > Probablity distributions > Chi Square

Inverse Cumulative probability
Degrees of freedom

Estadstico Chi (valor a partir del cual inicia el rea bajo la curva alfa)
Fc
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra
10
10
Alfa
0,05
0,1
S12
S 22
1- Alfa
Minitab
0,95
0,9
Estadstico Chi Cuadrado

en Minitab
Excel
16,919
16,9189776
14,6837
14,68365657
4.2 Pruebas de hiptesis de una poblacin

Referirse a los materiales sobre Pruebas de hiptesis para la teora de estas pruebas
MinitabPruebaHiptesis.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Las pruebas de hiptesis permiten probar una afirmacin o rechazarla en relacin
a parmetros de la poblacin que pueden ser la media, varianza y proporcin con
nivel de confianza que normalmente es del 95% (con 5% de probabilidad de error).
Para las pruebas se toman muestras de las poblaciones y en base a la informacin
que proporcionen se infiere sobre el comportamiento del parmetro en la poblacin.
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la poblacin (en base a datos histricos)
Ho: Media = valor
Ha: Media Valor
Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035
3949
3969
3955
3969
3928
4017
3979
3984
3995
3974
4009
3970
4034
3991
4024
3983
3997
3964
3988
La desviacin estndar histrica es de 25 g.
Se puede afirmar que el peso promedio es diferente a 25 g.?
Ho: Media = 25
Ha: Media 25
Pgina 31

Se inrtroducen los valores en una sola columna C1 titulada Pesos:
Stat > Basic Statistics > 1 - Sample Z
Indicar columna de datos
Esta seccin se usa cuando hay

datos de media y muestras
Desviacin estndar histrica

Media a probar
Nivel de confianza
Hiptesis alternativa, tambin se

puede probar "Menor que" o
"Mayor que"
Permite seleccionar varios tipos de grficas
Individual Value Plot of Pesos
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 25)
_
X
Ho
3920
3940
3960
3980
Pesos
4000
4020
One-Sample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Pgina 32
4040
Si la Ho queda fuera de la lnea

azul, entonces se rechaza la
hiptesis nula Ho y se acepta la
hiptesis alterna Ha indicando
que los pesos son menores a
los 4 Kgs.
Variable
Pesos
N
20

Mean
3985.70
Z
-2.56
StDev
28.18
SE Mean
5.59
95% CI
(3974.74, 3996.66)
Este es el intervalo de confianza del 95% donde se encuentra

la media del proceso de llenado (poblacin). El 4000 no se
encuentra en el intervalo por tanto el promedio difiere de lo
que se afirma
P
0.011
l valor P es menor
a 0.05 por tanto se
rechaza la Ho y se
acepta la alterna en
este caso el
promedio difiere de
los 4000 g.
Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el nmero de datos es menor a 30
Ho: Media = valor
Ha: Media Valor
Stat > Basic Statistics > 1 - Sample t

Similar al anterior sin requerir el valor de la desviacin estndar
One-Sample T: Pesos
Test of mu = 4000 vs not = 4000
Variable
N
Mean StDev SE Mean
Pesos
20 3985.70 28.18
6.30
95% CI
(3972.51, 3998.89)
T
-2.27
P
0.035
Las conclusiones son iguales que en el caso 1
Caso 3. Prueba de hiptesis para una proporcin

Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.
Para un 95% de confianza se confirma la sospecha de que menos del 10% de
usuarios usan estos accesorios?
Ho: Proporcin >= 0.10
Ha: Proporcin < 0.10
Stat > Basic Statistics > 1 - Proportion

Se usa a mano si np > 5 y n(1-p) > 5
sin embargo Minitab lo calcula
por el mtodo exacto
Test and CI for One Proportion

Test of p = 0.1 vs p < 0.1
Upper
Pgina 33
Exact

Sample
1
X
17
N
200
Sample p
0.085000
Bound
0.124771
P-Value
0.285
No se rechaza Ho ya que la Proporcin del 10% de la

hiptesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hiptesis alterna.
Es vlido decir que slo el 10% de los usuarios utilizan los accesorios
4.3 Pruebas de hiptesis de dos poblaciones

Caso 1. Comparacin de dos medias - Muestras independientes
H: Media A - Media B = 0
Ha: Media A - Media B 0
Ejemplo: 10 pieles son curtidas usando el mtodo A y 10 usando el mtodo B, las

resistencias a la traccin son las siguientes:
Mtodo A
Mtodo B
24,3
24,4
25,6
21,5
26,7
25,1
22,7
22,8
24,8
25,2
23,8
23,5
25,9
22,2
26,4
23,5
25,8
23,3
25,4
24,7
Se puede decir que los dos mtodos producen resistencias a la traccin diferentes?
Usar un nivel de confianza del 95%.
Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B
Paso 1. Se realiza un anlisis de comparacin de varianzas poblacionales:
Ho: Varianza A = Varianza B
Ha: Varianza A Varianza B
Stat > Basic Statistics > 2 Variances
Test for Equal

95% Bonferroni
F-Test (normal
Test statistic
Variances: Mtodo A, Mtodo B

confidence intervals for standard deviations
distribution)
= 1.01, p-value = 0.991
Pgina 34

Como el P value es mayor a 0.05 no se rechaza la Hiptesis nula de igualdad de

varianzas, por tanto se asume que son iguales. Esta inf. se usar a continuacin:
Paso 2. Se realiza un anlisis de comparacin de medias poblacionales
H: Media A - Media B = 0 Ha: Media A - Media B 0
Stat > Basic Statistics > 2 - Sample t
La grfica de puntos individuales indica diferencia entre las muestras

Individual Value Plot of Mtodo A, Mtodo B
27
26
Data
25
24
23
22
21
Mtodo A
Mtodo B
Y los resultados de la prueba estadstica lo confirman:
Two-sample T for Mtodo A vs Mtodo B
Mtodo A
Mtodo B
N
10
10
Mean
25.14
23.62
StDev
1.24
1.24
SE Mean
0.39
0.39
Difference = mu (Mtodo A) - mu (Mtodo B)

Estimate for difference: 1.52000
95% CI for difference: (0.35037, 2.68963)
T-Test of difference = 0 (vs not =): T-Value = 2.74
P-Value = 0.014
Como el cero no se encuentra en el intervalo de confianza de la

diferencia de las dos medias y el valor P value es menor a 0.05
se rechaza la hiptesis nula de igualdad de medias y se acepta
la alterna afirmando que son diferentes
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0
Ha: Media de diferencias

Pgina 35
DF = 17

Se utilizan cuando se trata de comparar el efecto de dos tratamientos a los mismos

sujetos u objetos, por ejemplo el peso de individuos antes y despus de una rutina.
Tambin se aplica cuando cuando antes de comparar se hacen parejas de sujetos
por ejemplo para comparar los promedios de alumos de dos universidades, primero
se forman parejas (dos ingenieros, dos administradores, dos arquitectos, etc.)
Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B, se seleccionan
10 personas a las que se les instala uno de esos lentes en cualquier lado al azar.
Despus de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:
Persona
1
2
3
4
5
6
7
8
9
10
Lente A
6,7
5,0
3,6
6,2
5,9
4,0
5,2
4,5
4,4
4,1
Lente B
6,9
5,8
4,1
7,0
7,0
4,6
5,5
5,0
4,3
4,8
A un 95% de nivel de confianza

Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes?
Se colocan los datos en las columnas C1 y C2 para los Lentes A y B.
Ho: Diferencia de medias = 0
Ha: Diferencia de medias 0
Stat > Basic Statistics > Paired t
Individual Value Plot of Differences
(with Ho and 95% t-confidence interval for the mean)
_
X
Ho
-1.2
-1.0
-0.8
-0.6
-0.4
Differences
-0.2
0.0
Paired T-Test and CI: Lente A, Lente B

Paired T for Lente A - Lente B
Lente A
Lente B
Difference
N
10
10
10
Mean
4.96000
5.50000
-0.540000
StDev
1.02978
1.13039
0.343835
SE Mean
0.32564
0.35746
0.108730
Pgina 36
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
mtodos.

95% CI for mean difference: (-0.785964, -0.294036)

T-Test of mean difference = 0 (vs not = 0): T-Value = -4.97
P-Value = 0.001
Como el cero no se encuentra en el intervalo de confianza de la

diferencia de las dos medias y el valor P value es menor a 0.05
se rechaza la hiptesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos producen deterioros diferentes.
Caso 3. Comparacin de dos proporciones
Ejemplo: En una encuesta a 300 clientes de la zona A, 33 estan descontentos
En otra zona B se encuestaron a 250 clientes y 22 se mostraron descontentos.
A un 95% de nivel de confianza o 5% de nivel de sigfinicancia,
Hay diferencia en las proporciones de clientes descontentos en las dos zonas?
Ho: Proporcin A = Proporcin B
Ha: Proporcin A Proporcin B
Stat > Basic Statistics > 2 - Proportions
Se usa la seccin de datos

resumidos
Como Opciones NC = 95%
Alternate = Not equal, Test Dif = 0
Use Pooled estimate p for test
Test and CI for Two Proportions

Sample
X
N Sample p
1
33 300 0.110000
2
22 250 0.088000
Difference = p (1) - p (2)
Estimate for difference: 0.022
95% CI for difference: (-0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86
P-Value = 0.392
Como el cero si se encuentra en el intervalo de confianza de la

diferencia de las dos proporciones y el valor P value es mayor a 0.05
no se rechaza la hiptesis nula de igualdad de proporciones
o sea que no hay razn para decir que las proporciones sean diferentes.
4.4 Tamao de muestra y potencia

Potencia:
Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Hiptesis Nula
Desicin
Verdadera
Falsa
No rechazar
Desicin correcta
Error tipo II
p=1-a
p=b
Rechazar
Error tipo I
Desicin correcta
p=a
p=1- b
Potencia
Pgina 37

La potencia de la prueba es la probabilidad de de rechazar correctamente

la hiptesis nula siendo que en realidad es falsa.
El anlisis de potencia puede ayudar a contestar preguntas como:
* Cuntas muestras se deben tomar para el anlisis?
* Es suficiente el tamao de muestra?
* Qu tan grande es la diferencia que la prueba puede detectar?
* Son realmente valiosos los resultados de la prueba?
Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros:
* Tamaos de muestra
* Diferencias - un corrimiento significativo de la media que se desea detectar
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Caso 1. Prueba t de una media poblacional

Ejemplo: Se tiene una poblacin normal con media de 365 y lmites de especificacin
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el nmero de
defectos sera inaceptable, la desviacin estndar histrica es de 2.403:
CORRIDA DE 2.5 GRS. EN PROMEDIO

0.18
LIE 360
0.16
Ha: Corrida
367.5
Ho:
Meta
365
Variable
Original
C orrida
LIE 370
0.14
Y-Data
0.12
0.10
0.08
0.06
0.04
0.02
0.00
355
360
365
C1
370
375
Stat > Power and Sample Size > 1 - Sample t

Completar el dilogo como sigue:
Pgina 38

Los resultados se muestran a continuacin:
Power and Sample Size

1-Sample t Test
Testing mean = null (versus not = null)
Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403
Difference
2.5
Sample
Size
6
Se tiene un 53.76% de Potencia para detectar

una diferencia de 2.5 si se usan 6 muestras
O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.
Power
0.537662
cuntas muestras se requieren para tener un 80% de probabilidad de detectar

el corrimiento, y para 85%, 90% y 95%?
Se cambia este parmetro
Difference
2.5
2.5
2.5
2.5
Sample
Size
10
11
12
15
Target
Power
0.80
0.85
0.90
0.95
Actual Power
0.832695
0.873928
0.905836
0.962487
Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias

que realmente no son significativas.
Caso 2. Prueba t de comparacin de dos medias poblacionales
Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar
respecto a la desviacin estndar, para una sigma poner 1 en diferencia y desviacin
estndar, con valores deseados de Potencia de 0.8 y 0.9.

Power and Sample Size
2-Sample t Test
Pgina 39

Testing mean 1 = mean 2 (versus not =)

Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Assumed standard deviation = 1
Difference
1
1
Sample
Size
17
23
Target
Power
0.8
0.9
Actual Power
0.807037
0.912498
Se requieren tamaos de muestra de entre 17 y 23

Caso 3. Prueba de 1 proporcin
Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros:
* Tamaos de muestra
* La proporcin - una proporcin que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Suponiendo que se desea detectar una proporcin de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Proporcin que se desea detectar con alta

probabilidad (0.80, 0.90)
Es la proporcin de la Hiptesis nula
Test for One Proportion

Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample Target
Proportion
Size
Power Actual Power
0.04
391
0.8
0.800388
0.04
580
0.9
0.900226
Si se desea saber la Potencia si se utiliza un tamao de muestra de 500 se tiene:

Sample sizes = 500 Alternative values of p = 0.04
Options: Greater Than
Significance Level = 0.05
Test for One Proportion

Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample
Proportion
Size
Power
0.04
500
0.865861
Por tanto con un tamao de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
Pgina 40

4.5 Anlisis de varianza (ANOVA)

Para la teora revisar el artculo anexo en el archivo ANOVA.Doc
El Anlisis de Varianza es una prueba de hiptesis que trata de probar la
igualdad de varias medias al mismo tiempo:
H
1 2 3 .... k
H 1 : Al menos
dos medias
son diferentes
Requiere que las poblaciones sean normales y con varianza similar.

ANOVA de una va con datos de tratamientos en diferentes columnas:
Ejemplo: Los tcnicos de una fbrica de papel hacen un experimento de un factor
para ver que variedad de rbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A
1,9
1,8
2,1
1,8
B
1,6
1,1
1,3
1,4
1,1
C
1,3
1,6
1,8
1,1
1,5
1,1
A un 95% de nivel de confianza, hay alguna variedad que produzca ms fenoles que otra?
Se colocan los datos en tres columnas distintas C1, C2 y C3:
Stat > ANOVA > One Way (Unstacked)
Residual Plots for A, B, C

Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99
0.4
Residual
Percent
90
50
10
1
-0.50
-0.25
0.00
Residual
0.25
0.50
0.2
0.0
-0.2
-0.4
1.4
1.6
Fitted Value
Histogram of the Residuals
Frequency
3
2
1
0
-0.3 -0.2 -0.1
0.0 0.1
Residual
0.2
0.3
0.4
Los residuos deben mostrar

un comportamiento normal
y aleatorio alrededor de la media
para que el anlisis sea vlido
Pgina 41
1.8

One-way ANOVA: A, B, C
Source
Factor
Error
Total
DF
2
12
14
S = 0.2309
SS
0.9000
0.6400
1.5400
MS
0.4500
0.0533
F
8.44
R-Sq = 58.44%
P
0.005
Como el valor P value es menor

a 0.05 existe una diferencia
significativa entre algunas medias
R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on

A produce ms fenoles que B,C
Pooled StDev
Level N
Mean
StDev ----+---------+---------+---------+----A
4 1.9000 0.1414
(-------*--------)
La media de A es
B
5 1.3000 0.2121 (------*-------)
diferentes a A y B
C
6 1.4000 0.2828
(------*------)
----+---------+---------+---------+----1.20
1.50
1.80
2.10
Las medias B y C
Pooled StDev = 0.2309
Desviacin estndar poblacional
son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94%
A subtracted from:
Lower
Center
B -1.0130 -0.6000
C -0.8974 -0.5000
B subtracted from:
Lower Center
C -0.2728 0.1000
Upper
-0.1870
-0.1026
Upper
0.4728
Como el cero no est en el

intervalo de la diferencia B-A
o C-A, A es diferente de B y C
-----+---------+---------+---------+---(---------*---------)
(---------*--------)
-----+---------+---------+---------+----0.80
-0.40
-0.00
0.40
-----+---------+---------+---------+---(---------*--------)
-----+---------+---------+---------+----0.80
-0.40
-0.00
0.40
El intervalo de la diferencia C-B si incluye
el cero por tanto B no es diferentes de C
ANOVA de una va con datos de tratamientos en una sola columna

Los datos del ejemplo anterior arreglados en una
sola columna se muestran a continuacin:
Pgina 42
Respuesta
1,9
1,8
2,1
1,8
1,6
1,1
1,3
1,4
1,1
1,3
1,6
1,8
1,1
1,5
1,1
Factor
A
A
A
A
B
B
B
B
B
C
C
C
C
C
C

Stat > ANOVA > One Way
Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.
Residual Plots for Respuesta
99
0.4
Residual
Percent
90
50
10
1
-0.50
-0.25
0.00
Residual
0.25
1.4
1.6
Fitted Value
1.8
Residuals Versus the Order of the Data

0.4
Residual
Frequency
0.0
-0.2
-0.4
0.50
1
0
0.2
0.2
0.0
-0.2
-0.3
-0.2
-0.1
0.0 0.1
Residual
0.2
0.3
0.4
-0.4
9 10 11 12 13 14 15
Observation Order
4.6 Correlacin y Regresin lineal y cuadrtica simple

Revisar el archivo anexo sobre Anlisis de RegresinRes.doc para conceptos de teora.
Coeficiente de Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?".
La correlacin es una prueba fcil y rpida para eliminar factores que no influyen
en la prediccin, para una respuesta dada.
* Es una medida de la fuerza de la relacin lineal entre dos variables x y y.
* Es un nmero entre -1 y 1
* Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
* Un valor negativo indica que cuando una variable aumenta, la otra disminuye
* Si las dos variables no estn relacionadas, el coeficiente de correlacin tiende a 0.
Pgina 43

