Curso Taller Minitab Completo

TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta
CURSO TALLER DE
APLICACIN DE MINITAB
Elabor: Dagoberto Salgado Horta Enero 2011
Tel. 2719872 o 3006527920
Mail: dasaho2@yahoo.es
Pgina 1
CONTENIDO
MDULO 1. INTRODUCCIN
1. Caractersticas generales del Minitab
2. Pantallas y mens
3. Abrir, guardar e imprimir archivos
4. Clculos con columnas y renglones
5. Aplicaciones
MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
1. Grficos de barras y lnea
2. Diagrama de Pareto y de Causa Efecto
3. Grficas de dispersin de dos variables
4. Grficas tridimensionales
5. Aplicaciones
MDULO 3. ESTADSTICA DESCRIPTIVA
1. Estadsticos de una muestra
2. Diagrama de caja y diagrama de tallo y hojas
3. Histogramas
4. Prueba de normalidad
5. Distribucin normal estndar y distribucin normal
6. Aplicaciones
MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL
1. Clculo de probabilidades
2. Pruebas de hiptesis de una poblacin
3. Pruebas de hiptesis de dos poblaciones
4. Tamao de muestra y potencia
5. Anlisis de varianza (ANOVA)
6. Correlacin y Regresin lineal y cuadrtica simple
7. 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. Cartas de control por variables: I-MR, Xmedia R
2. Estudios de capacidad de equipos de medicin R&R
3. Estudios de capacidad de procesos normales
4. Estudios de capacidad de procesos no normales
5. Cartas de control por atributos: p, np, c, u
6. Estudios de capacidad de proceso por atributos
7. Cartas de control especiales (EWMA, CuSum)
8. Muestreo por atributos (AQL, AOQL, LTPD, Z1.4)
9. Ejercicios
MDULO 7. DISEO DE EXPERIMENTOS
1. Cartas Multivari
2. Diseo de experimentos factoriales completos
3. Diseo de experimentos factoriales de dos niveles
4. Diseo de experimentos fraccionales
5. Diseo de experimentos de Taguchi
6. Superficies de respuesta
7. Aplicaciones
MDULO 8. TPICOS ESPECIALES
1. Series de tiempo
2. Regresin mltiple
3. Anlisis multivariado
4. Confiabilidad
5. Operaciones especiales
6. 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 Proyecto nuevo,
manteniendo lo que ya se ha borra toda la
procesado como grficas informacin que
sesiones, etc. exista en el
proyecto abierto.
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
Para hojas de trabajo una hoja de clculo
(worksheets) slo la de Excel en forma
parte de hoja tipo Excel directa con
Open Worksheet
Nmero de columna
Nombre de columna
Letra T indica columna
de texto
Numricas Alfanumrica Fecha/hora
Nmero de columna
Nombre de columna
Letra T indica columna
de texto
Numricas Alfanumrica Fecha/hora
Pgina 5
1.4 Clculos con columnas y renglones
a) Se tiene una calculadora integrada para hacer operaciones con columnas:
Calc > Calculator
Columna donde
Columnas aparecer el
que contienen resultado
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
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
C
o
u
n
t
Activity 3 2 1 0
60
50
40
30
20
10
0
Sex
1
2
Chart of Activity, Sex
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 Raw Data en cuyo
caso se establece una variable categrica en este caso Activity
La otra opcin es que los valores ya estn tabulados previamente,
Chart values from a table
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 Nula
2 Baja
3 Media
4 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
Category
0
1
2
3
Pie Chart of Activity
Pgina 8
Para el diagrama de Pareto se tienen dos opciones de entrada de datos: Se indica la columna donde se encuentran 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:
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:
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.
C
o
u
n
t
P
e
r
c
e
n
t
Defectos
Count
9.7 3.1 2.1
Cum % 63.6 85.1 94.9 97.9 100.0
124 42 19 6 4
Percent 63.6 21.5
Other Terminacin Forma Sopladura Rayas
200
150
100
50
0
100
80
60
40
20
0
Pareto Chart of Defectos
Defectos
C
o
u
n
t
O
th
e
r
T
e
r
m
in
a
c
i
n
F
o
rm
a
S
o
p
la
d
u
r
a
R
a
y
a
s
80
60
40
20
0
O
th
e
r
T
e
rm
in
a
c
i
n
F
o
r
m
a
S
o
p
la
d
u
r
a
R
a
y
a
s
80
60
40
20
0
Operario = A Operario = B
Operario = C Operario = D
Defectos
Other
Rayas
Sopladura
Forma
Terminacin
Pareto Chart of Defectos by Operario
Pgina 9
Los datos se colocan como sigue:
Causas primarias:
AMBIENTE MATLS. PERSONAL MTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformacin
Humedad Amacen Humor Abrasin
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Dimetro Tiempo Seleccin Horas
Curvatura Ambiente Formacin Moral
Experiencia Cansancio
Para cambiar el
tamao de letra
hacer doble click en
los ttulos y
seleccionar otro
tamao de letra
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:
Environment
Measurements
Methods
Material
Machines
Personnel
Humor
Habilidad
Salud
Herramental
Abrasin
Deformacin
Mantto.
Amacen
Dureza
Forma
Velocidad
Ajuste
Temperatura
Humedad
Vibraciones
Polv o
E
x
p
e
rie
n
c
ia
F
o
rm
a
c
i
n
S
e
le
c
c
i
n
C
a
n
s
a
n
c
i o
M
o
r
a
l
H
o
ra
s
C
u
rv
a
tu
ra
D
i
m
e
tro
A
m
b
ie
n
te
T
ie
m
p
o
Cause-and-Effect Diagram
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100
Scatterplot of Weight vs Height
Pgina 10
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.
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:
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100
Sex
1
2
Pgina 11
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
Pot.(CV)
P
V
P
500 400 300 200 100 0
50000000
40000000
30000000
20000000
10000000
0
Scatterplot of PVP vs Pot.(CV)
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 Minimum 50 Maximum 100
Eje Y Minimum 1500000 Maximum 2000000
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
Pot.(CV)
P
V
P
100 90 80 70 60 50
2000000
1900000
1800000
1700000
1600000
1500000
VOLKSWAGEN
VOLKSWAGEN
VOLKSWAGEN
VOLKSWAGEN
SUZUKI
SEAT
SEAT
SEAT
SEAT
SEAT
SEAT
SEAT
SEAT
ROVER
RENAULT
RENAULT
PEUGEOT
PEUGEOT
PEUGEOT
PEUGEOT
OPEL
OPEL
OPEL
NISSAN
NISSAN
MAZDA
LANCIA
HYUNDAI
HYUNDAI
FORD
FORD
FORD
FORD
FIAT
FIAT
FIAT
FIAT
CITROEN
CITROEN
CITROEN
Alfa Romeo
Scatterplot of PVP vs Pot.(CV)
Pgina 13
Para modificar la apariencia de la grfica, seleccionarla y:
Editor > Panel > Option
Seleccionar Dont alternate panels
Seleccionar Both variable names and levels
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:
Time
Q
u
a
l
i
t
y
8
6
4
2
0
35 30 25
8
6
4
2
0
35 30 25 35 30 25
Temp = 350 Temp = 375 Temp = 400
Temp = 425 Temp = 450 Temp = 475
Scatterplot of Quality vs Time
Pot.(CV)
P
V
P
500 400 300 200 100 0
50000000
40000000
30000000
20000000
10000000
0
Marginal Plot of PVP vs Pot.(CV)
Pot.(CV)
P
V
P
500 400 300 200 100 0
50000000
40000000
30000000
20000000
10000000
0
Pot.(CV)
P
V
P
500 400 300 200 100 0
50000000
40000000
30000000
20000000
10000000
0
Pgina 14
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
Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:
PVP
40000000
20000000
0
12 8 4
Num.Cil.
12
8
4
40000000 20000000 0
400
200
0
Pot.(CV)
400 200 0
Matrix Plot of PVP, Num.Cil., Pot.(CV)
Pgina 15
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.
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
Con la herramienta Tools > Tool Bars > 3D Graph tools se puede modificar la grfica:
P
V
P
400 200 0
40000000
30000000
20000000
10000000
0
Cil.(cc)
C
o
n
s
u
m
o
5000 2500 0
12
10
8
6
4
Pot.(CV) Velo.max
320 240 160
Matrix Plot of PVP, Consumo vs Cil.(cc), Pot.(CV), Velo.max
PVP
0
15000000
0
2000
4000
6000
Cil.(cc)
PVP
30000000
45000000
450
300
Pot.(CV)
150
0
6000
3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)
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)
Superficie mallada (Wireframe) o superificie con textura (surface)
Generar datos para la superficie por medio de una funcin ya establecida con:
PVP
0
15000000
0
4000
6000
Cil.(cc)
2000 2000
4000 4000
6000
PVP
30000000
45000000
450
300
Pot.(CV)
150
0
6000
Num.Cil.
8
12
2
4
5
6
3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)
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
Curvas de nivel (Contour Plots)
Graph > Contour Plot
Columnas de datos para Z, Y y X de Mesh
-1
C3
0
1
-5 -5
C1
0
C1 5
0
-5
5
C2
Surface Plot of C3 vs C2, C1
C1
C
2
0.8
0.8
0.4
0.4
0.0
-0.4 -0.4
-0.4
-0.4 -0.4
-0.8 -0.8
-0.8
-0.8 -0.8
5.0 2.5 0.0 -2.5 -5.0
5.0
2.5
0.0
-2.5
-5.0
Contour Plot of C3 vs C2, C1
Pgina 18
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 SE Mean StDev Minimum Q1 Median
Peso en gr 1 250 0 3999.6 3.14 49.6 3877.0 3967.8 3999.5
2 250 0 4085.6 3.32 52.5 3954.0 4048.8 4087.0
Variable Lnea Q3 Maximum
Peso en gr 1 4040.0 4113.0
2 4121.5 4202.0
Pgina 19
Las grficas obtenidas de la estadstica descriptiva son las siguientes:
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
Peso en gr
F
r
e
q
u
e
n
c
y
4200 4140 4080 4020 3960 3900
50
40
30
20
10
0
4200 4140 4080 4020 3960 3900
1 2 1
4086
StDev 52.51
N 250
Mean 4000
StDev 49.60
N 250
2
Mean
Histogram (with Normal Curve) of Peso en gr by Lnea de llenado
Panel variable: Lnea de llenado
Lnea de llenado
P
e
s
o

e
n

g
r
2 1
4200
4150
4100
4050
4000
3950
3900
Individual Value Plot of Peso en gr vs Lnea de llenado
Lnea de llenado
P
e
s
o

