P. 1
Seis sigma

Seis sigma

|Views: 225|Likes:
Publicado porUli Campos
Sigma
Sigma

More info:

Published by: Uli Campos on Jan 03, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

09/07/2013

pdf

text

original

1

Programa de certificación
de Green Belts
IV. Seis Sigma - Análisis


P. Reyes / Octubre de 2007
2
Diagrama de
Ishikawa
Diagrama de
relaciones
Diagrama
de Árbol
Análisis del Modo y Efecto de
Falla (AMEF)
QFD
Diagrama
Causa Efecto
CTQs = Ys
Operatividad
X's vitales
Diagrama
de Flujo
del
proceso
Pruebas
de
hipótesis
Causas raíz
validadas
¿Causa
Raíz?
Definición
Y=X1 + X2+. .Xn
X's
Causas
potenciales
Medición Y,
X1, X2, Xn
FASE DE ANÁLISIS
Si No
Llenar columnas del FMEA
Hasta sol. Propuesta y
comprobar causas con
Pruebas de Hipótesis
3
Seis Sigma - Análisis
FMEA

Identificación de causas potenciales

A. Análisis exploratorio de datos


B. Pruebas de hipótesis
4
¿ Qué es el FMEA?
El Análisis de del Modo y Efectos de Falla es un grupo sistematizado de
actividades para:

 Reconocer y evaluar fallas potenciales y sus efectos.

 Identificar acciones que reduzcan o eliminen las
probabilidades de falla.

 Documentar los procesos con los hallazgos del análisis.

 Existe el estándar MIL-STD-1629, Procedure for Performing a Failure
Mode, Effects and Criticality Analysis
5
Tipos del FMEA
 AMEF de concepto (CFMEA)
 A nivel de sistema, subsistema y componente

 AMEF de diseño (DFMEA)

 AMEF de Proceso (PFMEA)

 AMEF de maquinaria (como aplicación del DFMEA)
6
Tipos de FMEAs
 FMEA de Diseño (AMEFD), su propósito es analizar como
afectan al sistema los modos de falla y minimizar los
efectos de falla en el sistema. Se usan antes de la
liberación de productos o servicios, para corregir las
deficiencias de diseño.

 FMEA de Proceso (AMEFP), su propósito es analizar como
afectan al proceso los modos de falla y minimizar los
efectos de falla en el proceso. Se usan durante la
planeación de calidad y como apoyo durante la producción
o prestación del servicio.
7
Salidas del FMEA de Proceso
 Una lista de modos potenciales de falla

 Una lista de Caracteríticas críticas y/o significativas

 Una lista de características relacionadas con la
seguridad del operador y con alto impacto

 Una lista de controles especiales recomendados para
las Características Especiales designadas y
consideradas en el Plan de control
8
Salidas del FMEA de Proceso
 Una lista de procesos o acciones de proceso para
reducir la Severidad, eliminar las causas de los modos
de falla del producto o reducir su tasa de ocurrencia, y
mejorar la tasa de Detección de defectos si no se
puede mejorar la capacidad del proceso

 Cambios recomendados a las hojas de proceso y
dibujos de ensamble
9
FMEA de Proceso - PFMEA
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Función
del Producto/
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseño o
Proceso
Actuales
D
e
t
e
c
R
P
N
Acción
Sugerida
Responsable
y fecha límite
de Terminación
Acción
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Resultados de Acción
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
11
Modelo del PFMEA – Paso 1
 Identificar todos los requerimientos funcionales dentro del
alcance

 Identificar los modos de falla correspondientes

 Identificar un conjunto de efectos asociados para cada modo de
falla

 Identificar la calificación de severidad para cada conjunto de
efectos que de prioridad el modo de falla

 De ser posible, tomar acciones para eliminar modos de falla sin
atender las “causas”
12
Modelo de PFMEA – Paso 1
 Modos de falla potenciales
 No funciona
 Funcionamiento parcial / Sobre función / Degradación en el
tiempo
 Funcionamiento intermitente
 Función no intencionada
 Los modos de falla se pueden categorizar como sigue:
 Manufactura: Dimensional fuera de tolerancia
 Ensamble: Falta de componentes
 Recibo de materiales: Aceptar partes no conformes
 Inspección/Prueba: Aceptar partes equivocadas

13
Modelo de PFMEA - Paso 1
 Efectos de las fallas potenciales (en usuario final)
 Ruido
 Operación errática
 Inoperable
 Inestable
 Apariencia mala
 Fugas
 Excesivo esfuerzo
 Retrabajos / reparaciones
 Insatisfacción del cliente
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Efecto

Efecto en el cliente

Efecto en Manufactura /Ensamble

Calif.

Peligroso
sin aviso

Calificación de severidad muy alta cuando un modo potencial de
falla afecta la operación segura del producto y/o involucra un no
cumplimiento con alguna regulación gubernamental, sin aviso

Puede exponer al peligro al operador (máquina o ensamble)
sin aviso

10

Peligroso
con aviso

Calificación de severidad muy alta cuando un modo potencial de
falla afecta la operación segura del producto y/o involucra un no
cumplimiento con alguna regulación gubernamental, con aviso

Puede exponer al peligro al operador (máquina o ensamble)
sin aviso

9

Muy alto

El producto / item es inoperable ( pérdida de la función
primaria)

El 100% del producto puede tener que ser desechado op
reparado con un tiempo o costo infinitamente mayor

8

Alto

El producto / item es operable pero con un reducido nivel de
desempeño. Cliente muy insatisfecho

El producto tiene que ser seleccionado y un parte
desechada o reparada en un tiempo y costo muy alto

7

Modera
do

Producto / item operable, pero un item de confort/conveniencia
es inoperable. Cliente insatisfecho

Una parte del producto puede tener que ser desechado sin
selección o reparado con un tiempo y costo alto

6

Bajo

Producto / item operable, pero un item de confort/conveniencia
son operables a niveles de desempeño bajos

El 100% del producto puede tener que ser retrabajado o
reparado fuera de línea pero no necesariamente va al àrea
de retrabajo .

5

Muy bajo

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 75% de los clientes

El producto puede tener que ser seleccionado, sin desecho,
y una parte retrabajada

4

Menor

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 50% de los clientes

El producto puede tener que ser retrabajada, sin desecho,
en línea, pero fuera de la estación

3

Muy
menor

No se cumple con el ajuste, acabado o presenta ruidos, y
rechinidos. Defecto notado por clientes muy críticos (menos del
25%)

El producto puede tener que ser retrabajado, sin desecho
en la línea, en la estación

2

Ninguno

Sin efecto perceptible

Ligero inconveniente para la operación u operador, o sin
efecto

1

CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA AMEFP
15
Modelo de PFMEA – Paso 2
 Paso 2 identificar:
 Las causas asociadas (primer nivel y raíz)

 Su tasa de ocurrencia

 La designación apropiada de la característica indicada
en ola columna de clasificación

 Acciones recomendadas para alta severidad y
criticalidad (S x O) así como la Seguridad del operador
(OS) y errores de proceso de alto impacto (HI)
16
Modelo de PFMEA – Paso 2
Causa/Mecanismo potencial de falla
 Describe la forma de cómo puede ocurrir la falla,
descrito en términos de algo que puede ser corregido o
controlado
 Se debe dar priorioridad a rangos de prioridad de 9 o
10
17
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de Falla
• Efectos Locales
– Efectos en el Área Local
– Impactos Inmediatos

• Efectos Mayores Subsecuentes
– Entre Efectos Locales y Usuario Final

• Efectos Finales
– Efecto en el Usuario Final del producto o Servicio
CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA AMEFP
100 por mil piezas
Probabilidad

Indices Posibles de
falla

ppk

Calif.

Muy alta: Fallas
persistentes

< 0.55

10

50 por mil piezas

> 0.55

9

Alta: Fallas frecuentes

20 por mil piezas

> 0.78

8

10 por mil piezas

> 0.86

7

Moderada: Fallas
ocasionales
5 por mil piezas

> 0.94

6

2 por mil piezas

> 1.00

5

1 por mil piezas

> 1.10

4

Baja : Relativamente pocas
fallas

0.5 por mil piezas

> 1.20

3

0.1 por mil piezas

> 1.30

2

Remota: La falla es
improbable

< 0.01 por mil piezas

> 1.67

1

CRITERIO DE EVALUACIÓN DE DETECCION SUGERIDO PARA AMEFP
Detecciòn

Criterio

Tipos de
Inspección

Métodos de seguridad de Rangos de
Detección

Calif





A

B

C




Casi
imposible

Certeza absoluta de no detección





X

No se puede detectar o no es verificada

10

Muy
remota

Los controles probablemente no
detectarán





X

El control es logrado solamente con
verificaciones indirectas o al azar

9

Remota

Los controles tienen poca
oportunidad de detección





X

El control es logrado solamente con
inspección visual

8

Muy baja

Los controles tienen poca
oportunidad de detección





X

El control es logrado solamente con
doble inspección visual

7

Baja

Los controles pueden detectar



X

X

El control es logrado con métodos gráficos con
el CEP

6

Moderada

Los controles pueden detectar



X



El control se basa en mediciones por variables después de que las
partes dejan la estación, o en dispositivos Pasa NO pasa realizado en
el 100% de las partes después de que las partes han dejado la
estación

5

Moderada
mente
Alta

Los controles tienen una buena
oportunidad para detectar

X

X



Detección de error en operaciones subsiguientes, o medición
realizada en el ajuste y verificación de primera pieza ( solo para
causas de ajuste)

4

Alta

Los controles tienen una buena
oportunidad para detectar

X

X



Detección del error en la estación o detección del error en
operaciones subsiguientes por filtros multiples de aceptación:
suministro, instalación, verificación. No puede aceptar parte
discrepante

3

Muy Alta

Controles casi seguros para
detectar

X

X



Detección del error en la estación (medición automática
con dispositivo de paro automático). No puede pasar la
parte discrepante

2

Muy Alta

Controles seguros para detectar

X





No se pueden hacer partes discrepantes porque el item ha
pasado a prueba de errores dado el diseño del
proceso/producto

1

Tipos de inspección: A) A prueba de error B) Medición automatizada C) Inspección visual/manual


20
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Función
de
Artículo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseño Actual
D
e
t
e
c
R
P
N
Acción
Sugerida
Responsable
y fecha límite
de Terminación
Acción
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura Datos LOCAL:
incorrecta incorrectos Rehacer
la factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción

Resultados de Acción
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Riesgo = Severidad x
Ocurrencia x Detección
Causas probables a
atacar primero
21
Producto de Severidad, Ocurrencia, y Detección

RPN / Gravedad usada para identificar principales CTQs

Severidad mayor o igual a 8
RPN mayor a 150
Calcular RPN (Número de Prioridad de
Riesgo)
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Función
de
Artículo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseño Actual
D
e
t
e
c
R
P
N
Acción
Sugerida
Responsable
y fecha límite
de Terminación
Acción
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura Datos LOCAL:
incorrecta incorrectos Rehacer
la factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción

Resultados de Acción
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Riesgo = Severidad x
Ocurrencia x Detección
Causas probables a
atacar primero
23
Planear Acciones

Requeridas para todos los CTQs

 Listar todas las acciones sugeridas, qué persona
es la responsable y fecha de terminación.
 Describir la acción adoptada y sus resultados.
 Recalcular número de prioridad de riesgo .
Reducir el riesgo general del diseño
24
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Función
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseño /
Prcoeso
Actuales
D
e
t
e
c
R
P
N
Acción
Sugerida
Responsable
y fecha límite
de Terminación
Acción
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos LOCAL:
erroneos Rehacer la
factura

MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción

Resultados de Acción
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
25
Ejemplo de AMEFP
26
Identificación de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de Relaciones
Diagrama de Árbol
Verificación de causas raíz
27
Tormenta de ideas
 Técnica para generar ideas creativas cuando la mejor
solución no es obvia.

 Reunir a un equipo de trabajo (4 a 10 miembros) en
un lugar adecuado

 El problema a analizar debe estar siempre visible

 Generar y registrar en el diagrama de Ishikawa un
gran número de ideas, sin juzgarlas, ni criticarlas

 Motivar a que todos participen con la misma
oportunidad
28
Tormenta de ideas
 Permite obtener ideas de los participantes
29
Diagrama de Ishikawa
 Anotar el problema en el cuadro de la derecha

 Anotar en rotafolio las ideas sobre las posibles causas
asignándolas a las ramas correspondientes a:
 Medio ambiente
 Mediciones
 Materia Prima
 Maquinaria
 Personal y
 Métodos
o
 Las diferentes etapas del proceso de manufactura o
servicio

30
Diagrama de causa efecto
 Divide los problemas en partes más pequeñas

 Muestra las causas potenciales de manera gráfica

 También se llama diagrama de ishikawa o de las 4 o
6 M’s.

 Muestra como interactúan las diversas causas
 Sigue las reglas de la tormenta de ideas al generarlas
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
¿Qué
produce
bajas ventas
de
Tortillinas
Tía Rosa?
Clima
húmedo
Calidad del
producto
Tipo de
exhibidor
Falta de
motivación
Ausentismo
Rotación de
personal
Maquinaría Materiales
Clientes con
ventas bajas
Malos
itinerarios
Descompostura
del camión
repartidor
Distancia de
la agencia al
changarro
Medición
Seguimiento
semanal
Conocimiento
de los
mínimos por
ruta
Frecuencia
de visitas
Elaboración
de pedidos
Posición de
exhibidores
Falta de
supervi
ción
Programación
deficiente
Capacidad
instalada
desconocida
Marketing no
tiene en cuenta
cap de p.
Mala prog. De
ordenes de compra
Compras
aprovecha
ofertas

Falta de com..... Entre
las dif. áreas de
la empresa
Duplicidad
de funciones
Las un. Reciben
ordenes de dos
deptos diferentes
Altos
inventarios
No hay control
de inv..... En proc.
Demasiados deptos
de inv..... Y desarrollo
Falta de prog. De
la op. En base a
los pedidos
No hay com..... Entre
las UN y la oper.
Falta de
coordinación al fincar
pedidos entre
marketing y la op.
Falta de control de
inventarios en
compras
Influencia de la
situación econ del
país
No hay com..... Entre compras
con la op. general
No hay coordinación
entre la operación y las unidades
del negocio
Falta de coordinación
entre el enlace de compras
de cada unidad con compras
corporativo

Influencia directa de
marketing sobre
compras
Compra de material
para el desarrollo de
nuevos productos por
parte inv..... Y desarrollo’’’
No hay flujo
efectivo de mat.
Por falta de
programación
de acuerdo
a pedidos
Perdida de mercado
debido a la
competencia
Constantes
cancelaciones
de pedidos
de marketing
No hay coordinación
entre marketing
operaciones
Falta de comunicación
entre las unidades
del negocio
Diagrama de relaciones
Dancer
Taco generador
del motor
Poleas guías
Presión del
dancer
Mal guiado
Sensor de velocidad
de línea
Sensor
circunferencial
Bandas de
transmisión
Empaques de arrastre
Presión de aire de trabajo
Drive principal
Voltaje del motor
Ejes principales
Poleas de transmisión
¿Que nos puede provocar Variación de Velocidad
Durante el ciclo de cambio en la sección del Embobinadores?
Causas a validar
13/0
2/4
0/4
1/2
5/1
1/4
1/4
2/1
1/1
0/3
5/2
4/1
1/5
1/5
Entradas Causa
Salidas Efecto
Diagrama de Interrrelaciones
Permite al equipo identificar y clasificar las relaciones
de causa y efecto que existe entre las variables
Communica-
tion issues
within the
group
External
factors impact
implemen-
tation
Means not
clearly
defined
Plan not
integrated
Fast new
product
introductions
stretch
resources
Lack of
time and
resources
No strong
commitment
to the group
Driver
Driver
Planning
approach not
standardized Outcome
Capacity
may not
meet needs
In = 1 Out = 3
In = 3 Out = 2
In = 2 Out = 4
In = 1 Out = 2
In = 2 Out = 0
In = 0 Out = 5
In = 5 Out = 1
In = 0 Out = 2
In = 5 Out = 0
¿Qué datos son necesarios para
identificar las cuasas raíz?
35
Diagrama de árbol o sistemático
Meta Medio
Meta
Meta
Medio
Medio
Meta u
objetivo
Medios
o planes
Medios
o planes
Medios


