Professional Documents
Culture Documents
CURSO TALLER DE
APLICACIN DE MINITAB
Pgina 1
CONTENIDO
MDULO 1. INTRODUCCIN
1.
2.
3.
4.
5.
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
Pgina 2
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
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
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
Alfanumrica Fecha/hora
Se puede importar
una hoja de clculo
de Excel en forma
directa con
Open Worksheet
Pgina 5
Columnas
que contienen
los datos
Expresin a
calcular
Clculos
disponibles
1.5 Aplicaciones
Ejercicios con renglones y columnas
Pgina 6
60
50
Count
40
30
20
10
0
Activity
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
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:
Nula
Baja
Media
Alta
defects in se tiene:
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
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
Pgina 9
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
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
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.
Pgina 11
40000000
PVP
30000000
20000000
10000000
0
0
100
200
300
400
500
Pot.(CV)
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 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
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)
Pgina 13
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
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
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
12
40000000
20000000
PVP
12
8
Num.C il.
4
400
P ot.( C V )
200
0
0
20000000
40000000
Pgina 15
200
400
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
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
300
0
2000
C il.( cc)
150
4000
6000
P ot.( C V )
Pgina 17
Columnas donde
se guardan los
datos generados
Datos para un
sombrero vaquero
C3
-1
-5
C1
C2
-5
-0.4
-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
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
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
50
1
Mean
StDev
N
Frequency
40
4000
49.60
250
2
Mean
StDev
N
30
4086
52.51
250
20
10
0
Peso en gr
Panel variable: Lnea de llenado
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
Pgina 20
90
Pulse1
80
70
60
50
Incremento
30
20
10
0
-10
-20
Sex
Ran
2
1
2
2
Pgina 21
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
HI 21
Diagrama de puntos
Pgina 22
Ran
Sex
1
2
1
2
-9
18
Incremento
27
36
45
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
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
Una vez creada esta grfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Histogram of Pulse2
30
Frequency
25
20
15
10
5
0
60
80
100
Pulse2
120
140
Pgina 24
60
70
16
80
90
100
14
Frequency
12
10
8
6
4
2
0
50
60
70
80
90
100
Pulse1
Distribucin Normal.doc
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
Scatterplot of C2 vs C1
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):
Pgina 27
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
=Distr.norm.estand( valor de Z)
Minitab
K2
K1
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
0,725747
Pgina 28
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
4300
en Graph
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
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
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
Estadstico F
en Minitab
3,17889
2,44034
Excel
3,178893104
2,440340438
Minitab
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
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
Nivel de confianza
(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
Variable
Pesos
N
20
Mean
3985.70
Z
-2.56
StDev
28.18
SE Mean
5.59
95% CI
(3974.74, 3996.66)
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
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
Exact
Sample
1
X
17
N
200
Sample p
0.085000
Bound
0.124771
P-Value
0.285
Data
25
24
23
22
21
Mtodo A
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
P-Value = 0.014
DF = 17
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
_
X
Ho
-1.2
-1.0
-0.8
-0.6
-0.4
Differences
-0.2
0.0
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.
P-Value = 0.001
P-Value = 0.392
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
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
Pgina 38
Difference
2.5
Sample
Size
6
Power
0.537662
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
2-Sample t Test
Pgina 39
Difference
1
1
Sample
Size
17
23
Target
Power
0.8
0.9
Actual Power
0.807037
0.912498
1 2 3 .... k
H 1 : Al menos
dos medias
son diferentes
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:
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
Frequency
3
2
1
0
0.0 0.1
Residual
0.2
0.3
0.4
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
R-Sq(adj) = 51.52%
B subtracted from:
Lower Center
C -0.2728 0.1000
Upper
-0.1870
-0.1026
Upper
0.4728
-----+---------+---------+---------+---(---------*--------)
-----+---------+---------+---------+----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
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
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
Normal Probability Plot of the Residuals
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
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
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.
Y = Weight y X = Height
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:
Pgina 44
Ecuacin de
Regresin
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
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
Analysis of Variance
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
Y=yyX=x
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
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
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:
Pgina 47
Regression
95% C I
95% PI
10000.00
S
R-Sq
R-Sq(adj)
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
1.0
Residual
0.5
0.0
-0.5
-1.0
15
20
25
Fitted Value
30
35
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:
0.50
Residual
0.25
0.00
-0.25
-0.50
15
20
25
Fitted Value
30
35
4.7 Aplicaciones
Ver aplicaciones del Mdulo 4
Pgina 49
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
Membrane
40
35
30
25
20
1
4
3
6.00000
5
0.02209
0.97791
5
6
Sample
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.