e
n

g
r
2 1
4200
4150
4100
4050
4000
3950
3900
Boxplot of Peso en gr by Lnea de llenado
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
Grfica de caja por grupos
P
u
l
s
e
1
100
90
80
70
60
50
Boxplot of Pulse1
I
n
c
r
e
m
e
n
t
o
Ran
Sex
2 1
2 1 2 1
50
40
30
20
10
0
-10
-20
Boxplot of Incremento vs Ran, Sex
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 Leaf Unit = 1.0
Tallo Hojas
1 9 5 Con Increment = 20
4 10 288 Leaf Unit = 10
13 11 002556688 Tallo Hojas
24 12 00012355555 1 0 9
37 13 0000013555688 13 1 000111111111
(11) 14 00002555558 37 1 222222222223333333333333
44 15 0000000000355555555557 (33) 1 444444444445555555555555555555555
22 16 000045 22 1 666666777777
16 17 000055 10 1 888899999
10 18 0005
6 19 00005 HI 21 Valor anmalo destacado
HI 215 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
3.3 Histogramas o distribuciones de frecuencia
Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
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
Incremento
45 36 27 18 9 0 -9
Ran Sex
1
2
1
2
1
2
Dotplot of Incremento vs Ran, Sex
Pulse1
F
r
e
q
u
e
n
c
y
100 90 80 70 60 50
25
20
15
10
5
0
Histogram of Pulse1
Pgina 23
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
Para comparar los histogramas segn se haya corrido o no se tiene:
Pulse1
F
r
e
q
u
e
n
c
y
100.00 91.33 82.66 74.00 65.33 56.66 48.00
30
25
20
15
10
5
0
Histogram of Pulse1
Pulse2
F
r
e
q
u
e
n
c
y
140 120 100 80 60
30
25
20
15
10
5
0
Histogram of Pulse2
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
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
Pulse1
F
r
e
q
u
e
n
c
y
100 90 80 70 60 50
16
14
12
10
8
6
4
2
0
100 90 80 70 60 50
1 2
Histogram of Pulse1
Panel variable: Ran
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
Para la parte sombreada bajo la campana se dibuja un polgono:
Editor > Annotation > Graph annotation tools
Seleccionar para el interior el color gris
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
C1
C
2
4 3 2 1 0 -1 -2 -3 -4 -5
0.4
0.3
0.2
0.1
0.0
Scatterplot of C2 vs C1
C1
C
2
4 3 2 1 0 -1 -2 -3 -4 -5
0.4
0.3
0.2
0.1
0.0
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
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
Optional storage (K1 o K2)
Data> Display data K1 K2
K2 Calc > Calculator Store result in C1 Expresion K2 - K1
K1 Minitab Excel
K2 K1 rea rea
rea entre Z = 1 sigmas 0,933193 0,0668072 0,8663858 0,866385597
rea antes de Z = -1.5 0,0668072 0,0668072 0,066807201
rea despus de Z = 0.8 0,211855 0,211855 0,211855399
Restar a 1 o dar - Z
rea entre Z=-1.5 y Z=0.6 0,725747 0,0668072 0,6589398 0,658939681
Para cambiar el nmero de decimales mostrado en las columnas seleccionndolas y
Editor > Format column > Numeric Fixed decimal with 8 u otro
C1
Y
-
D
a
t
a
4 3 2 1 0
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
Variable
C4
C5
C2
C3
Scatterplot of C2, C3, C4, C5 vs C1
a = 1, b = 1
a = 1, b = 2
a = 1, b = 3
a = 1, b = 4
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
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
Un valor P de menos de 0.05
indica que los datos no son
normales, en este caso si lo son.
Otra forma de hacerlo es con:
Graph > Probability Plot: Single
en Graph Variable indicar la columna de Pesos
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
3.6 Aplicaciones
Ver hoja de aplicaciones de este mdulo 3.
Peso en gr
P
e
r
c
e
n
t
4300 4200 4100 4000 3900 3800
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
0.314
4043
StDev 66.76
N 500
AD 0.426
P-Value
Probability Plot of Peso en gr
Normal
Peso en gr
P
e
r
c
e
n
t
4300 4200 4100 4000 3900 3800
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
0.314
4043
StDev 66.76
N 500
AD 0.426
P-Value
Probability Plot of Peso en gr
Normal - 95% CI
Pgina 29
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
Minitab Calc > Probablity distributions > t
Inverse Cumulative probability, Degrees of freedom
Input constant (valor de la probabilidad alfa o rea bajo la curva)
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
1- Alfa Estadstico t Estadstico t
Datos Alfa Minitab en Minitab Excel
10 0,05 0,95 1,83311 1,833112933
10 0,1 0,9 1,38303 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)
S1 debe ser mayor a S2
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la Datos de la 1- Alfa Estadstico F
muestra 1 muestra 2 Alfa Minitab en Minitab Excel
10 10 0,05 0,95 3,17889 3,178893104
10 10 0,1 0,9 2,44034 2,440340438
2
2
2
1
S
S
Fc =
Pgina 30
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)
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la 1- Alfa Estadstico Chi Cuadrado
muestra Alfa Minitab en Minitab Excel
10 0,05 0,95 16,919 16,9189776
10 0,1 0,9 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
2
2
2
1
S
S
Fc =
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
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.
One-Sample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Pesos
4040 4020 4000 3980 3960 3940 3920
_
X
Ho
Individual Value Plot of Pesos
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 25)
Pgina 32
Variable N Mean StDev SE Mean 95% CI Z P
Pesos 20 3985.70 28.18 5.59 (3974.74, 3996.66) -2.56 0.011
Este es el intervalo de confianza del 95% donde se encuentra l valor P es menor
la media del proceso de llenado (poblacin). El 4000 no se a 0.05 por tanto se
encuentra en el intervalo por tanto el promedio difiere de lo rechaza la Ho y se
que se afirma 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 95% CI T P
Pesos 20 3985.70 28.18 6.30 (3972.51, 3998.89) -2.27 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 Exact
Pgina 33
Sample X N Sample p Bound P-Value
1 17 200 0.085000 0.124771 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 Variances: Mtodo A, Mtodo B
95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 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
Y los resultados de la prueba estadstica lo confirman:
Two-sample T for Mtodo A vs Mtodo B
N Mean StDev SE Mean
Mtodo A 10 25.14 1.24 0.39
Mtodo B 10 23.62 1.24 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 DF = 17
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 = 0
D
a
t
a
Mtodo B Mtodo A
27
26
25
24
23
22
21
Individual Value Plot of Mtodo A, Mtodo B
Pgina 35
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 Lente A Lente B
1 6,7 6,9
2 5,0 5,8
3 3,6 4,1
4 6,2 7,0
5 5,9 7,0
6 4,0 4,6
7 5,2 5,5
8 4,5 5,0
9 4,4 4,3
10 4,1 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
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
Paired T-Test and CI: Lente A, Lente B mtodos.
Paired T for Lente A - Lente B
N Mean StDev SE Mean
Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 -0.540000 0.343835 0.108730
Differences
0.0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.2
_
X
Ho
Individual Value Plot of Differences
(with Ho and 95% t-confidence interval for the mean)
Pgina 36
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 - o p = |
Rechazar Error tipo I Desicin correcta
p = o p = 1 - |
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:
Stat > Power and Sample Size > 1 - Sample t
Completar el dilogo como sigue:
C1
Y
-
D
a
t
a
375 370 365 360 355
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Variable
Original
Corrida
LIE 360 LIE 370
Ho:
Meta
365
Ha: Corrida
367.5
CORRIDA DE 2.5 GRS. EN PROMEDIO
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
Sample Se tiene un 53.76% de Potencia para detectar
Difference Size Power una diferencia de 2.5 si se usan 6 muestras
2.5 6 0.537662 O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.
cuntas muestras se requieren para tener un 80% de probabilidad de detectar
el corrimiento, y para 85%, 90% y 95%?
Se cambia este parmetro
Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 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
Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 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:
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 B C
1,9 1,6 1,3
1,8 1,1 1,6
2,1 1,3 1,8
1,8 1,4 1,1
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)
Los residuos deben mostrar
un comportamiento normal
y aleatorio alrededor de la media
para que el anlisis sea vlido
Residual
P
e
r
c
e
n
t
0.50 0.25 0.00 -0.25 -0.50
99
90
50
10
1
Fitted Value
R
e
s
i
d
u
a
l
1.8 1.6 1.4
0.4
0.2
0.0
-0.2
-0.4
Residual
F
r
e
q
u
e
n
c
y
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3
3
2
1
0
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals
Residual Plots for A, B, C
k
H = = = = = ....
3 2 1 0
. :
1
diferentes son medias dos menos Al H
Pgina 41
One-way ANOVA: A, B, C
Como el valor P value es menor
Source DF SS MS F P a 0.05 existe una diferencia
Factor 2 0.9000 0.4500 8.44 0.005 significativa entre algunas medias
Error 12 0.6400 0.0533
Total 14 1.5400
S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on
Pooled StDev A produce ms fenoles que B,C
Level N Mean StDev ----+---------+---------+---------+-----
A 4 1.9000 0.1414 (-------*--------)
B 5 1.3000 0.2121 (------*-------) La media de A es
C 6 1.4000 0.2828 (------*------) diferentes a A y B
----+---------+---------+---------+-----
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C
Desviacin estndar poblacional son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94% Como el cero no est en el
intervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C
Lower Center Upper -----+---------+---------+---------+----
B -1.0130 -0.6000 -0.1870 (---------*---------)
C -0.8974 -0.5000 -0.1026 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 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
ANOVA de una va con datos de tratamientos en una sola columna Respuesta Factor
1,9 A
Los datos del ejemplo anterior arreglados en una 1,8 A
sola columna se muestran a continuacin: 2,1 A
1,8 A
1,6 B
1,1 B
1,3 B
1,4 B
1,1 B
1,3 C
1,6 C
1,8 C
1,1 C
1,5 C
1,1 C
Pgina 42
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.
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.
Residual
P
e
r
c
e
n
t
0.50 0.25 0.00 -0.25 -0.50
99
90
50
10
1
Fitted Value
R
e
s
i
d
u
a
l
1.8 1.6 1.4
0.4
0.2
0.0
-0.2
-0.4
Residual
F
r
e
q
u
e
n
c
y
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3
3
2
1
0
Observation Order
R
e
s
i
d
u
a
l
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
0.4
0.2
0.0
-0.2
-0.4
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Respuesta
Pgina 43
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
Ahora se calcula el coeficiente de Correlacin que mide el grado de relacin que existe
entre dos variables, como sigue:
Stat > Basic Statistics > Correlation
Seleccionar en Variables Weight Height
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
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100