Medios
Medios
Primer
nivel
Segundo
nivel
Tercer
nivel
Cuarto
nivel
Implantar el
Sistema
SMED
Producto DJ
2702
¿Objetivo?
Preparación
para el SMED
Fase 1: Separación
de la preparación
interna de la externa
Fase 2: Conversión
de preparación
interna en externa
Fase 3: Refinamiento
de todos los aspectos
de la preparación.
Filmar la preparación
Analizar el video
Describir las tareas
Separar las tareas
Elaborar lista de chequeo
Realizar chequeo de
funciones
Analizar el transporte de
herramientas y materiales
Analizar las funciones y
propósito de c/operación
Convertir tareas de prepa-
ración interna a externas
Realización de operaciones
en paralelo.
Uso de sujeciones
funcionales.
Eliminación de ajustes
5- 12 - Mar-04
10 y 17 –Mar-04
17- Mar-04
17- Mar-04
2- Mar-04
24- Mar-04
24- Mar-04
12 - Abr- 04
15 –Abr - 04
5 –May -04
19– May -04
12- May -04
¿Qué?
¿Cómo? ¿Cuándo?
Elaboramos un
Diagrama de Arbol
para poder
analizar nuestro
problema siguiendo
el sistema SMED.
Diagrama de Arbol- Aplicación Sistema SMED
19
37
Selección de posibles causas
 El equipo discute la lista de
causas de alta prioridad y
decide cuáles son las más
importantes (5 a 7).
 El equipo se cuestiona lo
siguiente:
 ¿Es una causa? (¿no una
solución?)
 ¿Podemos hacer algo respecto a
la causa?
 ¿Estamos seguros que ésta
cambiará el efecto?
 ¿Estamos de acuerdo?
Causas
1. ________
2. ________
3. ________
4. ________
5. ________
38
Verificación de posibles causas
 Para cada causa probable , el equipo deberá
por medio del diagrama 5Ws – 1H:
 Llevar a cabo una tormenta de ideas para
verificar la causa.
 Seleccionar la manera que:
 represente la causa de forma efectiva, y
 sea fácil y rápida de aplicar.

39
Calendario de las actividades
¿qué? ¿por qué? ¿cómo? ¿cuándo
?
¿dónde
?
¿quién?
1
Tacogenerador
de motor
embobinador
1.1 Por variación de
voltaje durante el
ciclo de cambio
1.1.1 Tomar dimensiones de ensamble entre
coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
Abril ’04 1804
Embob.
J. R.
2 Sensor
circular y de
velocidad de
linea.
2.1 Por que nos
genera una varión en
la señal de referencia
hacia el control de
velocidad del motor
embobinador
2.1.1 Tomar dimensiones de la distancia
entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida de
los sensores.
2.1.3 Verificar estado de rodamientos de
poleas.
Abril ’04 1804
Embob.
U. P.
3 Ejes
principales de
transmisión.
3.1 Por vibración
excesiva durante el
ciclo de cambio
3.1.1 Tomar lecturas de vibración en
alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibración
tomadas.
Abril’04 1804
Embob.
F. F.
4 Poleas de
transmisión de
ejes
embobinadores
.
4.1 Puede generar
vibración excesiva
durante el ciclo de
cambio.
4.1.1 Verificar alineación, entre poleas de
ejes principales y polea de transmisión del
motor.
4.1.2 Tomar dimensiones de poleas(dientes
de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas.
Abril’04 1804
Embob.
J. R.
U. P.
40
Verificación de posibles causas
 Antes de invertir tiempo y dinero en la
implementación de una mejora para “contrarrestar”
una causa, asegurarse que la causa sea real.

 Estar completamente convencido que la causa es la
verdadera culpable del efecto indeseable.
41
IV A 1. Estudios Multivari
42
Estudios Multivari
 La carta multivari permite analizar la variación dentro
de la pieza, de pieza a pieza o de tiempo en tiempo

 Permite investigar la estabilidad de un proceso
consiste de líneas verticales u otro esquema en
función del tiempo. La longitud de la línea o del
esquema representa el rango de valores encontrados
en cada conjunto de muestras
43
Estudios Multivari
 La variación dentro de las muestras (cinco puntos en
cada línea). La variación de muestra a muestra como
posición vertical de las líneas.
E
S
P
E
S
O
R
Número de subgrupo
44
Estudios Multivari
 Ejemplo de parte metálica
Centro más grueso
45
Estudios Multivari
 Procedimiento de muestreo:
 Seleccionar el proceso y la característica a
investigar

 Seleccionar tamaño de muestra y frecuencia de
muestreo

 Registrar en una hoja la hora y valores para
conjunto de partes
46
Estudios Multivari
 Procedimiento de muestreo:
 Realizar la carta Multivari
 Unir los valores observados con una línea

 Analizar la carta para variación dentro de la parte,
de parte a parte y sobre el tiempo

 Puede ser necesario realizar estudios adicionales
alrededor del área de máxima variación aparente
 Después de la acción de mejora comprobar con
otro estudio Multivari
47
 Su propósito fundamental es reducir el gran número de
causas posibles de variación, a un conjunto pequeño de
causas que realmente influyen en la variabilidad.

 Sirven para identificar el patrón principal de variación de
entre tres patrones principales:

 Temporal: Variación de hora a hora; turno a
turno; día a día; semana a semana; etc.

 Cíclico: Variación entre unidades de un mismo
proceso; variación entre grupos de unidades;
variación de lote a lote.
Cartas Multivari
48
 Posicional:
 Variaciones dentro de una misma unidad (ejemplo:
porosidad en un molde de metal) o a través de una sola
unidad con múltiples partes (circuito impreso).

 Variaciones por la localización dentro de un proceso que
produce múltiples unidades al mismo tiempo. Por
ejemplo las diferentes cavidades de un molde

 Variaciones de máquina a máquina; operador a
operador; ó planta a planta
7A1. Cartas Multivari
49
 Ejemplo: Se toman 3 a 5 unidades consecutivas, repitiendo el
proceso tres o más veces a cierto intervalo de tiempo, hasta que al
menos el 80% de la variación en el proceso se ha capturado.



A


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIÓN POSICIONAL DENTRO DE LA UNIDAD
Cartas Multivari
50
 Ejemplo: (cont...)


B


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIÓN CÍCLICA DE UNIDAD A UNIDAD
Cartas Multivari
51
 Ejemplo: (cont...)


C


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIÓN TEMPORAL DE TIEMPO A TIEMPO
Cartas Multivari
52
 Ejemplo: Un proceso produce flecha cilíndricas, con
un diámetro especificado de 0.0250” ± 0.001”.

 Sin embargo un estudio de capacidad muestra un Cp
= 0.8 y una dispersión natural de 0.0025” (6 o )
contra la permitida de 0.0002”.

 Se tiene pensado comprar un torno nuevo de
US$70,000 para tolerancia de ± 0.0008”, i.e. Cpk =
1.25. Se sugirió un estudio Multi Vari previo.
Cartas Multivari
53
 Se tomaron cuatro lecturas en cada flecha, dos a
cada lado. Estas muestran una disminución gradual
desde el lado izquierdo al lado derecho de las
flechas, además de excentricidad en cada lado de la
flecha.

 La variación cíclica, de una flecha a la siguiente, se
muestra mediante las líneas que concentran las
cuatro lecturas de cada flecha.

 También se muestra la variación temporal.

Cartas Multivari
.0.2510”


0.2500”


0.2490”
Cartas Multivari
Máximo
Mínimo
Izquierda
Derecha
8 AM 9 AM 10 AM 11 AM 12 AM
55
 Un análisis rápido revela que la mayor variación es temporal
con un cambio mayor entre las 10 AM y las 11 AM.

 A las 10 AM se para el equipo para el almuerzo y se arranca a
las 11 AM, con lecturas similares a las de las 8 AM. Conforme
pasa el tiempo las lecturas tienden a decrecer más y más, hasta
que se invierten a las 10 A.M. en forma drástica.

 Se investigó y se encontró que la temperatura tenía influencia
en la variación.

 La variación en temperatura era causada por que la cantidad de
refrigerante no era la adecuada, lo cual se notaba más cuando
se paraba el equipo y se volvía a arrancar. Se adicionó,
reduciendo la variación en 50% aproximadamente..

Cartas Multivari
56
 También se encontró que el acabado cónico era causado por
que la herramienta de corte estaba mal alineada. Se ajustó,
contribuyendo a otra reducción del 10% de la variabilidad.

 La excentricidad de las flechas se corrigió al cambiar un
rodamiento excéntrico por desgaste en el torno. Se instaló un
nuevo rodamiento eliminándose otro 30% de la variabilidad.

 La tabla siguiente muestra un resumen de los resultados.
Cartas Multivari
57
Tipo de % var. Causas de Acción % de variación
Variación Total Variación Correctiva Reducida
Temporal 50 Bajo nivel de Adicionar Casi 50
Tiempo a tiempo Refrigerante refrigerante
Dentro de 10 Ajuste no Ajuste de la Casi 10
la flecha no paralelo herramienta de
corte
Dentro de 30 Rodamiento Nuevo Casi 30
la flecha gastado rodamiento

Flecha a 5 -??? - -
flecha
Cartas Multivari
58
 Resultados:
 La variación total en la siguiente corrida de producción se
redujo de 0.0025” a 0.0004”

 El nuevo Cp fue de 0.002 / 0.0004 = 5.0

 Como beneficios se redujo a cero el desperdicio y no hubo
necesidad de adquirir una nueva máquina.

 Se observa que antes de cambiar equipo o máquinas, es
conveniente realizar un estudio de variabilidad para
identificar las fuentes de variación y tratar de eliminarlas.

Cartas Multivari
59
Variación de
sist. medición
Variación
de
proceso
Pieza a
pieza
Lote a lote
Dentro de
la pieza
Máquina a
máquina
Turno a
turno
Tiempo a
tiempo
Diámetro de Flecha
(0.150" +/- .002)
Programa Máquina
Accesorios
Operador a
operador
Ejemplo: Búsqueda de fuentes de variación con el diagrama sistemático.

Cartas Multivari
60
Ejemplo (cont..):
• Al realizar la prueba de homogeneidad de varianza F, se
encontró que había una diferencia significante entre los
operadores.

Se Rechaza Ho: o
2
Oper1
= o
2
Oper2
= o
2
Oper3
• Para probar si existe diferencia significativa entre
medias de operadores se hacen las siguientes
comparaciones
Ho: µ
Oper1
= µ
Oper2
Ho: µ
Oper1
= µ
Oper3
Ho: µ
Oper2
= µ
Oper3
Ha: µ
Oper1

Oper2
= µ
Oper3
Cartas Multivari
61
Corrida en Minitab
 Se introducen los datos en varias columnas C1 a C3
incluyendo la respuesta (strenght) y los factores
(time y Metal)
SinterTime MetalType Strength
0.5 15 23
0.5 15 20
0.5 15 21
0.5 18 22
0.5 18 19
0.5 18 20
0.5 21 19
0.5 21 18
62
Corrida en Minitab
 Utilizar el achivo de ejemplo Sinter.mtw

 Opción: Stat > Quality Tools > Multivari charts

 Indicar la columna de respuesta y las columnas de
los factores

 En opciones se puede poner un título y conectar las
líneas

63
Resultados
21 18 15
23.5
22.5
21.5
20.5
19.5
18.5
17.5
MetalType
S
t
r
e
n
g
t
h
0.5
1.0
2.0
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
64
IV.A.2 Regresión lineal simple
65
Definiciones
Correlación
Establece si existe una relación entre las variables y
responde a la pregunta, ”¿Qué tan evidente es esta
relación?"
Regresión
Describe con más detalle la relación entre las variables.

Construye modelos de predicción a partir de información
experimental u otra fuente disponible.

Regresión lineal simple
Regresión lineal múltiple
Regresión no lineal cuadrática o cúbica
66
Correlación
Propósito: Estudiar la posible relación
entre dos variables.
A
c
c
i
d
e
n
t
e
s

l
a
b
o
r
a
l
e
s

Numero de órdenes urgentes
Correlación
positiva,
posible

• •






















• •


El 1er. paso es realizar una gráfica de la información.
Correlación de la información (R ) de las X y las Y
Correlación Positiva
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlación Negativa
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlación
Positiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlación
Negativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Sin Correlación
10
15
20
25
5 10 15 20 25
X
Y

0
5
0
R=1
R=>-1
R=-1
R=0
R=>1
Tabla de Correlación mínima
Correlaciones (Pearson)
n 95% 99%
de confianza de confianza
3 1.00 1.00
4 0.95 0.99
5 0.88 0.96
6 0.81 0.92
7 0.75 0.87
8 0.71 0.83
9 0.67 0.80
10 0.63 0.76
11 0.60 0.73
12 0.58 0.71
13 0.53 0.68
14 0.53 0.66
n 95% 99%
de confianza de confianza
15 0.51 0.64
16 0.50 0.61
17 0.48 0.61
18 0.47 0.59
19 0.46 0.58
20 0.44 0.56
22 0.42 0.54
24 0.40 0.52
26 0.39 0.50
28 0.37 0.48
30 0.36 0.46
Para un 95% de confianza, con una muestra de 10,
el coeficiente (r) debe ser al menos .63
69
• La correlación puede usarse para información de
atributos, variables normales y variables no normales.


• La correlación puede usarse con un “predictor” o
más para una respuesta dada.


• La correlación es una prueba fácil y rápida para
eliminar factores que no influyen en la predicción, para
una respuesta dada.
Correlación
70
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.

Puede ser usado para analizar las relaciones entre:
• Una sola “X” predictora y una sola “Y”

• Múltiples predictores “X” y una sola “Y”

• Varios predictores “X” entre sí
Análisis de Regresión
71
Supuestos de la regresión lineal
Los principales supuestos que se hacen en el análisis de regresión
lineal son los siguientes:
 La relación entre las variables Y y X es lineal, o al menos bien
aproximada por una línea recta.

 El término de error c tiene media cero.

 El término de error c tiene varianza constante o2.

 Los errores no están correlacionados.