Correlacin Negativa
Evidente
25
20
20
15
15
10
Correlacin Positiva
Evidente
25
5
0
10
15
20
25
10
5
Sin Correlacin
0
0
10
25
15
20
25
20
15
25
Correlacin
Positiva
10
0
0
20
10
15
20
25
25
20
15
15
10
Correlacin
Negativa
10
5
0
0
10
15
20
25
10
15
20
25
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw
o copiar los datos del archivo anexo
Antes de calcular el coeficiente de correlacin se sugiere hacer un diagrama
bivariante para identificar posibles valores anmalos, relaciones no lineales, etc.
Graph > Scatterplot: Simple
Y = Weight y X = Height

220
200
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
74
76
Ahora se calcula el coeficiente de Correlacin que mide el grado de relacin que existe
entre dos variables, como sigue:
Stat > Basic Statistics > Correlation

Height
Seleccionar en Variables Weight

Seleccionar Display P values
Los resultados son los siguientes:
Correlations: Weight, Height

Pearson correlation of Weight and Height = 0.785Coeficiente de correlacin
P-Value = 0.000
Como el P value es menor a 0.05, la correlacin si es significativa
Pgina 44

Si se agrega la variable "Pulse1":
Correlations: Weight, Height, Pulse1

Weight Height
Correlaciones
Height
0.785
P values
0
Pulse1
-0.202 -0.212 Correlaciones

0.053
0.043 P values
Cell Contents: Pearson correlation
P-Value
Regresin simple por medio de grfica:
Stat > Regression > Fitted line Plot

(Y) Weight y en Predictor (X) Height
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Seleccionar en Response
Ecuacin de
Regresin
Fitted Line Plot
Weight = - 204.7 + 5.092 Height

220
S Desv. Estandar de
los residuos
(valor real-estimado
por la regresin)
200
Weight
180
S
R-Sq
R-Sq(adj)
160
140
14.7920
61.6%
61.2%
120
100
60
62
64
66
68
Height
70
72
74
76
R-Sq Coeficiente
de Determinacin
en porcentaje de
variacin explicada
por la ecuacin de
regresin
R-Sq (Adj) - Slo para regresin mltiple

Regression Analysis: Weight versus Height
The regression equation is

Weight = - 204.7 + 5.092 Height
S = 14.7920
R-Sq = 61.6%
R-Sq(adj) = 61.2%
Analysis of Variance
Source
DF
SS
MS
F
P
Regression
1 31591.6 31591.6 144.38
0.000
Error
90 19692.2
218.8
El valor p menor a 0.05 indica que SI
Total
91 51283.9
es significativa la Correlacin entre Y y X.
Regresin simple:
Efecta un anlisis de regresin simple:
Stat > Regression > Regression

Seleccionar en Response Weight y en Predictors Height
Regression Analysis: Weight versus Height
Weight = - 205 + 5.09 Height
Ecuacin de regresin
Pgina 45

Predictor
Constant
Height
Coef
-204.74
5.0918
SE Coef
29.16
0.4237
T
-7.02
12.02
P
0.000
0.000
S = 14.7920
R-Sq = 61.6%
R-Sq(adj) = 61.2%
Coef. De determinacin
Source
Regression
Residual Error
Total
DF
1
90
91
SS
31592
19692
51284
MS
31592
219
F
144.38
P
0.000 Regresin significativa
Unusual Observations
Obs
9
25
40
84
Height
72.0
61.0
72.0
68.0
Weight
195.00
140.00
215.00
110.00
Fit
161.87
105.86
161.87
141.50
SE Fit
2.08
3.62
2.08
1.57
Residual
33.13
34.14
53.13
-31.50
St Resid
2.26R
2.38R
3.63R
-2.14R
Puntos con un
residuo estndar
mayor a 2
R denotes an observation with a large standardized residual.

En algunos casos hay puntos que estn muy alejados de la mayora de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo:
Usando el archivo PUNTOS_RX.MTW anexo:
Y=yyX=x
Fitted Line Plot
Y = 14.16 + 4.075 X
70
S
R-Sq
R-Sq(adj)
60
3.47429
86.6%
86.3%
50
40
30
20
10
0
6
X
10
12

Seleccionar en Response Y y en Predictors X
Obs
51
52
X
2.5
12.0
Y
40.000
60.000
Fit
24.343
63.056
SE Fit
0.483
2.178
Residual
15.657
-3.056
St Resid
4.55R
-1.13 X

Pgina 46

X denotes an observation whose X value gives it large influenc

Regresin simple con datos transformados:
En algunos casos el ajuste se mejora mucho si se transforman los datos:
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamferos se tiene:
Haciendo una grfica de dispersin bivariada se tiene:
Y = Peso cerebro y X = Peso total
Scatterplot of Peso cerebro (g) vs Peso total (kg)

6000
Peso cerebro (g)
5000
4000
3000
2000
1000
0
0
1000
2000
3000
4000
Peso total (kg)
5000
6000
7000
En este caso los pesos de los elefantes pueden sesgar la ecuacin de la recta
no se pueden eliminar como anmalos y se intentar transformarlos en forma
logartmica:

(Y) Peso Cerebro y en Predictor (X) Peso Cuerpo
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
En Options seleccionar lo siguiente:
Pgina 47

Como resultado se obtiene una grfica mucho ms uniforme:

Fitted Line Plot
logten(Peso cerebro (g)) = 0.9271 + 0.7517 logten(Peso total (kg))

100000.00
Regression
95% C I
95% PI
10000.00
S
R-Sq
R-Sq(adj)
Peso cerebro (g)
1000.00
100.00
0.301528
92.1%
91.9%
10.00
Intervalo de
valores individuales
en base a una X
0.10
1
00
0.
en base a una X
prediccin de Y para
1.00
0.01
Intervalos de
confianza de Ymedia
0
01
0.
0
10
0.
0
00
1.
Coeficiente de
determinacin
muy cercano a uno
0
0
00
00
00
00
.0
.0
0.
0.
10
00
10
00
10
0
1
Peso total (kg)
Regresin simple cuadrtica:

Usar el archivo RESIDUOS.MTW anexo o copiar los datos de las columnas X, Y a Minitab

(Y) Y, Predictor (X) X
Seleccionar modelo Linear
En Options seleccionar Display Confidence Interval y Prediction Interval:
En Graphs seleccionar Residuals vs Fits
Aparece la grfica siguiente de residuos que no varian aleatoriamente alrededor

de la media, sino ms bien con un patrn que sugiere un modelo cuadrtico:
(response is Y)
1.0
Residual
0.5
0.0
-0.5
-1.0
15
20
25
Fitted Value
30
35
Repitiendo las instrucciones anteriores pero para modelo

Fitted Line Plot
Y = 15.12 + 2.829 X
+ 0.2355 X**2
Regression
95% C I
95% PI
35
S
R-Sq
R-Sq(adj)
30
25
20
15
0
Pgina 48
0.228822
99.9%
99.9%
Quadratic se tiene:


(response is Y)
0.50
Residual
0.25
0.00
-0.25
-0.50
15
20
25
Fitted Value
30
35
Los residuos aparecen en forma aleatoria indicando un modelo adecuado.
4.7 Aplicaciones
Ver aplicaciones del Mdulo 4
Pgina 49

MDULO 5. ESTADSTICA NO PARAMTRICA

Acciones a tomar sobre los datos normales antes de optar por estas pruebas:
Revise y asegrese de que los datos no siguen una distribucin normal.
Desarrollar una Prueba de normalidad. Para la prueba de Bartlet
el valor de p debe ser < 0.05)

Desarrollar una Prueba de Corridas (para verificar que no existen sucesos
no aleatorios que puedan haber distorsionado la informacin)

Revisar la informacin para detectar errores (tipogrficos, etc.).
Investiguar los valores atpicos.

Una muestra pequea (n < 30) proveniente de un universo normal,
se mostrar algunas veces como anormal.

Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos
Si la informacin es todava anormal, entonces usar las herramientas no paramtricas.
Se utilizan cuando no interesa la forma de la distribucin o cuando los datos no son normales
Prueba de Hiptesis
Atributos
Variables
No Normales
Varianzas
Homogeneidad
de Varianzas
de Levene
Tablas de
Contingencia de
Medianas
Correlacin
Correlacin
Prueba de signos
Normal
Wilcoxon
MannWhitney
KruskalWallis
Prueba de Mood
Friedman
Variancia
Chi
Prueba-F
Homogeneidad
de la Variacin
de Bartlett
Medias
Pruebas de t
Muestra-1
Muestra-2
ANOVA
Una va
Dos vas
Correlacin
Regresin
Se tienen las pruebas siguientes como ms comunes:
Pgina 50
Residuos
distribuidos
normalmente

Pruebas de normalidad o aleatioriedad de los datos

Prueba de Rachas:
Calcula la probabilidad de que un X nmero de puntos o rachas de referencia,
estn por encima o por debajo del promedio aleatoriamente.
Se tiene pruebas paramtricas y no paramtricas.
Pruebas de igualdad de varianzas
Pruebas de Varianzas
Homogeneidad de la varianza de Levene:
Compara dos o ms varianzas de muestras de la misma poblacin.
Pruebas no paramtricas con la medianas o medianas
Pruebas de la Mediana
Prueba de signos: Prueba si el promedio de la mediana de la muestra
es igual a un valor conocido o a un valor a alcanzar.
Prueba Wilcoxon: Prueba si la mediana de la muestra es igual a un valor
conocido o a un valor hipottico.
Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales.
Comprueba el rango de dos muestras, por diferencia entre dos medianas del universo.
Prueba Kruskal-Wallis: Prueba si ms de dos medianas de muestras son iguales.
Asume que todas las distribuciones tienen la misma forma.
Prueba de la mediana de Mood: Otra prueba para ms de dos medianas.
Prueba ms firme para los valores atpicos contenidos en la informacin.
Prueba de Friedman: Prueba si las medianas de las muestras, clasificadas
bajo dos categoras, son iguales.
Correlacin: Prueba la relacin lineal entre dos variables
5.1 Prueba de Rachas

Prueba de Rachas paramtrica:
Racha es un punto o serie consecutiva de puntos que caen en un lado de la mediana.
Se usa cuando se buscan evidencias de ciertos patrones no aleatorios en el proceso,
indicando que la variacin es anormal formando grupos, oscilaciones, mezclas
y que se deben tomar acciones correctivas.
Si la muestra es de uno determina la lnea central como la mediana y si la muestra
es de subgrupos une las medias de los subgrupos con una lnea.
Las hipotesis de esta prueba son:
H0: Las rachas son aleatorias H1: Las rachas siguen un patrn no aleatorio
Por ejemplo con el archivo RADON.MTW de este mdulo se tiene:
Copiar los datos del archivo RADON.MTW anexo
Pgina 51

Stat > Quality Tools > Run Chart

En Single column, seleccionar Membrane .
En Subgroup size, poner 2 . Click OK.
Run Chart of Membrane
45
Membrane
40
35
30
25
20
1
Number of runs about median:

Expected number of runs:
Longest run about median:
A pprox P-Value for C lustering:
A pprox P-Value for Mixtures:
4
3
6.00000
5
0.02209
0.97791
5
6
Sample
Number of runs up or down:

Expected number of runs:
Longest run up or down:
A pprox P-Value for Trends:
A pprox P-Value for Oscillation:
10
5
6.33333
3
0.13455
0.86545
Interpretacin de resultados
Como el P value de Clustering es menor a 0.05 indica que este patrn es significativo
y se deben investigar las posibles causas.
Prueba de rachas no paramtrica
H0: Las rachas son aleatorias H1: Las rachas siguen un patrn no aleatorio
Un entrevistador encuesta a 30 personas al azar y les hace una pregunta con 4 posibles
respuestas (0, 1, 2 y 3). Se quiere probar si hay una respuesta aleatoria en el orden de
las respuestas o que no haya sesgo en el entrevistado.
Usar el archivo EXH_STAT.MTW.
Stat > Nonparametrics > Runs Test.

En Variables, seleccioanr Response . Click OK.
Runs Test: Response

Runs test for Response
Runs above and below K = 1.23333
The observed number of runs = 8
The expected number of runs = 14.9333
11 observations above K, 19 below
P-value =
0.005
Interpretacin de resultados: Como P value es menor a 0.05 se tiene evidencia de que
el comportamiento de las respuestas no es aleatorio y debe investigarse la causa.
5.2 Puebas de signos de la mediana

H0: mediana = mediana hipotetizada versus H1: mediana mediana hipotetizada
Ejemplo: Se evaluan los ndices de precios de 29 casas. Los datos histricos indican
que el ndice ha sido de 115. Probar a un alfa de 0.10 si el alfa se ha incrementado.
Pgina 52

Copiar los datos del archivo EXH_STAT.MTW anexo
Stat > Nonparametrics > 1-Sample Sign.

En Variables, seleccionar PriceIndex.
Seleccionar Test median y poner 115 en el cuadro
En Alternative, Seleccionar greater than. Click OK.
Sign Test for Median: PriceIndex

Sign test of median =
PriceIndex
N
29
Below
12
115.0 versus > 115.0

Equal
0
Above
17
Interpretacin de resultados:
P
0.2291
Median
144.0
Como el valor P de la prueba es >0.05 no hay

evidencia suficiente para rechazar Ho y la
mediana no es mayor a 115.
5.3 Prueba de una mediana de Wilconox

H0: mediana = mediana hipotetizada versus H1: mediana mediana hipotetizada
Se registran los resultados de examenes en ciencias para 9 estudiantes. Se quiere
probar si hay suficiente evidencia de que la mediana sea diferente de 77 con alfa = 0.05.
Stat > Nonparametrics > 1-Sample Wilconox

En Variables, seleccionar Achievement
Seleccionar Test median y poner 77 en el cuadro
En Alternative, Seleccionar Not equal. Click OK.
Wilcoxon Signed Rank Test: Achievement

Test of median = 77.00 versus median not = 77.00
Achievement
N
9
N
for
Test
8
Wilcoxon
Statistic
19.5
P
0.889
Estimated
Median
77.50

evidencia suficiente para rechazar Ho y la
mediana no es estadsticamente diferente de 77.
5.4 Prueba de rangos de dos muestras de Mann Whitney

H0: h1 = h2 versus H1: h1 h2 , donde h es mediana de la poblacin.
Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza
Ejemplo: Se compara la presin diastlica de dos muestras extraidas de dos poblaciones
Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas.
Pgina 53

Stat > Nonparametrics > Mann-Whitney

En First Sample, sleccionar DBP1. En Second Sample, seleccionar DBP2. Click OK.
En Confidence level 95% y en Alternative, Seleccionar Not equal. Click OK.
Mann-Whitney Test and CI: DBP1, DBP2

N Median
DBP1 8
69.50
DBP2 9
78.00
Point estimate for ETA1-ETA2 is -7.50
95.1 Percent CI for ETA1-ETA2 is (-18.00,4.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.2685
The test is significant at 0.2679 (adjusted for ties)

evidencia suficiente para rechazar Ho y las
medianas no son diferentes estadsticamente.
5.5 Prueba de igualdad de medianas de Kruskal Wallis

H0: Las medianas poblacionales son todas iguales versus H1: Al menos hay una diferente
Esta es una generalizacin de la prueba de Mann Whitney
Ejemplo: Se quiere probar si el efecto de tres tratamientos diferentes influyen en el }
crecimiento de bacterias a un 5% de nivel de significancia
Stat > Nonparametrics > Kruskal-Wallis.

En Response, seleccionar Growth.
En Factor, seleccionar Treatment. Click OK.
Kruskal-Wallis Test: Growth versus Treatment

Kruskal-Wallis Test on Growth
Treatment
1
2
3
Overall
H = 8.63
H = 8.64
N
5
5
6
16
Median
13.20
12.90
15.60
DF = 2
DF = 2
Ave Rank
7.7
4.3
12.7
8.5
P = 0.013
P = 0.013
Z
-0.45
-2.38
2.71
(adjusted for ties)
Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
medianas son diferentes estadsticamente.
La mediana 1 difiere menos de la mediana general
Las medianas 2 y 3 tienen una mayor diferencia respecto a la mediana general.
5.6 Prueba de igualdad de medianas de Mood - Exp. de un factor (ANOVA)

Prueba similar a la anterior:
Pgina 54

H0: h1 = h2 = h3, versus H1: no todas las h's son iguales con h's medianas poblacionales .
de OTIS para los tres niveles educacionales.
Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras
despus se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia
significativa entre el nivel de educacin 0 - Preprofesionales 1 -Profesionales
2 - Preparatoria
Usar el archivo de datos CARTOON.MTW
Copiar los datos a Minitab
Stat > Nonparametrics > Moods Median Test

En Response, seleccionar OTIS.
En Factor, seleccionar ED. Click OK.
Mood Median Test: Otis versus ED
Como el valor P es menor a 0.05
P = 0.000 indica que las medianas no son
iguales
Individual 95.0% CIs
----+---------+---------+---------+-(-----*-----)
(------*------)
(----*----)
----+---------+---------+---------+-96.0
104.0
112.0
120.0
Mood median test for Otis

Chi-Square = 49.08
DF = 2
ED
0
1
2
N<=
47
29
15
N>
9
24
55
Median
97.5
106.0
116.5
Q3-Q1
17.3
21.5
16.3
5.7 Experimento aleatorizado bloqueado (similar a la ANOVA de dos vas)

Ho: Los efectos de todos los tratamientos son cero
H1: Los efectos de los tratamientos difieren de cero
Ejemplo: Se quiere probar un tratamiento de drogas sobre la actividad enzimatica.
Se prueba con tres tratamientos en animales de diferentes granjas.
Usar el archivo EXH_STAT.MTW.
Stat > Nonparametrics > Friedman.