Correlacin Positiva
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin Negativa
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin
Positiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin
Negativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Sin Correlacin
10
15
20
25
5 10 15 20 25
X
Y
0
5
0
Correlacin Positiva
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin Negativa
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin
Positiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin
Negativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Sin Correlacin
10
15
20
25
5 10 15 20 25
X
Y
0
5
0
Pgina 44
Si se agrega la variable "Pulse1":
Correlations: Weight, Height, Pulse1
Weight Height
Height 0.785 Correlaciones
0 P values
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
Seleccionar en Response (Y) Weight y en Predictor (X) Height
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Ecuacin de
Regresin
S Desv. Estandar de
los residuos
(valor real-estimado
por la regresin)
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
Total 91 51283.9 El valor p menor a 0.05 indica que SI
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
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100
S 14.7920
R-Sq 61.6%
R-Sq(adj) 61.2%
Fitted Line Plot
Weight = - 204.7 + 5.092 Height
Pgina 45
Predictor Coef SE Coef T P
Constant -204.74 29.16 -7.02 0.000
Height 5.0918 0.4237 12.02 0.000
S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%
Coef. De determinacin
Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000 Regresin significativa
Residual Error 90 19692 219
Total 91 51284
Unusual Observations
Obs Height Weight Fit SE Fit Residual St Resid
9 72.0 195.00 161.87 2.08 33.13 2.26R Puntos con un
25 61.0 140.00 105.86 3.62 34.14 2.38R residuo estndar
40 72.0 215.00 161.87 2.08 53.13 3.63R mayor a 2
84 68.0 110.00 141.50 1.57 -31.50 -2.14R
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:
Graph > Scatterplot: Simple Y = y y X = x
Seleccionar en Response Y y en Predictors X
Obs X Y Fit SE Fit Residual St Resid
51 2.5 40.000 24.343 0.483 15.657 4.55R
52 12.0 60.000 63.056 2.178 -3.056 -1.13 X
X
Y
12 10 8 6 4 2 0
70
60
50
40
30
20
10
S 3.47429
R-Sq 86.6%
R-Sq(adj) 86.3%
Fitted Line Plot
Y = 14.16 + 4.075 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:
Graph > Scatterplot: Simple Y = Peso cerebro y X = Peso total
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:
Seleccionar en Response (Y) Peso Cerebro y en Predictor (X) Peso Cuerpo
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
En Options seleccionar lo siguiente:
Peso total (kg)
P
e
s
o

c
e
r
e
b
r
o

(
g
)
7000 6000 5000 4000 3000 2000 1000 0
6000
5000
4000
3000
2000
1000
0
Scatterplot of Peso cerebro (g) vs Peso total (kg)
Pgina 47
Como resultado se obtiene una grfica mucho ms uniforme:
Intervalos de
confianza de Ymedia
en base a una X
Intervalo de
prediccin de Y para
valores individuales
en base a una X
Coeficiente de
determinacin
muy cercano a uno
Regresin simple cuadrtica:
Usar el archivo RESIDUOS.MTW anexo o copiar los datos de las columnas X, Y a Minitab
Seleccionar en Response (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:
Repitiendo las instrucciones anteriores pero para modelo Quadratic se tiene:
Peso total (kg)
P
e
s
o

c
e
r
e
b
r
o

(
g
)
1
0
0
0
0
.
0
0
0
1
0
0
0
.
0
0
0
1
0
0
.
0
0
0
1
0
.
0
0
0
1
.
0
0
0
0
.
1
0
0
0
.
0
1
0
0
.
0
0
1
100000.00
10000.00
1000.00
100.00
10.00
1.00
0.10
0.01
S 0.301528
R-Sq 92.1%
R-Sq(adj) 91.9%
Regression
95% CI
95% PI
Fitted Line Plot
logten(Peso cerebro (g)) = 0.9271 + 0.7517 logten(Peso total (kg))
Fitted Value
R
e
s
i
d
u
a
l
35 30 25 20 15
1.0
0.5
0.0
-0.5
-1.0
Residuals Versus the Fitted Values
(response is Y)
X
Y
5 4 3 2 1 0
35
30
25
20
15
S 0.228822
R-Sq 99.9%
R-Sq(adj) 99.9%
Regression
95% CI
95% PI
Fitted Line Plot
Y = 15.12 + 2.829 X
+ 0.2355 X**2
Pgina 48
Los residuos aparecen en forma aleatoria indicando un modelo adecuado.
4.7 Aplicaciones
Ver aplicaciones del Mdulo 4
Fitted Value
R
e
s
i
d
u
a
l
35 30 25 20 15
0.50
0.25
0.00
-0.25
-0.50
Residuals Versus the Fitted Values
(response is Y)
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
Se tienen las pruebas siguientes como ms comunes:
Prueba de Hiptesis
Variables
Atributos
Tablas de
Contingencia de
Correlacin
No Normales
Normal
Varianzas
Medianas
Variancia
Medias
Chi
Prueba-F
Homogeneidad
de Varianzas
de Levene
Homogeneidad
de la Variacin
de Bartlett
Correlacin
Prueba de signos
Wilcoxon
Mann-
Whitney
Kruskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlacin
Regresin
Muestra-1
Muestra-2
Una va
Dos vas
Residuos
distribuidos
normalmente
Prueba de Hiptesis
Variables
Atributos
Tablas de
Contingencia de
Correlacin
No Normales
Normal
Varianzas
Medianas
Variancia
Medias
Chi
Prueba-F
Homogeneidad
de Varianzas
de Levene
Homogeneidad
de la Variacin
de Bartlett
Correlacin
Prueba de signos
Wilcoxon
Mann-
Whitney
Kruskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlacin
Regresin
Muestra-1
Muestra-2
Una va
Dos vas
Residuos
distribuidos
normalmente
Pgina 50
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.
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.
Sample
M
e
m
b
r
a
n
e
10 9 8 7 6 5 4 3 2 1
45
40
35
30
25
20
Number of runs about median:
0.97791
3
Expected number of runs: 6.00000
Longest run about median: 5
Approx P-Value for Clustering: 0.02209
Approx P-Value for Mixtures:
Number of runs up or down:
0.86545
5
Expected number of runs: 6.33333
Longest run up or down: 3
Approx P-Value for Trends: 0.13455
Approx P-Value for Oscillation:
Run Chart of Membrane
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 = 115.0 versus > 115.0
N Below Equal Above P Median
PriceIndex 29 12 0 17 0.2291 144.0
Interpretacin de resultados: 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
N
for Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.889 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: q1 = q2 versus H1: q1 q2 , donde q 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 N Median Ave Rank Z
1 5 13.20 7.7 -0.45
2 5 12.90 4.3 -2.38
3 6 15.60 12.7 2.71
Overall 16 8.5
H = 8.63 DF = 2 P = 0.013
H = 8.64 DF = 2 P = 0.013 (adjusted for ties)
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.
5.6 Prueba de igualdad de medianas de Mood - Exp. de un factor (ANOVA)
Prueba similar a la anterior:
Pgina 54
H0: q1 = q2 = q3, versus H1: no todas las q's son iguales con q'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
Interpretacin de resultados:
Mood median test for Otis Como el valor P es menor a 0.05
Chi-Square = 49.08 DF = 2 P = 0.000 indica que las medianas no son
iguales
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+---------+---------+--
0 47 9 97.5 17.3 (-----*-----)
1 29 24 106.0 21.5 (------*------)
2 15 55 116.5 16.3 (----*----)
----+---------+---------+---------+--
96.0 104.0 112.0 120.0
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)
Sum Los valores P son mayores a 0.10
of por tanto no hay evidencia para
Therapy N Est Median Ranks decir que el efecto de los
1 4 0.2450 6.5 tratamientos sea diferente de cero
2 4 0.3117 7.0
3 4 0.5783 10.5
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 Republican Other
Hombres 28 18 4
Mujeres 22 27 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 Republican Other Total
1 28 18 4 50
25.00 22.50 2.50 NOTA: Las frecuencias
0.360 0.900 0.900 esperadas deberan ser mayores
a 5.
2 22 27 1 50
25.00 22.50 2.50
0.360 0.900 0.900
Total 50 45 5 100
Chi-Sq = 4.320, DF = 2, P-Value = 0.115 El valor P es mayor a 0.05 y no
2 cells with expected counts less than 5. se rechaza Ho por tanto el tipo
de partido es independiente del
sexo de los votantes.
5.9 Aplicaciones
Ver ejercicios de aplicacin del Mdulo 5
Pgina 56
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:
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
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.
Sample
S
a
m
p
l
e

M
e
a
n
20 18 16 14 12 10 8 6 4 2
602
600
598
_
_
X=600.23
UCL=602.474
LCL=597.986
Sample
S
a
m
p
l
e

R
a
n
g
e
20 18 16 14 12 10 8 6 4 2
8
6
4
2
0
_
R=3.890
UCL=8.225
LCL=0
1
1
Xbar-R Chart of Supp2
Sample
S
a
m
p
l
e

M
e
a
n
20 18 16 14 12 10 8 6 4 2
602
601
600
599
598
_
_
X=599.938
UCL=602.247
LCL=597.629
Sample
S
a
m
p
l
e

R
a
n
g
e
20 18 16 14 12 10 8 6 4 2
8
6
4
2
0
_
R=4.003
UCL=8.465
LCL=0
Xbar-R Chart of Supp2
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 > Enable Commands
MTB > Set c3 En C3 poner
DATA> 125 (1) 125 unos
DATA> 75 (2) 75 doces
DATA> end 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:
Hora
S
a
m
p
l
e

M
e
a
n
17:00 16:00 15:00 14:00 13:00 12:00 11:00 10:00 9:00 8:00
3.30
3.28
3.26
3.24
3.22
3.20
_
_
X=3.2671
UCL=3.2939
LCL=3.2402
1 2
1
1
6
Xbar Chart of Peso by Operario
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
Carta de control de Desviacin estndar S
VITA_C
Stat > Control Charts > Variables Charts for Subgroups > S
OK
Sample
S
a
m
p
l
e

R
a
n
g
e
40 36 32 28 24 20 16 12 8 4
0.10
0.08
0.06
0.04
0.02
0.00
_
R=0.0483
UCL=0.1020
LCL=0
R Chart of Peso
Sample
S
a
m
p
l
e

S
t
D
e
v
40 36 32 28 24 20 16 12 8 4
0.04
0.03
0.02
0.01
0.00
_
S=0.01950
UCL=0.04073
LCL=0
S Chart of Peso
Pgina 60
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:
Varios puntos salen de control por lo que el proceso no es estable:
Test Results for I Chart of Supp1
Test Failed at points: 39, 55, 82
Test Results for MR Chart of Supp1
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.
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
100 90 80 70 60 50 40 30 20 10 1
601
600
599
598
_
X=599.548
UCL=601.176
LCL=597.920
Observation
M
o
v
i
n
g

R
a
n
g
e
100 90 80 70 60 50 40 30 20 10 1
2.4
1.8
1.2
0.6
0.0
__
MR=0.612
UCL=2.000
LCL=0
1
1
1
1
1
I-MR Chart of Supp1
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
100 90 80 70 60 50 40 30 20 10 1
601
600
599
598
_
X=599.531
UCL=600.943
LCL=598.118
Observation
M
o
v
i
n
g

R
a
n
g
e
100 90 80 70 60 50 40 30 20 10 1
2.0
1.5
1.0
0.5
0.0
__
MR=0.531
UCL=1.735
LCL=0
1
1 1 1
I-MR Chart of Supp1
Pgina 61
Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:
Seleccionar Row Numbers 1 21 36 34 39 55 56 82
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
Uso de la funcin Stamp
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
100 90 80 70 60 50 40 30 20 10 1
600.5
600.0
599.5
599.0
598.5
_
X=599.536
UCL=600.822
LCL=598.251
Observation
M
o
v
i
n
g