 Los errores están normalmente distribuidos.
c | | + + = X y
1 0
72
Modelo de regresión lineal
 Se aume que para cualquier valor de X el valor observado de Y
varia en forma aleatoria y tiene una distribución de probabilidad
normal






 El modelo general es:
Y = Valor medio de Yi para Xi + error aleatorio

c | | + + = X y
1 0
La línea de regresión se calcula por el método de mínimos cuadrados.
Un residuo es la diferencia entre un punto de referencia en particular (x
i
,
y
i
) y el modelo de predicción ( y = a + bx ). El modelo se define de tal
manera que la suma de los cuadrados de los residuales es un mínimo. La
suma residual de los cuadrados es llamada con frecuencia la suma de los
cuadrados de los errores (SSE) acerca de la línea de regresión

• •





















• • •


e
i
x
i
y
i
SSE = Ee
i
2
= E(y
i
- y
i
)
2
y = b0 + b1x
Regresión Lineal Simple
a y b son
Estimados de
|0 y |1
74
Gráfica de la Línea de Ajuste
Recta de regresión
Y=-.600.858+5738.89X
R
2
= .895
Altura del muelle
R
e
t
e
n
c
i
ó
n

0.18
0.19
0.20
400
500
600
Regresión
95% Intervalo
de confianza
95% Intervalo
de predicción
75
Interpretación de los Resultados
El intervalo de predicción es el grado de certidumbre de la
difusión de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la población sobre
la que se basa la línea de regresión), se encontrarán dentro de la
banda [Líneas azules]

La ecuación de regresión (Y = -600.858 + 5738.89X) describe la
relación entre la variable predictora X y la respuesta de
predicción Y.
R
2
(coef. de determinación) es el porcentaje de variación
explicado por la ecuación de regresión respecto a la variación total
en el modelo
El intervalo de confianza es una banda con un 95% de
confianza de encontrar la Y media estimada para cada valor de
X [Líneas rojas]
Interpretación de los Resultados
• Los valores “p” de la constante (intersección en Y) y las variables
de predicción, se leen igual que en la prueba de hipótesis.
Ho: El factor no es significativo en la predicción de la respuesta.
Ha: El factor es significativo en la predicción de la respuesta.


• s es el “error estándar de la predicción” = desviación estándar del
error con respecto a la línea de regresión.

• R
2
(ajustada) es el porcentaje de variación explicado por la
regresión, ajustado por el número de términos en el modelo y por
el número de puntos de información.


• El valor “p” para la regresión se usa para ver si el modelo completo
de regresión es significativo.
Ho: El modelo no es significativo en la predicción de la respuesta.
Ha: El modelo es significativo en la predicción de la respuesta.
77
Errores residuales
 Los errores se denominan frecuentemente residuales.
Podemos observar en la gráfica de regresión los errores
indicados por segmentos verticales.


















78
Ejemplo
Considere el problema de predecir las ventas mensuales en
función del costo de publicidad. Calcular el coeficiente de
correlación, el de determinación y la recta.

MES Publicidad Ventas

1 1.2 101
2 0.8 92
3 1.0 110
4 1.3 120
5 0.7 90
6 0.8 82
7 1.0 93
8 0.6 75
9 0.9 91
10 1.1 105
79
Riesgos de la regresión
 Los modelos de regresión son válidos como ecuaciones de
interpolación sobre el rango de las variables utilizadas en el
modelo. No pueden ser válidas para extrapolación fuera de
este rango.

 Mientras que todos los puntos tienen igual peso en la
determinación de la recta, su pendiente está más influenciada
por los valores extremos de X.
1.
Y
*A


* *
* * * Sin A y B
* * * *


*B

X
80
Riesgos de la regresión
 Los outliers u observaciones aberrantes pueden distorsionar
seriamente el ajuste de mínimos cuadrados.








 Si se encuentra que dos variables están relacionadas
fuertemente, no implica que la relación sea casual, se debe
investigar la relación causa – efecto entre ellas. Por ejemplo el
número de enfermos mentales vs. número de licencias
recibidas.

Y
*A *
* * *
* *
* * *
** *
**
* * *
**
* *


X

81
Ejercicio
Calcular la recta de predicción con sus bandas de confianza,
la correlación y la determinación para la respuesta de un Taxi,
los datos se muestran a continuación:

Distancia Tiempo
0.8 200
2.2 400
1.0 160
0.6 120
1.0 360
1.4 280
2.2 560
0.6 320



82
Regresión lineal múltiple
83
Regresión múltiple
 Cuando se usa más de una variable independiente para predecir
los valores de una variable dependiente, el proceso se llama
análisis de regresión múltiple, incluye el uso de ecuaciones
lineales.



Se asume que los errores cu tienen las características siguientes:
 Tienen media cero y varianza común o2.
 Son estadísticamente independientes.
 Están distribuidos en forma normal.
u uk k u u u
X X X Y c | | | | + + + + + = .......
2 2 1 1 0
84
Multicolinealidad
 Una prueba fácil de probar si hay multicolinealidad entre dos
variables es que su coeficiente de correlación sea mayor a 0.7

 Los elementos de la diagonal principal de la matriz X’X se
denominan Factores de inflación de varianza (VIFs) y se usan
como un diagnóstico importante de multicolinealidad. Para el
componente j – ésimo se tiene:



 Si es mayor a 10 implica que se tienen serios problemas de
multicolinealidad.
2
1
1
j
j
R
VIF
÷
=
85
Corrida en Minitab
 Se introducen los datos en varias columnas C1 a C5
incluyendo la respuesta Y (heatflux) y las variables
predictoras X’s (North, South, East)
HeatFlux Insolation East South North
271.8 783.35 33.53 40.55 16.66
264.0 748.45 36.50 36.19 16.46
238.8 684.45 34.66 37.31 17.66
230.7 827.80 33.13 32.52 17.50
251.6 860.45 35.75 33.71 16.40
257.9 875.15 34.46 34.14 16.28
86
Corrida en Minitab
 Utilzar el archivo de ejemplo Exh_regr.mtw
 Opción: Stat > Regression > Regression
 Para regresión lineal indicar la columna de respuesta
Y (Score2) y X (Score1)

 En Regresión lienal en opciones se puede poner un
valor Xo para predecir la respuesta e intervalos. Las
gráficas se obtienen Stat > Regression > Regression
> Fitted line Plots

 Para regresión múltiple Y (heatflux) y las columnas
de los predictores (north, south, east)

87
Resultados de la regresión lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor Coef SE Coef T P
Constant 1.1177 0.1093 10.23 0.000
Score1 0.21767 0.01740 12.51 0.000
S = 0.1274 R-Sq = 95.7% R-Sq(adj) = 95.1%
Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56 0.000
Residual Error 7 0.1136 0.0162
Total 8 2.6556
Predicted Values for New Observations
New Obs Fit SE Fit 95.0% CI 95.0% PI
1 2.6414 0.0474 ( 2.5292, 2.7536) ( 2.3197, 2.9631)
New Obs Score1
1 7.00
88
Resultados de la regresión lineal
9 8 7 6 5 4 3 2
3.5
2.5
1.5
Score1
S
c
o
r
e
2
S = 0.127419 R-Sq = 95.7 % R-Sq(adj) = 95.1 %
Score2 = 1.11771 + 0.217670 Score1
95% PI
95% CI
Regression
Regression Plot
89
Resultados de la regresión Múltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor Coef SE Coef T P
Constant 389.17 66.09 5.89 0.000
North -24.132 1.869 -12.92 0.000
South 5.3185 0.9629 5.52 0.000
East 2.125 1.214 1.75 0.092
S = 8.598 R-Sq = 87.4% R-Sq(adj) = 85.9%
Analysis of Variance
Source DF SS MS F P
Regression 3 12833.9 4278.0 57.87 0.000
Residual Error 25 1848.1 73.9
Total 28 14681.9
Source DF Seq SS
North 1 10578.7
South 1 2028.9
East 1 226.3
90
• La regresión sólo puede utilizarse con información de variables
continuas.

• Los residuos deben distribuirse normalmente con media cero.

• Importancia práctica: (R
2
). Importancia estadística: (valores p)

• La regresión puede usarse con un “predictor” X o más,
para una respuesta dada

• Reduzca el modelo de regresión cuando sea posible,
sin perder mucha importancia práctica
Resumen de la Regresión
91
IV.B Pruebas de hipótesis
92
IV.B. Pruebas de hipótesis
1. Conceptos fundamentales
2. Pruebas para medias, varianzas y proporciones

3. Pruebas pareadas de medias
4. Análisis de varianza (ANOVA)

5. Tablas de contingencia
6. Pruebas no paramétricas

93
IV.B.1 Conceptos
fundamentales
94
Análisis Estadístico
En CADA prueba estadística, se comparan algunos valores
observados a algunos esperados u otro valor observado
comparando estimaciones de parámetros (media, desviación
estándar, varianza)

Estas estimaciones de los VERDADEROS parámetros son obtenidos
usando una muestra de datos y calculando los ESTADÏSTICOS...

La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de la
muestra de datos

Incrementando el tamaño de la muestra mejora la estimación y tu
confianza en las conclusiones estadísticas.
95
Conceptos fundamentales
 Hipótesis nula Ho
 Es la hipótesis o afirmación a ser probada
 Puede ser por ejemplo µ, µ, o, t= 5
 Sólo puede ser rechazada o no rechazada

 Hipótesis alterna Ha
 Es la hipótesis que se acepta como verdadera cuando se
rechaza Ho, es su complemento
 Puede ser por ejemplo µ = 5 para prueba de dos colas
 µ < 5 para prueba de cola izquierda
 µ > 5 para prueba de cola derecha
 Esta hipótesis se acepta cuando se rechaza Ho

96
Conceptos fundamentales
 Ejemplos:
 Se está investigando si una semilla modificada
proporciona una mayor rendimiento por hectárea, la
hipótesis nula de dos colas asumirá que los
rendimientos no cambian Ho: Ya = Yb

 Se trata de probar si el promedio del proceso A es
mayor que el promedio del proceso B. La hipótesis
nula de cola derecha establecerá que el proceso A es
<= Proceso B. O sea Ho: A <= B.
97
Conceptos fundamentales
 Estadístico de prueba
 Para probar la hipótesis nula se calcula un estadístico
de prueba con la información de la muestra el cual se
compara a un valor crítico apropiado. De esta forma se
toma una decisión sobre rechazar o no rechazar la Ho

 Error tipo I (alfa = nivel de significancia, normal=.05)
 Se comete al rechazar la Ho cuando en realidad es
verdadera. También se denomina riesgo del productor

 Error tipo II (beta )
 Se comete cuando no se rechaza la hipótesis nula
siendo en realidad falsa. Es el riesgo del consumidor

98
Conceptos fundamentales
 Tipos de errores
 Se asume que un valor pequeño para o es deseable, sin
embargo esto incrementa el riesgo |.
 Para un mismo tamaño de muestra n ambos varían
inversamente
 Incrementando el tamaño de muestra se pueden reducir ambos
riesgos.
Decisión realizada Ho en realidad es
Verdadera
Ho en realidad es
falsa
No hay evidencia para
rechazar Ho
p = 1-o
Decisión correcta
p = |
Error tipo II
Rechazar Ho p = o
Error tipo I
p = 1 - |
Decisión correcta
99
Conceptos fundamentales
 Pruebas de dos colas
 Si la Ho: µ, µ, o, t= cte. que un valor poblacional,
entonces el riesgo alfa se reparte en ambos extremos
de la distribución. Por ejemplo si Ho = 10 se tiene:
P(Z>= + Zexcel ) = alfa/2 P(Z<= - Zexcel ) = alfa/2
100
Conceptos fundamentales
 Pruebas de una cola
 Si la Ho: µ, µ, o, t >= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola izquierda de
la distribución. Por ejemplo si Ho: µ>= 10 y Ha: µ< 10
se tiene una prueba de cola izquierda:
P(Z <= - Zexcel ) = alfa
101
Conceptos fundamentales
 Pruebas de una cola
 Si la Ho: µ, µ, o, t<= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola derecha de
la distribución. Por ejemplo si Ho: µ<= 10 y Ha: µ >
10 se tiene una prueba de cola derecha:
P(Z>= + Zexcel ) = alfa
102
Conceptos fundamentales
 Tamaño de muestra requerido
 Normalmente se determina el error alfa y beta deseado
y después se calcula el tamaño de muestra necesario
para obtener el intervalo de confianza.

 El tamaño de muestra (n) necesario para la prueba
de hipótesis depende de:
 El riesgo deseado tipo I alfa y tipo II Beta
 El valor mínimo a ser detectado entre las medias de la
población (Mu – Mu0)
 La variación en la característica que se mide (S o
sigma)
103
Conceptos fundamentales
 El Tamaño de muestra requerido en función del error
máximo E o Delta P intervalo proporcional esperado
se determina como sigue:
2 2
/ 2
2
2
/ 2
2
( )(1 )
( )
Z
n
E
Z p p
n
p
o
o
o
=
÷
=
A
2
2
2 /
2
2 2
2 /
) (
) 1 )( (
) (
t
t t
µ
o
o
o
÷
÷
=
÷
=
p
Z
n
X
Z
n
104
Conceptos fundamentales
 Ejemplo:
 ¿Cuál es el tamaño de muestra mínimo que al 95% de
nivel de confianza (Z=1.96) confirma la significancia de
una corrida en la media mayor a 4 toneladas/hora (E),
si la desviación estándar (sigma) es de 20 toneladas?

n = (1.96^2)(20^2)/(4)^2 = 96

Obtener 96 valores de rendimiento por hora y determinar
el promedio, si se desvía por más de 4 toneladas, ya
ha ocurrido un cambio significativo al 95% de nivel de
confianza




105
Pruebas de Minitab
 Permite hacer las siguientes pruebas:
 Prueba z de una muestra
 Prueba t de una muestra
 Prueba t de dos muestras
 Prueba de 1 proporción
 Prueba de 2 proporciones

 ANOVA
 Diseños factoriales de dos niveles
 Diseños de Packett Burman
106
Estimación puntual
y por intervalo
107
7B2. Estimación puntual y por
intervalo
 Las medias o desviaciones estándar calculadas de una muestra
se denominan ESTADÍSTICOS, podrían ser consideradas como
un punto estimado de la media y desviación estándar real de
población o de los PARAMETROS.

 ¿Qué pasa si no deseamos una estimación puntual como media
basada en una muestra, qué otra cosa podríamos obtener como
margen, algún tipo de error?


“Un Intervalo de Confianza”

108
Intervalo de confianza
P(Z>= + Zexcel ) = alfa/2
P(Z<= - Zexcel ) = alfa/2
Intervalo de confianza donde
se encuentra el parámetro con
un NC =1-o
Error de estimación
109
Estimación puntual y por
intervalo
 ¿Cómo obtenemos un intervalo de confianza?

Estimación puntual + error de estimación

 ¿De dónde viene el error de estimación?

Desv. estándar X multiplicador de nivel de confianza deseado Zo/2

Por Ejemplo: Si la media de la muestra es 100 y la desviación
estándar es 10, el intervalo de confianza al 95% donde se
encuentra la media para una distribución normal es:

100 + (10) X 1.96 => (80.4, 119.6) 1.96 = Z
0.025

110
Estimación puntual y por
intervalo

95% de Nivel de Confianza significa que sólo tenemos un 5% de
oportunidad de obtener un punto fuera de ese intervalo.