En Response, seleccionar EnzymeActivity.
En Treatment, selecionar Therapy. En Blocks, seleccionar Litter. Click OK.
Friedman Test: EnzymeActivity versus Therapy blocked by Litter

S = 2.38 DF = 2 P = 0.305
S = 3.80 DF = 2 P = 0.150 (adjusted for ties)
Therapy
1
2
3
N
4
4
4
Est Median
0.2450
0.3117
0.5783
Sum
of
Ranks
6.5
7.0
10.5
Los valores P son mayores a 0.10

por tanto no hay evidencia para
decir que el efecto de los
tratamientos sea diferente de cero
Grand median = 0.3783
Pgina 55

5.8 Tablas de Contingencia

Para la teora ver artculo Tablas de Contingencia.doc anexo
La Tabla de contingencia es una prueba de independencia entre variables.
Ho: La variable de rengln es independiente de la variable de columna
Las proporciones en todas las columnas de cada rengln son iguales
Ha: La variable de rengln tiene dependencia de la variable de columna
Las proporciones en las columnas de cada rengln son diferentes
Ejemplo: Se tiene inters de probar si la afiliacin poltica depende del sexo y del
partdo poltico, para lo cual se encuestan a 100 personas.
Del Archivo EXH_TABL.MTW de la carpeta de Minitab o anexo se toman los datos siguientes:
Democrat
28
22
Hombres
Mujeres
Republican
18
27
Other
4
1
Las instrucciones son las siguientes:

Open worksheet EXH_TABL.MTW.
Stat > Tables > Chi-Square Test (Tabla en Worksheet).

En Columns que contiene la tabla, indicar Democrat, Republican y Other. Click OK.
Chi-Square Test: Democrat, Republican, Other

Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
Democrat
28
25.00
0.360
Republican
18
22.50
0.900
Other
4
2.50
0.900
Total
50
22
25.00
0.360
27
22.50
0.900
1
2.50
0.900
50
Total
50
45
100
NOTA: Las frecuencias

esperadas deberan ser mayores
a 5.
Chi-Sq = 4.320, DF = 2, P-Value = 0.115

2 cells with expected counts less than 5.
5.9 Aplicaciones
Ver ejercicios de aplicacin del Mdulo 5
Pgina 56
El valor P es mayor a 0.05 y no

se rechaza Ho por tanto el tipo
de partido es independiente del
sexo de los votantes.

MDULO 6. CONTROL ESTADSTICO DEL PROCESO

Para la teora sobre el CEP ver archivo Cartas de Control.doc
6.1 Cartas de control por variables: X media - R, I-MR, X media - S

Carta X - R Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.
CAMSHAFT
Ejemplo: En una planta automotrz una flecha debe tener 600 mm 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensin con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
caracterstica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Usar el archivo CAMSHAFT.MTW.
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 5 . Click OK.
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters
Para lmites de la media o rango en base a datos histricos
de la Mean y/o Standar Deviation
Estimate
Para omitir subrupos con los que el proceso sale de control

Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
S limits
Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma

Display Control Limts at These multiples of std. Dev. (2 3)
Tests
Definir las pruebas estadsticas fuera de control a ser indicadas

1 point > 3 std. Dev. From center line
6 points in a row all increasing and all decreasing
9 points in a row on same side of center line
Stages
Para mostrar diferentes etapas de desempeo del proceso

Define stages (historical groups) with this variable xxx
Box Cox
Para transformar datos sin un comportamiento normal

Optimal Lamda
Display
Si se quiere condicionar el despliegue de subgrupos

Display all subgroups Display last xx subgroups
Store
Para guardar los datos mostrados en la carta de control

Mean; Std Dev; Point Plotted; Center line; Control limits
Pgina 57

En este caso:
Xbar-R Chart of Supp2
1
Sample Mean
U C L=602.474
602
_
_
X=600.23
600
598
LC L=597.986
2
10
Sample
12
14
16
18
20
U C L=8.225
Sample Range
8
6
_
R=3.890
4
2
0
LC L=0
2
10
Sample
12
14
16
18
20
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 2, 14
Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal
Eliminando estos subgrupos se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
En Subgroup sizes, poner 5 .
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar
Click OK OK.
El proceso ahora est dentro de control
Xbar-R Chart of Supp2
U C L=602.247
Sample Mean
602
601
_
_
X=599.938
600
599
598
LC L=597.629
2
10
Sample
12
14
16
18
20
U C L=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LC L=0
2
10
Sample
12
14
16
18
20
Ejemplo usando el archivo VITA_C. MTW que contiene pesos de comprimidos

tomando 5 muestras cada 15 minutos durante un periodo de 10 horas.
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
nmero que identifique al operario de la mquina.
Pgina 58

Calc > Make Patterned Data > Simple Set of Data / Time Values
Hora de la primera y
ltima muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para
cad muestra
Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 el operario B
Habilitar comandos en la ventana de Sesin con Editor
MTB > Set c3
DATA> 125 (1)
DATA> 75 (2)
DATA> end
> Enable Commands
En C3 poner
125 unos
75 doces
fin
Desabilitar ejecucin de comandos con Editor
> Enable Commands
El nombre de la columna se pone a mano OPERARIO

Carta de control de medias
VITA_C
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
Seleccionar las opciones siguientes:
Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.
La carta obtenida es la siguiente:
Xbar Chart of Peso by Operario
3.30
2
UCL=3.2939
Sample Mean
3.28
_
_
X=3.2671
3.26
6
LCL=3.2402
3.24
3.22
3.20
1
8:00
9:00
10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Pgina 59

Los patrones anormales detectados son:
Test Results for Xbar Chart of Peso by Operario

TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Carta de control de rangos
VITA_C
Stat > Control Charts > Variables Charts for Subgroups > R
OK
R Chart of Peso
UCL=0.1020
0.10
Sample Range
0.08
0.06
_
R=0.0483
0.04
0.02
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
Carta de control de Desviacin estndar S

VITA_C
Stat > Control Charts > Variables Charts for Subgroups > S
S Chart of Peso
OK
UCL=0.04073
0.04
Sample StDev
0.03
_
S=0.01950
0.02
0.01
0.00
LCL=0
4
Pgina 60
12
16
20
24
Sample
28
32
36
40

Carta de control de lecturas individuales
CAMSHAFT
Utilizando los datos del archivo CAMSHAFT
Se copian o se carga el archivo Worksheet de Minitab CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK
La grfica obtenida es la siguiente:
I-MR Chart of Supp1
1
U C L=601.176
Individual Value
601
600
_
X=599.548
599
598
LC L=597.920
1
10
20
30
40
50
60
O bser vation
70
80
90
100
Moving Range
2.4
1
U C L=2.000
1.8
1.2
__
M R=0.612
0.6
0.0
LC L=0
1
10
20
30
40
50
60
O bser vation
70
80
90
100
Varios puntos salen de control por lo que el proceso no es estable:
Test
TEST
Test
Test
TEST
Test
Results for I Chart of Supp1

1. One point more than 3.00 standard deviations from center line.
Failed at points: 39, 55, 82
Results for MR Chart of Supp1
1. One point more than 3.00 standard deviations from center line.
Failed at points: 34, 56
Excluyendo los puntos que salen de control se tiene:
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK.
I-MR Chart of Supp1
Individual Value
601
U C L=600.943
600
_
X=599.531
599
598
LC L=598.118
1
Moving Range
2.0
10
20
30
40
50
60
O bser v ation
70
80
90
100
U C L=1.735
1.5
1.0
__
M R=0.531
0.5
0.0
LC L=0
1
10
20
30
40
50
60
O bser v ation
Pgina 61
70
80
90
100

Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:
Seleccionar Row Numbers 1 21 36 34 39 55 56 82
I-MR Chart of Supp1
Individual Value
U C L=600.822
600.5
600.0
_
X=599.536
599.5
599.0
598.5
LC L=598.251
1
10
20
30
40
50
60
O bser vation
70
80
90
100
Moving Range
1.6
U C L=1.579
1.2
0.8
__
M R=0.483
0.4
0.0
LC L=0
1
10
20
30
40
50
60
O bser vation
70
80
90
100
El proceso es bastante estable

Carta de lecturas individuales:
CLORO
Ejemplo: En una industria qumica se toma una muestra cada 15 minutos y se mide
el pH y la concentracin de cloro de la solucin, los datos se muestran en el archivo
CLORO.MTW anexo de este mdulo.
Separando las muestras del ltimo da viernes se tiene:
Data > Copy > Columns to Columns

Copy from columns Hora pH Cl
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'
Seleccionar Subset the Data
Seleccionar Rows that Match
Condition Fecha = DATE("08/11/2002")

funcin seleccionada Date (From text)
OK OK
Obteniendo la carta de control de lecturas individuales se tiene:
Stat > Control Charts > Variable charts for individuals

Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK
I Chart of pH V
14
1
13
UCL=12.843
Individual Value
12
Uso de la funcin Stamp
11
10
_
X=9.128
9
8
7
6
LCL=5.413
5
Hora V
Cl V
Pgina 62
6:45
21
7:30
21
8:15
20
9:00
19
9:45
20
10:30
18
11:15 12:00
19
18
12:45
20
13:30
20

Como hay un punto que se sale de control se puede omitir como sigue:

Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
Individual Value
11
+1SL=10.122
10
9
_
X=9
-1SL=7.878
Excluye el punto fuera de

control y muestra los
lmites de control a
una, dos y tres sigmas
-2SL=6.756
-3SL=5.634
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
9:45 10:30 11:15 12:00 12:45 13:30

20
18
19
18
20
20
Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para
mejor claridad

Variable pH
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
I Chart of pH by Fecha
04/11/2002
14
05/11/2002
06/11/2002
12
UCL=12.370
10
_
X=8.981
Individual Value
8
6
Hora V
Cl V
LCL=5.592
6:15
19
8:00
20
14
10:00 12:00 14:00

21
18
20
07/11/2002
08/11/2002
1
12
UCL=12.843
_
X=9.128
10
8
6
LCL=5.413
Hora V
Cl V
Carta deRangos Mviles

CLORO
Stat > Control charts > Variable chart for individuals > Moving range
Variable ' pH V'
Pgina 63

Moving Range Chart of pH V

5
UCL=4.564
Moving Range
2
__
MR=1.397
1
LCL=0
3
12
15
18
Observation
21
24
27
30
Carta de control de valores individuales y rangos mviles

CLORO
Stat > Control charts > Variable chart for individuals > I-MR
Variable ' pH V'
OK
I-MR Chart of pH V
Individual Value
14
U C L=12.843
12
10
_
X=9.128
8
6
LC L=5.413
3
12
15
18
O bse r v ation
21
24
27
30
U C L=4.564
Moving Range
4
3
2
__
M R=1.397
1
0
LC L=0
3
12
15
18
O bse r v ation
21
24
27
30
Carta de control X-S

CAMSHAFT
Se utilizan los datos del archivo CAMSHAFT.MTW anexo
Se usa para monitorear proveedores o grupos de mquinas
funciona mejor con tamaos de muestra >= 10
Tomando los datos de SUPP2 se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 10. Click OK.
Xbar-S Chart of Supp2
1
Sample Mean
602
U C L=601.908
601
_
_
X=600.23
600
599
LC L=598.552
1
10
Sample
Sample StDev
U C L=2.952
Pgina 64
2
_
S =1.720
Sample
X=600.23
600
599
1

LC L=598.552
PARA
LA
MEJORA
Y SOLUCIN
DE 9PROBLEMAS
3
4
5
6
7
8
10
Sample StDev
Sample
3
U C L=2.952
_
S =1.720
1
LC L=0.488
1
10
Sample
Como hay un punto fuera de control, se excluyen los puntos 61 a 70:

En Data Options seleccionar Specify which rows to exclude Rows 61:70.
Xbar-S Chart of Supp2
Sample Mean
602
U C L=601.735
601
_
_
X=600.042
600
599
LC L=598.349
598
1
10
Sample StDev
Sample
3
U C L=2.979
_
S =1.736
1
LC L=0.492
1
10
Sample
6.2 Estudios del sistema de medicin R&R

Revisar la teora de estudios en sistemas de medicin en articulo en archivo R&R.doc anexo
En las mediciones se presentan dos tipos de errores:
Error por el equipo mismo se denomina error de repetibilidad
Se obtiene al repetir la misma medicin en el mismo ambiente de trabajo
y tambin por la misma persona, usando el mismo equipo.
Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones
Minitab ofrece varias alternativas de estudios a realizar:
1. Gage Run Chart: Anlisis grfico de los resultados como primeras conclusiones
2. Gage Linearity and Bias Study: es igual el error en todo el rango de magnitudes a medir?
3. Gage R&R Study (Crossed): Estudios de repetibilidad y reproducibilidad (R&R)
para estudios cruzados (ms comunes)
4. Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R)
para estudios anidados (pruebas destructivas)
5. Atribute Gage Study (Analytical Method): Estudios R&R para atributos
(caractersticas no medibles)
Pgina 65

Diseos Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente caractersticas dimensionales
Diseos anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Anlisis grfico (Gage Run Chart):
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner ttulo al estudio
Gage Info: Para informacin adicional del estudio
Gage Run Chart of Medicion by Pieza, Operario
Reported by :
Tolerance:
M isc:
G age name:
Date of study :
5
16
12
Medicion
Mean
8
6
O perario
1
2
3
Las piezas son diferentes

ver pieza 2 y 3 versus la
8y9
10
16
12
Mean
Operario
Panel variable: Pieza
El operario 2 tiene ms
variabilidad en sus
mediciones y adems
tiende a tener valores por
debajo de los otros 2
Estudio R&R (Crossed)
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Seleccionar Method of Anlisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para informacin adicional de identificacin del estudio
Tabla de Anlisis de Varianza (ANOVA)
Tambin se hubiera obtenido con:
Stat > ANOVA > Two way Response:Medicin Row Factor:Pieza Column Factor:Operario
Two-Way ANOVA Table With Interaction
Source
DF
SS
MS
Pieza
9 286.033 31.7814
Operario
2
45.635 22.8173
Pieza * Operario 18
17.261
0.9589
Repeatability
60
89.217
1.4869
Total
89 438.145
Pgina 66
F
P
significativa
33.1422 Pieza
0.000
23.7942 Operario
0.000 significativo
0.6449 Interaccion
0.849 no significativa

Two-Way ANOVA Table Without Interaction

Source
DF
SS
MS
F
Pieza
9 286.033 31.7814 23.2814
Operario
2
45.635 22.8173 16.7147
Repeatability 78 106.478
1.3651
Total
89 438.145
P
0.000
0.000
Tabla de componentes de la Varianza (informativa)

Varianza
Source
VarComp
Total Gage R&R
2.08017
Repeatability
1.36510
Reproducibility 0.71507
Operario
0.71507
Part-To-Part
3.37959
Total Variation
5.45976
%Contribution
(of VarComp)
38.10
Varianza relevante debida al equipo
25.00
Menor varianza debida al operador
13.10
13.10
61.90
100.00
Usada cuando el equipo es para control del proceso
Tabla de anlisis de la Variacin

raiz (Varianza)
Source
StdDev (SD)
Total Gage R&R
1.44228
Repeatability
1.16838
Reproducibility
0.84562
Operario
0.84562
Part-To-Part
1.83837
Total Variation
2.33661
Usada cuando el equipo es para liberar producto

Study Var %Study Var %Tolerance
(5.15 * SD)
(%SV) (SV/Toler)
7.4277
61.73
49.52
6.0171
50.00
40.11
4.3549
36.19
29.03
4.3549
36.19
29.03
9.4676
78.68
63.12
12.0336
100.00
80.22
Number of Distinct Categories = 1
El % de error total debe ser de cuando ms el

10% o hasta 30% si la caracterstica no es crtica.
En algunas industrias se toma 25% como aceptable
Este nmero debe ser de al

menos 4 indicando que el equipo discrimina las partes
Se tiene las siguientes variaciones:
Parte a parte: Variacin entre las partes real
Repetibilidad: Variacin debida al aparato o equipo de medicin

Reproducibilidad: Variacin introducida por los operarios
Variacin total: Combinacin de las anteriores
Ventana de grficas
Pgina 67

Gage R&R (ANOVA) for Medicion

Reported by :
Tolerance:
M isc:
Gage name:
Date of study :
Components of Variation
Medicion by Pieza
80
% Contribution
18
Percent
% Study Var
% Tolerance
12
40
6
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operario
Sample Range
6
Pieza
10
Medicion by Operario
UCL=5.257
18
_
R=2.042
12
Operario 2 tiene una