PriceIndex
N
29
Below
12
Above
17
Interpretacin de resultados:
P
0.2291
Median
144.0
Achievement
N
9
N
for
Test
8
Interpretacin de resultados:
Wilcoxon
Statistic
19.5
P
0.889
Estimated
Median
77.50
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
Interpretacin de resultados:
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.
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
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
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
Pgina 55
Hombres
Mujeres
Republican
18
27
Other
4
1
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
5.9 Aplicaciones
Ver ejercicios de aplicacin del Mdulo 5
Pgina 56
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
S limits
Tests
Stages
Box Cox
Display
Store
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.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
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
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
En C3 poner
125 unos
75 doces
fin
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
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
Hora
Pgina 59
Stat > Control Charts > Variables Charts for Subgroups > R
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
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
Stat > Control Charts > Variables Charts for Subgroups > S
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
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
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
Test
TEST
Test
Test
TEST
Test
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
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
OK OK
Obteniendo la carta de control de lecturas individuales se tiene:
I Chart of pH V
14
1
13
UCL=12.843
Individual Value
12
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:
12
+2SL=11.244
Individual Value
11
+1SL=10.122
10
9
_
X=9
-1SL=7.878
-2SL=6.756
-3SL=5.634
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para
mejor claridad
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
07/11/2002
08/11/2002
1
12
UCL=12.843
_
X=9.128
10
8
6
LCL=5.413
Hora V
Cl V
Stat > Control charts > Variable chart for individuals > Moving range
Variable ' pH V'
Pgina 63
Moving Range
2
__
MR=1.397
1
LCL=0
3
12
15
18
Observation
21
24
27
30
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
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
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 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
Sample StDev
Sample
3
U C L=2.952
_
S =1.720
1
LC L=0.488
1
10
Sample
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
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
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
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
P
0.000
0.000
%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
Ventana de grficas
Pgina 67
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
4
2
0
LCL=0
2
Operario
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
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
Los resultados son los siguientes:
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
Study Var
(5.15 * SD)
0.34306
0.18509
0.28885
0.15553
0.24340
0.99282
1.05042
Es adecuado mnimo 4
G age name:
D ate of study :
Components of Variation
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
1.00
0.75
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
5
6
Part
10
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
100
24
% Contribution
% Study Var
Percent
39.78
14.66
72.22
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
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
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
-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
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Pgina 71
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
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
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
Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
1
1
1
1
2
2
2
2
3
3
3
3
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
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
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
O v erall C apability
Pp
PPL
PPU
P pk
C pm
6.4
O bserv ed P erformance
P P M < LSL
0.00
P P M > U SL 156250.00
P P M Total
156250.00
8.0
9.6
11.2
0.70
1.13
0.26
0.26
*
12.8
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
UCL=4.290
__
MR=1.313
9.6
12.8
LCL=0
3
12
15
18
21
24
27
30
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
*
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
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
P otential (Within) C apability
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)*
O v erall C apability
0.00000
*
2.82843
1.62374
0.51337
0.53934
Pp
PPL
PPU
P pk
C pm
0.0
O bserv ed P erformance
P P M < LB
0.00
P P M > U S L 20000.00
P P M Total 20000.00
0.4
0.8
1.2
1.6
2.0
Pgina 74
2.4
2.8
*
*
0.74
0.74
*
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
O v erall C apability
Pp
*
PPL
*
PPU
0.73
P pk
0.73
E xp. O v erall P erformance
P P M < LB
*
P P M > U S L 10764.5
P P M Total
10764.5
O bserv ed P erformance
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
7.5
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
Pgina 75
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
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
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
70
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 18
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
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
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
54
60
TEST 1. One point more than 3.00 standard deviations from center line.
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:
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
20
UCL=19.44
15
_
U=9.87
10
LCL=0.30
0
3
12
15
18
Sample
21
24
27
30
6, 13, 28
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
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
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
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
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 28
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.
Pgina 80
Expected Defects
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
12
8
4
0
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.
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Pgina 81
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 .