Esto es el 5% total, o 2.5% mayor o menor. Si vamos a la tabla Z veremos
que para un área de 0.025, corresponde a una Z de 1.960.
C. I. Multiplicador Zo/2
99 2.576
95 1.960
90 1.645
85 1.439
80 1.282
Para tamaños de muestra >30, o o conocida usar la distribución Normal
Para muestras de menor tamaño, o o desconocida usar la distribución t
111
Estimación puntual y por
intervalo
. 30
2
. 30
2
2 2
2
2 2
, 1 1 , 1
2 2
2
( 1) ( 1)
(1 )
para n
para n
n n
X Z
n
X t
n
n s n s
p p
p Z
n
o
o
o o
o
o
µ
o
µ
o
_ _
t
>
<
÷ ÷ ÷
= ±
= ±
÷ ÷
s s
÷
= ±
; con n-1 gl.
112
Instrucciones con Minitab
Intervalo de confianza para la media

Stat > Basic Statistics > 1-Sample Z, t

Variable -- Indicar la columna de los datos o Summarized Data

En caso de requerirse dar el valor de Sigma = dato

En Options:

Indicar el Confidence level -- 90, 95 o 99%

OK

113
Instrucciones con Minitab
Intervalo de confianza para proporción

Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data
Number of trials = n tamaño de la muestra
Number of events = D éxitos encontrados en la muestra

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%

Seleccionar Use test and interval based in normal distribution

114
Para n grande el IC es pequeño
115
Ejemplo
 Dadas las siguientes resistencias a la tensión: 28.7,
27.9, 29.2 y 26.5 psi

Estimar la media puntual
X media = 28.08 con S = 1.02

Estimar el intervalo de confianza para un nivel de
confianza del 95% (t = 3.182 con n-1=3 grados de
libertad)
Xmedia±3.182*S/√n = 28.08±3.182*1.02/2=(26.46, 29.70)
116
Ejemplos para la media con
Distribución normal Z
Z 1. El peso promedio de una muestra de 50 bultos de productos
Xmedia = 652.58 Kgs., con S = 217.43 Kgs. Determinar el intervalo
de confianza al NC del 95% y al 99% donde se encuentra la media
del proceso (poblacional). Alfa = 1 - NC

2. Un intervalo de confianza del 90% para estimar la ganancia
promedio del peso de ratones de laboratorio oscila entre 0.93 y
1.73 onzas. ¿Cuál es el valor de Z?.

3. 100 latas de 16 onzas de salsa de tomate tienen una media de
Xmedia = 15.2 onzas con una S = 0.96 onzas. ¿A un nivel de
confianza del 95%, las latas parecen estar llenas con 16 onzas?.

4. Una muestra de 16 soluciones tienen un peso promedio de 16.6
onzas con S = 3.63. Se rechaza la solución si el peso promedio de
todo el lote no excede las 18 onzas. ¿Cuál es la decisión a un 90%
de nivel de confianza?.


117
Ejemplos para la media y varianza
con Distribución t
t 5. 20 cajas de producto pesaron 102 grs. Con S = 8.5 grs. ¿Cuál
es el intervalo donde se encuentra la media y varianza del lote
para un 90% de nivel de confianza?. Grados libertad=20 -1 =19


6. Una muestra de 25 productos tienen un peso promedio de 23.87
grs. Con una S = 9.56. ¿Cuál es la estimación del intervalo de
confianza para la media y varianza a un nivel de confianza del
95 y del 98% del peso de productos del lote completo?.

7. Los pesos de 25 paquetes enviados a través de UPS tuvieron
una media de 3.7 libras y una desviación estándar de 1.2 libras.
Hallar el intervalo de confianza del 95% para estimar el peso
promedio y la varianza de todos los paquetes. Los pesos de los
paquetes se distribuyen normalmente.


118
Ejemplos para proporciones con
Distribución Z
Z 8. De 814 encuestados 562 contestaron en forma afirmativa.
¿Cuál es el intervalo de confianza para un 90% de nivel de
confianza?

9. En una encuesta a 673 tiendas, 521 reportaron problemas de
robo por los empleados ¿Se puede concluir con un 99% de nivel
de confianza que el 78% se encuentra en el intervalo de
confianza. ?

119
IV.B.2b Pruebas de hipótesis para
media, varianza y proporción
120
Elementos de una
Prueba de Hipótesis
Prueba Estadística- Procedimiento para decidir no rechazar Ho
aceptando Ha o rechazar Ho.

Hipótesis Nula (Ho) - Usualmente es una afirmación representando
una situación “status quo”. Generalmente deseamos rechazar la
hipótesis nula.

Hipótesis Alterna (Ha) - Es lo que aceptamos si podemos rechazar
la hipótesis nula. Ha es lo que queremos probar.

121
Elementos de una
Prueba de Hipótesis
Estadístico de prueba: Calculado con datos de la muestra (Z, t, X
2

or F).

Región de Rechazo Indica los valores de la prueba estadística para
que podamos rechazar la Hipótesis nula (Ho). Esta región esta
basada en un riesgo o deseado, normalmente 0.05 o 5%.
122
Pasos en la Prueba de Hipótesis
1. Definir el Problema - Problema Práctico

2. Señalar los Objetivos - Problema Estadístico

3. Determinar tipo de datos - Atributo o Variable

4. Si son datos Variables - Prueba de Normalidad

123
Pasos en la Prueba de Hipótesis
5. Establecer las Hipótesis
- Hipótesis Nula (Ho) - Siempre tiene el signo =, s, >



- Hipótesis Alterna (Ha) – Tiene signos =, > o <.



El signo de la hipótesis alterna indica el tipo de prueba a usar
hipotesis la de parametro Ho > s = , , , , :
2
t o µ
hipotesis la de parametro Ha < > = , , , , :
2
t o µ
124
Pasos en la Prueba de Hipótesis
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%) o el
nivel de confianza NC = 1 - alfa

7. Establecer el tamaño de la muestra, >= 10.

8.Desarrollar el Plan de Muestreo

9.Seleccionar Muestras y Obtener Datos

10. Decidir la prueba estadística apropiada y calcular el
estadístico de prueba (Z, t, X
2
or F) a partir de los datos.
125
Estadísticos para medias,
varianzas y proporciones
2
1
1 2
2
2
1 2
1 2
2 2
1 1 2 2
1
1 2
; . ; 30;
/
; . ; 30;
/
; 1, 1; . . var
; . ; ' . .
1 1
/
( 1) ( 1)
;
2
p
p
X
Z Una media n conocida
n
X
t Una media n desconocida
S n
S
F DF n n prueba dos ianzas
S
X X
t dos medias s desconocidas pero
S
n n
n s n s
S DF n
n n
µ
o
o
µ
o
o
÷
= > ÷
÷
= < ÷
= = ÷ ÷
÷
= ÷ =
+
÷ + ÷
= =
+ ÷
2
1 2
2 2
1 2
1 2
2
; . ; ' .
.
n
X X
t dos medias s desconocidas diferentes
s s
n n
DF formula especial
o
+ ÷
÷
= ÷
+
=
126
Estadísticos para medias,
varianzas y proporciones
 Para el caso de muestras pareadas se calculan las
diferencias d individuales como sigue:
2
2
2
2
2
; . . ; . . .
/
( 1)
; ( 1); . . ar
( )
; ( 1)( 1); .
i
d
d
t Pares de medias d para cada par
S n
n S
X DF n prueba una v ianza
O E
X DF r c bondad ajuste
E
o
=
÷
= = ÷
÷
= = ÷ ÷
¿
127
Pasos en la Prueba de Hipótesis
11. Obtener el estadístico correspondiente de tablas o Excel.

12.Determinar la probabilidad de que el estadístico de prueba
calculado ocurre al azar.

13.Comparar el estadístico calculado con el de tablas y ver si
cae en la región de rechazo o ver si la probabilidad es menor a
alfa, rechaze Ho y acepte Ha. En caso contrario no rechaze Ho.

14.Con los resultados interprete una conclusión estadística
para la solución práctica.
Prueba de Hipótesis
Pruebas de Hipótesis de dos colas:
Ho: a = b
Ha: a = b


Pruebas de Hipótesis de cola derecha:
Ho: a s b
Ha: a > b


Pruebas de Hipótesis cola izquierda:
Ho: a > b
Ha: a < b


Z
o/2 0
-Z
o/2
Región de
Rechazo
Región de
Rechazo
Z
o/2 0
Región de
Rechazo
Z
o/2 0
-Z
o/2
Región de
Rechazo
Estadístico
Calculado con
Datos de la muestra
129
Prueba de hipótesis para la varianza
 Las varianzas de la población se ditribuyen de
acuerdo a la distribución Chi Cuadrada. Por tanto las
inferencias acerca de la varianza poblacional se
basarán en este estadístico

 La distribución Chi Cuadrada se utiliza en:
Caso I. Comparación de varianzas cuando la varianza de
la población es conocida

Caso II. Comparando frecuencias observadas y
esperadas de resultados de pruebas cuando no hay
una varianza de la población definida (datos por
atributos)
130
Prueba de hipótesis para la varianza
 Las pruebas de hipótesis para comparar una varianza
poblacional a un cierto valor constante o0, si la
población sigue la distribución normal es:




 Con el estadístico Chi Cuadrada con n-1 grados de
libertad

131
Prueba de hipótesis para la varianza
Ejemplo: ¿El material muestra una variación (sigma) en la
resistencia a la tensión menor o igual a 15 psi con 95% de
confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.

X^2c =(7)(8)^2/(15)^2 = 1.99
Como La Chi calculada es menor a la Chi de Excel de 2.17 se debe
rechazar la hipótesis nula. Si hay decremento en la resistencia
2.17
132
Prueba de hipótesis para atributos
Ejemplo: Un supervisor quiere evaluar la habilidad de 3
inspectores para detectar radios en el equipaje en un
aeropuerto.
¿Hay diferencias significativas para un 95% de confianza?
Valores
observados O
Inspector
1
Inspector 2 Inspector 3 Total por
tratamiento
Radios
detectados
27 25 22 74
Radios no
detectados
3 5 8 16
Total de la
muestra
30 30 30 90
133
Prueba de hipótesis para atributos
Ho: p1 = p2 = p3
Ha: p1 = p2 = p3
Grados de libertad = (No. de columnas -1)*(No. renglones -1)
Las frecuencias esperadas son: (Total columna x Total renglón)
Valores
esperados E
Inspector
1
Inspector 2 Inspector 3 Total por
tratamiento
Radios
detectados
24.67 24.67 24.67 74
Radios no
detectados
5.33 5.33 5.33 16
Total de la
muestra
30 30 30 90
134
Prueba de hipótesis para atributos
El estadístico Chi Cuadrado en este caso es:








El estadístico Chi Cuadrada de alfa = 0.05 para 4 grados de
libertad es 5.99.
El estadístico Chi Cuadrada calculada es menor que Chi de alfa,
por lo que no se rechaza Ho y las habilidades son similares
5.99
Para una muestra grande (n>30)probar la hipótesis de una media u
1.) Ho: µ=µ
o
2.) Ha: µ=µ
o

3.) Calcular el estadístico de prueba
4.) Establecer la región de rechazo
Las regiones de rechazo para prueba de 2 colas: -Z
o/2 ¢
Z
o/2

µ÷µ
o
s
n
Z
calc
=
Si el valor del estadístico de prueba cae en la región de rechazo
rechazaremos Ho de otra manera no podemos rechazar Ho.
Zo/2
0
-Z
o/2
Región de
Rechazo
Región de
Rechazo
Ejemplo de Prueba de hipótesis para la media
136
Prueba de hipótesis de una población
para muestras grandes con Z

¿Parecería ser correcta la afirmación de que se mantiene el precio promedio de las computadoras en $2,100?
Probarlo a un 5% de nivel de significancia
Datos
Minoristas n 64 media mu = 2100
Precio prom. X 2251
Desv. Estándar s 812 (Alfa = 0.05
Paso 1. Establecimiento de hipótesis
Ho: uC = 2100 Se inicia con el planteamiento de la hipótesis nula
Ha: uC <> 2100 Por tanto se trata de una prueba de dos colas
Paso 2. Cálculo del estadístico de prueba Zc
151 = > Zc = 1.48768473
101.5 Error estándar
Como el valor de Zc es positivo se comparará contra de Zexcel (1-alfa/2) positivo
Paso 3. Determinar la Ze de Excel o de tablas para el valor de probabilidad (Alfa / 2):
Ze ( 0.025 ) = 1.95996398 DIST.NORM.STAND.INV.( -0.025 )
n
s
X
Z
NULA HIPOTESIS
c
.
µ ÷
=
137
Paso 4. Comparando los valores Zc calculado contra Zexcel se tiene
Zexcel ( #¡REF! ) Zexcel ( -0.025 )
-1.95996398 1.959963985
Zc = 1.487684729
Como Zc es menor que Zexcel, no cae en el área de rechazo,
y por tanto no hay suficiente evidencia para RECHAZAR Ho
Se concluye que el precio promedio no es diferente de $2,100
O Como el valor P = 0.068 correspondiente a la Z calculada Zc es mayor
que el valor de Alfa / 2 = 0.025, también nos da el criterio
para NO RECHAZAR la Ho
Paso 5. El Intervalo de confianza para la media poblacional (1-Alfa = 0.95 Porciento)
al nivel de confianza 1-Alfa
Error estándar 101.5
Z alfa/2 1.95996398
Intervalo de confianza 2251 ± 198.936344
El intervalo de confianza incluye a la media de la hipótesis
por tanto no se rechaza la Ho. 2052.064 <= <= ### )
P(Z>= + Zexcel ) = alfa/2 P(Z<= - Zexcel ) = alfa/2
n
s
Z X estimar para IC
2
. . .
o
µ ± =
µ
138
Prueba de hipótesis de una población
para muestras pequeñas con t
Se piensa que las ventas promedio de $5,775 se han incrementado gracias a la campaña publicitaria
Probar esta afirmación a un nivel de significancia alfa de 1%
Se inicia con el planteamiento de la hipótesis Alterna
Datos
Semanas n 15 media mu = 5775
Ventas prom X 6012
Desv. Estándar s 977 (Alfa = 0.01 (1-Alfa = 0.99
(Alfa/2 = 0.005 (1-Alfa/2 = 0.995
Paso 1. Establecimiento de hipótesis
Ho: uC <= 5775
Ha: uV > 5775 Se trata de una prueba de cola derecha
Paso 2. Cálculo del estadístico de prueba tc
237 = > tc = 0.93950568
252.2603153 Error estándar
NOTA:En excel poner 2alfa
para obtener t de alfa
Como el valor de tc es positivo se comparará contra de t excel (1- alfa) positivo
Paso 3. Determinar la te de Excel o de tablas para Alfa 0.01
te ( 0.99 2.62449406 DIST.T.INV( 0.02 , gl. 14 )
n
s
X
t
NULA HIPOTESIS
c
.
µ ÷
=
Gl=14;
139
Paso 4. Comparando los valores tc calculado contra t excel se tiene
texcel ( 0.02 gl. 14)
2.62449406
tc = 0.939505684 Valor p para tc es igual a
P(tc) = 0.368130427
Como tc es menor que texcel, no cae en el área de rechazo, p > Alfa
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que la publicidad no ha tenido efecto en las ventas
O Como el valor de P para Zc es 0.368 mayor a Alfa = 0.05 no se rechaza Ho
Paso 5. El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 99 Porciento)
Error estándar 252.260315
Z alfa/2 2.62449406
Como el intervalo de confianza Intervalo de confianza 6012 ± 662.0557002
contiene a la media Hipótesis no se rechaza Ho 5349.94 <= <= 6674.06 )
P(t >= + t excel ) = alfa
n
s
t X estimar para IC
2
. . .
o
µ ± =
µ
140
Instrucciones con Minitab para la
prueba de hipótesis de una media
Stat > Basic Statistics > 1-Sample Z, t