Media ms baja
4
2
0
LCL=0
2
Operario
Xbar Chart by Operario

1
Operario * Pieza Interaction
15.0
15.0
UCL=13.383
_
_
X=11.293
12.5
10.0
Average
Sample Mean
Operario
1
2
3
12.5
10.0
LCL=9.204
1
5
6
Pieza
10
Si no hay interaccin
significativa, estas
lneas son paralelas
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los dems
pero aun as estan dentro de control, de otra forma repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medicin discrimina las partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag
File > Open worksheet > Gageaiag (en carpeta DATA)

Realizar el estudio R&R de acuerdo a lo siguiente:
Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation
5.15 (estndar industrial, corresp. al 99% de NC)
Process Tolerance
2
a) si hay dos especs. inferior y superior, introducir el rango
b) si solo hay una espec. superior introducirla en Upper spec
c) si solo hay una espec. inferior introducirla en Lower spec.
OK
Two-Way ANOVA Table With Interaction

Source
Part
Operator
Part * Operator
Repeatability
Total
DF
9
2
18
30
59
SS
2.05871
0.04800
0.10367
0.03875
2.24913
MS
0.228745
0.024000
0.005759
0.001292
F
P
39.7178 0.000
4.1672 0.033
interaccin si es
4.4588 La0.000
significativa, el operador
tiene interaccin con las
partes
Gage R&R
Source
Total Gage R&R
Repeatability
VarComp
0.0044375
0.0012917
%Contribution
(of VarComp)
10.67
3.10
Pgina 68

Reproducibility
Operator
Operator*Part
Part-To-Part
Total Variation
0.0031458
0.0009120
0.0022338
0.0371644
0.0416019
7.56
2.19
5.37
89.33
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Operator
Operator*Part
Part-To-Part
Total Variation
StdDev (SD)
0.066615
0.035940
0.056088
0.030200
0.047263
0.192781
0.203965
Debe ser menor al 10% (AIAG)

o menores al 25% (otras industrias)
%Study Var %Tolerance
(%SV) (SV/Toler)
32.66
17.15
17.62
9.25
27.50
14.44
14.81
7.78
23.17
12.17
94.52
49.64
100.00
52.52
Study Var
(5.15 * SD)
0.34306
0.18509
0.28885
0.15553
0.24340
0.99282
1.05042
Es adecuado mnimo 4
Gage R&R (ANOVA) for Response

Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
Response by Part
100
% Contribution
1.00
Percent
% Study Var
% Tolerance
50
0.75
0.50
Gage R&R
Repeat
Reprod
Part-to-Part
Sample Range
10
Response by Operator
UCL=0.1252
0.10
1.00
0.75
0.05
_
R=0.0383
0.00
LCL=0
0.50
1
2
Operator
Xbar Chart by Operator

1
1.00
0.75
Operator * Part Interaction
3
_
UCL=0.8796
_
X=0.8075
LCL=0.7354
0.50
Operator
1.00
Average
Sample Mean
5
Part
R Chart by Operator
1
2
3
0.75
0.50
1
La carta R esta dentro de control
5
6
Part
10
Si hay interaccin entre

operadores y partes,
debe revisarse el mtodo
de medicin
La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado
Estudio R&R (Nested) para pruebas destructivas
Se usa el archivo RR_ANID.MTW que contiene datos de medicin de 12 piezas realizadas
por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseo anidado ya que cada operador solo mide una parte de las piezas.
Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10
Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance
Source
StdDev (SD) (5.15 * SD)
(%SV) (SV/Toler)
Total Gage R&R
1.37317
7.07181
97.92
70.72
Repeatability
1.13529
5.84676
80.95
58.47
Pgina 69

Reproducibility
Part-To-Part
Total Variation
0.77246
0.28475
1.40238
3.97818
1.46644
7.22225
55.08
20.30
100.00
Gage R&R (Nested) for Medicion

Reported by :
Tolerance:
M isc:
Medicion By Pieza ( Operario )
100
24
% Contribution
% Study Var
Percent
39.78
14.66
72.22
Variacin de partes muy

pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado
G age name:
D ate of study :
% Tolerance
22
50
20
0
Gage R&R
Repeat
Reprod
Pieza
Operario
Part-to-Part
Sample Range
R Chart by Operario
10 11
C
12
Medicion by Operario
UCL=5.170
24
4
2
_
R=2.008
LCL=0
22
20
A
B
Operario
Xbar Chart by Operario

A
Sample Mean
24
UCL=24.196
22
_
_
X=22.142
20
LCL=20.087
Estudios de linealidad
La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala
Se usa el archivo GAGELIN.MTW anexo
En este archivo se muestran las mediciones hechas con el patrn (Master) y
con el sistema en estudio (Response), en distintos niveles de la escala
Amplitud de la
variabilidad del proceso
Gage Linearity and Bias Study for Response

Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
P redictor
C onstant
S lope
Regression
95% CI
1.0
Data
Avg Bias
S
Linearity
0.23954
1.86889
Reference
A v erage
2
4
6
8
10
R-S q
% Linearity
G age Bias
Bias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3
P
0.000
0.000
P
0.040
0.000
0.293
0.688
0.000
0.000
Percent of Process Variation
-1.0
2
6
Reference Value
10
10
5
0
Pgina 70
Linearity
Ecuacin
71.4%
13.2
-0.5
Percent
Bias
0.5
0.0
G age Linearity
C oef S E C oef
0.73667 0.07252
-0.13167 0.01093
Bias
Datos de promedios

La ecuacin de regresin es Diferencia = 0.7367 - 0.1317 Master

Linealidad = Pendiente * Ancho de variacin del proceso = 0.1317*14.1941 = 1.8689
% De linealidad = Pendiente de la recta * 100 = 0.1317*100 = 13.17% del rango de
magnitudes a medir
Sesgo (Bias) = Promedio de diferencias entre el valor real y el valor patrn
% De sesgo = |Sesgo| / Ancho del proceso * 100 = (-0.053/14.1941)*100 = 0.3757
El sesgo introducido por el sistema de medida es aprox. del 0.4% de la
variacinn total
6.3 Estudios de capacidad de procesos para variables normales

Capacidad de procesos en base a carta X media - R
Para la teora revisar el artculo Capacidad de proceso.doc anexo
Se usa el archivo de datos VITA_C.MTW de pesos de comprimidos anexo.
La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una
vez que muestra estabilidad o esta dentro de control estadstico.
Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar R bar
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Pgina 71


Sigma = R medio / d2 (constante)
El proceso debe estar en control
Variabilidad dentro de subgrupos (Within)

Variabilidad global (Overall)
Sigma = Desv. Estandar / c4 (cte.)

No importa si el proceso est
fuera de control estadstico
Process Capability of Peso

LSL
USL
W ithin
Ov erall
P rocess D ata
LS L
3.08750
Target
*
USL
3.41250
S ample M ean
3.24312
S ample N
200
S tD ev (Within)
0.02136
S tD ev (O v erall) 0.02917
P otential (Within) C apability

Cp
2.54
C PL
2.43
C PU
2.64
C pk
2.43
C C pk 2.54
Cp y Cpk a partir de
Std. Dev. Within
O v erall C apability
Pp
PPL
PPU
P pk
C pm
3.10
O bserv ed P erformance
P P M < LS L
0.00
P P M > U S L 0.00
P P M Total
0.00
3.15
3.20
E xp. Within P erformance

P P M < LS L
0.00
P P M > U S L 0.00
P P M Total
0.00
3.25
3.30
3.35
1.86
1.78
1.94
1.78
*
Pp y Ppk a partir de
Std. Dev. Overall
Tanto el Cpk como Ppk
deben ser mayores a
uno para que el proceso
sea capz, de otra
forma deben investigarse
las causas especiales
3.40
E xp. O v erall P erformance

P P M < LS L 0.05
P P M > U S L 0.00
P P M Total
0.05
Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
Visualizacin de las variaciones:

Con una grfica Scatterplot se tiene:
Subgrupo
2
4
5
6
12
13
14
15
6
7
8
10
1
1
1
1
2
2
2
2
3
3
3
3
Scatterplot of Medidas vs Subgrupo

20
15
Medidas
Medidas
10
0
1.0
Var 1=2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de correccin
C4 que en este caso es 0.9776
1.5
2.0
Subgrupo
Var 2=1.67
2.5
3.0
Var 3 = 2.92
Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5

Desv. Std. Within = raiz (2.5) = 1.58
Capacidad de procesos en base a carta I-MR

Ejemplo: Se mide el porcentaje de humedad en muestras tomadas cada 15 minutos de
alimentos para perros, su especificacin es del 6 al 15%
Los valores obtenidos son los indicados en el archivo HUMEDAD.MTW anexo:
Pgina 72

Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar

OK
Process Capability of %Humedad
LSL
USL
Within
Overall
P rocess Data
LSL
6.00000
Target
*
U SL
12.00000
Sample M ean
10.85938
Sample N
32
StDev (Within)
1.16392
StDev (O v erall)
1.43526

Cp
0.86
C PL
1.39
C P U 0.33
C pk
0.33
C C pk 0.86
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
Pp
PPL
PPU
P pk
C pm
6.4
P P M < LSL
0.00
P P M > U SL 156250.00
P P M Total
156250.00
8.0
Exp. Within P erformance

P P M < LSL
14.90
P P M > U SL 163546.85
P P M Total
163561.75
9.6
11.2
0.70
1.13
0.26
0.26
*
12.8
Exp. O v erall P erformance

P P M < LSL
354.96
P P M > U SL 213388.49
P P M Total
213743.45
El proceso no tiene una capacidad suficiente de Cpk >1

Opcin Six Pack para una informacin resumida:
Stat > Quality Tools > Capability Sixpack > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar

OK
Process Capability Sixpack of %Humedad

I C har t
C apability H istogr am
Individual Value
15
UCL=14.351
12
_
X=10.859
9
3
LCL=7.368
12
15
18
21
24
27
30
8.0
Moving Range
M oving Range C har t

4
UCL=4.290
__
MR=1.313
9.6
12.8
Nor mal P r ob P lot

A D : 0.315, P : 0.527
LCL=0
3
12
15
18
21
24
27
30
Last 2 5 O bser vations
Values
11.2
10
12
C apability P lot
Within
S tD ev 1.16392
Cp
0.86
C pk
0.33
C C pk
0.86
12
10
8
Within
Overall
Specs
10
15
20
Observation
25
14
30
Pgina 73
O v erall
S tD ev 1.43526
Pp
0.70
P pk
0.26
C pm
*

Identificando posibles causas con una grfica de serie de tiempo se tiene:
Trend Analysis Plot for %Humedad
Stat > Time series > Trend Analysis
Linear Trend Model

Yt = 9.42198 + 0.0871151*t
Variables %Humedad
seleccionar Linear
OK
14
Variable
Actual
Fits
13
Accuracy
MAPE
MAD
MSD
%Humedad
12
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
11
Measures
8.53237
0.88705
1.31670
10
9
8
7
3
12
15
18
Index
21
24
27
30
6.3 Estudios de capacidad de procesos para variables no normales

Cuando los datos no son normales, se pueden intentar transformar con:
Transformacin de Box Cox
Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribucin
normal.
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo
Haciendo una prueba de normalidad con:
Stat > Basic statistics > Normality test

Variable Warping
Anderson Darling
Se obtiene un valor P de 0.01 indicando que los datos no son normales.
Ahora se transforman los datos por el mtodo de Box Cox:
Stat > Quality tools > Capability analysis > Normal

Single column - Warping Subgroup size - 1 Lower spec 0 Upper Spec 8
Box Cox seleccionar Box Cox Power transformation y Optimal Lamda
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5

LB*
U S L*
transformed data
P rocess D ata
LB
0.00000
Target
*
USL
8.00000
S ample M ean
2.92307
S ample N
100
S tDev (Within)
1.68898
S tDev (O v erall) 1.79048
Within
O v erall
Cp
*
C PL
*
C P U 0.78
C pk
0.78
C C pk 0.78
A fter Transformation
LB*
Target*
U S L*
S ample M ean*
S tDev (Within)*
S tDev (O v erall)*
0.00000
*
2.82843
1.62374
0.51337
0.53934
Pp
PPL
PPU
P pk
C pm
0.0
P P M < LB
0.00
P P M > U S L 20000.00
P P M Total 20000.00
0.4
0.8
E xp. Within P erformance

P P M < LB*
*
P P M > U S L* 9472.66
P P M Total
9472.66
1.2
1.6
2.0

P P M < LB*
*
P P M > U S L* 12754.26
P P M Total
12754.26
Pgina 74
2.4
2.8
*
*
0.74
0.74
*
Cpk = 0.78 el proceso

no es capaz de cumplir
especificaciones.
Ppk es igual a 0.74

Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha
Stat > Quality tools > Capability analysis > Nonnormal

Single column - Warping
OK
Lower spec 0 Upper Spec 8
Process Capability of Warping
Calculations Based on Weibull Distribution Model

LB
USL
P rocess Data
LB
0.00000
Target
*
USL
8.00000
S ample M ean 2.92307
S ample N
100
S hape
1.69368
S cale
3.27812
Pp
*
PPL
*
PPU
0.73
P pk
0.73
P P M < LB
*
P P M > U S L 10764.5
P P M Total
10764.5
P P M < LB
0
P P M > U S L 20000
P P M Total
20000
0.0
1.5
3.0
4.5
6.0
Ppk es igual a 0.73
7.5
6.5 Cartas de control por atributos

Para la teora ver articulo sobre Cartas de Control.doc
Se usan estas cartas para cuando las caractersticas se juzgan como pasa o no pasa
Carta P de proporcin o fraccin de unidades defectuosas, no conformes o defectivas
Ejemplo: El archivo MOTORES.MTW contiene datos de motores pequeos producidos
y los que al final del proceso han resultado defectuosos, correspondientes a 6 semanas.
Stat > Control Charts > Attrutes chart > P

Variables Defectuosos
Subgroup sizes Produccin
OK
P Chart of Defectuosos
0.055
UCL=0.05316
0.050
Proportion
0.045
0.040
_
P=0.03812
0.035
0.030
0.025
LCL=0.02308
0.020
3
12
15
18
Sample
21
24
27
30
Tests performed with unequal sample sizes
Pgina 75
Se tienen lmites de
control variables por
ser el tamao de muestra
variable

Test Results for P Chart of Defectuosos

Aproximando el tamao de muestra a su promedio se tiene n = 1350
Stat > Control Charts > Attrutes chart > P

Subgroup sizes 1350
OK
P Chart of Defectuosos
0.055
UCL=0.05441
0.050
Proportion
0.045
_
P=0.03867
0.040
0.035
0.030
0.025
LCL=0.02292
0.020
3
12
15
18
Sample
21
24
27
30
Carta de control NP para el nmero de defectuosos o no conformes

Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados
al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
OK
NP Chart of Defectuosos
14
UCL=12.16
12
Sample Count
10
8
__
NP=5.39
6
4
2
0
LCL=0
1
14
21
28
35
42
Sample
49
56
63
Test Results for NP Chart of Defectuosos

Pgina 76
70

La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los lmites de control
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
NP Chart Options Estimate Omit the following subgroups when estimating parameters 18
Data Options seleccionar Especify which rows to exclude seleccionar Row numbers 18
OK
NP Chart of Defectuosos
12
UCL=11.98
Sample Count
10
8
6
__
NP=5.28
4
2
0
LCL=0
1
14
21
28
35
42
Sample
49
56
63
70
Carta de control C para defectos por unidad de inspeccin constante

Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe
el nmero de visitas recibidas en una pgina Web durante octubre y noviembre 2002
indicando tambin la fecha y da de la semana
Stat > Control Charts > Attributes chart > C

Variables Visitas
OK
C Chart of Visitas
160
1
140
1
Sample Count
120
100
UCL=87.3
80
_
C=63.4
60
40
1
20
1
LCL=39.5
12
18
24
30
36
Sample
11
11
42
48
Test Results for C Chart of Visitas

Pgina 77
54
60

Test Failed at points: 5, 6, 10, 11, 22, 26, 33, 37, 40, 41, 54, 55
El punto del da 10 representa un pico debido a un anuncio especial anunciando la pgina
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sbados y domingos usar el botn Data Options
para recalcular los lmites de control de nuevo:
Stat > Control Charts > Attributes chart > C

Variables Visitas
Data Options
C Chart OptionsData Options
Omitir los puntos 10 y 11

en el reclculo de lmites
C Chart of Visitas
120
110
Sample Count
100
UCL=94.20
90
80
_
C=69.24
70
60
50
LCL=44.28
40
1
12
18
24
30
36
Sample
42
48
54
60
Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002")

18 rows excluded
Carta de control U para el nemro de defectos por unidad de inspeccin variable
Ejemplo: Se utiliza el archivo TEJIDO.MTW anexo
Contiene el nmero de manchas de cada tela y su superficie corresp. en metros cuadrados
Pgina 78

Stat > Control Charts > Attributes chart > U

Variables Numero Manchas
Subgroup size Superficie
OK
U Chart of Numero manchas
Sample Count Per Unit
20
UCL=19.44
15
_
U=9.87
10
Los lmites de control

son variables debido a
que el tamao de muestra
es variable
LCL=0.30
0
3
12
15
18
Sample
21
24
27
30
Tests performed with unequal sample sizes
El proceso est en control estadstico
6.6 Estudios de capacidad por atributos