R
a
n
g
e
100 90 80 70 60 50 40 30 20 10 1
1.6
1.2
0.8
0.4
0.0
__
MR=0.483
UCL=1.579
LCL=0
1 1
I-MR Chart of Supp1
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Cl V
Hora V
20 20 18 19 18 20 19 20 21 21
13:30 12:45 12:00 11:15 10:30 9:45 9:00 8:15 7:30 6:45
14
13
12
11
10
9
8
7
6
5
_
X=9.128
UCL=12.843
LCL=5.413
1
I Chart of pH V
Pgina 62
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
Excluye el punto fuera de
control y muestra los
lmites de control a
una, dos y tres sigmas
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
Carta deRangos Mviles
CLORO
Stat > Control charts > Variable chart for individuals > Moving range
Variable ' pH V'
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Cl V
Hora V
20 20 18 19 18 20 19 20 21 21
13:30 12:45 12:00 11:15 10:30 9:45 9:00 8:15 7:30 6:45
13
12
11
10
9
8
7
6
5
_
X=9
+3SL=12.366
-3SL=5.634
+2SL=11.244
-2SL=6.756
+1SL=10.122
-1SL=7.878
I Chart of pH V
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Cl V
Hora V
20 18 21 20 19
14:00 12:00 10:00 8:00 6:15
14
12
10
8
6
_
X=8.981
UCL=12.370
LCL=5.592
04/11/2002 05/11/2002 06/11/2002
Cl V
Hora V
14
12
10
8
6
_
X=9.128
UCL=12.843
LCL=5.413
07/11/2002 08/11/2002
1
I Chart of pH by Fecha
Pgina 63
Carta de control de valores individuales y rangos mviles
CLORO
Stat > Control charts > Variable chart for individuals > I-MR
Variable ' pH V' OK
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.
Sample
S
a
m
p
l
e

M
e
a
n
10 9 8 7 6 5 4 3 2 1
602
601
600
599
__
X=600.23
UCL=601.908
LCL=598.552
Sample
S
a
m
p
l
e

S
t
D
e
v
10 9 8 7 6 5 4 3 2 1
3
2
1
_
S=1.720
UCL=2.952
LCL=0.488
1
Xbar-S Chart of Supp2
Observation
M
o
v
i
n
g

R
a
n
g
e
30 27 24 21 18 15 12 9 6 3
5
4
3
2
1
0
__
MR=1.397
UCL=4.564
LCL=0
Moving Range Chart of pH V
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
30 27 24 21 18 15 12 9 6 3
14
12
10
8
6
_
X=9.128
UCL=12.843
LCL=5.413
Observation
M
o
v
i
n
g

R
a
n
g
e
30 27 24 21 18 15 12 9 6 3
4
3
2
1
0
__
MR=1.397
UCL=4.564
LCL=0
1
I-MR Chart of pH V
Pgina 64
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.
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)
Sample
S
a
m
p
l
e

M
e
a
n
10 9 8 7 6 5 4 3 2 1
602
601
600
599
__
X=600.23
UCL=601.908
LCL=598.552
Sample
S
a
m
p
l
e

S
t
D
e
v
10 9 8 7 6 5 4 3 2 1
3
2
1
_
S=1.720
UCL=2.952
LCL=0.488
1
Sample
S
a
m
p
l
e

M
e
a
n
10 9 8 7 6 5 4 3 2 1
602
601
600
599
598
_
_
X=600.042
UCL=601.735
LCL=598.349
Sample
S
a
m
p
l
e

S
t
D
e
v
10 9 8 7 6 5 4 3 2 1
3
2
1
_
S=1.736
UCL=2.979
LCL=0.492
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
Las piezas son diferentes
ver pieza 2 y 3 versus la
8 y 9
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 F P
Pieza 9 286.033 31.7814 33.1422 0.000 Pieza significativa
Operario 2 45.635 22.8173 23.7942 0.000 Operario significativo
Pieza * Operario 18 17.261 0.9589 0.6449 0.849 Interaccion no significativa
Repeatability 60 89.217 1.4869
Total 89 438.145
Operario
M
e
d
i
c
i
o
n
Mean
16
12
8
16
12
8
Mean
1 2 3 4 5
6 7 8 9 10
Operario
3
1
2
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Panel variable: Pieza
Gage Run Chart of Medicion by Pieza, Operario
Pgina 66

Two-Way ANOVA Table Without Interaction
Source DF SS MS F P
Pieza 9 286.033 31.7814 23.2814 0.000
Operario 2 45.635 22.8173 16.7147 0.000
Repeatability 78 106.478 1.3651
Total 89 438.145
Tabla de componentes de la Varianza (informativa)
%Contribution Varianza
Source VarComp (of VarComp)
Total Gage R&R 2.08017 38.10
Repeatability 1.36510 25.00 Varianza relevante debida al equipo
Reproducibility 0.71507 13.10 Menor varianza debida al operador
Operario 0.71507 13.10
Part-To-Part 3.37959 61.90
Total Variation 5.45976 100.00
Usada cuando el equipo es para control del proceso
Tabla de anlisis de la Variacin
Usada cuando el equipo es para liberar producto
StudyVar %StudyVar %Tolerance raiz (Varianza)
Source StdDev (SD) (5.15*SD) (%SV) (SV/Toler)
Total Gage R&R 1.44228 7.4277 61.73 49.52
Repeatability 1.16838 6.0171 50.00 40.11
Reproducibility 0.84562 4.3549 36.19 29.03
Operario 0.84562 4.3549 36.19 29.03
Part-To-Part 1.83837 9.4676 78.68 63.12
Total Variation 2.33661 12.0336 100.00 80.22
El % de error total debe ser de cuando ms el
Number of Distinct Categories = 1 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
Operario 2 tiene una
Media ms baja
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 DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.000
Operator 2 0.04800 0.024000 4.1672 0.033
Part * Operator 18 0.10367 0.005759 4.4588 0.000 La interaccin si es
Repeatability 30 0.03875 0.001292 significativa, el operador
Total 59 2.24913 tiene interaccin con las
partes
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0044375 10.67
Repeatability 0.0012917 3.10
P
e
r
c
e
n
t
Part-to-Part Reprod Repeat Gage R&R
80
40
0
% Contribution
%Study Var
% Tolerance
S
a
m
p
le
R
a
n
g
e
4
2
0
_
R=2.042
UCL=5.257
LCL=0
1 2 3
S
a
m
p
le
M
e
a
n
15.0
12.5
10.0
__
X=11.293
UCL=13.383
LCL=9.204
1 2 3
Pieza
10 9 8 7 6 5 4 3 2 1
18
12
6
Operario
3 2 1
18
12
6
Pieza
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
15.0
12.5
10.0
Operario
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Components of Variation
R Chart by Operario
Xbar Chart by Operario
Medicion by Pieza
Medicion by Operario
Operario * Pieza Interaction
Gage R&R (ANOVA) for Medicion
Pgina 68
Reproducibility 0.0031458 7.56
Operator 0.0009120 2.19
Operator*Part 0.0022338 5.37
Part-To-Part 0.0371644 89.33
Total Variation 0.0416019 100.00 Debe ser menor al 10% (AIAG)
o menores al 25% (otras industrias)
StudyVar %StudyVar %Tolerance
Total Gage R&R 0.066615 0.34306 32.66 17.15
Repeatability 0.035940 0.18509 17.62 9.25
Operator 0.030200 0.15553 14.81 7.78
Operator*Part 0.047263 0.24340 23.17 12.17
Part-To-Part 0.192781 0.99282 94.52 49.64
Total Variation 0.203965 1.05042 100.00 52.52
Number of Distinct Categories = 4 Es adecuado mnimo 4
Si hay interaccin entre
operadores y partes,
debe revisarse el mtodo
La carta R esta dentro de control 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
StudyVar %StudyVar %Tolerance
Total Gage R&R 1.37317 7.07181 97.92 70.72
Repeatability 1.13529 5.84676 80.95 58.47
P
e
r
c
e
n
t
100
50
0
% Contribution
%Study Var
% Tolerance
S
a
m
p
le
R
a
n
g
e
0.10
0.05
0.00
_
R=0.0383
UCL=0.1252
LCL=0
1 2 3
S
a
m
p
le
M
e
a
n
1.00
0.75
0.50
__
X=0.8075
UCL=0.8796
LCL=0.7354
1 2 3
Part
10 9 8 7 6 5 4 3 2 1
1.00
0.75
0.50
Operator
3 2 1
1.00
0.75
0.50
Part
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
1.00
0.75
0.50
Operator
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operator
Xbar Chart by Operator
Response by Part
Response by Operator
Operator * Part Interaction
Gage R&R (ANOVA) for Response
Pgina 69
Part-To-Part 0.28475 1.46644 20.30 14.66
Total Variation 1.40238 7.22225 100.00 72.22
Variacin de partes muy
Number of Distinct Categories = 1 pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado
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
Ecuacin
Datos de promedios
P
e
r
c
e
n
t
100
50
0
% Contribution
%Study Var
% Tolerance
S
a
m
p
le
R
a
n
g
e
4
2
0
_
R=2.008
UCL=5.170
LCL=0
A B C
S
a
m
p
le
M
e
a
n
24
22
20
__
X=22.142
UCL=24.196
LCL=20.087
A B C
Operario
Pieza
C B A
12 11 10 9 8 7 6 5 4 3 2 1
24
22
20
Operario
C B A
24
22
20
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operario
Xbar Chart by Operario
Medicion By Pieza ( Operario )
Medicion by Operario
Gage R&R (Nested) for Medicion
Reference Value
B
ia
s
10 8 6 4 2
1.0
0.5
0.0
-0.5
-1.0
0
Regression
95% CI
Data
Avg Bias
P
e
r
c
e
n
t
Bias Linearity
10
5
0
Gage Linearity
Slope -0.13167 0.01093 0.000
Predictor Coef SECoef P
Constant 0.73667 0.07252 0.000
S 0.23954 R-Sq 71.4%
Linearity 1.86889 %Linearity 13.2
Gage Bias
2 0.491667 3.5 0.000
4 0.125000 0.9 0.293
6 0.025000
Reference
0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000
Bias %Bias P
Av erage -0.053333 0.4 0.040
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Percent of Process Variation
Gage Linearity and Bias Study for Response
Pgina 70
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)
Variabilidad dentro de subgrupos (Within) El proceso debe estar en control
Variabilidad global (Overall) Sigma = Desv. Estandar / c4 (cte.)
No importa si el proceso est
fuera de control estadstico
Cp y Cpk a partir de
Std. Dev. Within
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
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:
Medidas Subgrupo
2 1
4 1
5 1
6 1
12 2
13 2
14 2
15 2
6 3
7 3
8 3
10 3
Var 1=2.92 Var 2=1.67 Var 3 = 2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de correccin Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5
C4 que en este caso es 0.9776 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:
3.40 3.35 3.30 3.25 3.20 3.15 3.10
LSL USL
Process Data
SampleN 200
StDev (Within) 0.02136
StDev (Ov erall) 0.02917
LSL 3.08750
Target *
USL 3.41250
Sample Mean 3.24312
Potential (Within) Capability
CCpk 2.54
Ov erall Capability
Pp 1.86
PPL 1.78
PPU 1.94
Ppk
Cp
1.78
Cpm *
2.54
CPL 2.43
CPU 2.64
Cpk 2.43
Observ ed Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal 0.00
Exp. Within Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal 0.00
Exp. Ov erall Performance
PPM<LSL 0.05
PPM>USL 0.00
PPMTotal 0.05
Within
Overall
Process Capability of Peso
Subgrupo
M
e
d
i
d
a
s
3.0 2.5 2.0 1.5 1.0
20
15
10
5
0
Scatterplot of Medidas vs Subgrupo
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
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
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
12.8 11.2 9.6 8.0 6.4
LSL USL
Process Data
SampleN 32
LSL 6.00000
Target *
USL 12.00000
Sample Mean 10.85938
CCpk 0.86
Ov erall Capability
Pp 0.70
PPL 1.13
PPU 0.26
Ppk
Cp
0.26
Cpm *
0.86
CPL 1.39
CPU 0.33
Cpk 0.33
PPM<LSL 0.00
PPM>USL 156250.00
PPMTotal 156250.00
PPM<LSL 14.90
PPM>USL 163546.85
PPMTotal 163561.75
PPM<LSL 354.96
PPM>USL 213388.49
PPMTotal 213743.45
Within
Overall
Process Capability of %Humedad
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
30 27 24 21 18 15 12 9 6 3
15
12
9
_
X=10.859
UCL=14.351
LCL=7.368
M
o
v
i
n
g