Variable -- Indicar la columna de los datos o Summarized Data

En caso de requerirse dar el valor de Sigma = dato

Proporcionar la Media de la hipótesis Test Mean

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%

Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
OK
141
Prueba de hipótesis
para una proporción con Z
El gerente de mercado considera que el 50% de sus clientes gasta menos de $10 en cada visita a la tienda.
¿Estás de acuerdo con esta afirmación a un nivel de significancia del 5%?
Se inicia con el planteamiento de la hipótesis nula
Datos
Clientes n 50 Proporción media = 0.5
30 gastaron p 0.6
menos de$10 (Alfa = 0.05 (1-Alfa = 0.95
(Alfa/2 = 0.025 (1-Alfa/2 = 0.975
Paso 1. Establecimiento de hipótesis
Se trata de una prueba de dos colas
Paso 2. Cálculo del estadístico de prueba Zc
0.1 = > Zc = 1.41421356
0.07071068 Error estándar
Como el valor de Zc es positivo se comparará contra de Zexcel (alfa/2) positivo
Paso 3. Determinar la Ze de Excel o de tablas para (1-Alfa/2 = 0.975
Ze ( (1-Alfa/2 = 1.95996398 DIST.NORM.STAND.INV.( 0.975 )
n
p
Z
NULA HIP NULA HIP
NULA HIPOTESIS
c
) 1 (
. .
.
t t
t
÷
÷
=
5 . 0 :
5 . 0 :
=
=
c
c
Ha
Ho
t
t
142
Paso 4. Comparando los valores Zc calculado contra Zexcel se tiene
Zexcel ( 0.025 ) Zexcel ( 0.975 )
-1.95996398 1.95996398
Zc = 1.41421356 Valor p para Zc es igual a
P(-Zc) = 0.07926984
Como Zc es menor que Zexcel, no cae en el área de rechazo, p > Alfa /2
y por tanto no hay suficiente evidencia para rechazar Ho y se concluye
que el porcentaje que compra menos de $10 no difiere del 50% de clientes
O Como el valor P de Zc es 0.079 mayor a Alfa/2 no se rechaza Ho
Paso 5. El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 95 Porciento)
Error estándar 0.07071068
Z alfa/2 1.41421356
Intervalo de confianza 0.6 ± 0.1
Como la media de p = 0.6 se encuentra
dentro del intervalo, no se rechaza Ho ( 0.5 <= 0.7 )
P(Z <= - Zexcel ) = alfa/2
P(Z>= Zexcel ) = alfa/2
n
p p
Z p estimar para IC
) 1 (
. . .
2
÷
± =
o
t
<= t
143
Instrucciones con Minitab para la
prueba de hipótesis de una proporción
Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data

Number of trials = n tamaño de la muestra
Number of events = D éxitos encontrados en la muestra

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Proportion Proporción de la hipótesis
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than

Seleccionar Use test and interval based in normal distribution
OK
144
IV.B.2b Pruebas de hipótesis para
comparación de varianzas, medias, y
proporciones
Prueba de Hipótesis
 Supongamos que tenemos muestras de dos reactores que
producen el mismo artículo. Se desea ver si hay diferencia
significativa en el rendimiento de “Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5

Estadísticas Descriptivas

Variable Reactor N Media Desv.Std

Rendimiento A 10 84.24 2.90
B 10 85.54 3.65

146
Prueba de Hipótesis
Pregunta Práctica: Existe diferencia entre los reactores?
Pregunta estadística ¿La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? O, su diferencia se da por
casualidad en una variación de día a día.
Ho:
Ha:
a
a
µ µ
µ µ
=
=
b
b
 Ho: Hipótesis Estadística:
No existe diferencia entre los
Reactores
 Ha: Hipótesis Alterna: Las
medias de los Reactores son
diferentes.
Se busca demostrar que los valores observados al parecer no
corresponden al mismo proceso, se trata de rechazar Ho.
147
Prueba de Hipótesis
 Hipótesis Alterna: Cuando las
medias de Reactores son
diferentes. A esto se le llama
Hipótesis Alterna (Ha)
 Hipótesis Estadística: No
existe diferencia entre los
Reactores
 Esto se llama Hipótesis Nula
(Ho)
Debemos demostrar que los valores que observamos al parecer no
corresponden al mismo proceso, que la Ho debe estar equivocada
148
¿Qué representa esto?
Reactor A
Reactor B
80.0 82.5 85.0 87.5 90.0 92.5
A AA AAAA A A
B B B B B BB B B B

¿Representan los reactores un proceso básico?
¿Representan los reactores dos procesos diferentes?
149
Prueba F de dos varianzas
 Si se toman dos muestras de dos poblaciones normales con
varianzas iguales, la razón de sus varianzas crea una
distribución muestral F. Las hipótesis son las siguientes:




 El estadístico F se muestra a continuación donde S1 se
acostumbra tomar como la mayor

150
Prueba F de dos varianzas





 Sea S1 = 900 psi, n1 = 9, s2 = 300 psi, n2 = 7. A un 95% de nivel de
confianza se puede concluir que hay menor variación?

Ho: Varianza 1 <= Varianza 2 H1: Varianza 1 > Varianza 2
Grados de libertad para Var1 = 8 y para var 2 = 6

Falfa = F(0.05, 8, 6) = 4.15
Fcalculada = (900^2)/(300^2) = 9 >> Falfa, se rechaza Ho.
Hay evidencia suficiente para indicar que la variación ya se ha
reducido
151
Prueba de hipótesis de dos pob.
comparando varianzas con F
Se quiere comprobar si las varianzas de dos diferentes métodos de ensamble de CDs son diferentes en prod .
A un nivel de siginificancia del 5% ¿Qué se puede concluir?
Método 1 Método 2
No. De CDs n1 15 n2 17 Alfa/2 0.025
Desv. Estan. s1 5.4 X2 4.8
Varianza s1
2
29.16 s2
2
23.04
Paso 1. Establecimiento de hipótesis
Por tanto se trata de una prueba de dos colas
Paso 2. Cálculo del estadístico de prueba Fc
Grados de libertad
1.266 Numerador = n1 - 1 = 14
Denominador = n2 - 1 = 16
Tomamos a s1
2
como el mayor para comparar Fc contra Fexcel (1- Alfa/2)
Paso 3. Determinar la Fe de Excel o de tablas para Alfa/2 0.025
Fe (0.975) = 2.81701784 DIST.F.INV (0.025, 14,16)
2
2
2
1
2
2
2
1
:
:
o o
o o
=
=
Ha
Ho
2
2
2
1
s
s
Fc =
152
Paso 4. Comparando los valores Fc calculado contra Fexcel (0.025) se tiene
f(F)
Fe(0.025) = 2.81701784
Fc = 1.266 Valor p para Fc es igual a
P(Fc) = 0.32259599
Como Fc es menor que Fexcel, no cae en el área de rechazo, p > Alfa / 2
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que la varianza de los dos métodos de ensamble no difieren
significativamente
P(F>= + 2.81 ) = alfa/2
153
Instrucciones con Minitab para la
comparación de dos varianzas
Stat > Basic Statistics > 2-variances

Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%


OK
154
Prueba de hipótesis de dos pob.
Comparando dos medias con Z
Investigar si el ambiente libre de tensiones mejoran el engorde y la calidad de la carne de vacas
Las varianzas poblacionales son desconocidas
Determinar el intervalo de confianza al 90% donde se encuentra la media. Alfa = 0.10
Vacas vacaciones Vacas normales
Vacas n1 50 n2 50
Peso promedio X1 112 X2 105.7
Desv. Estándar s1 32.3 s2 28.7
Paso 1. Establecimiento de hipótesis
Como el planteamiento es que las vacas de vacaciones
ganan más peso, se inicia planeando la Ha
Paso 2. Cálculo del estadístico de prueba Zc
6.3 = > Zc = 1.03099301
6.110613717
Tomamos a X1 como el mayor para comparar Zc contra Ze positiva
Paso 3. Determinar la Ze de Excel o de tablas para una alfa de 0.1
Ze (0.90) = 1.28155157 DIST.NORM.STAND.INV (0.90)
2 1
3
2
2
1
2 1
n
s
n
s
X X
Z
c
+
÷
=
VN VV
VN VV
Ha
Ho
µ µ
µ µ
=
=
:
:
155
Paso 4. Comparando los valores Zc calculado contra Zexcel (0.90) se tiene
Ze (0.90)= 1.28
Zc = 1.03099301 Valor p para Zc es igual a
P(-Zc) = 0.149402368
p > Alfa
Como Zc es menor que Zexcel, no cae en el área de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que no hay diferencia entre vacas de vacaciones y normales
Paso adicional. El Intervalo de confianza del 90% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estándar 6.11061372
Z (alfa/2) = 1.64485363
= Intervalo de confianza
6.3 + - 10.05106514
La diferencia es del orden de cero,es decir ( -3.75107 < = u < = 16.3511 )
P(Z>= + 1.28) = 0.90
2 1
2
2
2
1
2 1
n
s
n
s
X X
+ =
÷
o
2 1 2 /
2 1 ) (
X X
s Z X X
÷
± ÷
o
156
Prueba de dos medias
muestras pequeñas
Sigmas descono-
cidas e iguales
Sigmas desconocidas
y desiguales
157
Prueba de hipótesis de dos pob.
Comparando dos medias con t
Investigar si hay diferencia en los promedios de las ventas diarias de dos tiendas
Las varianzas de las dos poblaciones son iguales pero desconocidas
Determinar el intervalo de confianza al 99% donde se encuentra la media (alfa = 0.01)
Tienda 1 Tienda 2
Semanas n1 12 n2 15
Ventas promedio X1 125.4 X2 117.2
Desv. Estandar s1 34.5 s2 21.5
Paso 1. Establecimiento de hipótesis
Por tanto se trata de una prueba de dos colas
Paso 2. Cálculo del estadístico de prueba tc
19564.25 Sp
2
= 782.57
25
8.2 = > tc = 0.75684444
10.8344589
Tomamos a X1 como el mayor para comparar tc contra te positiva
Si se toma a X1 como la media menor se debe comparar Zc contra -Ze
Paso 3. Determinar la te de Excel o de tablas para una alfa de 0.01 que corresponde a alfa/2 = 0.005
Se tienen n1 + n2 - 2 grados de libertad o sean 25
te (0.01) = 2.78743581 DIST.T.INV (0.01, 25) Asi es para dos colas
2 2 1
) 1 2 ( ) 1 1 (
2
2
2
1 2
÷ +
÷ + ÷
=
n n
n s n s
s
p
2 1
3 2
2 1
n
s
n
s
X X
t
p p
c
+
÷
=
2
2
2
1
o o =
2 1
2 1
:
:
T T
T T
Ha
Ho
µ µ
µ µ
=
=
158
Paso 4. Comparando los valores tc calculado contra texcel (0.01) se tiene
te(0.01,25) = -2.787 te(0.01, 25) = 2.787
Valor p para tc es igual a
tc = 0.7568 P(tc) = 0.46025521
p > Alfa / 2
Como tc es menor que texcel, no cae en el área de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que no hay diferencia sig. En las ventas de las dos tiendas
Paso adicional. El Intervalo de confianza del 99% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estándar 10.8344589
= Intervalo de confianza (8.2 + - 2.787*10.83)
Se observa una diferencia positiva sin embargo el cero está incluido ( -21.98 <= u <= 38.38)
P(t>=2.787 ) = alfa/2 P(t<=-2.787 ) = alfa/2
2 1
) (
2 2
2 /
2 1
n
s
n
s
t X X
p p
+ ± ÷
o
2 1
2 2
n
s
n
s
p p
+
159
Instrucciones con Minitab para la
comparación de dos medias
Stat > Basic Statistics > 2-Sample t

Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
Seleccionar o no seleccionar Assume equal variances de acuerdo a
los resultados de la prueba de igualdad de varianzas

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Difference (normalmente 0)
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
160
Prueba de hipótesis de dos pob.
Comparando dos proporciones con Z
Investigar si tiene razon el analista sobre si los bonos convertibles se sobrevaloraron más que los
bonos de ingresos.
Probar la hipótesis a un 10% de nivel de significancia o error de equivocarse en rechazar Ho.
Convertibles Ingresos
Bonos n1 312 n2 205 Alfa 0.1
Sobrevalorad X1 202 X2 102 1-Alfa 0.9
7.8
p1 0.647 p2 0.498 Fracción de las muestras
Paso 1. Establecimiento de hipótesis
Por tanto se trata de una prueba de cola derecha
Paso 2. Cálculo del estadístico de prueba Zc
0.150 = > Zc = 3.393046759
0.04417119
Tomamos a p1 como el mayor para comparar Zc contra Ze positiva (1- Alfa)
Paso 3. Determinar la Ze de Excel o de tablas para 1-Alfa 0.9
Ze (0.9) = 1.28155157 DIST.NORM.STAND.INV (0.9)
2
) 1 (
1
) 1 (
2 2 1 1
2 1
n
p p
n
p p
p p
Z
c
÷
+
÷
÷
=
2 1 2 1
2 1 2 1
: ...... .......... .......... 0 :
: .... . .... 0 :
t t t t
t t t t
> > ÷
s s ÷
Ha Ha
Ho forma otra Ho
161
Paso 4. Comparando los valores Zc calculado contra Zexcel (0.9) se tiene
Zc = 3.39304676
Ze(0.9) = 1.281551566
Valor p para Zc es igual a
P(-Zc) = 0.00034946
p < Alfa
Como Zc es mayo que Zexcel, si cae en el área de rechazo,
y por tanto hay suficiente evidencia para rechazar Ho y aceptar Ha
Se concluye que la diferencia en conv. entre los bonos es significativa
Paso adicional. El Intervalo de confianza del 98% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estándar 0.044171193
Zexcel (para alfa/2) 1.644853627
= Intervalo de confianza ( 0.150 ± 0.07265515
Se observa difererencia positiva entre proporciones ( 0.077 <= PI <= 0.223
el cero no está incluido en el intervalo
P(Z>= + 1.28 ) = Alfa
2
) 1 (
1
) 1 (
2 2 1 1
2 1
n
p p
n
p p
s
p p
÷
+
÷
=
÷
2 1 2 / 2 1
) (
p p
s Z p p
÷
± ÷
o
162
Instrucciones con Minitab para la
prueba de hipótesis de dos proporciones
Stat > Basic Statistics > 2-Proportions

Seleccionar Summarized Data
Trials: Events:
First: No. de elementos de la 1ª. Muestra y D1 éxitos encontrados
Second: No. de elementos de la 2ª. Muestra y D2 éxitos encontrados

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Difference Normalmente 0
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than

Seleccionar Use pooled estimate of p for test
OK
163
IV.B.3 Prueba de datos pareados
164
Prueba de hipótesis de dos pob.
Comparando datos pareados con t
Las muestras pareadas de tamaño 25 reportaron una diferencia media de 45.2 y una desviación
estándar de las diferencias de 21.6. Pruebe la igualdad de medias a un nivel del 5%.
Paso 1. Establecimiento de Hipótesis
No. Pares de muestras n = 25
Paso 2. Se calcula el estadístico tc: Diferencia media = 45.2
Desv. Estándar de difs. = 21.6
Alfa 0.05
gl = 24
= 10.462963
Paso 3. Se determina el valor crítico del estadístico t de Excel o tablas para Alfa / 2 0.025
t excel = 2.06389855 DISTR.T.INV(0.05, 24) Excel divide entre 2 colas
2 1
2 1
:
:
µ µ
µ µ
=
=
Ha
Ho
n
s
d
t
d
c
=
Grados de libertad = No. de pares - 1
165
Paso 4. Comparando el estadístico tcalculado contra t excel (0.025, 24) se tiene:
tc = 10.462963
te(0.025,24) = -2.063 te(0.025, 24) = 2.063
Valor p para tc es igual a
P(t > tc) = 0
p < Alfa / 2
Como tc es mayor que t excel, si cae en el área de rechazo,
y por tanto si hay suficiente evidencia para rechazar Ho y aceptar Ha
se concluye que si hay diferencia significativa entre las medias
Paso 5. El intervalo de confianza para las diferencias en medias pareadas es
t alfa/2 = 2.063
Error estándar = 0.864
Dif. Promedio = 45.2
45.2 + - 0.864
Se observa diferencia positiva significativa entre diferencia de medias 43.4176 <= dm < =46.9824
P(t>=2.063 ) = alfa/2
P(t<=-2.063 ) = alfa/2
n
s
t d para C I
d
d 2 /
. . .
o
µ ± =
166
Instrucciones con Minitab para la
comparación de dos medias pareadas
Stat > Basic Statistics > Paired t

Seleccionar samples in columns o Summarized data
First sample - Indicar la columna de datos de la muestra 1
Second sample - Indicar la columna de datos de la muestra 2

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Mean (normalmente 0)
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
167
Robustez
 Los procedimientos estadísticos se basan en
supuestos acerca de su comportamiento teórico.
Cuando los estadísticos obtenidos no son afectados
por desviaciones moderadas de su expectativa
teórica, se dice que son robustos.
168
Resumen
169
IV.B:4 ANOVA para un factor
170
Introducción
 Cuando es necesario comparar 2 o más medias poblacionales al
mismo tiempo, para lo cual se usa ANOVA.