Estudio de capacidad para variables que siguen una distribucin binomial (fraccin defectiva)
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el nmero de clientes no satisfechos de entrevistas a 50 en cada una.
Stat > Quality tools > Capability Analysis > Binomial

Defectives Descontentos
Sample size seleccionar Constant size 50
Target 0
OK
Test Results for P Chart of Descontentos

Test Failed at points:
6, 13, 28
3 puntos fuera de control

Binomial Process Capability Analysis of Descontentos
P C har t
Binomial P lot
0.6
P r opor tion
Expected Defectives
0.4
U C L=0.3983
0.2
_
P =0.222
LC L=0.0457
0.0
3
12 15 18
Sample
21 24
27
30
20
10
Puntos fuera de control
0
0
30
15
30
O bser ved Defectives
C umulative % Defective
Dist of % Defective
Tar
S ummary S tats
(using 95.0% confidence)
% Defective
30.0
27.5
25.0
22.5
20.0
5
10
15
20
Sample
25
30
% D efectiv e:
Low er C I:
U pper C I:
Target:
P P M D ef:
Low er C I:
22.20
20.12
24.39
0.00
222000
201196
U pper C I:
P rocess Z:
Low er C I:
U pper C I:
243898
0.7655
0.6938
0.8374
16
12
8
4
0
Pgina 79
10 20 30 40 50 60 70

Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca
Intervalos de confianza y ppm de defectuosos
del valor medio para indicar

que el tamao de muestra
La Z del proceso es 0.75 que es muy baja,
es representativo
debe mejorarse
Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que ms influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Asi el porcentaje de clientes insatisfechos por agencia se encuentra
entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.
Binomial Process Capability Analysis of Descontentos
P C har t
Binomial P lot
Expected Defectives
P r opor tion
U C L=0.3602
0.3
_
P =0.1929
0.2
0.1
0.0
LC L=0.0255
12 15 18
Sample
21 24
27
15
10
5
0
30
10
O bser ved Defectives
C umulative % Defective
Dist of % Defective
S ummary S tats
24.0
% Defective

22.5
21.0
19.5
18.0
5
10
15
20
Sample
25
20
30
% D efectiv e:
Low er C I:
U pper C I:
Target:
P P M D ef:
Low er C I:
19.29
17.25
21.45
0.00
192857
172495
U pper C I:
P rocess Z:
Low er C I:
U pper C I:
214517
0.8674
0.7908
0.9444
Tar
10.0
7.5
5.0
2.5
0.0
10 15 20 25 30 35
Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Se usa como ejemplo el archivo PINTADO_HORNO.MTW anexo el cual contiene
detectados en 40 piezas consecutivas.
Stat > Quality tools > Capability Analysis > poisson

Defects Nmero de defectos
Constant size 1
Target 0
OK
Pgina 80

El proceso es estable en torno a 3 defectos por unidad.
Poisson Capability Analysis of Num. defectos
P oisson P lot
U C L=8.474
Expected Defects
Sample Count P er Unit
U C har t
7.5
5.0
_
U =3.15
2.5
0.0
LC L=0
4
12
16 20 24
Sample
28
32
36
6
4
2
0
0.0
40
2.5
5.0
O bser ved Defects
C umulative DP U
Dist of DP U
S ummary S tats
16
Tar
DP U
1
10
20
Sample
30
40
M ean D ef:
Low er C I:
U pper C I:
M ean D P U :
Low er C I:
U pper C I:
3.1500
2.6240
3.7505
3.1500
2.6240
3.7505
M in D P U :
M ax D P U :
Targ D P U :
0.0000
6.0000
0.0000
El nmero de muestras es suficiente
12
8
4
0
Los valores siguen una distribucin

de Poisson
6.7 Cartas de control especiales (EWMA y CuSum)

Grfica de Sumas acumuladas ( CuSum )
Se usa para registrar al centro del proceso.Se corre en tndem (una tras otra)
Es ms sensible que la grfica X al movimiento de los pequeos cambios sostenidos
en el centro del proceso.
Es ms sensible que la grfica X al movimiento de separacin gradual del centro del proceso.
Es menos sensible que la grfica X al desplazamiento grande e nico del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parmetros clsicos son h = 4; k = 0.5
Son ms eficientes que las cartas de Shewhart para detectar pequeos corrimientos en la
media del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamao n y
se calcula la media de cada muestra Xi-media. Despus se determina Sm o Sm como sigue:
m
Sm
(X
0 )... 0 m e d ia .e n .c o n tr o l .e s tim a d a
i 1
S m
'
(X
0 )...
d e s v .e s ta n d a r .d e .la s .m e d ia s
i 1
Ejemplo: Variaciones de una flecha respecto a una lnea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Carta X media - Rango
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Pgina 81

Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
OK
Xbar-R Chart of AtoBDist
Sample Mean
5.0
U C L=4.70
2.5
_
_
X=0.44
0.0
No se observa que el
proceso tenga corrimiento
o est fuera de control
-2.5
LC L=-3.82
-5.0
2
10
12
14
Sample
16
18
20
22
24
Sample Range
16
U C L=15.61
12
_
R=7.38
8
4
0
LC L=0
2
10
12
14
Sample
16
18
20
22
24
Carta de Sumas acumuladas con Lmites Superior e inferior
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5 . Target 0.0
OK
CUSUM Chart of AtoBDist
10.0
Cumulative Sum
7.5
UCL=5.68
5.0
2.5
0.0
-2.5
-5.0
Los puntos 4-10 estan

fuera de lmite superior
de control, el proceso
est fuera de control
Se tienen corridas por
arriba del lmite superior
de control, no visibles en
la carta X-R anterior
LCL=-5.68
2
10
12
14
Sample
16
18
20
22
24
Test Results for CUSUM Chart of AtoBDist

TEST. One point beyond control limits.
Test Failed at points: 4, 5, 6, 7, 8, 9, 10
Carta de Sumas acumuladas con Mascara en V
La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m.
Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta.
Su sensibilidad est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el ltimo punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar accin
Pgina 82

Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5 . Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
OK
Vmask Chart of AtoBDist
25

25
Cumulative Sum
20
Cumulative Sum
20
15
15
10
10
0
Target=0
10
12
14
Sample
16
18
20
22
24
Target=0
2
10
12
14
Sample
16
18
20
22
24
Indica situacin fuera

de control en el punto
de medicin actual
40
Cumulative Sum
30
20
10
Target=0
-10
2
10
12
14
Sample
16
18
20
22
24
Carta EWMA de promedios mviles ponderados exponencialmente

Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es ms sensible que la carta X al movimiento de separacin gradual de la media del proceso.
Stat > Control Charts > Time Weighted Charts > EWMA
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK
Pgina 83

Puntos fuera de control

EWMA Chart of AtoBDist
2.0
UCL=1.861
1.5
EWMA
1.0
_
_
X=0.442
0.5
0.0
-0.5
LCL=-0.978
-1.0
2
10
12 14
Sample
16
18
20
22
24
Test Results for EWMA Chart of AtoBDist

5, 6
Carta de promedios mviles

Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat > Control Charts > Time Weighted Charts > Moving average
En Subgroup sizes, poner 5 . Lenght of MA 3
OK
Moving Average Chart of AtoBDist

5
4
Moving Average
UCL=2.900
2
1
_
_
X=0.442
0
-1
-2
LCL=-2.017
-3
-4
2
10
12
14
Sample
16
18
20
22
24

5, 6
Fuera de control el punto 6
Pgina 84

6.8 Muestreo por atributos

Para la teora ver el documento Muestreo de Aceptacin.Doc anexo
Clculo de la probabilidad de aceptacin -Curva caracterstica de operacin (OC)
La probabilidad deaceptar lotes con una cierta fraccin defectiva p
en base a un tamao de muestra n utilizando la distribucin Binomial es:
Excel
=distr.binom(x, n, p, 1) con x=Defectuosos aceptados,

n -muestra, p -fraccin defectiva
Minitab
Calc > Probability distributions > Binomial

seleccionar Cumulative Probability
Poner en Trials n Prob. Success p
En Input constant x (para cada una de las p's)
Pa = b
p
0,005
0,010
0,020
0,030
0,040
0,050
0,060
0,070
0,080
0,090
0,100
0,110
0,120
0,98969
Curva OC con
n = 89, c = 2
Pa
0,93969
0,73658
0,49848
0,30416
0,17208
0,09187
0,04682
0,02296
0,01089
0,00501
0,00225
0,00098
Fraccin def. en lote - p
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

n = 89, aceptando hasta con c = x = 2 defectivos, se aceptan 74 lotes
de cada 100 lotes que enve el proveedor con esta fraccin defectiva
Clculo del nivel de calidad promedio de salida (AOQ) en inspeccin rectificadora
La inspeccin rectificadora se refiere a que los lotes que son
rechazados al aplicar el plan de muestreo se reingresan al cliente
una vez que se seleccionan al 100%, reduciendo la fraccin def. total.
La fraccin defectiva que se ingresa al almancn AOQ una vez que
se aplica el plan de muestreo n = 89, c = 2 es:
Pgina 85

p
0,005
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
Pa
0,98969
0,93969
0,73658
0,49848
0,30416
0,17208
0,09187
0,04682
0,02296
AOQ = Pa . P
0,00495
0,00940
0,01473
0,01495
0,01217
0,00860
0,00551
0,00328
0,00184
AOQ
AOQL = 1.55%
0.03
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

n = 89, aceptando hasta con c = x = 2 defectivos aceptables
Lo anterior est plasmado en tablas de muestreo de aceptacin por
atributos indicadas en el artculo de Muestreo de Aceptacin.Doc
6.8 Aplicaciones
Referirse a la hoja de Aplicaciones Mdulo 6 donde se encuentra el material de ejercicios.
Pgina 86

MDULO 7. DISEO DE EXPERIMENTOS

7.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el
comportamiento de varias fuentes de variacin. Para la teora se
anexa un archivo Cartas Multivari.doc.
Carta Multivari con tres fuentes de variacin
Ejemplo: Una empresa produce ejes para rotores elctricos con
dimetros de 0.250 0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.
La variabilidad considerada al tomar los datos se estima que proviene
de las siguientes fuentes:
** Diferencia de dimetros en los extremos del eje izquierdo y derecho.
** Diferencia de dimetro mximo y mnimo en una misma posicin
que implica falta de redondez
** Variacin de una pieza a otra producidas en forma consecutiva
** Variacin a lo largo del tiempo (largo plazo)
Las cartas Multivari nos permiten visualizar estas fuentes de variacin:
Los datos del archivo ROTOR.MTW anexos indican lo siguiente:
Hora: Hora de toma de muestra
Eje : Nmero de eje
Posicin: indica si se trata de dimetro mnimo o mximo medido
Diametro: Valor del dimetro
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Posicin Factor 2 Eje Factor 3 Hora
OK
Multi-Vari Chart for Diametro by Posicion - Hora
1
08:00
09:00
10:00
11:00
12:00
Posicion
Max Der
Max Izq
Min Der
Min Izq
2.510
Diametro
2.505
2.500
2.495
2.490
Eje
Panel variable: Hora
Como se puede observar las variabilidades en orden de importancia son:

*** Por el paso del tiempo
** Falta de redondez
Pgina 87
* Entre partes

Se pueden eliminar las lneas de conexin con Options y eliminando la marca

en Connect Means for Factor 1
Multi-Vari Chart for Diametro by Posicion - Hora
1
08:00
09:00
10:00
11:00
12:00
Posicion
Max Der
Max Izq
Min Der
Min Izq
2.510
Diametro
2.505
2.500
2.495
2.490
Eje
Panel variable: Hora
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aqu es donde conviene introducir el tiempo
El ltimo factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variacin
Se puede descomponer en dos columnas la columna "Posicin", creando las columnas
"Redondez" donde se indica si el dimetro medido es mximo o mnimo, y la columna
"Inclinacin" donde se indica si corresponde a la izquierda o a la derecha.
Para crear la columna "Inclinacin" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Inclinacin
Test Values Izq Der
List each value 2
List the whole sequence 15
Para crear la columna "Redondez" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30
y se corre de nuevo la carta Multivari
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Eje Factor 2 Redondez Factor 3 Hora Factor 4 Inclinacin
OK
Pgina 88

Multi-Vari Chart for Diametro by Eje - Inclinacion

Max
Der, 08:00
Min
Der, 09:00
Max
Der, 10:00
Min
Der, 11:00
Der, 12:00
2.510
2.505
Eje
1
2
3
2.500
Diametro
2.495
2.490
Izq, 08:00
Izq, 09:00
Izq, 10:00
Izq, 11:00
Izq, 12:00
2.510
2.505
2.500
2.495
2.490
Max
Min
Max
Min
Max
Min
Redondez
Panel variables: Inclinacion, Hora
7.2 Diseo de experimentos factoriales completos

Ver el archivo Diseo de experimentos.doc para la teora.
Diseo de experimentos factoriales completos de dos niveles
Ejemplo: En un proceso de fabricacin de Mofles se desea mejorar el proceso
de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseo de 2 factores y 3 niveles.
Factor
A. Caudal gas
B. Corriente A
C. Vel. Cadena
Nivel bajo
8
230
0,6
Nivel Alto
12
240
1
Como respuesta se toma la calidad del componente en una escala de 0 a 30

entre mayor sea mejor calidad
Paso 1. Generar diseo
Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default values); Number of factors 3
Designs: Seleccionar Full Factorial
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
OK OK
Puede colocar la matriz del diseo en orden aleatorio o estndar con
Stat > DOE > Display Design: Estndar order for design
Para cambiar de unidades sin codificar a unidades codificadas:
Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseo:
StdOrder
1
2
3
Caudal
8
12
8
Corriente
230
230
240
Pgina 89
Velocidad
0,6
0,6
0,6
Y
10
26,5
15

4
5
6
7
8
12
8
12
8
12
240
230
230
240
240
0,6
1
1
1
1
17,5
11,5
26
17,5
20
Paso 3. Analizar el diseo
Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK
Los resultados se muestran a continuacin.
La ecuacin del modelo se puede formar a partir de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units

Term
Constant
Caudal
Corriente
Velocidad
Caudal*Corriente
Caudal*Velocidad
Corriente*Velocidad
Caudal*Corriente*Velocidad
Coef
-893.750
102.625
3.75000
186.250
-0.425000
-30.0000
-0.750000
0.125000
Las grficas donde se indica cuales factores son significativos son:

Pareto Chart of the Effects
(response is Y, Alpha = .05)
5.646
F actor
A
B
C
A
AB
N ame
C audal
C orriente
V elocidad
Son significativos A y AB
Term
C
B
BC
ABC
Normal Probability Plot of the Effects
AC
5
Effect
99
Effect Ty pe
Not Significant
Significant
95
Lenth's PSE = 1.5
90
Percent
80
70
60
50
40
30
20
10
AB
5
1
-5.0
Lenth's PSE = 1.5
Pgina 90
-2.5
0.0
2.5
Effect
5.0
7.5
10.0
F actor
A
B
C
N ame
C audal
C orriente
V elocidad

Los efectos se pueden guardar en una columna y despus graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Facorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1,5
-6,5
-0,5
1
0,5
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; Caudal
Seleccionar Interaction Plot: Setup: Response Y; Corriente y Caudal
Seleccionar Cube Plot: SetUp >>
OK
Main Effects Plot (data means) for Y

Caudal
Corriente
22
El nico factor
significativo es A
20
18
Mean of Y
16
14
8
12
230
240
Velocidad
22
20
18
16
14
0.6
1.0
Interaction Plot (data means) for Y

28
C audal
8
12
26
24
Mean
22
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
20
18
16
14
12
10
230
240
Corriente
Pgina 91

Cube Plot (data means) for Y

17.5
El cubo proporciona los

valores de las respuestas
en las diferentes
combinaciones de los
factores
20.0
15.0
17.5
240
Corriente
11.5
26.0
1
10.0
26.5
230
Es el mejor resultado
Velocidad
0.6
12
Caudal
La experimentacin podra continuar en esta direccin
Diseo de experimentos fraccionales (1/2) de dos niveles:

Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:
Factor
Nivel Bajo
A. Tipo de cola
X
B. Temperatura
30
C. Cantidad
2
D. Temp.sec.
80
E. Presin
1
Nivel Alto
Y
40
3
90
1,5
Al principio se realiz un diseo fraccional de dos niveles y cinco factores, en cada

condicin se midi la fuerza de adhesin en 100 botellas y se tom como respuesta el promedio.
Paso 1. Generar el diseo
Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
OK OK
Paso 2. Introducir los datos en el diseo
StdOrder
1
2
3
4
5
6
7
8
Temp Cola
30
30
40
40
30
30
40
40
Cantidad
2
2
2
2
3
3
3
3
Temp secado
90
80
80
90
90
80
80
90
Pgina 92
Presion
1,5
1
1,5
1
1
1,5
1
1,5
Y
24
16
22,5
24,5
25
16
24,5
23,5

Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
I + ABD + ACE + BCDE
A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Paso 3. Analizar el diseo
Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units

Term
Constant
Cola
Temp Cola
Cantidad
Temp secado
Presion
Temp Cola*Cantidad
Temp Cola*Presion
Coef
-36.0000
-2.00000
0.600000
0.500000
0.450000
5.00000
1.58579E-16
-0.200000
Los factores significativos se observan de las grficas siguientes

Pareto Chart of the Effects
2.823
F actor
A
B
C
D
E
D
A
Term
B
E
BE
C
BC
0
Effect
Lenth's PSE = 0.75
Pgina 93
N ame
C ola
Temp C ola
C antidad
Temp secado
P resion
Son significativos los

factores A, B, D

Normal Probability Plot of the Effects

99
Effect Ty pe
Not Significant
Significant
95
D
90
Percent
80
F actor
A
B
C
D
E
70
60
50
40
30
N ame
C ola
Temp C ola
C antidad
Temp secado
P resion
20
10
5
1
-4
-3
-2
-1
0
1
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
Main Effects Plot (data means) for Y
Cola
Temp Cola
24
23
22
Mean of Y
21
20
X
30
40
Temp secado
La mejor respuesta es
con:
Cola = X
Temp Cola = 40
Temp Sec = 90
24
23
22
21
20
80
90
Cube Plot (data means) for Y

24.0
23.5
40
Temp Cola
24.5
90
16.0
30
Temp secado
80
Cola
Pgina 94
Despus de este
experimento de filtracin
se puede hacer otro ms
completo slo con los
factores A, B, D

MODULO 8. TPICOS ESPECIALES

8.1 Series de tiempo
Para la teora ver archivo Series de Tiempo.Doc anexo.
INTRODUCCIN
Definicin de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo peridicos y consecutivos.
Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las
fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo,
retroalimentacin y control en avance.
Anlisis de tendencias
Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo.
Las instrucciones de Minitab son las siguientes:
Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los ltimos 60 meses.
Open Worksheet EMPLOY.MTW. o copiar los datos del archivo anexo.