R
a
n
g
e
30 27 24 21 18 15 12 9 6 3
4
2
0
__
MR=1.313
UCL=4.290
LCL=0
Observation
V
a
l
u
e
s
30 25 20 15 10
12
10
8
12.8 11.2 9.6 8.0
14 12 10 8
Within
Overall
Specs
Within
StDev 1.16392
Cp 0.86
Cpk 0.33
CCpk 0.86
Ov erall
StDev 1.43526
Pp 0.70
Ppk 0.26
Cpm *
1
Process Capability Sixpack of %Humedad
I Chart
Moving Range Chart
Last 25 Observations
Capability Histogram
Normal Prob Plot
AD: 0.315, P: 0.527
Capability Plot
Pgina 73
Identificando posibles causas con una grfica de serie de tiempo se tiene:
Stat > Time series > Trend Analysis
Variables %Humedad
seleccionar Linear
OK
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
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
Cpk = 0.78 el proceso
no es capaz de cumplir
especificaciones.
Ppk es igual a 0.74
Index
%
H
u
m
e
d
a
d
30 27 24 21 18 15 12 9 6 3
14
13
12
11
10
9
8
7
AccuracyMeasures
MAPE 8.53237
MAD 0.88705
MSD 1.31670
Variable
Actual
Fits
Trend Analysis Plot for %Humedad
LinearTrendModel
Yt = 9.42198 + 0.0871151*t
2.8 2.4 2.0 1.6 1.2 0.8 0.4 0.0
LB* USL*
transformed data Process Data
SampleN 100
After Transformation
LB* 0.00000
Target*
LB
*
USL* 2.82843
Sample Mean* 1.62374
StDev (Within)* 0.51337
StDev (Ov erall)* 0.53934
0.00000
Target *
USL 8.00000
Sample Mean 2.92307
CCpk 0.78
Ov erall Capability
Pp *
PPL *
PPU 0.74
Ppk
Cp
0.74
Cpm *
*
CPL *
CPU 0.78
Cpk 0.78
PPM<LB 0.00
PPM>USL 20000.00
PPMTotal 20000.00
PPM<LB* *
PPM>USL* 9472.66
PPMTotal 9472.66
PPM<LB* *
PPM>USL* 12754.26
PPMTotal 12754.26
Within
Ov erall
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5
Pgina 74
Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha
Stat > Quality tools > Capability analysis > Nonnormal
Single column - Warping Lower spec 0 Upper Spec 8
OK
Ppk es igual a 0.73
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
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
7.5 6.0 4.5 3.0 1.5 0.0
LB USL
Process Data
SampleN 100
Shape 1.69368
Scale 3.27812
LB 0.00000
Target *
USL 8.00000
Sample Mean 2.92307
Ov erall Capability
Pp *
PPL *
PPU 0.73
Ppk 0.73
PPM<LB 0
PPM>USL 20000
PPMTotal 20000
PPM<LB *
PPM>USL 10764.5
PPMTotal 10764.5
Process Capability of Warping
Calculations Based on Weibull Distribution Model
Sample
P
r
o
p
o
r
t
i
o
n
30 27 24 21 18 15 12 9 6 3
0.055
0.050
0.045
0.040
0.035
0.030
0.025
0.020
_
P=0.03812
UCL=0.05316
LCL=0.02308
1 1
P Chart of Defectuosos
Tests performed with unequal sample sizes
Pgina 75
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
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

Test Results for NP Chart of Defectuosos
Sample
P
r
o
p
o
r
t
i
o
n
30 27 24 21 18 15 12 9 6 3
0.055
0.050
0.045
0.040
0.035
0.030
0.025
0.020
_
P=0.03867
UCL=0.05441
LCL=0.02292
P Chart of Defectuosos
Sample
S
a
m
p
l
e

C
o
u
n
t
70 63 56 49 42 35 28 21 14 7 1
14
12
10
8
6
4
2
0
__
NP=5.39
UCL=12.16
LCL=0
1
NP Chart of Defectuosos
Pgina 76
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
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
Test Results for C Chart of Visitas
Sample
S
a
m
p
l
e

C
o
u
n
t
70 63 56 49 42 35 28 21 14 7 1
12
10
8
6
4
2
0
__
NP=5.28
UCL=11.98
LCL=0
NP Chart of Defectuosos
Sample
S
a
m
p
l
e

C
o
u
n
t
60 54 48 42 36 30 24 18 12 6 1
160
140
120
100
80
60
40
20
_
C=63.4
UCL=87.3
LCL=39.5
1
1
1 1
1
1
1
1
1
1
1
1
C Chart of Visitas
Pgina 77
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
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
Sample
S
a
m
p
l
e

C
o
u
n
t
60 54 48 42 36 30 24 18 12 6 1
120
110
100
90
80
70
60
50
40
_
C=69.24
UCL=94.20
LCL=44.28
1
C Chart of Visitas
Pgina 78
Stat > Control Charts > Attributes chart > U
Variables Numero Manchas
Subgroup size Superficie
OK
Los lmites de control
son variables debido a
que el tamao de muestra
es variable
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
Puntos fuera de control
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
30 27 24 21 18 15 12 9 6 3
20
15
10
5
0
_
U=9.87
UCL=19.44
LCL=0.30
U Chart of Numero manchas
Tests performed with unequal sample sizes
Sample
P
r
o
p
o
r
t
i
o
n
30 27 24 21 18 15 12 9 6 3
0.6
0.4
0.2
0.0
_
P=0.222
UCL=0.3983
LCL=0.0457
Sample
%
D
e
f
e
c
t
i
v
e
30 25 20 15 10 5
30.0
27.5
25.0
22.5
20.0
Summary Stats
0.00
PPM Def: 222000
Lower CI: 201196
Upper CI: 243898
Process Z: 0.7655
Lower CI:
(using 95.0% confidence)
0.6938
Upper CI: 0.8374
%Defectiv e: 22.20
Lower CI: 20.12
Upper CI: 24.39
Target:
Observed Defectives
E
x
p
e
c
t
e
d

D
e
f
e
c
t
i
v
e
s
30 15 0
30
20
10
0
70 60 50 40 30 20 10 0
16
12
8
4
0
Tar
1
1
1
Binomial Process Capability Analysis of Descontentos
P Chart
Cumulative %Defective
Binomial Plot
Dist of %Defective
Pgina 79
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.
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
Sample
P
r
o
p
o
r
t
i
o
n
30 27 24 21 18 15 12 9 6 3
0.3
0.2
0.1
0.0
_
P=0.1929
UCL=0.3602
LCL=0.0255
Sample
%
D
e
f
e
c
t
i
v
e
30 25 20 15 10 5
24.0
22.5
21.0
19.5
18.0
Summary Stats
0.00
PPM Def: 192857
Lower CI: 172495
Upper CI: 214517
Process Z: 0.8674
Lower CI:
0.7908
Upper CI: 0.9444
%Defectiv e: 19.29
Lower CI: 17.25
Upper CI: 21.45
Target:
Observed Defectives
E
x
p
e
c
t
e
d

D
e
f
e
c
t
i
v
e
s
20 10 0
15
10
5
0
35 30 25 20 15 10 5 0
10.0
7.5
5.0
2.5
0.0
Tar
1
Binomial Process Capability Analysis of Descontentos
P Chart
Cumulative %Defective
Binomial Plot
Dist of %Defective
Pgina 80
El proceso es estable en torno a 3 defectos por unidad.
El nmero de muestras es suficiente 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:
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
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
40 36 32 28 24 20 16 12 8 4
7.5
5.0
2.5
0.0
_
U=3.15
UCL=8.474
LCL=0
Sample
D
P
U
40 30 20 10
4
3
2
1
Summary Stats
3.1500
Lower CI: 2.6240
Upper CI: 3.7505
Min DPU: 0.0000
Max DPU: 6.0000
Targ DPU:
0.0000
Mean Def: 3.1500
Lower CI: 2.6240
Upper CI: 3.7505
Mean DPU:
Observed Defects
E
x
p
e
c
t
e
d

D
e
f
e
c
t
s
5.0 2.5 0.0
6
4
2
0
6 5 4 3 2 1 0
16
12
8
4
0
Tar
Poisson Capability Analysis of Num. defectos
U Chart
Cumulative DPU
Poisson Plot
Dist of DPU
0 0
1
'
0
1
( )... . . .
1
( )... . tan . . .
m
i
i
m
i X
i
X
Sm X media en control estimada
S m X desv es dar de las medias

o
o
=
=
= =
= =
Pgina 81
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
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
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
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
Sample
S
a
m
p
l
e

M
e
a
n
24 22 20 18 16 14 12 10 8 6 4 2
5.0
2.5
0.0
-2.5
-5.0
__
X=0.44
UCL=4.70
LCL=-3.82
Sample
S
a
m
p
l
e

R
a
n
g
e
24 22 20 18 16 14 12 10 8 6 4 2
16
12
8
4
0
_
R=7.38
UCL=15.61
LCL=0
Xbar-R Chart of AtoBDist
Sample
C
u
m
u
l
a
t
i
v
e

S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
10.0
7.5
5.0
2.5
0.0
-2.5
-5.0
0
UCL=5.68
LCL=-5.68
CUSUM Chart of AtoBDist
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
Indica situacin fuera
de control en el punto
de medicin actual
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
Sample
C
u
m
u
l
a
t
i
v
e

S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
25
20
15
10
5
0 Target=0
Vmask Chart of AtoBDist
Sample
C
u
m
u
l
a
t
i
v
e

S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
40
30
20
10
0
-10
Target=0
Sample
C
u
m
u
l
a
t
i
v
e

S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
25
20
15
10
5
0 Target=0
Pgina 83
Puntos fuera de control
Test Results for EWMA Chart of AtoBDist
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
Test Failed at points: 5, 6 Fuera de control el punto 6
Sample
E
W
M
A
24 22 20 18 16 14 12 10 8 6 4 2
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
_
_
X=0.442
UCL=1.861
LCL=-0.978
EWMA Chart of AtoBDist
Sample
M
o
v
i
n
g