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
Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
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
LCL=-5.68
2
10
12
14
Sample
16
18
20
22
24
Pgina 82
Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
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
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
Cumulative Sum
30
20
10
Target=0
-10
2
10
12
14
Sample
16
18
20
22
24
Stat > Control Charts > Time Weighted Charts > EWMA
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK
Pgina 83
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
5, 6
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
Pgina 84
Minitab
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
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
6.8 Aplicaciones
Referirse a la hoja de Aplicaciones Mdulo 6 donde se encuentra el material de ejercicios.
Pgina 86
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
** Falta de redondez
Pgina 87
* Entre partes
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:
Pgina 88
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
Nivel bajo
8
230
0,6
Nivel Alto
12
240
1
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
12
8
12
8
12
240
230
230
240
240
0,6
1
1
1
1
17,5
11,5
26
17,5
20
OK OK
Los resultados se muestran a continuacin.
La ecuacin del modelo se puede formar a partir de los siguientes coeficientes:
Coef
-893.750
102.625
3.75000
186.250
-0.425000
-30.0000
-0.750000
0.125000
A
AB
N ame
C audal
C orriente
V elocidad
Son significativos A y AB
Term
C
B
BC
ABC
AC
5
Effect
99
Effect Ty pe
Not Significant
Significant
95
90
Percent
80
70
60
50
40
30
20
10
AB
5
1
-5.0
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
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
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
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
Nivel Alto
Y
40
3
90
1,5
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
OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes:
Coef
-36.0000
-2.00000
0.600000
0.500000
0.450000
5.00000
1.58579E-16
-0.200000
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
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
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
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
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
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.
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
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
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
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
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 Indices
10
10
0
-10
-10
1
10
11
12
-20
10
11
12
12
0
4
-5
0
10
11
12
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
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
65
Accuracy
MAPE
MAD
MSD
60
55
50
1
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.
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
Pgina 99
Regresin mltiple
Pot.(CV)
S = 9.76245
R-Sq = 89.1%
Analysis of Variance
Source
DF
SS
Regression
3 187887
Residual Error 240
22873
Total
243 210760
Source
Num.Cil.
Cil.(cc)
Pot.(CV)
DF
1
1
1
F
657.14
R residuos con
ms de 2 sigmas
Seq SS
98419
19841
69627
Unusual Observations
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
Pgina 100
Num.Cil.
4.00
Cil.(cc)
1124
Pot.(CV)
100
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
Observation Order
30
20
Residual
10
0
-10
-20
-30
-40
-50
0
100
200
300
400
500
Pot.(CV)
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
S = 7.03547
R-Sq = 94.4%
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
Residual
Frequency
40
30
20
0
-20
10
0
-7.5
0.0
Residual
7.5
-40
15.0
20
40
60
80
Observation Order
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
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
Variable de respuesta
Pgina 103
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
-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
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.
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
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
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
Eigenvalue
4
3
2
1
0
1
5
6
7
Component Number
10
11
TAMAO
DESARROLLO
Pgina 106
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
0.7
Poblacin (miles)
0.6
Second Component
0.5
0.4
0.3
0.2
Tasa de mortalidad infan
% PIB Industria
PIB $/hab
0.1
0.0
% 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
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
Pais
Poblacin (miles)
Superficie (km2)
% 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
Scatterplot of C18 vs C16
% PIB Industria
0.75
0.50
C18
0.25
Pais
-0.25
% menores 15 aos
Usuarios Internet por 1000 hab
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
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
Telfonos por 1.000 hab
Superficie (k m2)
0.00
PIB $/hab
Esperanza v ida al nacer
-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
-0,5545960
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:
Similarity
81.25
87.50
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
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.
C luster
1
2
3
Espaa
C osta Rica
C uba
75
70
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
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
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
Cluster1
Cluster2
Cluster3
Cluster1
0.0
7811.4
11911.6
Cluster2
7811.37
0.00
4100.32
Cluster3
11911.6
4100.3
0.0
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
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:
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
4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21
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
.
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
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
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
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
Time
40000
Probability
0.576619
95.0% Normal CI
Lower
Upper
0.470865 0.668669
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
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
Lenguaje de
comandos
Configurar
grficas
No pregunte
al cerrar
grficas
Cambios en
barras de
herramientas
Personalizar
la barra de
herramientas
Hacer una
barra de
herramientas
nueva
Instrucciones ejecutables
Archivos ejecutables
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
#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