Ejecutar Stat > Time Series > Trend Analysis.
En Variable, poner Trade.
En Model Type, seleccionar Quadratic.
Seleccionar Generate forecasts y poner 12 en Number of forecasts.
Seleccionar Storage .
Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts.
Fitted Trend Equation

Yt = 320.762 + 0.509373*t + 0.0107456*t**2
Accuracy Measures
MAPE
1.7076
MAD
5.9566
MSD
59.1305
Pgina 95

Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el mtodo de descomposicin:
Mtodo de Descomposicin
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere
analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal
y estacionalidad as como el error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.
Las intrucciones de Minitab son las siguientes:
Despus de correr el ejemplo de Anlisis de Tendencias con el archivo EMPLOY.MTW
Stat > Time Series > Decomposition.

En Variable indicar RESI1 (columna donde se guardaron los residuos de Trend Analysis - Tendencias)
En Seasonal length, poner 12.
En Model Type, seleccionar Additive. En Model Components, seleccionar Seasonal only.
Seleccionar Generate forecasts y poner 12 en Number of forecasts.
Seleccionar Storage . Seleccionar Forecasts y Fits.
Seleccionar OK en cada cuadro de dilogo

Time Series Decomposition for RESI1
Additive Model
Data
RESI1
Length
60
Forecasts
Period Forecast
61
62
63
64
65
-8.4826
-13.3368
-11.4410
-5.8160
0.5590
Variable
A ctual
Fits
Trend
Forecasts
RESI1
10
A ccuracy Measures
MA PE
881.582
MA D
2.802
MSD
11.899
-10
-20
1
14
21
28
35
42
Index
49
56
63
70
Component Analysis for RESI1

Additive Model
Original Data
10
Data
Accuracy Measures
MAPE 881.582
MAD
2.802
MSD
11.899
Additive Model
20
0
-10
-20
1
12
18
24
30
Index
36
42
48
54
60
48
54
60
Seasonally Adjusted Data

Seas. Adj. Data
Seasonal Indices
Period
Index
1
-8.4826
2 -13.3368
3 -11.4410
4
-5.8160
5
0.5590
6
3.5590
7
1.7674
8
3.4757
9
3.2674
10
5.3924
11
8.4965
12
12.5590
Time Series Decomposition Plot for RESI1
10
0
-10
-20
1
Pgina 96
12
18
24
30
Index
36
42

66
67
68
69
70
71
72
3.5590
1.7674
3.4757
3.2674
5.3924
8.4965
12.5590
Seasonal Analysis for RESI1

Additive Model
Seasonal Indices
Original Data, by Seasonal Period
10
10
0
-10
-10
1
10
11
12
-20
Percent Variation, by Seasonal Period
10
11
12
Residuals, by Seasonal Period

10
12
0
4
-5
0
10
11
12
Time Series Decomposition Plot for RESI1

Additive Model
20
Variable
A ctual
Fits
Trend
Forecasts
RESI1
10
A ccuracy Measures
MA PE
881.582
MA D
2.802
MSD
11.899
-10
-20
1
6
7
Index
10
Pgina 97
11
12
10
11
12

La descomposicin genera tres tipos de grficas:

Una grfica de serie de tiempo mostrando los datos originales con la lnea de tendencia ajustada,
valores estimados y pronsticos
Un anlisis de componentes con grficas separadas para la serie, datos sin tendencia, datos ajustados
con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos).
Un anlisis estacional, mostrando los ndices estacionales y la variacin porcentual dentro de cada
estacin respecto a la suma de la variacin por estacin y grficas de caja de los residuos por
periodo estacional.
METODO DE WINTERS
Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad.
Instrucciones de Minitab
Open Worksheet EMPLOY.MTW.

Ejecutar Stat > Time Series > Winters' Method.
En Variable, poner Food. In Seasonal length, 12 .
En Model Type, seleccionar Multiplicative.
Seleccionar Generate forecasts poner 4 en Number of forecasts. Seleccionar OK.
Winters' Method for Food

Multiplicative Method
Smoothing Constants
Multiplicative Method
85
Variable
Actual
Fits
Forecasts
95.0% PI
80
75
Smoothing Constants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2
70
Food
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE 1.88377
MAD
1.12068
MSD
2.86696
Winters' Method Plot for Food
65
Accuracy
MAPE
MAD
MSD
60
55
50
1
Interpretacin de los resultados

Pgina 98
14
21
28
35
42
Index
49
56
63
70
Measures
1.88377
1.12068
2.86696

La grfica muestra los valores de la serie y los valores estimados (un periodo adelante) y 12 pronst.
8.2 Regresin mltiple - Matriz de correlaciones

Se utiliza el archivo COCHES.MTW anexo en los archivos de trabajo del Mdulo 2.
Cargar los datos a Minitab
Stat > Matrix Plot: Simple

Graph Variables: Num. Cil.; Cil. (cc); Pot. (CV); Velo.max
Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max

0
2500
5000
160
240
320
12
8
Num.Cil.
4
5000
Cil.(cc)
2500
0
400
Pot.(CV)
200
320
240
Velo.max
160
4
12
200
400
Parece que la relacin entre Potencia y Velocidad mxima es cuadrtica.

Cambiando la escala horizontal del nmero de cilindros a 4 a 6,
se identifica que un coche tiene 5 cilindros, con Brush y Set ID Variables
indicando Marca y Modelo se ve que es un VOLVO 850 GLT (rengln 244)
Evaluando la fuerza de la relacin entre los predictores por medio de un anlisis de
correlacin se tiene:
Stat > Basic statistics > Correlation

Display Variables 'Num.Cil.' 'Cil.(cc)' 'Pot.(CV)'
Correlations: Num.Cil., Cil.(cc), Pot.(CV)

Num.Cil. Cil.(cc)
Cil.(cc)
0.852
0
Pot.(CV)
0.829
0.854
0.000
0.000
Cell Contents: Pearson correlation
Aqu se observa que hay MULTICOLINEALIDAD entre las variables predictoras.
por lo que el modelo puede ser inestable.
Pgina 99

Regresin mltiple

Response Velo.max Predictors Num.Cil, Cil.(cc), Pot.(CV)
Graphs: Four in One
Residuals versus variables
Options: Prediction intervals for new observations 4 1124 100
Pot.(CV)
Se obtienen los siguientes resultados:

Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
Velo.max = 157 - 5.72 Num.Cil. - 0.00218 Cil.(cc) + 0.521 Pot.(CV)
244 cases used, 3 cases contain missing values
Predictor
Coef
SE Coef
T
P
Constant
157.178
2.562 61.34 0.000
Significativo
(P value < 0.05)
Num.Cil.
-5.7177
0.9893 -5.78 0.000
No significativo (Pvalue > 0.05)
Cil.(cc)
-0.002178 0.001610 -1.35 0.177
Significativo
(P value < 0.05)
Pot.(CV)
0.52092
0.01927 27.03 0.000
S = 9.76245
R-Sq = 89.1%
Source
DF
SS
Regression
3 187887
Residual Error 240
22873
Total
243 210760
Source
Num.Cil.
Cil.(cc)
Pot.(CV)
DF
1
1
1
R-Sq(adj) = 89.0% Coef. De determinacin

MS
62629
95
F
657.14
R residuos con
ms de 2 sigmas
Seq SS
98419
19841
69627
Obs Num.Cil. Velo.max
10
6.0
222.000
22
4.0
211.000
24
8.0
235.000
25
6.0
250.000
26
8.0
235.000
28
12.0
250.000
46
8.0
295.000
47
12.0
302.000
48
2.0
127.000
76
4.0
232.000
102
8.0
270.000
106
6.0
216.000
117
8.0
250.000
118
12.0
250.000
129
4.0
150.000
130
4.0
170.000
144
6.0
233.000
164
4.0
252.000
165
6.0
280.000
179
8.0
210.000
180
8.0
200.000
P
0.000
X residuos muy
alejados del
grupo normal
Fit
195.351
189.259
218.470
291.719
218.470
274.371
301.772
306.890
160.358
248.215
274.250
194.581
267.300
280.769
181.879
195.591
205.988
252.816
302.562
213.943
213.943
SE Fit
1.123
0.705
2.254
2.707
2.254
3.822
3.109
3.838
1.396
2.335
2.646
1.514
2.249
3.738
0.697
0.820
1.059
2.499
3.060
5.300
5.300
Residual
26.649
21.741
16.530
-41.719
16.530
-24.371
-6.772
-4.890
-33.358
-16.215
-4.250
21.419
-17.300
-30.769
-31.879
-25.591
27.012
-0.816
-22.562
-3.943
-13.943
St Resid
2.75R
2.23R
1.74 X
-4.45RX
1.74 X
-2.71RX
-0.73 X
-0.54 X
-3.45R
-1.71 X
-0.45 X
2.22R
-1.82 X
-3.41RX
-3.27R
-2.63R
2.78R
-0.09 X
-2.43RX
-0.48 X
-1.70 X

X denotes an observation whose X value gives it large influence.
Pgina 100

Predicted Values for New Observations

Obs
Fit SE Fit
95% CI
95% PI
1 183.951
1.161 (181.663, 186.239) (164.584, 203.318)
Values of Predictors for New Observations
Obs
1
Num.Cil.
4.00
Cil.(cc)
1124
Pot.(CV)
100
Los residuos muestran un comportamiento normal por lo que el modelo es adecuado

Residual Plots for Velo.max
99.9
20
90
Residual
Percent
99
50
10
1
0
-20
-40
0.1
-40
-20
0
Residual
20
40
150
200
250
Fitted Value
300
80
Residual
Frequency
20
60
40
20
0
-20
-40
-40
-30
-20
-10
0
Residual
10
20
20
40
60
80
100 120 140 160 180 200 220 240
Observation Order
El comportamiento de los residuos vs Potencia sugiere que es necesaria

una transformacin de variables por ejemplo sacarle raz cuadrada.
Residuals Versus Pot.(CV)
(response is Velo.max)
30
20
Residual
10
0
-10
-20
-30
-40
-50
0
100
200
300
400
500
Pot.(CV)
Transformando la variable Pot.(CV) por Pot2 = raiz cuadrada de Pot.(CV) se tiene:
Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot2

Velo.max = 73.5 - 1.42 Num.Cil. - 0.00699 Cil.(cc) + 12.8 Pot2
Predictor
Constant
Num.Cil.
Cil.(cc)
Pot2
Coef
73.502
-1.4201
-0.006988
12.8232
SE Coef
2.258
0.6770
0.001202
0.3177
T
32.56
-2.10
-5.82
40.36
Pgina 101
P
0.000
0.037
0.000
0.000
Significativo
(P value < 0.05)

S = 7.03547
R-Sq = 94.4%
R-Sq(adj) = 94.3% Mejora el ajuste
Predicted Values for New Observations

Obs
Fit SE Fit
95% CI
95% PI
1 1342.286 29.024 (1285.111, 1399.461) (1283.455, 1401.117)XX
XX denotes a point that is an extreme outlier in the predictors.
Values of Predictors for New Observations
Obs Num.Cil. Cil.(cc) Pot2
1
4.00
1124
100
Residual Plots for Velo.max
99.9
20
90
Residual
Percent
99
50
10
0
-20
1
0.1
-40
-20
-40
20
150
200
250
Fitted Value
Residual
300

20
Residual
Frequency
40
30
20
0
-20
10
0
-30.0 -22.5 -15.0
-7.5
0.0
Residual
7.5
-40
15.0
20
40
60
80
100 120 140 160 180 200 220 240
Observation Order
Los residuos vs Pot2 ya tienen un mejor comportamiento ms aleatorio:

Residuals Versus Pot2
(response is Velo.max)
20
10
Residual
0
-10
-20
-30
-40
5.0
7.5
10.0
12.5
15.0
17.5
20.0
22.5
Pot2
Seleccin de la mejor ecuacin: Best Subsets

Permite obtener un "buen modelo" en funcin de su sencillez o facilidad de
interpretacin.
Stat > Regression > Stepwise
Variables candidatas a entrar en

el modelo
Variables forzadas a entrar en los
modelos
Pgina 102

Mnimo numero de variables en el modelo 1

Mximo nmero de variables en el modelo
todas
Nmero de ecuaciones que aparecen con
1, 2, 3.... Variables regresoras
Best Subsets Regression: Velo.max versus Num.Cil., Cil.(cc), ...

Response is Velo.max
244 cases used, 3 cases contain missing values
Vars
1
1
2
2
3
3
4
R-Sq
92.5
86.6
94.3
93.6
94.8
94.4
94.9
R-Sq(adj)
92.5
86.5
94.2
93.6
94.8
94.3
94.8
Mallows
C-p
109.0
385.3
29.3
58.0
3.9
26.5
5.0
S
8.0783
10.813
7.0849
7.4544
6.7261
7.0355
6.7269
N
u
m
.
C
i
l
.
C
i
l
.
(
c
c
)
P
o
t
.
(
C
V
)
P
o
t
2
X Buenos modelos
X
X
X Incluye slo Cil.(cc) y Pot2

X X
X X X
X X
X Incluye Num.Cil, Cil.(Cc), Pot2
X X X X
Seleccin de la mejor ecuacin: Stepwise

Se usa cuando el nmero de variables es muy grande mayor a 31, antes da los
mismos resultados que el mtodo anterior:
Variable de respuesta
Variables candidatas a entrar en

ls modelos
Pgina 103

Criterio para la entrada y salida

de variables
El mtodo implica que las
variables puedan ir entrando o
saliendo. Iniciando con ninguna.
Las variables van entrando pero
ya no salen
Las variables van saliendo a
partir de tomar todas y no vuelven
a entrar
Permite mostrar en cada paso

las mejores opciones adems de
la seleccionada y el nmero de
pasos entre pausas.
Los resultados obtenidos son los siguientes:
Stepwise Regression: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV), Pot2

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Response is Velo.max on 4 predictors, with N = 244
N(cases with missing observations) = 3 N(all cases) = 247
Step
Constant
Pot2
T-Value
P-Value
1
78.97
10.41
54.66
0.000
Cil.(cc)
T-Value
P-Value
2
71.48
12.69
40.50
0.000
3
43.58
17.41
18.33
0.000
-0.00845
-8.58
0.000
-0.00722
-7.48
0.000
Pot.(CV)
T-Value
P-Value
S
R-Sq
R-Sq(adj)
Mallows C-p
Variables que entran en cada

paso y su calidad de ajuste
-0.206
-5.23
0.000
8.08
92.51
92.48
109.0
7.08
94.26
94.21
29.3
6.73
94.85
94.78
3.9
Modelo adecuado
8.3 Anlisis Multivariado

Se usa el archivo IBEROAMERICA.MTW de indicadores sociales de los 22 pases
iberoamericanos de 1998.
Pgina 104

Componentes principales:
Calcula nuevas variables ("Componentes") en funcin de las variables disponibles
que sintetizan la informacin que estas contienen. Estas pocas variables vitales son las
que mejor explican el comportamiento de los datos.
Stat > multivariate > Principal components

Todas
Nmero de componentes principales
(5)
En Scores se almacenan las

coordenadas de cada observacin
(pas) en los ejes de los componentes
principales
Componentes: Primero C13, segundo C14, tercero C15

Los valores propios o eigenvalores representan la proporcin de la variabilidad total
explicada por ese componente.
Principal Component Analysis: Poblacin (m, Superficie (, % menores 15, Esperan

Eigenanalysis of the Correlation Matrix
Eigenvalue
Proportion
Cumulative
Eigenvalue
Proportion
Cumulative
5.5117
0.501
0.501
0.0475
0.004
0.996
2.0441
0.186
0.687
0.0350
0.003
0.999
1.4691
0.134
0.820
0.8631
0.078
0.899
0.5554
0.050
0.949
0.2638
0.024
0.973
0.1386
0.013
0.986
0.0056
0.001
1.000
Valores propios asociados a cada componente principal