 El método ANOVA tiene los siguientes supuestos:
 La varianza es la misma para todos los tratamientos del
factor en todos sus niveles
 Las mediciones indiviudales dentro de cada tratamiento se
distribuyen normalmente
 El término de error tiene un efecto distribuido normalmente
e independiente
171
Introducción
 Con el ANOVA las variaciones en la respuesta se dividen
en componentes que reflejan los efectos de una o más
variables independientes

 La variabilidad se representa como la suma de cuadrados
total que es la suma de cuadrados de las desviaciones de
mediciones individuales respecto a la gran media, se
divide en:
 Suma de cuadrados de las medias de los tratamientos
 Suma de cuadrados del residuo o error experimental
172
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
diferentes son s unas A Ha
Ho
a
. . ' . lg :
......... :
3 2 1
µ
µ µ µ µ = = = =
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)
173
ANOVA - Condiciones
 Todas las poblaciones son normales

 Todas las poblaciones tiene la misma varianza

 Los errores son independientes con distribución
normal de media cero

 La varianza se mantiene constante para todos los
niveles del factor

174
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
Peso porc. Respuesta
de algodón Resistencia de la tela
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
175
ANOVA – Suma de
cuadrados total
Xij
Xij
Gran media
2
1 1
) (
¿ ¿
= =
÷ =
b
j
a
i
X Xij SCT
176
ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Gran media
Media Trat. 1
Media Trat. a
Media trat. 2
a renglones
¿
=
÷ =
a
i
i
X X b SCTr
1
2
) (
177
ANOVA – Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
2
1 1
) (
i
b
j
ij
a
i
X X SCE ÷ =
¿ ¿
= =
178
ANOVA – Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
SCTr SCT SCE ÷ =
179
ANOVA – Grados de libertad:
Totales, Tratamientos, Error
a n a n SCE gl
a SCTr gl
n SCT gl
÷ = ÷ ÷ ÷ =
÷ =
÷ =
) 1 ( ) 1 ( .
1 .
1 .
180
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
) /(
) 1 /(
) 1 /(
a n SCE MCE
a SCTr MCTr
n SCT MCT
÷ =
÷ =
÷ =
181
ANOVA – Cálculo del estadístico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
182
Tabla final de ANOVA
TABLA DE ANOVA
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Dentro de muestras (error) SCE n-a CME
Variación total SCT n-1 CMT
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
183
ANOVA – Toma de decisión
Fexcel
Fc
Alfa
Zona de rechazo
De Ho o aceptar Ha
Zona de no rechazo de Ho
O de no aceptar Ha
Distribución F
184
ANOVA – Toma de decisión
Si Fc es mayor que Fexcel se rechaza Ho
Aceptando Ha donde las medias son diferentes

O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
185
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
Para diseños balanceado
(mismo número de columnas
en los tratamientos) el valor
de q se determina por medio
de la tabla en el libro de texto
b
CME
q T
a n a ÷
=
, , o
186
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xi’s:

D1 = X1 – X2 D2 = X1 – X3 D3 = X2 – X3 etc.

Cada una de las diferencias Di se comparan con el
valor de T, si lo exceden entonces la diferencia es
Significativa de otra forma se considera que las medias
Son iguales
187
ANOVA – Identificar las medias
diferentes por Prueba de Diferencia
Mínima Significativa DMS
Para diseños balanceados (los tratamientos
tienen igual no. De columnas), se calcula un
factor DMS contra el que se comparan las
diferencias Xi – Xi’. Significativas si lo exceden
b
F CME
DMS
a n÷
=
, 1 ,
) ( 2
o
188
Prueba DMS para Diseños no
balanceados
a n a
k j
k j
F CME
b b
DMS
÷ ÷
(
(
¸
(

¸

+ =
, 1 , ,
) (
1 1
o
Para diseños no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi – Xi’
189
Ejemplo:
 Considerar un experimento de un factor (máquina)
con tres niveles (máquinas A, B, C). Los datos se
muestran a continuación y debe verificarse si existe
diferencia significativa a un alfa = 0.05
Máquinas Datos
Su
ma
Prom.
190
Ejemplo:
Como el valor calculado de F(33.2) excede el valor crítico de F, se
rechaza la Hipótesis nula Ho
La tabla completa de ANOVA es la siguientes:
Fuentes
De variación
Máquinas
Cuadrado
medio
191
Ejemplo:
 Con Minitab: Stat>ANOVA>One way unstacked
 Responses (in separate columns) A B C
 Interpretar los resultados

A B C
5 2 1
7 0 0
6 1 -2
7 -2 -3
6 2 0
192
Ejemplo:
One-way ANOVA: A, B, C
Source DF SS MS F P
Factor 2 137.20 68.60 33.19 0.000 Rechazo Ho
Error 12 24.80 2.07
Total 14 162.00
S = 1.438 R-Sq = 84.69% R-Sq(adj) = 82.14%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ---------+---------+---------+---------+
A 5 6.200 0.837 (-----*----)
B 5 0.600 1.673 (----*-----)
C 5 -0.800 1.643 (-----*----)
---------+---------+---------+---------+
0.0 2.5 5.0 7.5
Pooled StDev = 1.438
193
Corrida en Minitab
 Se introducen las respuestas en una columna C1
 Se introducen los subíndices de los renglones en una
columna C2



Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2
194
Corrida en Minitab
 Opción: stat>ANOVA – One Way (usar archivo
Exh_aov)
 En Response indicar la col. De Respuesta (Durability)

 En factors indicar la columna de subíndices (carpet)
 En comparisons (Tukey)

 Pedir gráfica de Box Plot of data y residuales Normal
Plot y vs fits y orden

 Si los datos estan en columnas pedir ANOVA – One
Way (unstacked)

195
Resultados
One-way ANOVA: Durability versus Carpet
Source DF SS MS F P
Carpet 1 45.1 45.1 3.97 0.093 -> No hay diferencia entre las medias
Error 6 68.1 11.3
Total 7 113.1
S = 3.368 R-Sq = 39.85% R-Sq(adj) = 29.82%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ----+---------+---------+---------+-----
1 4 14.483 3.157 (----------*-----------)
2 4 9.735 3.566 (-----------*-----------)
----+---------+---------+---------+-----
7.0 10.5 14.0 17.5
Pooled StDev = 3.368
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons among Levels of Carpet
Individual confidence level = 95.00%
Carpet = 1 subtracted from:
Carpet Lower Center Upper -+---------+---------+---------+--------
2 -10.574 -4.748 1.079 (-----------*----------)
-+---------+---------+---------+--------
-10.0 -5.0 0.0 5.0
196
IV.B.5 Uso de Prueba Chi
2 (
_
2)
197
¿Para qué se utiliza?

1. Para probar si una serie de datos
observada, concuerda con el modelo (serie
esperada) de la información.

2. Para probar las diferencias entre las
proporciones de varios grupos (tabla de
contingencia).

_
2
Ho: No hay diferencia
Ha: Hay diferencia
Para todos los casos,
198
H
o
: La moneda es buena

H
a
: La moneda “está cargada”
Se lanza una moneda al aire 100 veces y que
obtenemos 63 águilas y 37 soles.

¿La proporción de águilas y soles sucede por
casualidad? O, se concluye que la moneda está
“cargada”?
Ejemplo 1: Chi Cuadrada(_
2
)
199
_
2
c=
E
j = 1
g
Estadístico Chi Cuadrada


Observada Esperada
Aguilas 63 50 3.38
Soles 37 50 3.38
_
2
= 3.38 + 3.38
_
2
= 6.76
(f
o
- f
e
)
2
f
e ( f
o
) ( f
e
)
Ejemplo 1: Chi Cuadrada(_
2
)
f
e
(f
o
- f
e
)
2
200
Función de Distribución Acumulada Chi
2
con 1 grado de
libertad (d.f)
H
o
: La moneda es buena.
H
a
: La moneda está “cargada”.

Para un 95% de confianza antes de concluir que la moneda “está
cargada”, se requiere que X
2
c
> X
2
Crítica
o que el valor de p sea s
0.05.

Como p s 0.05, se puede concluir -con un 95% de confianza -
que la moneda “está cargada”.

_2
c
P(_2
c
> x)
6.7600 p = 1 - 0.9907 = 0.0093

De tablas X
2
Crítica,

(0.05, 1)
= 3.8414
Ejemplo 1: Chi cuadrada
201
1. Posicionarse en una celda vacía

2. Accesar el menú de funciones con Fx

3. Seleccionar STATISTICAL o ESTADÍSTICAS, CHIINV.

4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parámetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.


Cálculo en Excel del estadístico Chi cuadrada
202
Tabla de contingencia
 Una tabla de clasificación de dos vías (filas y columnas) que
contiene frecuencias originales, se puede analizar para
determinar si las dos variables (clasificaciones) son
independientes o tienen una asociación significativa.

 La prueba Chi Cuadrada probará si hay dependencia entre las
dos clasificaciones.

 Además se puede calcular el coeficiente de contingencia
(correlación) que en todo caso muestra la fuerza de la
dependencia
203
Tabla de contingencia
 Para esta prueba se usa la prueba Chi Cuadrada donde:





 Entre mayor sea su valor, mayor será la diferencia de la
discrepancia entre frecuencias observadas y teóricas. Esta
prueba es similar a la de bondad de ajuste.


204
Tabla de contingencia
 Ejemplo: Cada una de las 15 celdas hace una contribución al
estadístico Chi Cuadrado (una celda)







 Asumiendo Alfa = 0.1 y Gl= (reng – 1)*(Col – 1) = 4*2 = 8 Chi-
Cuadrado de alfa = 20.09
 Como Chi Cuadrada calculada >> Chi C. Alfa, se rechaza Ho de
igualdad de resultados entre negocios



Los valores observados (f
o
) son los siguientes:
Ho: No existen diferencias en los índices de defectos de las dos máquinas.
Ha: Existen diferencias en los índices de defectos de las dos máquinas.
Total 751 28

El índice de defectos totales es 28 / 779 = 3.6%

máquina 1 f
o
= 517 f
o
= 17 Total = 534
Partes buenas
máquina 2 f
o
= 234 f
o
= 11 Total = 245
779

Partes defectuosas

Ejemplo 2: Chi
2
Para comparación de dos
grupos; ¿son las mismas proporciones?)
Cálculo de los valores esperados

Basados en este índice, los valores esperados (f
e
) serían:
máquina 1 f
o
= 751*534/779 f
o
= 28*534/779 Total = 534
Partes buenas
máquina 2 f
o
= 751*245/779 f
o
= 28*245/779 Total = 245
779

Partes defectuosas
máquina 1 530.53 3.47
Partes
buenas
máquina 2 233.47 1.53
Partes defectuosas
Ejemplo 2: Chi
2
Para comparación de dos
grupos; ¿son las mismas proporciones?)
Nota: Chi cuadrada no podrá aplicarse en los casos donde los conteos seas menores a 5 en > 20%
de celdas.
Si cualquiera de los conteos esperados en las celdas es menor a uno, no deberá usarse Chi
2
.

Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categorías pueden ser de utilidad.
Prueba de chi cuadrada:


Los conteos esperados están debajo de los conteos observados
Partes buenas Partes Defectuosas Total
1 532 2 534
530.53 3.47

2 232 3 235
233.47 1.53
Total 764 5 769

Chi
2
= 0.004 + 0.624 + 0.009 + 1.418 = 2.056
DF= 1; valor de p = 0.152

2 celdas con conteos esperados menores a 5.0
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reducción de tiempo de ciclo.

Variación en familias a probar
Operador a operador
H
o
: No existe diferencia en los índices de defecto de los diferentes
operadores
H
a
: Existe diferencia en los índices de defecto de los diferentes
operadores

Máquina a máquina
H
o
: No existe diferencia en los índices de defecto de las diferentes
máquinas
H
a
: Existe diferencia en los índices de defecto de las diferentes
máquinas

Tamaño de la muestra:
5000 + total de oportunidades (172 piezas)
Los conteos esperados están colocados debajo de los conteos observados
Con fugas Sin fugas Total
1 30 610 640
32.11 607.89

2 235 4217 4452
223.38 4228.62

3 3 253 256
12.84 243.16

4 18 334 352
17.66 334.34

Total 286 5414 5700

Chi
2
= 0.139 + 0.007 + 0.604 + 0.032 + 7.546 + 0.399 + 0.006 +
0.000 = 8.734
DF= (4-1)(2-1) = 3; valor P = 0.033
Prueba de chi
2
(máquina a máquina)
Los conteos esperados están colocados debajo de los conteos observados.
Con gotera Sin gotera Total
1 6 122 128
6.61 121.39

2 1 127 128
6.61 121.39

3 200 3836 4036
208.55 3827.45

4 54 202 256
13.23 242.77

5 5 699 704
36.38 667.62

6 12 116 128
6.61 121.39
Total 278 5102 5380

Chi
2
= 0.057 + 0.003 + 4.765 + 0.260 + 0.351 + 0.019 +125.666 + 6.847 + 27.065 + 1.475
+ 4.386 + 0.239 = 171.132
DF= 5; valor P = 0.000
Prueba de chi
2
(operador a operador)
¿Qué sucede si los grupos múltiples de variación son estadísticamente significativos?
(en este caso, operador a operador y máquina a máquina)
Se utiliza un procedimiento denominado “Coeficiente de Contingencia” como clave
para determinar qué grupo de variación debe investigarse primero.
Coeficiente de
Contingencia

x 100
Chi

Cuadrada
N
Chi
2
N CC

Máquina 8.734 5700 0.15

Operador 171.132 5380 3.18
Controlador Mayor

SI el tamaño de la muestra (N), es similar para los grupos. Al dividir entre N,
probablemente, llevará a la misma ruta que hubiera alcanzado con sólo ver la
estadística Chi
2
.