A
v
e
r
a
g
e
24 22 20 18 16 14 12 10 8 6 4 2
5
4
3
2
1
0
-1
-2
-3
-4
_
_
X=0.442
UCL=2.900
LCL=-2.017
Moving Average Chart of AtoBDist
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)
p Pa = |
0,005 0,98969
0,010 0,93969
0,020 0,73658
0,030 0,49848
0,040 0,30416
0,050 0,17208
0,060 0,09187
0,070 0,04682
0,080 0,02296
0,090 0,01089
0,100 0,00501
0,110 0,00225
0,120 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:
Pa
Curva OC con
n = 89, c = 2
Pgina 85
p Pa AOQ = Pa . P
0,005 0,98969 0,00495
0,01 0,93969 0,00940
0,02 0,73658 0,01473
0,03 0,49848 0,01495
0,04 0,30416 0,01217
0,05 0,17208 0,00860
0,06 0,09187 0,00551
0,07 0,04682 0,00328
0,08 0,02296 0,00184
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.
AOQ
p
0.03
AOQL = 1.55%
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
Como se puede observar las variabilidades en orden de importancia son:
*** Por el paso del tiempo ** Falta de redondez * Entre partes
Eje
D
i
a
m
e
t
r
o
3 2 1
2.510
2.505
2.500
2.495
2.490
3 2 1
3 2 1
3 2 1
3 2 1
08:00 09:00 10:00 11:00 12:00 Posicion
Max Der
Max Izq
Min Der
Min Izq
Multi-Vari Chart for Diametro by Posicion - Hora
Panel variable: Hora
Pgina 87
Se pueden eliminar las lneas de conexin con Options y eliminando la marca
en Connect Means for Factor 1
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
Eje
D
i
a
m
e
t
r
o
3 2 1
2.510
2.505
2.500
2.495
2.490
3 2 1
3 2 1
3 2 1
3 2 1
08:00 09:00 10:00 11:00 12:00 Posicion
Max Der
Max Izq
Min Der
Min Izq
Multi-Vari Chart for Diametro by Posicion - Hora
Panel variable: Hora
Pgina 88
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 Nivel bajo Nivel Alto
A. Caudal gas 8 12
B. Corriente A 230 240
C. Vel. Cadena 0,6 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 Caudal Corriente Velocidad Y
1 8 230 0,6 10
2 12 230 0,6 26,5
3 8 240 0,6 15
Redondez
D
i
a
m
e
t
r
o
Min Max Min Max
2.510
2.505
2.500
2.495
2.490
Min Max
2.510
2.505
2.500
2.495
2.490
Min Max Min Max
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
Eje
1
2
3
Multi-Vari Chart for Diametro by Eje - Inclinacion
Panel variables: Inclinacion, Hora
Pgina 89
4 12 240 0,6 17,5
5 8 230 1 11,5
6 12 230 1 26
7 8 240 1 17,5
8 12 240 1 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 Coef
Constant -893.750
Caudal 102.625
Corriente 3.75000
Velocidad 186.250
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000
Corriente*Velocidad -0.750000
Caudal*Corriente*Velocidad 0.125000
Las grficas donde se indica cuales factores son significativos son:
Son significativos A y AB
T
e
r
m
Effect
AC
ABC
BC
B
C
AB
A
9 8 7 6 5 4 3 2 1 0
5.646
Factor Name
A Caudal
B Corriente
C Velocidad
Pareto Chart of the Effects
(response is Y, Alpha = .05)
Lenth's PSE = 1.5
Effect
P
e
r
c
e
n
t
10.0 7.5 5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
Factor Name
A Caudal
B Corriente
C Velocidad
Effect Type
Not Significant
Significant
AB
A
Normal Probability Plot of the Effects
Lenth's PSE = 1.5
Pgina 90
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
El nico factor
significativo es A
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
M
e
a
n

o
f

Y
12 8
22
20
18
16
14
240 230
1.0 0.6
22
20
18
16
14
Caudal Corriente
Velocidad
Main Effects Plot (data means) for Y
Corriente
M
e
a
n
240 230
28
26
24
22
20
18
16
14
12
10
Caudal
8
12
Interaction Plot (data means) for Y
Pgina 91
El cubo proporciona los
valores de las respuestas
en las diferentes
combinaciones de los
factores
Es el mejor resultado
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 Nivel Alto
A. Tipo de cola X Y
B. Temperatura 30 40
C. Cantidad 2 3
D. Temp.sec. 80 90
E. Presin 1 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 Temp Cola Cantidad Temp secado Presion Y
1 30 2 90 1,5 24
2 30 2 80 1 16
3 40 2 80 1,5 22,5
4 40 2 90 1 24,5
5 30 3 90 1 25
6 30 3 80 1,5 16
7 40 3 80 1 24,5
8 40 3 90 1,5 23,5
1
0.6
240
230
12 8
Velocidad
Corriente
Caudal
20.0
26.0 11.5
17.5
17.5
26.5 10.0
15.0
Cube Plot (data means) for Y
Pgina 92
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 Coef
Constant -36.0000
Cola -2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
Temp Cola*Presion -0.200000
Los factores significativos se observan de las grficas siguientes
Son significativos los
factores A, B, D
T
e
r
m
Effect
BC
C
BE
E
B
A
D
5 4 3 2 1 0
2.823
Factor
Temp secado
E Presion
Name
A Cola
B Temp Cola
C Cantidad
D
Pareto Chart of the Effects
Lenth's PSE = 0.75
Pgina 93
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
La mejor respuesta es
con:
Cola = X
Temp Cola = 40
Temp Sec = 90
Despus de este
experimento de filtracin
se puede hacer otro ms
completo slo con los
factores A, B, D
Effect
P
e
r
c
e
n
t
5 4 3 2 1 0 -1 -2 -3 -4
99
95
90
80
70
60
50
40
30
20
10
5
1
Factor
Temp secado
E Presion
Name
A Cola
B Temp Cola
C Cantidad
D
Effect Type
Not Significant
Significant
D
B
A
Normal Probability Plot of the Effects
Lenth's PSE = 0.75
M
e
a
n

o
f

Y
Y X
24
23
22
21
20
40 30
90 80
24
23
22
21
20
Cola Temp Cola
Temp secado
Main Effects Plot (data means) for Y
90
80
40
30
Y X
Temp secado
Temp Cola
Cola
24.0
24.5
16.0
23.5
Cube Plot (data means) for Y
Pgina 94
MODULO 8. TPICOS ESPECIALES
8.1 Series de tiempo
Para la teora ver archivo Series de Tiempo.Doc anexo.
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.
FittedTrendEquation
Yt=320.762+0.509373*t+0.0107456*t**2
AccuracyMeasures
MAPE1.7076
MAD5.9566
MSD59.1305
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.
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
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
TimeSeriesDecompositionforRESI1
AdditiveModel
DataRESI1
Length60
SeasonalIndices
PeriodIndex
1-8.4826
2-13.3368
3-11.4410
4-5.8160
50.5590
63.5590
71.7674
83.4757
93.2674
105.3924
118.4965
1212.5590
AccuracyMeasures
MAPE881.582
MAD2.802
MSD11.899
Forecasts
PeriodForecast
61-8.4826
62-13.3368
63-11.4410
64-5.8160
650.5590
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.
Index
R
E
S
I
1
70 63 56 49 42 35 28 21 14 7 1
20
10
0
-10
-20
AccuracyMeasures
MAPE 881.582
MAD 2.802
MSD 11.899
Variable
Trend
Forecasts
Actual
Fits
Time Series Decomposition Plot for RESI1
AdditiveModel
Index
D
a
t
a
60 54 48 42 36 30 24 18 12 6 1
10
0
-10
-20
Index
S
e
a
s
.

A
d
j
.