Valores propios = 5.5117 + 2.0441 + 1.4691 + ........... + 0.0056 = 11
Proporcin = 50.1% + 18.6% + ...... + 0.001 = 100%
Abajo se presenta la aportacin de cada variable a cada compenente principal:
Variable
Poblacin (miles)
Superficie (km2)
PC1
0.016
-0.024
Pgina 105
PC2
0.667
0.679
PC3
0.150
0.076
PC4
0.023
0.004
PC5
0.191
0.122
0.0660
0.006
0.992

% menores 15 aos
Esperanza vida al nacer
Tasa de mortalidad infan
Telfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
-0.398
0.358
-0.370
0.387
0.310
0.380
-0.334
0.272
0.019
-0.076
-0.157
0.162
-0.033
0.030
0.085
-0.093
0.122
-0.066
El primer componente esta

formado por aportaciones
de las variables ligadas al
desarrollo
0.008
0.140
-0.111
0.010
0.053
0.018
-0.062
-0.555
0.791
0.073
-0.125
0.096
0.266
0.625
0.235
0.561
-0.314
-0.197
0.013
0.564
-0.487
-0.320
0.045
-0.352
0.330
-0.067
-0.228
El tercero est centrado en la

distribucin del PIB y servicios
El segundo componente est

relacionado con el tamao del
pas
Grfica de Pareto de los valores propios que permite visualizar la importancia de cada
uno de los componentes
Scree Plot of Poblacin (miles), ..., % PIB Servicios

6
5
La primera componente representa el 50%

y la segunda el 18.6% de la variacin total
Eigenvalue
4
3
2
1
0
1
5
6
7
Component Number
10
11
La siguiente grfica representa cada una de las observaciones (pases) en las

coordenadas de los dos primeros componentes. Para identificar a que pas corresponde
cada punto puede usarse la opcin de Brush.
TAMAO
DESARROLLO
Pgina 106

Agregando etiquetas a cada punto, seleccionar la grfica y:
Add > Data Labels: Use Labels from Column: Pais

Score Plot of Poblacin (miles), ..., % PIB Servicios
6
Brasil
Second Component
4
3
2
Mxico
A rgentina
Per
Boliv ia
Venezuela
C olombia
Ecuador
C hile
Guatemala
C uba
Rep.
Dominicana
El Salv
ador
Honduras
Nicaragua Paraguay
Uruguay
PanamC osta Rica
0
-1
Portugal
Puerto Rico
Espaa
-2
-4
-3
-2
-1
0
1
2
First Component
No siempre se le puede dar un nombre a los componentes

La siguiente grfica muestra las variables en las coordenadas que corresponden
a sus valores en las dos componentes principales.
Loading Plot of Poblacin (miles), ..., % PIB Servicios
Superficie (k m2)
0.7
Poblacin (miles)
0.6
Second Component
0.5
0.4
0.3
0.2
% PIB Industria
PIB $/hab
0.1
0.0
% PIB Serv icios
% menores 15 aos
-0.1
% PIB A gricultura
Esperanza v ida al nacer
-0.2
-0.4
-0.3
-0.2
-0.1
0.0
Desarrollo
0.1
0.2
0.3
0.4
La tercera componente que explica el 1.34% de la variabilidad, est relacionada con

la distribucin del PIB en la industria y servicios, se puede obtener la grfica de la
tercera vesus la primera componente como sigue:
3
Panam
Mxico
Tercer Componente
2
C olombia
C osta Rica
Uruguay
A rgentina
C hile
El Salv ador
Guatemala
Paraguay
Per
Boliv ia
-1
Espaa
Brasil
Nicaragua Honduras
Rep. Dominicana
Puerto Rico
Ecuador
Venezuela
C uba
Portugal
-2
-4
-3
-2
-1
0
1
2
Primer Componente
Pgina 107

Si se guardan previamente los coeficientes de las variables y despus se

grafican en una grafica de dispersin, se pueden btener grficas de un tercer componente
vesrus el primero, haciendo una columna con los ttulos de las variables para usarse como
ttulos en los puntos de una grfica de dispersin, como sigue:
Columna de
variables
Pais
Poblacin (miles)
Superficie (km2)
% menores 15 aos
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
% PIB Industria
0.75
0.50
C18
0.25
Pais
-0.25
% menores 15 aos
Superficie (k m2)
0.00
PIB $/hab
Poblacin (miles)

-0.50
% PIB A gricultura
-0.4
-0.3
-0.2
-0.1
0.0
C16
0.1
0.2
0.3
0.4
Para agregar lneas a la grfica, insertar celdas de ceros en las columnas corresponientes a los
coeficientes del tercer y primer componentes (entre cada una de sus celdas):
Seleccionar la grfica y agregar lneas con: Add > Calculated Line; Y tercer comp; X primer comp
Comp 3
0,1498280
0,0000000
0,0764970
0,0000000
0,0080330
0,0000000
0,1395810
0,0000000
-0,1109600
0,0000000
0,0098170
0,0000000
0,0527510
0,0000000
0,0179240
0,0000000
-0,0616860
0,0000000
Scatterplot of Comp 3 vs Comp 1

% PIB Industria
0.75
0.50
Servicios Industrai
Comp 1
0,0156420
0,0000000
-0,0238230
0,0000000
-0,3978570
0,0000000
0,3576520
0,0000000
-0,3701140
0,0000000
0,3873530
0,0000000
0,3095390
0,0000000
0,3799270
0,0000000
-0,3335910
0,0000000
0.25
Pais
Poblacin (miles)
% menores 15 aos
Superficie (k m2)
0.00

PIB $/hab
-0.25
-0.50
% PIB A gricultura
-0.4
Pgina 108
-0.3
-0.2
-0.1
0.0
Desarrollo
0.1
0.2
0.3
0.4

0,2722960
0,0000000
0,0191980
0,0000000
-0,5545960
0,0000000
0,7907320
0,0000000
Anlisis de Clusters
Se trata de distribuir las observaciones en grupos afines inicialmente no conocidos.
Ahora se trata de dividir los pases en grupos similares (conglomerados) de acuerdo con la
informacin disponible:
Stat > Multivariate > Cluster observations

Linkage Method: Single
Distance Measure: Euclidean Number of Clusters 3
Seleccionar Show Dendogram
En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin
OK
Se muestra la secuencia de formacin de Clusters, cada uno tiene un color diferente:
Dendrogram with Single Linkage and Euclidean Distance
Similarity
81.25
87.50
Los Clusters se identifican fcilmente

ya que para cada uno las lneas son
de diferente color
93.75
100.00
2 14 9
8 18 11 6 15 7 12 3 16 4 13 17 20 10 19 22 21
Observations
1er
Fila del Pas
Con esto se puede hacer una grfica de dispersin para analizar los clusters, por ejemplo para
Esperanza de vida y PIB por habitante se tiene:
Seleccionando la grfica y editando los smbolos por grupos correspondientes a los clusters.
Scatterplot of Esperanza vida al nacer vs PIB $/hab

80
C luster
1
2
3
Espaa
C osta Rica
C uba
75
70
Portugal Puerto Rico
C hile
Panam
Venezuela
Mxico
Rep. Dominicana
C olombia
Ecuador
Paraguay
El Salv ador
Nicaragua
Per
A rgentina
Uruguay
Brasil
Honduras
65
Guatemala
Boliv ia
60
0
Step
2000
Number
of
clusters
4000
6000
8000
10000
PIB $/hab
Similarity
level
12000
Distance
level
Pgina 109
14000
16000
Clusters
joined
New
cluster
of obs.
in new
cluster

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
99.6131
99.4939
99.2755
99.2675
98.9909
98.9137
98.7540
98.7458
98.1957
97.9917
97.9498
97.2457
96.6741
95.7750
95.4151
94.7709
93.5426
87.1791
85.3070
84.7016
81.2502
54.06
70.73
101.25
102.37
141.02
151.81
174.12
175.28
252.15
280.66
286.51
384.91
464.79
590.44
640.73
730.75
902.41
1791.70
2053.32
2137.93
2620.26
2
7
2
2
8
2
3
2
6
3
2
2
13
1
1
1
1
19
10
10
1
14
12
9
5
18
8
16
11
15
4
6
7
17
2
3
13
20
22
19
21
10
2
7
2
2
8
2
3
2
6
3
2
2
13
1
1
1
1
19
10
10
1
Primer
2 Cluster
Segundo
Cluster
2
Tercer
3 con 3
observaciones
2, 14, 9
4
etc..
2
6
2
7
2
3
9
11
2
12
15
17
18
2
3
4
Se22forma un solo Cluster
al final
Final Partition
Number of clusters: 3
Cluster1
Cluster2
Cluster3
Number of
observations
18
3
1
Within
cluster
sum of
squares
36798918
7382783
0
Average
distance
from
centroid
1151.26
1319.42
0.00
Maximum
distance
from
centroid
3319.75
1962.60
0.00
Cluster Centroids
Variable
% menores 15 aos
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
Cluster1
34.50
70.59
32.31
78.78
2.78
2442.39
14.09
29.71
56.57
Cluster2
23.0
74.5
13.2
284.3
8.0
10251.0
2.9
43.6
53.6
Cluster3
16.0
77.9
5.5
385.0
31.0
14350.0
5.9
37.8
56.3
Grand
centroid
32.09
71.45
28.48
120.73
4.77
4048.45
12.19
31.96
56.15
Distances Between Cluster Centroids
Cluster1
Cluster2
Cluster3
Cluster1
0.0
7811.4
11911.6
Cluster2
7811.37
0.00
4100.32
Cluster3
11911.6
4100.3
0.0
Ejemplo: Se trata de distribuir las variablies en grupos afines inicialmente no conocidos.

Otro ejemplo con el archivo COCHES.MTW
Stat > Multivariate > Cluster Variable

Linkage Method: Single
Distance Measure: Correlation Number of Clusters 7
Seleccionar Show Dendogram
Pgina 110

En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin
OK
Dendrogram with Single Linkage and Correlation Coefficient Distance
Similarity
59.47
72.98
86.49
100.00
P
PV
t.(
Po
)
CV
l .(
Ci
)
cc
m
Nu
il.
.C
C
m
su
on
.
ng
Lo
.
ch
An
so
Pe
al
M
e.
et
V
ax
m
o.
l
e
.
tu
Al
e.
el
Ac
Variables
Cluster 1 formado por 6 variables afines
Los otros 6 clusters se forman de una variable cada uno

indicados con un color diferente
Anlisis discriminante
Este anlisis se aplica cuando ya se sabe a que grupo pertenece cada observacin y lo que se desea
saber es cmo la variables disponibles afectan a la clasificacin para poder asignar una nueva
observacin de la que se conocen los valores de las variables pero no el grupo al que pertenece.
Ejemplo: Con los datos del archivo COCHES.MTW se usan los primeros 150 coches y considerando
solo los de 4, 6 y 8 cilindros:
Data > Code > Numeric to Numeric

Code Data from columns 'Num.Cil' Into Columns 'Num.Cil'
Original Values 2, 5, 12 por New *
OK
Data > Subset worksheet

Name: Coches 1:150
Seleccionar Especify which rows to include: Row Numbers 1:150
OK
Utilizando esta nueva hoja ahora se realiza el anlisis discriminate con:
Stat > Multivariate > Discriminant Analysis

Groups: 'Num.Cil' Predictors: PVP 'Cil(cc)' - 'Acele.'
Linear Discriminant function C15 C16 C17 - Columnas para la funcin de discriminacin
OK
Linear Discriminant Function for Groups

4
6
8
Constant -1136.2 -1098.4 -1136.1
PVP
-0.0
-0.0
-0.0
Cil.(cc)
-0.0
0.0
0.0
Pgina 111

Pot.(CV)
Long.
Anch.
Altu.
Malete.
Peso
Consumo
Velo.max
Acele.
1.1
-0.3
12.1
3.0
-0.3
-0.0
-15.1
11.2
10.1
1.1
-0.3
11.8
3.0
-0.3
-0.0
-14.6
5.6
10.3
1.1
-0.4
12.1
2.9
-0.2
-0.0
-15.7
8.2
10.8
Se van a aplicar estas funciones de discriminacin de los primeros 150 coches a los 97 restantes:
Manip > Subset Worksheet
Name: Coches 151:247
Specify which rows to include Row numbers 151:247
OK
Copiar columnas C15, C16 y C17 de la hoja COCHES 1:150 que corresponden a las funciones de
discriminacin a la hoja COCHES 151:247.
Por medio de Matrices se tiene:
1. Insertar una columna de unos entre Modelo y PVP
2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminacin
Editor > Enable comands

MTB > copy c3 c4 c6-c15 m1 - c5 (no. cil.) se excluye ya que es el valor que se trata de predecir.
MTB > copy c16 m2
MTB > copy c17 m3
Matrices de coeficientes de las tres funciones de discriminacin
MTB > copy c18 m4
para 4, 6 y 8 cilindros
3. Obtener las funciones de discriminacin para cada observacin
MTB > multi m1 m2 m5
Valores de la funcin de discrimiancin para 4, 6 y 8 cilindros
4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21
Editor Enable comands

MTB > copy m5 c19
MTB > copy m6 c20
MTB > copy m7 c21
5. Identificar cual es la funcin que da el valor mximo para
cada coche
MTB > rmax c19-c21 c22 (Calc > Row Statistics)
MTB > let c23=c19=c22
6. Colocar en c26 el nmero de cilindros asignado
MTB > let c26=4*c23+6*c24+8*c25
Para poner * en los valores missing de las funciones
discriminantes en C26
Pgina 112
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
copy c3 c4 c6-c15 m1
copy c16 m2
copy c17 m3
copy c18 m4
multi m1 m2 m5
multi m1 m3 m6
multi m1 m4 m7
copy m5 c19
copy m6 c20
copy m7 c21
rmax c19-c21 c22
let c23=c19=c22
let c24=c20=c22
let c25=c21=c22
let c26=4*c23+6*c24+8*c25
code (18) '*' c26 c26
.

MTB > Code (18) '*' c26 c26

7. Para comparar mediante una tabla cruzada
Stat > Tables > Descrpitive statistics
Categorical variables:
For rows 'Num.Cil.' For columns 'c26'
OK
Tabulated statistics: Num.Cil., C26

Rows: Num.Cil.
Columns: C26
4 6 8 Missing All
80 3 0
83
4
4
6
6
0 5 1
1
8
0 0 0
2
0
Missing
0 1 0
0
*
All
80 8 1
*
89
Cell Contents:
Count
De los 89 coches se han acertado a clasificar como de 4 cilindros 80. De los 6 de 6 cilindros
se han clasificado bien 5 y el de 8 cilindros no se clasificaron 2. La mejor discriminacin
fue con los de 4 por tener mas coches en la muestra.
8.4 Confiabilidad
La confiabilidad permite determinar la probabilidad de funcionamiento de un sistema
bajo condiciones establecidas
Ejemplo: Una empresa fabrica bombas de inyeccin diesel, los datos se encuentran
el el archivo INYECCION.MTW anexo, que contiene datos de funcionamiento de 40 bombas.
Datos censurados se refieren a algunos elementos que todava funcionaban cuando se par el
experimento.
Anlisis no paramtrico
Modelo para estimar la confiabilidad y sus funciones para datos completos o censurados
por la derecha y sin suponer ningn modelo terico.
Stat > Relibility/survival > Distribution Analysis (Right Censoring) > Nonparamtric Distribution Analysis
Variables: Duracin
Censor: Si los datos son completos no tocar, si no especificar cuantos hay censurados por la derecha
Graphs: Surival Plot Hazard Plot
Nonparametric Survival Plot for Duracion
Kaplan-Meier Method
Complete Data
100
Table of S tatistics
M ean
71060.1
M edian
51710
IQ R
84266
Percent
80
60
40
20
50000
100000
150000
200000
Duracion
250000
300000
Pgina 113

Nonparametric Hazard Plot for Duracion

Empirical Hazard Function
Complete Data
1.0
Table of S tatistics
M ean
71060.1
M edian
51710
IQ R
84266
0.8
Rate
0.6
0.4
0.2
0.0
50000
100000
150000
200000
Duracion
250000
300000
Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value
40
Nonparametric Estimates
Characteristics of Variable
Standard
95.0% Normal CI
Mean(MTTF)
Error
Lower
Upper
71060.1
10634.4 50216.9 91903.2
Median = 51710
IQR = 84266 Q1 = 12504 Q3 = 96770
Kaplan-Meier Estimates
Momento falla Bombas que
Unidades
Confiabilidad
siguen funcin que fallan
emprica
Number
at Number
Survival
Standard
Time
Risk Failed Probability
Error
3607
40
1
0.975 0.0246855
4100
39
1
0.950 0.0344601
5734
38
1
0.925 0.0416458
5768
37
1
0.900 0.0474342
7025
36
1
0.875 0.0522913
8089
35
1
0.850 0.0564579
9411
34
1
0.825 0.0600781
10640
33
1
0.800 0.0632456
10681
32
1
0.775 0.0660256
12504
31
1
0.750 0.0684653
13030
30
1
0.725 0.0706001
17656
29
1
0.700 0.0724569
22339
28
1
0.675 0.0740566
28698
27
1
0.650 0.0754155
31749
26
1
0.625 0.0765466
34585
25
1
0.600 0.0774597
36863
24
1
0.575 0.0781625
43403
23
1
0.550 0.0786607
49389
22
1
0.525 0.0789581
51710
21
1
0.500 0.0790569
56084
20
1
0.475 0.0789581
63311
19
1
0.450 0.0786607
68135
18
1
0.425 0.0781625
71329
17
1
0.400 0.0774597
Pgina 114
95.0% Normal CI
Lower
Upper
0.926617 1.00000
0.882459 1.00000
0.843376 1.00000
0.807031 0.99297
0.772511 0.97749
0.739344 0.96066
0.707249 0.94275
0.676041 0.92396
0.645592 0.90441
0.615810 0.88419
0.586626 0.86337
0.557987 0.84201
0.529852 0.82015
0.502188 0.79781
0.474972 0.77503
0.448182 0.75182
0.421804 0.72820
0.395828 0.70417
0.370245 0.67975
0.345051 0.65495
0.320245 0.62975
0.295828 0.60417
0.271804 0.57820
0.248182 0.55182