Sin embargo, si N tiene una variación considerable, dependiendo del grupo de
variación que se investiga, el coeficiente de contingencia puede ser una herramienta
valiosa para determinar la prioridad sobre qué grupo debe investigarse primero.
Con gotera Sin gotera Total
1 6 122 128
6.61 121.39

2 1 127 128
6.61 121.39

3 200 3836 4036
208.55 3827.45

4 54 202 256
13.23 242.77

5 5 699 704
36.38 667.62

6 12 116 128
6.61 121.39
Mucho peor que
lo esperado
Mucho mejor que
lo esperado
Ahora que la información nos
ha llevado a investigar a los
grupos de operador a
operador. ¿Qué debemos
hacer ahora?
Encontremos cuál de los
operadores estaban fuera del
estándar.
¿Era alguno de ellos
notablemente peor (o mejor)
que el resto?
(Estos mismos operadores fueron quienes
tuvieron los números más grandes de chi
2
)
¿Qué sucede si los grupos múltiples de variación son estadísticamente significativos?
(en este caso, operador a operador y máquina a máquina)
Operador a operador: = 0.000
Rechace
H
o
y acepte H
a

(Existe una diferencia significativa entre los operadores)

Los operadores 4 y 5 están fuera del estándar:
El operador 4 es notablemente peor que el resto,
El operador 5 es notablemente mejor que los demás

¿Cuál es el próximo paso? Hable con todos los operadores para averiguar qué diferencias
pueden existen en sus técnicas.

El operador 4 no tenía experiencia en este tipo de trabajo y apenas se estaba acostumbrado a
soldar este producto en particular.

El operador 5 encontró un modo de mejor de hacer el ensamble, con lo cual consiguió mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonómica. Se añadió
un colocador para ensamblar la parte en forma segura. (Esto también redujo el tiempo que
requerían los operadores para “acostumbrarse” a trabajar en esta forma)
Ejercicios

1. Se quiere evaluar la habilidad de tres inspectores de rayos
X en un aeropuerto para detectar artículos clave. Como
prueba se pusieron radios de transistores en 90 maletas,
cada inspector fue expuesto a 30 maletas conteniendo radios
mezcladas entre otras que nos los contenían. Los resultados
se resumen a continuación:
Inspectores
1 2 3

Radios detectados 27 25 22
Radios no detectados 3 5 8

¿Con un 95% de confianza, existe una diferencia entre los
inspectores?

Ho: p1 = p2 = p3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
Ejercicios

2. Se quiere evaluar si hay preferencia por manejar en un
carril de una autopista dependiendo de la hora del día. Los
datos se resumen a continuación:

Hora del día
Carril 1:00 3:00 5:00
Izquierdo 44 37 18
Central 28 50 72
Derecho 8 13 30

¿Con un 95% de confianza, existe una diferencia entre las
preferencias de los automovilistas dependiendo de la hora?

Ho: P1 = P2 = P3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
216
IV.B.6 Pruebas de Hipótesis
no paramétricas
217
Pruebas no paramétricas
 Las pruebas paramétricas asumen una distribución para la
población, tal como la Normal

 Las pruebas no paramétricas no asumen una distribución
específica de la población

 Bajo los mismos tamaños de muestra la Potencia o probabilidad
de rechazar Ho cuando es falsa es mayor en las pruebas
paramétricas que en las no paramétricas

 Una ventaja de las pruebas no paramétricas es que los
resultados de la prueba son más robustos contra violación de
los supuestos

Prueba de Hipótesis
Variable
Atributo
Tablas de
Contingencia de
Correlación
No Normal
Normal
Varianza
Medianas
Variancia
Medias

Prueba-F
Homogeneidad
de la Variación
de Levene
Homogeneidad
de la Variación
de Bartlett
Correlación
Prueba de signos
Wilcoxon
Mann-
Whitney
Kurskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlación
Regresión
Muestra-1
Muestra-2
Una vía
Dos vías
Residuos
distribuidos
normalmente
219

Pruebas de Varianzas
Homogeneidad de la varianza de
Levene : Compara dos o más
varianzas de muestras de la misma
población.


Pruebas de Variancias

X
2
: Compara la variancia de una
muestra con una variancia de un
universo conocido.

Prueba F : Compara dos varianzas
de muestras.

Homogeneidad de la variancia de
Bartlett: Compara dos o más
varianzas muestras de la misma
población.


Datos Normales Datos No Normales
Resumen de pruebas de Hipótesis
220
Pruebas de la Mediana

Prueba de signos o Prueba Wilcoxon : Prueba
si la mediana de la muestra es igual a un valor
conocido o a un valor a alcanzar.
Prueba Mann-Whitney : Prueba si dos medianas
de muestras son iguales.
Prueba Kruskal-Wallis: Prueba si más 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 más de dos medianas. Prueba más firme
para los valores atípicos contenidos en la
información.
Prueba Friedman : Prueba si las medianas de las
muestras, clasificadas bajo dos categorías, son
iguales.
Correlación : Prueba la relación lineal entre dos
variables.
Pruebas de los Promedios

Prueba t de 1 muestra : Prueba si el promedio
de la muestra es igual a un promedio
conocido o meta conocida.
Prueba t de 2 muestras : Prueba si los dos
promedios de las muestras son iguales.
ANOVA de un factor: Prueba si más de dos
promedios de las muestras son iguales.
ANOVA de dos factores : Prueba si los
promedios de las muestras clasificadas
bajo dos categorías, son iguales.

Correlación : Prueba la relación lineal entre
dos variables.

Regresión : Define la relación lineal entre una
variable dependiente y una independiente.
(Aquí la "normalidad" se aplica al valor
residual de la regresión)

Datos Normales Datos No Normales
Resumen de pruebas de Hipótesis
Revise y asegúrese de que los datos no siguen una distribución normal.

• Desarrollar una Prueba de normalidad (para verificar realmente lo
anormal. 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 información)

• Revisar la información para detectar errores (tipográficos, etc.).
Investiguar los valores atípicos.

• Una muestra pequeña (n < 30) proveniente de un universo normal, se
mostrará algunas veces como anormal.

Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raíz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos

• Si la información es todavía anormal, entonces usar las herramientas no
paramétricas.
Acciones a tomar con datos No Normales
 Promedio : Es la media aritmética de la información. Es la suma de todos
los datos, dividida entre el número de datos de referencia.

 Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).

 Moda : Valor que se repite con más frecuencia sobre el conjunto de datos.
Ejemplo:
Se cuestionó a veinte personas sobre cuánto tiempo les tomaba estar
listas para ir a trabajar, en las mañanas. Sus respuestas (en minutos) se
muestran más adelante. ¿Cuáles son el promedio y la mediana para esta
muestra?

30, 37, 25, 35, 42, 35, 35, 47, 45, 60
39, 45, 30, 38, 35, 40, 44, 55, 47, 43


Definiciones
Un dibujo dice más que mil palabras
El promedio puede estar influenciado considerablemente por los
valores atípicos porque, cuando se calcula un promedio, se incluyen los
valores reales de estos valores.

La mediana, por otra parte, asigna la misma importancia a todas las
observaciones, independientemente de los valores reales de los
valores atípicos, ya que es la que sencuentra en la posición media de
los valores ordenados.

Promedio = 40.35 Mediana = 39.5


-------+---------+---------+---------+---------+---------+------ C1
Promedio
Mediana
28.0 35.0 42.0 49.0 56.0 63.0

Pruebas Alternativas comúnmente usadas
Pruebas para datos No normales

• Prueba de Corridas : Calcula la
probabilidad de que un X número de
puntos de referencia, esté por encima o
por debajo del promedio aleatoriamente.

• Prueba de signos, de 1 muestra :
Prueba la probabilidad de que la
mediana de la muestra, sea igual al valor
hipotético.

• Prueba Mann-Whitney : Comprueba el
rango de dos muestras, por la diferencia
entre dos medianas del universo.

• Prueba de la Mediana de Mood :
Prueba para más de dos medianas del
universo. Más robusta para los valores
atípicos o para los errores en la
información.



Analogía con datos normales

• Prueba de Corridas (la misma
prueba para ambos tipos de
información)


• Prueba t de una muestra




• Prueba t de 2 muestras



• ANOVA de un factor

Considere los siguientes datos (que se muestran aquí en orden cronológico):
325, 210, 400, 72, 150, 145, 110, 507, 56, 120, 99, 144, 110, 110,
320, 290, 101, 0, 80, 500, 201, 50, 140, 80, 220, 180, 240, 309, 80

Es importante tener los datos registrados en orden cronológico.

Una representación gráfica de los datos se asemeja a esto:
0
100
200
300
400
500
600
Promedio
Primera
"corrida"
Segunda ”racha"
Número total de Rachas: 12
Número total de puntos > al promedio: 11
Número total de puntos < al promedio: 18
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.


Prueba de Rachas
Prueba de Rachas
Promedio K = 184.4483

Número de rachas observado = 12

Número de rachas esperado = 14.6552
=> No se rechaza Ho
11 observaciones por encima de K; 18 por
debajo
La prueba es significativa en p= 0.2860
No se puede rechazar Ho con valor alfa = 0.05
Este es el valor p
de las Prueba de
Corridas
Prueba de Rachas
H
o
: Los datos son aleatorios
H
a
:Los datos NO so aleatorios
Ya que p > 0.05, no podemos rechazar la hipótesis nula.
Los datos son aceptados, siendo aleatorios.
Promedio
Cálculos de la Prueba de Rachas
El estadístico Z cuando n > 20 se calcula como:

Z = (G - MediaG) / DesvStG

Con MediaG = 1 + (2n1*n2) / (n1 + n2)
DesvStG = Raiz [ (2n1*n2) (2n1*n2 - n1 -n2) / (n1 + n2)^2* (n1+n2 -1)

Del ejemplo anterior G = 12; n1 = 11 n2 = 18

MediaG = 14.655 DesStG = 2.4843

Z1 = (12 - 14.655) / 2.4843 = -1.0687
P(Z1) = 0.1430 y para dos colas se tiene

P(Z1) + P(Z2) = 0.2860 > Alfa crítico de 0.05, no rechazándose Ho

Si las n1 y n2 son menores a 21, entonces se consulta la tabla de
valores críticos para el número de Rachas G
228
Corrida con Minitab
 Stat > Nonparametrics > Runs Test
Variable C1, Above and below the mean
P > 0.05
No rechazar
Ho
Runs Test: C1
Runs test for C1
Runs above and below K = 184.448
The observed number of runs = 12
The expected number of runs = 14.6552
11 observations above K, 18 below
P-value = 0.285
Prueba de Signos de la Mediana
H
o
: La mediana de la muestra es igual a la mediana de la hipótesis
H
a
: Las medianas son diferentes
Ejemplo (usando los datos del ejemplo anterior):

Ho: Valor de la mediana = 115.0
Ha: Valor de la mediana diferente de 115.0

N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12 0 17 0.4576 144.0
Ya que p >0.05, no se puede rechazar la hipótesis nula.
No se puede probar que la mediana real y la mediana hipotética son
diferentes.

En las páginas siguientes se muestra el detalle del cálculo.
Cálculos de la Prueba de Signos de la Mediana
Ejemplo: Con los datos del ejemplo anterior y ordenándo de menor a
mayor se tiene: n = 29, Mediana de Ho = 115

No. Valor Signo No. Valor Signo No. Valor Signo
1 0 - 11 110 - 21 220 +
2 50 - 12 110 - 22 240 +
3 56 - 13 120 + 23 290 +
4 72 - 14 140 + 24 309 +
5 80 - 15 144 + 25 320 +
6 80 - 16 145 + 26 325 +
7 80 - 17 150 + 27 400 +
8 99 - 18 180 + 28 500 +
9 101 - 19 201 + 29 507 +
10 110 - 20 210 +

Con la mediana en 144. Si el valor contra el cual se desea
probar es 115, entonces hay 12 valores por debajo de el (-) y 17
valores por arriba (+).

Cálculos de la Prueba de Signos de la Mediana

El estadístico X es el el número de veces que ocurre el signo menos
frecuente, en este caso el 12 (-).

Cómo n > 25, se calcula el estadístico Z para la prueba de signos con:

Z = [ (Y + 0.5) - (0.5*n) ]/ 0.5 \ n

En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola izquierda
en forma similar P(Z2) 0-2288 para la cola derecha, por lo que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.

Si n hubiera sido < 25 entonces se hubiera consultado la tabla de
valores críticos para la prueba de signo.


Prueba de Signos de la Mediana
Bueno, veamos una gráfica de la información
100 200 300 400 0 500
¿Es esto correcto?¿144 podría ser igual a 115?
115 144
Después de todo, tal vez
esto SEA lo correcto.
233
Corrida en Minitab
 Stat > Nonparametrics > 1-Sample sign Variable C1
Confidence interval 95% Test Median 115 Alternative Not equal








Como P > 0.05 no se rechaza Ho y la mediana es 115
Sign Test for Median: Signos
Sign test of median = 115.0 versus not = 115.0

N Below Equal Above P Median
Signos 29 12 0 17 0.4583 144.0
234
Prueba de Signos de la Mediana
Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de ventanas:

Ho: p = 0.5 no hay preferencia de A sobre B
Ha: p<>0.5
Ama Limpiador
B
Casa A
1 10 7
2 7 5
3 8 7
4 5 2
5 7 6
6 9 6
¿Hay evidencia que indique
cierta preferencia de las amas
de casa por lo limpiadores?
235
Prueba de Signos de la Mediana
Producto
B
Familia A
1 - +
2 - +
3 + -
4 - +
5 0 0
6 - +
7 - +
8 + -
9 - +
10 - +
11 - +
¿Hay evidencia que indique
cierta preferencia por un
Producto A o B?
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)

Zc = (Y – media) / Desv. Estánd.
Rechazar Ho si Zc ><Zalfa/2
236
Prueba de Signos de la Mediana
Como Zc < Zexcel no se rechaza Ho o
Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
Media = 0.5*11 = 5.5
Desv. Estand.= 0.5*raiz(n) = 1.67

Para Zc = (8 – 5.5) / 1.67 = 1.497

Zexcel = 1.96 para alfa/2 = 0.025

237
Prueba rango con signo de Wilconox
 Es la alternativa no paramétrica de la prueba paramétrica de muestras
pareadas
 Ejemplo: HO: Las poblaciones son idénticas Ha: Caso contrario
Trabaja
dor
Método
1
Método
2
Diferen
cias
Abs(difere
n.) Rango
Rango
c/signo
1 10.2 9.5 0.7 0.7 8 8
2 9.6 9.8 -0.2 0.2 2 -2
3 9.2 8.8 0.4 0.4 3.5 3.5
4 10.6 10.1 0.5 0.5 5.5 5.5
5 9.9 10.3 -0.4 0.4 3.5 -3.5
6 10.2 9.3 0.9 0.9 10 10
7 10.6 10.5 0.1 0.1 1 1
8 10 10 0 0 Eliminar
9 11.2 10.6 0.6 0.6 7 7
10 10.7 10.2 0.5 0.5 5.5 5.5
11 10.6 9.8 0.8 0.8 9 9
T = 44
238
Prueba rango con signo de Wilconox
Distribución muestral T para poblaciones idénticas
Se aproxima a la distribución normal para n >= 10




En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.

o = raiz(10 x 11 x 21/6) = 19.62
Z = (T – µ)/o = 44/19.62 = 2.24

Z alfa/2 = Z0.025 = 1.96

Como Zc = 2.24 > Z0.025 se rechaza Ho, los métodos son diferentes



0 =
T
µ
6
) 1 2 )( 1 ( + +
=
n n n
T
o
239
Prueba en Minitab para prueba de
mediana con Wilconox
 File> Open worksheet > Exh_Stat
 Stat > Nonparametrics > 1-Sample Wilconox
Variables C1 Test Median 77
Altenative Not equal
Achievement
77
88
85
74
75
62
80
70
83
Wilcoxon Signed Rank Test: Achievement
Test of median = 77.00 versus median not = 77.00
for Wilcoxon Estimated
for Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.889 77.50

Ho: Mediana = 77 Ha: Mediana <> 77
Como P de 0.889 >> alfa de 0.05 no se rechaza Ho
Prueba de Mann-Whitney
Se llevó a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, después de diez minutos de
ejercicios aeróbicos.