D
a
t
a
60 54 48 42 36 30 24 18 12 6 1
10
0
-10
-20
Component Analysis for RESI1
AdditiveModel
Original Data
Seasonally Adjusted Data
Pgina 96
663.5590
671.7674
683.4757
693.2674
705.3924
718.4965
7212.5590
12 11 10 9 8 7 6 5 4 3 2 1
10
0
-10
12 11 10 9 8 7 6 5 4 3 2 1
12
8
4
0
12 11 10 9 8 7 6 5 4 3 2 1
10
0
-10
-20
12 11 10 9 8 7 6 5 4 3 2 1
10
5
0
-5
Seasonal Analysis for RESI1
AdditiveModel
SeasonalIndices
Percent Variation, by Seasonal Period
Original Data, by Seasonal Period
Residuals, by Seasonal Period
Index
R
E
S
I
1
12 11 10 9 8 7 6 5 4 3 2 1
20
10
0
-10
-20
AccuracyMeasures
MAPE 881.582
MAD 2.802
MSD 11.899
Variable
Trend
Forecasts
Actual
Fits
Time Series Decomposition Plot for RESI1
AdditiveModel
Pgina 97
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
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE1.88377
MAD1.12068
MSD2.86696
Interpretacin de los resultados
Index
F
o
o
d
70 63 56 49 42 35 28 21 14 7 1
85
80
75
70
65
60
55
50
SmoothingConstants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
AccuracyMeasures
MAPE 1.88377
MAD 1.12068
MSD 2.86696
Variable
Forecasts
95.0% PI
Actual
Fits
Winters' Method Plot for Food
Multiplicative Method
Pgina 98
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
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.
Num.Cil.
5000 2500 0 320 240 160
12
8
4
5000
2500
0
Cil.(cc)
Pot.(CV)
400
200
0
12 8 4
320
240
160
400 200 0
Velo.max
Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max
Pgina 99
Regresin mltiple
Response Velo.max Predictors Num.Cil, Cil.(cc), Pot.(CV)
Graphs: Four in One Residuals versus variables Pot.(CV)
Options: Prediction intervals for new observations 4 1124 100
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
Constant 157.178 2.562 61.34 0.000
Num.Cil. -5.7177 0.9893 -5.78 0.000 Significativo (P value < 0.05)
Cil.(cc) -0.002178 0.001610 -1.35 0.177 No significativo (Pvalue > 0.05)
Pot.(CV) 0.52092 0.01927 27.03 0.000 Significativo (P value < 0.05)
S = 9.76245 R-Sq = 89.1% R-Sq(adj) = 89.0% Coef. De determinacin
Source DF SS MS F P
Regression 3 187887 62629 657.14 0.000
Residual Error 240 22873 95
Total 243 210760
R residuos con
Source DF Seq SS ms de 2 sigmas
Num.Cil. 1 98419
Cil.(cc) 1 19841 X residuos muy
Pot.(CV) 1 69627 alejados del
grupo normal
Obs Num.Cil. Velo.max Fit SE Fit Residual St Resid
10 6.0 222.000 195.351 1.123 26.649 2.75R
22 4.0 211.000 189.259 0.705 21.741 2.23R
24 8.0 235.000 218.470 2.254 16.530 1.74 X
25 6.0 250.000 291.719 2.707 -41.719 -4.45RX
26 8.0 235.000 218.470 2.254 16.530 1.74 X
28 12.0 250.000 274.371 3.822 -24.371 -2.71RX
46 8.0 295.000 301.772 3.109 -6.772 -0.73 X
47 12.0 302.000 306.890 3.838 -4.890 -0.54 X
48 2.0 127.000 160.358 1.396 -33.358 -3.45R
76 4.0 232.000 248.215 2.335 -16.215 -1.71 X
102 8.0 270.000 274.250 2.646 -4.250 -0.45 X
106 6.0 216.000 194.581 1.514 21.419 2.22R
117 8.0 250.000 267.300 2.249 -17.300 -1.82 X
118 12.0 250.000 280.769 3.738 -30.769 -3.41RX
129 4.0 150.000 181.879 0.697 -31.879 -3.27R
130 4.0 170.000 195.591 0.820 -25.591 -2.63R
144 6.0 233.000 205.988 1.059 27.012 2.78R
164 4.0 252.000 252.816 2.499 -0.816 -0.09 X
165 6.0 280.000 302.562 3.060 -22.562 -2.43RX
179 8.0 210.000 213.943 5.300 -3.943 -0.48 X
180 8.0 200.000 213.943 5.300 -13.943 -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 Num.Cil. Cil.(cc) Pot.(CV)
1 4.00 1124 100
Los residuos muestran un comportamiento normal por lo que el modelo es adecuado
El comportamiento de los residuos vs Potencia sugiere que es necesaria
una transformacin de variables por ejemplo sacarle raz cuadrada.
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
Constant 73.502 2.258 32.56 0.000
Num.Cil. -1.4201 0.6770 -2.10 0.037
Cil.(cc) -0.006988 0.001202 -5.82 0.000 Significativo (P value < 0.05)
Pot2 12.8232 0.3177 40.36 0.000
Residual
P
e
r
c
e
n
t
40 20 0 -20 -40
99.9
99
90
50
10
1
0.1
Fitted Value
R
e
s
i
d
u
a
l
300 250 200 150
20
0
-20
-40
Residual
F
r
e
q
u
e
n
c
y
20 10 0 -10 -20 -30 -40
80
60
40
20
0
Observation Order
R
e
s
i
d
u
a
l
240 220 200 180 160 140 120 100 80 60 40 20 1
20
0
-20
-40
Residual Plots for Velo.max
Pot.(CV)
R
e
s
i
d
u
a
l
500 400 300 200 100 0
30
20
10
0
-10
-20
-30
-40
-50
Residuals Versus Pot.(CV)
(response is Velo.max)
Pgina 101
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
Los residuos vs Pot2 ya tienen un mejor comportamiento ms aleatorio:
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
Residual
P
e
r
c
e
n
t
20 0 -20 -40
99.9
99
90
50
10
1
0.1
Fitted Value
R
e
s
i
d
u
a
l
300 250 200 150
20
0
-20
-40
Residual
F
r
e
q
u
e
n
c
y
15.0 7.5 0.0 -7.5 -15.0 -22.5 -30.0
40
30
20
10
0
Observation Order
R
e
s
i
d
u
a
l
240 220 200 180 160 140 120 100 80 60 40 20 1
20
0
-20
-40
Residual Plots for Velo.max
Pot2
R
e
s
i
d
u
a
l
22.5 20.0 17.5 15.0 12.5 10.0 7.5 5.0
20
10
0
-10
-20
-30
-40
Residuals Versus Pot2
(response is Velo.max)
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
N C P
u i o
m l t
. . .
C ( ( P
i c C o
Mallows l c V t
Vars R-Sq R-Sq(adj) C-p S . ) ) 2
1 92.5 92.5 109.0 8.0783 X Buenos modelos
1 86.6 86.5 385.3 10.813 X
2 94.3 94.2 29.3 7.0849 X X Incluye slo Cil.(cc) y Pot2
2 93.6 93.6 58.0 7.4544 X X
3 94.8 94.8 3.9 6.7261 X X X
3 94.4 94.3 26.5 7.0355 X X X Incluye Num.Cil, Cil.(Cc), Pot2
4 94.9 94.8 5.0 6.7269 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 1 2 3 Variables que entran en cada
Constant 78.97 71.48 43.58 paso y su calidad de ajuste
Pot2 10.41 12.69 17.41
T-Value 54.66 40.50 18.33
P-Value 0.000 0.000 0.000
Cil.(cc) -0.00845 -0.00722
T-Value -8.58 -7.48
P-Value 0.000 0.000
Pot.(CV) -0.206
T-Value -5.23
P-Value 0.000
S 8.08 7.08 6.73
R-Sq 92.51 94.26 94.85
R-Sq(adj) 92.48 94.21 94.78 Modelo adecuado
Mallows C-p 109.0 29.3 3.9
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 5.5117 2.0441 1.4691 0.8631 0.5554 0.2638 0.1386 0.0660
Proportion 0.501 0.186 0.134 0.078 0.050 0.024 0.013 0.006
Cumulative 0.501 0.687 0.820 0.899 0.949 0.973 0.986 0.992
Eigenvalue 0.0475 0.0350 0.0056
Proportion 0.004 0.003 0.001
Cumulative 0.996 0.999 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 PC1 PC2 PC3 PC4 PC5
Poblacin (miles) 0.016 0.667 0.150 0.023 0.191
Superficie (km2) -0.024 0.679 0.076 0.004 0.122
Pgina 105
% menores 15 aos -0.398 -0.076 0.008 0.073 0.013
Esperanza vida al nacer 0.358 -0.157 0.140 -0.125 0.564
Tasa de mortalidad infan -0.370 0.162 -0.111 0.096 -0.487
Telfonos por 1.000 hab 0.387 -0.033 0.010 0.266 -0.320
Usuarios Internet por 1000 hab 0.310 0.030 0.053 0.625 0.045
PIB $/hab 0.380 0.085 0.018 0.235 -0.352
% PIB Agricultura -0.334 -0.093 -0.062 0.561 0.330
% PIB Industria 0.272 0.122 -0.555 -0.314 -0.067
% PIB Servicios 0.019 -0.066 0.791 -0.197 -0.228
El primer componente esta El tercero est centrado en la
formado por aportaciones distribucin del PIB y servicios
de las variables ligadas al
desarrollo
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
La primera componente representa el 50%
y la segunda el 18.6% de la variacin total
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
Component Number
E
i
g
e
n
v
a
l
u
e
11 10 9 8 7 6 5 4 3 2 1
6
5
4
3
2
1
0
Scree Plot of Poblacin (miles), ..., % PIB Servicios
Pgina 106
Agregando etiquetas a cada punto, seleccionar la grfica y:
Add > Data Labels: Use Labels from Column: Pais
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.
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:
First Component
S
e
c
o
n
d

C
o
m
p
o
n
e
n
t
5 4 3 2 1 0 -1 -2 -3 -4
6
5
4
3
2
1
0
-1
-2
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Score Plot of Poblacin (miles), ..., % PIB Servicios
Primer Componente
T
e
r
c
e
r

C
o
m
p
o
n
e
n
t
e
5 4 3 2 1 0 -1 -2 -3 -4
3
2
1
0
-1
-2
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Desarrollo
S
e
c
o
n
d

C
o
m
p
o
n
e
n
t
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
% PIB Servicios
% PIB Industria
% PIB Agricultura
PIB $/hab
Usuarios Internet por 1000 hab
Telfonos por 1.000 hab
Tasa de mortalidad infan
Esperanza vida al nacer
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Loading Plot of Poblacin (miles), ..., % PIB Servicios
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 Pais
variables Poblacin (miles)
Superficie (km2)
% menores 15 aos
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
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 1 Comp 3
0,0156420 0,1498280
0,0000000 0,0000000
-0,0238230 0,0764970
0,0000000 0,0000000
-0,3978570 0,0080330
0,0000000 0,0000000
0,3576520 0,1395810
0,0000000 0,0000000
-0,3701140 -0,1109600
0,0000000 0,0000000
0,3873530 0,0098170
0,0000000 0,0000000
0,3095390 0,0527510
0,0000000 0,0000000
0,3799270 0,0179240
0,0000000 0,0000000
-0,3335910 -0,0616860
0,0000000 0,0000000
C16
C
1
8
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4
0.75
0.50
0.25
0.00
-0.25
-0.50
% PIB Industria
% PIB Agricultura
PIB $/hab
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Pais
Desarrollo
S
e
r
v
i
c
i
o
s

I
n
d
u
s
t
r
a
i
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4
0.75
0.50
0.25
0.00
-0.25
-0.50
% PIB Industria
% PIB Agricultura
PIB $/hab Usuarios Internet por 1000 hab
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Pais
Scatterplot of Comp 3 vs Comp 1
Pgina 108
0,2722960 -0,5545960
0,0000000 0,0000000
0,0191980 0,7907320
0,0000000 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:
Los Clusters se identifican fcilmente
ya que para cada uno las lneas son
de diferente color
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.
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
Observations
S
i
m
i
l
a
r
i
t
y
21 22 19 10 20 17 13 4 16 3 12 7 15 6 11 18 8 5 9 14 2 1
81.25
87.50
93.75
100.00
Dendrogram with Single Linkage and Euclidean Distance
1er
PIB $/hab
E
s
p
e
r
a
n
z
a