77223
77629
87564
94596
96104
96770
101214
102993
123815
140341
142312
148521
168021
204471
242796
272193
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0.375
0.350
0.325
0.300
0.275
0.250
0.225
0.200
0.175
0.150
0.125
0.100
0.075
0.050
0.025
0.000
0.0765466
0.0754155
0.0740566
0.0724569
0.0706001
0.0684653
0.0660256
0.0632456
0.0600781
0.0564579
0.0522913
0.0474342
0.0416458
0.0344601
0.0246855
0.0000000
0.224972
0.202188
0.179852
0.157987
0.136626
0.115810
0.095592
0.076041
0.057249
0.039344
0.022511
0.007031
0.000000
0.000000
0.000000
0.000000
0.52503
0.49781
0.47015
0.44201
0.41337
0.38419
0.35441
0.32396
0.29275
0.26066
0.22749
0.19297
0.15662
0.11754
0.07338
0.00000
0,575
Cul es la fiabiliad despus de 40,000 horas de funcionamiento?
Identificacin del mejor modelo para los datos
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot
Variables: Duracin
Seleccionar Use all distributions
OK
Goodness-of-Fit
Anderson-Darling Correlation
Distribution
(adj) Coefficient
Weibull
0.776
0.977
Lognormal
1.072
0.977
Exponential
0.654
*
Loglogistic
1.337
0.968
3-Parameter Weibull
0.653
0.992
3-Parameter Lognormal
0.849
0.982
2-Parameter Exponential
0.670
*
3-Parameter Loglogistic
1.117
0.971
Smallest Extreme Value
7.328
0.839
Menor es
mejor
Mayor es mejor
Probability Plot for Duracion

LSXY Estimates-Complete Data
Weibull
C orrelation C oefficient
Weibull
0.977
Lognormal
0.977
E xponential
*
Loglogistic
0.968
Lognormal
99
90
50
P er cent
P er cent
90
10
50
10
1000
10000
100000
Dur acion
1
1000
1000000
E xponential
10000
100000
Dur acion
1000000
Loglogistic
99
90
50
P er cent
P er cent
90
10
50
10
1000
10000
100000
Dur acion
1000000
1
1000
10000
100000
Dur acion
Pgina 115
1000000

La grfica que muestra los puntos ms alineados es la que mejor se adapta

a los datos
Anlisis paramtrico
Se usa la distribucin identificada anteriormente:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis
Variables: Duracin
Assumed Distribution: Exponential
Graphs: Probability Plot All Points Display confidence intervals
OK
Probability Plot for Duracion
Exponential - 95% CI
Complete Data - LSXY Estimates
Percent
99
Table of
M ean
S tD ev
M edian
IQ R
F ailure
C ensor
A D*
90
80
70
60
50
40
30
S tatistics
72651.5
72651.5
50358.2
79815.9
40
0
0.654
20
10
5
3
2
1
1000
10000
Duracion
100000
1000000
Table of Percentiles
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
Percentile
730.172
1467.76
2212.91
2965.78
3726.54
4495.34
5272.37
6057.80
6851.82
7654.60
16211.7
25913.0
37112.3
50358.2
66569.9
87470.5
116928
167286
174941
183498
193199
204399
217645
233856
Standard
Error
116.736
234.657
353.788
474.153
595.779
718.692
842.919
968.489
1095.43
1223.78
2591.84
4142.83
5933.31
8051.00
10642.8
13984.3
18693.8
26744.9
27968.6
29336.7
30887.7
32678.2
34795.9
37387.7
95.0% Normal CI
Lower
Upper
533.752 998.875
1072.92 2007.89
1617.63 3027.26
2167.97 4057.18
2724.08 5097.90
3286.07 6149.62
3854.08 7212.60
4428.22 8287.06
5008.64 9373.27 A las 7654 horas, un 10% de las
5595.48 10471.5 bombas ya no funcionan por tanto
11850.7 22177.6 la confiabilidad es del 90%
18942.3 35448.9
27128.9 50769.5
36811.6 68890.0
48662.3 91067.6
63940.5
119659
85473.9
159958
122286
228847
127881
239319
134136
251025
141228
264296
149414
279617
159097
297737
170948
319915
Pgina 116

97
98
99
254757
284215
334573
40729.2
45438.7
53489.7
186226
207759
244571
348507
388805
457695
Cul es la confiabiliad a las 40000 horas?

Podemos usar el botn ESTIMATE Estimate survival probability 40000
OK
Table of Survival Probabilities
Time
40000
Probability
0.576619
95.0% Normal CI
Lower
Upper
0.470865 0.668669
La confiabilidad a las 40000 horas es del 0.5766

La confiabilidad noparamtrica fue de 0.755 muy parecida
Forma rpida
Una forma rpida de ver la confiabilidad y riesgo es a travs de:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot
Variables: Duracin
Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis
OK
Distribution Overview Plot for Duracion
LSXY Estimates-Complete Data
P robability D ensity F unction
Table of
M ean
S tD ev
M edian
IQ R
F ailure
C ensor
A D*
E xponential
0.000015
90
P DF
P er cent
0.000010
0.000005
0.000000
0
100000
200000
Dur acion
50
10
300000
1000
10000
100000
Dur acion
S urv iv al F unction
S tatistics
72651.5
72651.5
50358.2
79815.9
40
0
0.654
1000000
H azard F unction
100
Rate
P er cent
0.0000175
50
0.0000150
0.0000125
0.0000100
0
0
100000
200000
Dur acion
300000
100000 200000
Dur acion
300000
Distribution Overview Plot for Duracion

Kaplan-Meier Estimates-Complete Data
Hazard Function
1.0
80
0.8
60
0.6
Rate
Percent
Survival Function
100
40
0.4
20
0.2
100000
200000
Duracion
300000
0.0
100000
200000
Duracion
Pgina 117
300000

8.5 Comandos especiales

Preguntas frecuentes
No sale el indicador MTB > de comandos
Temporal
Permanente
Editor > Enable commands

Activar ventana de sesin
Tools > Options > Session Window > Submitting commands
Seleccionar Enable (aparece MTB > al iniciar Minitab)
Algunas columnas en las que deberan haber datos estn vacias

Puede ser que la hoja de datos se muestre a partir de una fila mayor a 1
Una columna debe ser numrica sin embargo se muestra como texto
Convertirla con:
Data > Change Data Type > Text to Numeric

Change text column C1 Store numeric column C1
Copia de columnas con condiciones

Usando el achivo PULSE.MTW
Se calcula la diferencia entre Pulse1 y Pulse2
Calc > Calculator
Store result in variable C10 (Incremento)
Expression 'Pulse2' - 'Pulse1'
Seleccionar solo las personas que han corrido
Data > Copy > Columns to Columns
Copy from columns 'Incremento' 'Sexo'
Store Copied Data in columns C11 c12
Seleccionar Name the columns containing the copied data
Subset the data:
Seleccionar Rows that match
Condition: Ran = 1
Diagrama de caja estratificado por sexo
Graph > Boxplot > One Y:With groups
Graph variables Incremento_1
Categorical variables 'Sex_1'
Apilado y separacin de columnas (se usa el archivo PAN.MTW)
Columna con todos los pesos de las columnas correspondientes a la mquina 1
Data > Stack > Columns
Stack the following columns 'Mquina 1, Pieza 1'....'Mquina 1, Pieza 4'
Sel. store stacked data in Column of current worksheet 'Mquina 1'
Codificacin y ordenacin de datos (se usa el archivo CLIENTES.MTW)
Se desea codificar a los clientes segn el valor de sus compras para el primer trimestre
Categora 3 Menos de 50,000; Cat. 2 entre 50,000 y 100,000; Cat. 1 Ms de100,000
Calc > Row statistics
Sumas
Sel. Statistic Sum input vars. 'ENERO' - 'MARZO' store result in Total
Codificacin
Data > Code > Numeric to numeric
Code data from columns Total
Into columns Categora
Original values
New
00:49,9
3
50:100
2
100.1:999
1
Numeros de cliente en columnas separadas por categora
Data > Unstack columns
Pgina 118

Unstack the data in Total

Sel. After last column in use
Name the columns containing then stacked data
Ordenar clientes por su rango de compras
Data > Sort
Sort Columns CLIENTE Total
By columns Total seleccionar Descending
Store sorted data in seleccionar Columns of current worksheet
Clientes ordenados' 'Facturacin'
otra opcin
Manip > Rank
Rank data in total Store ranks in C13
NOTA. Si dos clientes coinciden les pone el nmero promedio de ellos
Personalizacin de Minitab
Opciones de configuracin
Tools > Options
Lenguaje de
comandos
Session Window > Submiting Commands

Seleccionar Enable Command Language
Configurar
grficas
Graphics > Regions > Graph

Fill Pattern; Background color N
No pregunte
al cerrar
grficas
Graphics > Graph Management

Prompt to save a graph before closing Never
Cambios en
barras de
herramientas
Click sobre una barra de herramientas

Botn derecho para ver la lista de barras disponibles
o con
Tools > Toolbars
Personalizar
la barra de
herramientas
Tools > Customize

Commands para seleccionar y arrastrar cualquier opcin nadicional del
menu y dejarla en la barra de herramientas existente
como en Office
Hacer una
barra de
herramientas
nueva
Tools > Customize > Toolbars: New

Se puede ir llenado la barra de herramientas vaca con opciones
de menu
Comandos en la pantalla de sesin

Histograma de 100 nmeros
aleatorios
Editor > Commands enable

MTB > Random 100 c1
MTB > Histo c1
random 100 c1;
normal 0,0,1,0.
Histogram c1;
Bar.
Solo se requieren las primeras 4 letras

Un ; indica continuacin de instruccin
Un . Indica fin de la instruccin
Instrucciones ejecutables
Edit > Command Line Editor

Escribir los comandos y al final pulsar Submit Commands para ejecutar
Archivos ejecutables
Se pueden grabar las instrucciones en un archivo ASCII y ejecutarlas

File > Other Files > Run an Exe
Random 100 c1;
Number of times to execute 10
normal 10,3.
Pgina 119

Select file (buscarlo en archivos con *.txt)
Se pueden realizar varios histogramas como sigue:
histo c1
#
Random 100 c2;
normal 10,4.
histo c2
Grficas personalizadas
Hacer todos los cambios necesarios a las grficas y copiar
las instrucciones una vez seleccionada la grfica:
Editor > Copy Command Language
Pegar las instrucciones en un archivo desde el que se puedan accesar
Macros, panorama general
Minitab contiene un lenguaje de programacin sencillo para elaborar programas hechos a la medida
incluye instrucciones de control generales IF/ELSEIF/ELSE/ENDIF, DO/ENDO, WHILE/ENDWHILE
EXIT devuelve el control a la ventana del Minitab
Simulador de media muestral
Macros globales
GMACRO
GMACRO
Nombre
MacroG_SimulaMedia.txt (archivo)
Cuerpo de la macro
Let k2=1
ENDMACRO
#
WHILE k2<=5000
Ejecucin:
Random 100 c1;
Indicar el directorio donde est
integer 1 6.
almacenada la macro
Mean c1 k1
Tools > Options > General
Let c2(k2) = k1
indicar carpeta en Initial directory
Let k2=k2 +1
Let c3(1)=k2
Ejecucin
MTB > %Macrog_SimulaMedia.txt
ENDWHILE
#
ENDMACRO
Macros locales
Permiten tener varias variables de entrada / salida de cualquier nombre
MACRO
Ident. Nombre + variables de entrada y salida
Declaracin de variables: constantes, vectores y matrices
Cuerpo de la macro
ENDMACRO
MACRO
Local_SimulMedia
# Nombre
itera n c_med
+ Variables
c_conta
de Entrada/Salida
#
# Significado de las variables utilizadas:
#
# itera: Nm. de iteraciones
# n: Tamao de las muestras
# c_med: columna (vector) donde se van almacenando las medias
# c_conta: Columna donde aparece el contador
# i: nmero de iteracin
# media: valor de la media de la muestra
# c_mues: nombre del vector que contiene la muestra generada
#
#
MCONSTANT itera n i media # Declaracin de constantes
MCOLUMN c_mues c_med c_conta
# Declaracin de vectores
#
Pgina 120

brief 0
#
LET i=1
WHILE i<= itera
RANDOM n c_mues;
INTEGER 1 6.
MEAN c_mues media
LET c_med(i)=media
LET i=i+1
LET C_conta(1)=i
ENDWHILE
#
HISTO c_med
#
ENDMACRO
#Pantalla de sesin
# Inicializa el contador
# Realiza la simulacin
Ejecucin de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2
itera n c_med c_conta
Pgina 121

Pgina 122

Pgina 123

Pgina 124

Pgina 125

Pgina 126

Pgina 127

Pgina 128

Pgina 129

Pgina 130

Pgina 131

Pgina 132

Pgina 133

Pgina 134

Pgina 135

Pgina 136

Pgina 137

Pgina 138

Pgina 139

Pgina 140

Pgina 141

Pgina 142

Pgina 143

Pgina 144

Pgina 145

Pgina 146

Pgina 147

Pgina 148

Pgina 149

Pgina 150

Pgina 151

Pgina 152

Pgina 153

Pgina 154

Pgina 155

Pgina 156

Pgina 157

Pgina 158

Pgina 159

Pgina 160

Pgina 161

Pgina 162

Pgina 163

Pgina 164

Pgina 165

Pgina 166

Pgina 167

Pgina 168

Pgina 169

Pgina 170

Pgina 171

Pgina 172

Pgina 173

Pgina 174

Pgina 175

Pgina 176

Pgina 177

Pgina 178

Pgina 179

Pgina 180

Pgina 181

Pgina 182

Pgina 183

Pgina 184

Pgina 185

Pgina 186

Pgina 187

Pgina 188

Pgina 189

Pgina 190

Pgina 191

Pgina 192

Pgina 193

Pgina 194

Pgina 195

Pgina 196

Pgina 197

Pgina 198

TE("10/10/2002")
Pgina 199

Curso Taller Minitab Completo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso Taller Minitab Completo

Uploaded by

Copyright:

Available Formats

TALLER DE APLICACIN DE MINITAB

PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Elabor: Dagoberto Salgado Horta Enero 2011

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

Caractersticas generales del Minitab

MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS

Grficos de barras y lnea

MDULO 3. ESTADSTICA DESCRIPTIVA

Estadsticos de una muestra

MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL

MDULO 5. ESTADSTICA NO PARAMTRICA

TALLER DE APLICACIN DE MINITAB

MDULO 6. CONTROL ESTADSTICO DEL PROCESO

Cartas de control por variables: I-MR, Xmedia R

MDULO 7. DISEO DE EXPERIMENTOS

MDULO 8. TPICOS ESPECIALES

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

1.1 Caractersticas generales del Minitab

Data > Change Data Type > Numeric to Text.

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

Letra T indica columna

Para cambiar el tipo de datos de la columna de numrica a texto

Data > Change Data Type > Numeric to Text.

1.3 Abrir, guardar e imprimir archivos

Para proyectos donde

Para hojas de trabajo

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

1.4 Clculos con columnas y renglones

Calc > Calculator

Ejemplo: Velocidad por tiempo

Columna (s) sobre la que se har

La constante se muestra con

Editor > Enable commands

Edit > Command line editor

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS

2.1 Grficos de barras y lnea

File > Open Worksheet > Pulse.Mtw

Graph > Bar chart: Count of unique values, Stack

Para cambiar la apariencia de las barras:

Data > Code > Numeric to text

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

El marco de la grfica se puede quitar seleccionndolo con doble click y modificndolo

Graph > Pie chart

Raw Data en cuyo

La otra opcin es que los valores ya estn tabulados previamente,

Data > Code > Numeric to text

Para indicar el normbre de la categora y su frecuencia en cada uno de las partes

Category name, Frequency.

Editor > Annotation > Graph annotation tools

2.2 Diagrama de Pareto y de Causa Efecto

Stat > Quality Tools > Pareto Chart

TALLER DE APLICACIN DE MINITAB

Dagoberto Salgado Horta

Para el diagrama de Pareto se tienen

Por ejemplo de la primera opcin colocando Defectos en Chart