Los datos resultantes se muestran a continuación.



Edad 40-44
C1
140
135
150
140
144
154
160
144
136
148

Edad 16-20
C2
130
166
128
126
140
136
132
128
124

¿Tuvieron diferencias
significativas las frecuencias de
pulso de ambos grupos?
Prueba de Mann-Whitney
 Ordenando los datos y asignándoles el (rango) de su posición relativa se tiene (promediando
posiciones para el caso de que sean iguales):
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160

n1 = 10
Ta = 130.5


Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166


n2 = 9
Tb = 55.5

Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ho: q1 = q2 Ha: q1 = q2 q1, q2 = Medianas de las poblaciones
Ordenando los datos y asignándoles su posición relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2

Ua = 90 + 55 - 130.5 = 14.5 P(Ua) = 0.006 Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hipótesis Ho de que las medianas son iguales.


Dado que p < 0.05, rechazamos la hipótesis nula. Estadísticamente
existe una diferencia significativa entre los dos grupos de edad.
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas

Ua = 14.5 Ub = 79.5
Utilizando el estadístico Z y la distribución normal se tiene:
45 12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor o = 0.05
El valor crítico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrítico se rechaza la Hipótesis Ho de que las medianas son iguales.


Dado que p < 0.05, rechazamos la hipótesis nula. Estadísticamente
existe una diferencia significativa entre los dos grupos de edad.
Prueba de Mann-Whitney
4
0
-
4
4

a
ñ
o
s

d
e

e
d
a
d

16-20 años de edad
Diferencias entre los encabezados de
los renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias, denominada
"punto estimado". Este punto estimado es una aproximación de la diferencia entre
las medianas de los dos grupos (ETA1 y ETA2).

Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
información), Minitab usa este punto estimado para calcular el valor p.
130 166 128 126 140 136 132 128 124
140 10 -26 12 14 0 4 8 12 16
135 5 -31 7 9 -5 -1 3 7 11
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
245
Corrida en Minitab
 Stat > Nonparametrics > Mann Whitney
First Sample C1 Second Sample C2 Conf. Level 95%
Alternative Not equal
Mann-Whitney Test and CI: C1, C2
N Median P>0.05
C1 10 144.00 Se rechaza Ho
C2 9 130.00
Point estimate for ETA1-ETA2 is 12.00
95.5 Percent CI for ETA1-ETA2 is (4.01,20.00)
W = 130.5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0143
The test is significant at 0.0140 (adjusted for ties)
Prueba de Kruskal Wallis
Ordenando los datos de ventas y asignándoles el (rango) de su posición relativa se tiene
(promediando posiciones para el caso de que sean iguales):
Zona 1
(15.5) 147
(17.5) 17.5
(9) 128
(19) 162
(12) 135
(10) 132
(22) 181
(13) 138



n1 = 8
Ta = 118


Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119

n2 = 10
Tb = 111.5

Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169




n3 = 7
Tc = 95.5


N = n1 + n2 + n3 = 25
Prueba de Kruskal Wallis
Ho: Las poblaciones A, B y C son iguales
Ha: Las poblaciones no son iguales
Ho: q1 = q2 = q3 Ha: q1 = q2 = q3 ; q1, q2, q3 = Medianas de las poblaciones

Calculando el valor del estadístico H se tiene:
H = [ 12 /( N* ( N + 1)) ] * [ Ta
2
/ n1 + Tb
2
/ n2 + Tc
2
/ n3 ] - 3 * ( N +1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138

Se compara con el estadístico _
2
para o = 0.05 y G.l. = k - 1 = 3-1 = 1 (k muestras)
_
2
crítico = 5.991 (válido siempre que las muestras tengan al menos 5 elementos)

Como H < _
2
crítico, no se rechaza la Hipótesis Ho: Afirmando que no hay
diferencia entre las poblaciones

248
Corrida en Minitab
 Stat > Nonparametrics > Kruskal Wallis
Response C1 Factor C2 OK
Kruskal-Wallis Test: Datos versus Factor
Kruskal-Wallis Test on Datos
Factor N Median Ave Rank Z
Zona 1 7 138.0 14.7 0.98
Zona 2 10 126.5 11.1 -0.82
Zona 3 7 127.0 12.3 -0.10
Overall 24 12.5 P > 0.05
H = 1.08 DF = 2 P = 0.581 No se rechaza Ho
H = 1.09 DF = 2 P = 0.581 (adjusted for ties)
249
Prueba de Medianas de Mood
 Realiza prueba de hipótesis de igualdad de medias en un diseño de una
vía. La prueba es robusta contra Outliers y errores en datos y es
adecuada para análisis preliminares

 Determina si K grupos independientes han sido extraidas de la misma
población con medianas iguales o poblaciones con formas similares

 Con base en la gran mediana, anotar un signo positivo si la
observación excede la mediana o un signo menos si es menor. Los
valores que coincidan se reparten en los grupos

 Hacer una tabla de contingencia K x 2 con las frecuencias de signos
más y menos en cada grupo K
250
Prueba de Medianas de Mood
 Se determina el estadístico Chi Cuadrada con:





Probar Ho: Todas las medianas son iguales
Ha: Al menos una mediana es diferente

Se compara Chi Cuadrada calculada con Chi Cuadrada de alfa para
0.05 y (reng – 1)*(Col – 1) grados de libertad

¿
÷
=
E
E O
2
2
) (
_
251
Corrida con Minitab
Se les da a 179 participantes una conferencia con
dibujos para ilustrar el tema. Después se les da la
prueba OTIS que mide la habilidad intelectual. Los
participantes se clasificaron por nivel educativo 0-No
prof., 1-Prof., 2-Prepa

Ho: h1 = h2 = h3 Ha: no todas las medianas son
iguales
 File > Open Worksheet > Cartoon.mtw
 Stat > Nonparametrics > Mood’s Median Test
Response Otis Factor ED Ok
252
Corrida con Minitab
Mood Median Test: Otis versus ED
Mood median test for Otis P>0.05
Chi-Square = 49.08 DF = 2 P = 0.0005 Se rechaza Ho
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
Overall median = 107.0
253
Diseños factoriales aleatorias
bloqueados de Friedman
Esta prueba es una alternativa al ANOVA de dos vías, es
una generalización de las pruebas pareadas con
signo. La aditividad es requerida para para estimar
los efectos de los tratamientos

Ho: Los tratamientos no tienen un efecto significativo
Ha: Algunos tratamientos tienen efecto significativo


254
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados de salida:
 Se muestra el estadístico de prueba con distribución
Chi Cuadrada aproximada con gl = Tratamientos – 1.

 Si hay observaciones parecidas en uno o más
bloques, se usa el rango promedio y se muestra el
estadístico corregido

 La mediana estimada es la gran mediana más el
efecto del tratamiento
255
Diseños factoriales aleatorias
bloqueados de Friedman
Ejemplo:
 Se evalúa el efecto del tratamiento de una droga en
la actividad enzimática con tres niveles, probado en
cuatro animales

 Open the worksheet EXH_STAT.MTW.
 Stat > Nonparametrics > Friedman.
Response, seleccionar EnzymeActivity.
En Treatment, seleccionar Therapy.
En Blocks, seleccionar Litter. Click OK.
256
Diseños factoriales aleatorias
bloqueados de Friedman
Datos:
EnzymeActivity Therapy Litter
0.15 1 1
0.26 1 2
0.23 1 3
0.99 1 4
0.55 2 1
0.26 2 2
-0.22 2 3
0.99 2 4
0.55 3 1
0.66 3 2
0.77 3 3
0.99 3 4
257
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
Friedman Test: EnzymeActivity versus Therapy
blocked by Litter
S = 2.38 DF = 2 P = 0.305 No rechazar Ho
S = 3.80 DF = 2 P = 0.150 (adjusted for ties)
Sum
of
Therapy N Est Median Ranks
1 4 0.2450 6.5
2 4 0.3117 7.0
3 4 0.5783 10.5
Grand median = 0.3783
258
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
 El estadístico de prueba S tiene un valor P de 0.305 sin ajustar
para observaciones en cero y 0.150 para el valor ajustado.

 Por tanto no hay evidencia suficiente para rechazar Ho

 Las medianas estimadas asociadas con los tratamientos son la
gran mediana más los efectos estimados de los tratamientos.

 El estadístico de prueba se determina con base a los rangos en
cada bloque y totales
259
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
260
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
261
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
262
Prueba de igualdad de
varianzas de Levene
 Se usa para probar la hipótesis nula de que las varianzas de k
múltiples poblacionales son iguales

 Las igualdad de varianzas en las muestras se denomina
homogeneidad de varianzas

 La prueba de Levene es menos sensible que la prueba de
Bartlett o la prueba F cuando se apartan de la normalidad

 La prueba de Bartlett tiene un mejor desempeño para la
distribución normal o aproximadamente normal
263
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:

 Determinar la media

 Calcular la desviación de cada observación respecto a la
media

 Z es el cuadrado de las desviaciones respecto a la media

 Aplicar la prueba t a las dos medias de los datos
264
Prueba de igualdad
de Varianzas-Minitab
Se estudian tamaños de papa
inyectando con bacterias y
sujetas a diferentes
temperaturas. Antes del
ANOVA se verifica la
igualdad de varianzas

 Stat > ANOVA > Test for
equal variances
Response Rot
Factors Temp Oxigen
Confidence level 95%

Rot Temp Oxygen
13 10 2
11 10 2
3 10 2
10 10 6
4 10 6
7 10 6
15 10 10
2 10 10
7 10 10
26 16 2
19 16 2
24 16 2
15 16 6
22 16 6
18 16 6
20 16 10
24 16 10
8 16 10
265
Resultados
266
Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard deviations
Temp Oxygen N Lower StDev Upper
10 2 3 2.26029 5.29150 81.890
10 6 3 1.28146 3.00000 46.427
10 10 3 2.80104 6.55744 101.481
16 2 3 1.54013 3.60555 55.799
16 6 3 1.50012 3.51188 54.349
16 10 3 3.55677 8.32666 128.862
Bartlett's Test (normal distribution)
Test statistic = 2.71, p-value = 0.744 P>0.05 no rechazar Ho
Levene's Test (any continuous distribution)
Test statistic = 0.37, p-value = 0.858
267
Prueba de la concordancia del
Coeficiente de Kendall
 El coeficiente expresa el grado de asociación entre las
calificaciones múltiples realizadas por un evaluador

Ho: Las variables son independientes
Ha: Las variables están asociadas

 Kendall usa la información relacionada con las calificaciones
relativas y es sensible a la seriedad de mala clasificación

Por ejemplo para K = jueces N = Muestras = 10

Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crítica = X
2
0.01,9 = 21.67
268
Prueba de la concordancia del
Coeficiente de Kendall
 El Estadístico Chi Cuadrada calculado es:





 Como Chi Cuadrada de alfa es menor que la calculada, los
cuatro jueces están asociados significativamente. Constituyen
un panel uniforme. No quiere decir que estén en lo correcto,
solo que responden de manera uniforme a los estímulos
269
El coeficiente de correlación de
rangos de Spearman (r
s
)
 El coeficiente de correlación es una medida de la asociación que
requiere que ambas variables sean medidas en al menos una
escala ordinal de manera que las muestras u observaciones a
ser analizadas pueden ser clasificadas en rangos en dos series
ordenadas

Ho: Las variables son independientes
Ha: Las variables están asociadas

 Para el ejemplo anterior si N = 10, el coeficiente es:
N N
d
r
s
÷
÷ =
¿
3
2
6
1
97 . 0 03 . 0 1
990
) 5 . 5 ( 6
1 = ÷ = ÷ =
s
r
270
Coeficiente de correlación de
rangos para monotonía de
preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8 fabricantes

Preferencia

Precio
(rango)
Fab.
1 7 449.50 (1)
2 4 525.00 (5)
3 2 479.95 (3)
4 6 499.95 (4)
5 1 580.00 (8)
6 3 549.95 (7)
7 8 469.95 (2)
8 5 532.50 (6)


Di cuadrada
Rango
Di
6 36
-1 1
-1 1
2 4
-7 49
-4 16
6 36
-1 1
271
Coeficiente de correlación de
rangos para monotonía de
preferencias
Ho: No existe asociación entre los rangos
Ha: Existe asociación entre los rangos o es positiva o negativa

El coeficiente de correlación de rangos de Spearman es:

Rs = 1 – 6*suma(di cuadrada) / (n(n cuadrada – 1))

En este caso: Rs = 1 – 6(144)/(8*(64-1) = -0.714

R0 se determina de la tabla de Valores críticos del coeficiente de
correlación del coeficiente de correlación de rangos de Spearman

Rt = 0.686

Por tanto si hay asociación significativa en las preferencias


272
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364
273
Corrida con Minitab
Para la corrida en Minitab primero se
deben determinar los rangos en
forma manual para las variables X
y Y.
 Stat > Basic statistics > Correlation
Variables Preferencia Precio
Fabric
ante
Prefe-
rencia Precio
Preci
o
1 7 1 449
2 4 5 525
3 2 3 479
4 6 4 499
5 1 8 580
6 3 7 549
7 8 2 469
8 5 6 532
Correlations: Preferencia, Precio
Pearson correlation of
Preferencia and Precio = -0.714
P-Value = 0.047
274
Ejemplo con Minitab
Se estudia la relación entre colágeno y
Proline en pacientes con cirrosis
 Stat > Basic statistics > Correlation
Variables Colágeno Proline
Paciente Colágeno Proline
1 7.1 2.8
2 7.1 2.9
3 7.2 2.8
4 8.3 2.6
5 9.4 3.5
6 10.5 4.6
7 11.4 5
Correlations: Colageno, Proline
Pearson correlation of Colageno
and Proline = 0.935
P-Value = 0.002
275
Resumen de pruebas
no paramétricas
 Prueba de signos de 1 muestra: Prueba la igualdad de la
mediana a un valor y determina el intervalo de confianza

 Prueba de Wilconox de 1 muestra: Prueba la igualdad de la
mediana a un valor con rangos con signo y determina el
intervalo de confianza

 Comparación de dos medianas poblacionales de Mann Whitney:
Prueba la igualdad de las medianas y determina el intervalo de
confianza


276
Resumen de pruebas
no paramétricas

 Comparación de igualdad de medianas poblacionales de Kruskal
Wallis: Prueba la igualdad de las medianas en un diseño de una
vía y determina el intervalo de confianza


 Comparación de medianas poblacionales de Mood: Prueba la
igualdad de medianas con un diseño de una vía



277
278
279
Salidas de la Fase de Análisis
 Causas raíz validadas

 Guía de oportunidades de mejora

Causa
Raíz
Resultados
Causas
# de
Causa
SI ES CAUSA RAIZ

SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
NO ES CAUSA RAIZ

SI ES CAUSA RAIZ

SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
Ensamble de ojillos, bloques y
contrapesos no adecuados en
aspas.
Amortiguadores dañados.
Desgaste de bujes en los
carretes.
Fabricación y reemplazo de
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
bandas de transmisión de
aspas.
Método de Balanceo no
adecuado.
Desalineación de pinolas en
cuna.
1

2
3
4

5

6
7
Resumen de la validación de las causas
X


X




X

X

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->