v
i
d
a

a
l

n
a
c
e
r
16000 14000 12000 10000 8000 6000 4000 2000 0
80
75
70
65
60
Cluster
1
2
3
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Scatterplot of Esperanza vida al nacer vs PIB $/hab
Pgina 109
1 21 99.6131 54.06 2 14 2 2 Primer Cluster
2 20 99.4939 70.73 7 12 7 2 Segundo Cluster
3 19 99.2755 101.25 2 9 2 3 Tercer con 3
4 18 99.2675 102.37 2 5 2 4 observaciones 2, 14, 9
5 17 98.9909 141.02 8 18 8 2 etc..
6 16 98.9137 151.81 2 8 2 6
7 15 98.7540 174.12 3 16 3 2
8 14 98.7458 175.28 2 11 2 7
9 13 98.1957 252.15 6 15 6 2
10 12 97.9917 280.66 3 4 3 3
11 11 97.9498 286.51 2 6 2 9
12 10 97.2457 384.91 2 7 2 11
13 9 96.6741 464.79 13 17 13 2
14 8 95.7750 590.44 1 2 1 12
15 7 95.4151 640.73 1 3 1 15
16 6 94.7709 730.75 1 13 1 17
17 5 93.5426 902.41 1 20 1 18
18 4 87.1791 1791.70 19 22 19 2
19 3 85.3070 2053.32 10 19 10 3
20 2 84.7016 2137.93 10 21 10 4
21 1 81.2502 2620.26 1 10 1 22 Se forma un solo Cluster
al final
Final Partition
Number of clusters: 3
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 18 36798918 1151.26 3319.75
Cluster2 3 7382783 1319.42 1962.60
Cluster3 1 0 0.00 0.00
Cluster Centroids
Grand
Variable Cluster1 Cluster2 Cluster3 centroid
% menores 15 aos 34.50 23.0 16.0 32.09
Esperanza vida al nacer 70.59 74.5 77.9 71.45
Tasa de mortalidad infan 32.31 13.2 5.5 28.48
Telfonos por 1.000 hab 78.78 284.3 385.0 120.73
Usuarios Internet por 1000 hab 2.78 8.0 31.0 4.77
PIB $/hab 2442.39 10251.0 14350.0 4048.45
% PIB Agricultura 14.09 2.9 5.9 12.19
% PIB Industria 29.71 43.6 37.8 31.96
% PIB Servicios 56.57 53.6 56.3 56.15
Distances Between Cluster Centroids
Cluster1 Cluster2 Cluster3
Cluster1 0.0 7811.37 11911.6
Cluster2 7811.4 0.00 4100.3
Cluster3 11911.6 4100.32 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
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
Variables
S
i
m
i
l
a
r
i
t
y
A
c
e
l
e
.
A
l
t
u
.
V
e
l
o
.
m
a
x
M
a
l
e
t
e
.
P
e
s
o
A
n
c
h
.
L
o
n
g
.
C
o
n
s
u
m
o
N
u
m
.
C
i
l
.
C
i
l
.
(
c
c
)
P
o
t
.
(
C
V
)
P
V
P
59.47
72.98
86.49
100.00
Dendrogram with Single Linkage and Correlation Coefficient Distance
Pgina 111
Pot.(CV) 1.1 1.1 1.1
Long. -0.3 -0.3 -0.4
Anch. 12.1 11.8 12.1
Altu. 3.0 3.0 2.9
Malete. -0.3 -0.3 -0.2
Peso -0.0 -0.0 -0.0
Consumo -15.1 -14.6 -15.7
Velo.max 11.2 5.6 8.2
Acele. 10.1 10.3 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
MTB > multi m1 m3 m6 Valores de la funcin de discrimiancin para 4, 6 y 8 cilindros
MTB > multi m1 m4 m7
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 c3 c4 c6-c15 m1
MTB > copy m6 c20 MTB > copy c16 m2
MTB > copy m7 c21 MTB > copy c17 m3
MTB > copy c18 m4
5. Identificar cual es la funcin que da el valor mximo para MTB > multi m1 m2 m5
cada coche MTB > multi m1 m3 m6
MTB > rmax c19-c21 c22 (Calc > Row Statistics) MTB > multi m1 m4 m7
MTB > copy m5 c19
MTB > let c23=c19=c22 MTB > copy m6 c20
MTB > let c24=c20=c22 MTB > copy m7 c21
MTB > let c25=c21=c22 MTB > rmax c19-c21 c22
MTB > let c23=c19=c22
6. Colocar en c26 el nmero de cilindros asignado MTB > let c24=c20=c22
MTB > let c25=c21=c22
MTB > let c26=4*c23+6*c24+8*c25 MTB > let c26=4*c23+6*c24+8*c25
MTB > code (18) '*' c26 c26
Para poner * en los valores missing de las funciones MTB > .
discriminantes en C26
Pgina 112
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
4 80 3 0 4 83
6 0 5 1 1 6
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
Duracion
P
e
r
c
e
n
t
300000 250000 200000 150000 100000 50000 0
100
80
60
40
20
0
Table of Statistics
Mean 71060.1
Median 51710
IQR 84266
Nonparametric Survival Plot for Duracion
Complete Data
Kaplan-Meier Method
Pgina 113
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
Number siguen funcin que fallan emprica
at Number Survival Standard 95.0% Normal CI
Time Risk Failed Probability Error Lower Upper
3607 40 1 0.975 0.0246855 0.926617 1.00000
4100 39 1 0.950 0.0344601 0.882459 1.00000
5734 38 1 0.925 0.0416458 0.843376 1.00000
5768 37 1 0.900 0.0474342 0.807031 0.99297
7025 36 1 0.875 0.0522913 0.772511 0.97749
8089 35 1 0.850 0.0564579 0.739344 0.96066
9411 34 1 0.825 0.0600781 0.707249 0.94275
10640 33 1 0.800 0.0632456 0.676041 0.92396
10681 32 1 0.775 0.0660256 0.645592 0.90441
12504 31 1 0.750 0.0684653 0.615810 0.88419
13030 30 1 0.725 0.0706001 0.586626 0.86337
17656 29 1 0.700 0.0724569 0.557987 0.84201
22339 28 1 0.675 0.0740566 0.529852 0.82015
28698 27 1 0.650 0.0754155 0.502188 0.79781
31749 26 1 0.625 0.0765466 0.474972 0.77503
34585 25 1 0.600 0.0774597 0.448182 0.75182
36863 24 1 0.575 0.0781625 0.421804 0.72820
43403 23 1 0.550 0.0786607 0.395828 0.70417
49389 22 1 0.525 0.0789581 0.370245 0.67975
51710 21 1 0.500 0.0790569 0.345051 0.65495
56084 20 1 0.475 0.0789581 0.320245 0.62975
63311 19 1 0.450 0.0786607 0.295828 0.60417
68135 18 1 0.425 0.0781625 0.271804 0.57820
71329 17 1 0.400 0.0774597 0.248182 0.55182
Duracion
R
a
t
e
300000 250000 200000 150000 100000 50000 0
1.0
0.8
0.6
0.4
0.2
0.0
Table of Statistics
Mean 71060.1
Median 51710
IQR 84266
Nonparametric Hazard Plot for Duracion
Complete Data
Empirical Hazard Function
Pgina 114
77223 16 1 0.375 0.0765466 0.224972 0.52503
77629 15 1 0.350 0.0754155 0.202188 0.49781
87564 14 1 0.325 0.0740566 0.179852 0.47015
94596 13 1 0.300 0.0724569 0.157987 0.44201
96104 12 1 0.275 0.0706001 0.136626 0.41337
96770 11 1 0.250 0.0684653 0.115810 0.38419
101214 10 1 0.225 0.0660256 0.095592 0.35441
102993 9 1 0.200 0.0632456 0.076041 0.32396
123815 8 1 0.175 0.0600781 0.057249 0.29275
140341 7 1 0.150 0.0564579 0.039344 0.26066
142312 6 1 0.125 0.0522913 0.022511 0.22749
148521 5 1 0.100 0.0474342 0.007031 0.19297
168021 4 1 0.075 0.0416458 0.000000 0.15662
204471 3 1 0.050 0.0344601 0.000000 0.11754
242796 2 1 0.025 0.0246855 0.000000 0.07338
272193 1 1 0.000 0.0000000 0.000000 0.00000
Cul es la fiabiliad despus de 40,000 horas de funcionamiento? 0,575
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 Mayor es mejor
mejor
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
50
10
1
Correlation Coefficient
Weibull
0.977
Lognormal
0.977
Exponential
*
Loglogistic
0.968
Probability Plot for Duracion
LSXY Estimates-Complete Data
Weibull Lognormal
Exponential Loglogistic
Pgina 115
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
Table of Percentiles
Standard 95.0% Normal CI
Percent Percentile Error Lower Upper
1 730.172 116.736 533.752 998.875
2 1467.76 234.657 1072.92 2007.89
3 2212.91 353.788 1617.63 3027.26
4 2965.78 474.153 2167.97 4057.18
5 3726.54 595.779 2724.08 5097.90
6 4495.34 718.692 3286.07 6149.62
7 5272.37 842.919 3854.08 7212.60
8 6057.80 968.489 4428.22 8287.06
9 6851.82 1095.43 5008.64 9373.27 A las 7654 horas, un 10% de las
10 7654.60 1223.78 5595.48 10471.5 bombas ya no funcionan por tanto
20 16211.7 2591.84 11850.7 22177.6 la confiabilidad es del 90%
30 25913.0 4142.83 18942.3 35448.9
40 37112.3 5933.31 27128.9 50769.5
50 50358.2 8051.00 36811.6 68890.0
60 66569.9 10642.8 48662.3 91067.6
70 87470.5 13984.3 63940.5 119659
80 116928 18693.8 85473.9 159958
90 167286 26744.9 122286 228847
91 174941 27968.6 127881 239319
92 183498 29336.7 134136 251025
93 193199 30887.7 141228 264296
94 204399 32678.2 149414 279617
95 217645 34795.9 159097 297737
96 233856 37387.7 170948 319915
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
Failure 40
Censor 0
AD* 0.654
Mean 72651.5
StDev 72651.5
Median 50358.2
IQR 79815.9
Probability Plot for Duracion
Complete Data - LSXY Estimates
Exponential - 95% CI
Pgina 116
97 254757 40729.2 186226 348507
98 284215 45438.7 207759 388805
99 334573 53489.7 244571 457695
Cul es la confiabiliad a las 40000 horas?
Podemos usar el botn ESTIMATE Estimate survival probability 40000
OK
Table of Survival Probabilities
95.0% Normal CI
Time Probability Lower Upper
40000 0.576619 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
Duracion
P
D
F
300000 200000 100000 0
0.000015
0.000010
0.000005
0.000000
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
300000 200000 100000 0
100
50
0
Duracion
R
a
t
e
300000 200000 100000 0
0.0000175
0.0000150
0.0000125
0.0000100
Table of Statistics
Failure 40
Censor 0
AD* 0.654
Mean 72651.5
StDev 72651.5
Median 50358.2
IQR 79815.9
Probability Density Function
Surv iv al Function Hazard Function
Distribution Overview Plot for Duracion
LSXY Estimates-Complete Data
Exponential
Duracion
P
e
r
c
e
n
t
300000 200000 100000 0
100
80
60
40
20
0
Duracion
R
a
t
e
300000 200000 100000 0
1.0
0.8
0.6
0.4
0.2
0.0
Survival Function Hazard Function
Distribution Overview Plot for Duracion
Kaplan-Meier Estimates-Complete Data
Pgina 117
8.5 Comandos especiales
Preguntas frecuentes
No sale el indicador MTB > de comandos
Temporal Editor > Enable commands
Permanente 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 Session Window > Submiting Commands
comandos Seleccionar Enable Command Language
Configurar Graphics > Regions > Graph
grficas Fill Pattern; Background color N
No pregunte Graphics > Graph Management
al cerrar Prompt to save a graph before closing Never
grficas
Cambios en Click sobre una barra de herramientas
barras de Botn derecho para ver la lista de barras disponibles
herramientas o con
Tools > Toolbars
Personalizar Tools > Customize
la barra de Commands para seleccionar y arrastrar cualquier opcin nadicional del
herramientas menu y dejarla en la barra de herramientas existente
como en Office
Hacer una Tools > Customize > Toolbars: New
barra de Se puede ir llenado la barra de herramientas vaca con opciones
herramientas de menu
nueva
Comandos en la pantalla de sesin
Editor > Commands enable
Histograma de 100 nmeros MTB > Random 100 c1
aleatorios MTB > Histo c1 Solo se requieren las primeras 4 letras
random 100 c1; Un ; indica continuacin de instruccin
normal 0,0,1,0. Un . Indica fin de la instruccin
Histogram c1;
Bar.
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) histo c1
#
Se pueden realizar varios histogramas como sigue: 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 itera n c_med c_conta # Nombre + Variables 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 #Pantalla de sesin
#
LET i=1 # Inicializa el contador
WHILE i<= itera # Realiza la simulacin
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
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
Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("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

You might also like