Está en la página 1de 199

TALLER DE APLICACIN DE MINITAB

PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

CURSO TALLER DE
APLICACIN DE MINITAB

Elabor: Dagoberto Salgado Horta Enero 2011


Tel. 2719872 o 3006527920
Mail: dasaho2@yahoo.es

Pgina 1

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

CONTENIDO
MDULO 1. INTRODUCCIN
1.
2.
3.
4.
5.

Caractersticas generales del Minitab


Pantallas y mens
Abrir, guardar e imprimir archivos
Clculos con columnas y renglones
Aplicaciones

MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS


1.
2.
3.
4.
5.

Grficos de barras y lnea


Diagrama de Pareto y de Causa Efecto
Grficas de dispersin de dos variables
Grficas tridimensionales
Aplicaciones

MDULO 3. ESTADSTICA DESCRIPTIVA


1.
2.
3.
4.
5.
6.

Estadsticos de una muestra


Diagrama de caja y diagrama de tallo y hojas
Histogramas
Prueba de normalidad
Distribucin normal estndar y distribucin normal
Aplicaciones

MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL


1.
2.
3.
4.
5.
6.
7.

Clculo de probabilidades
Pruebas de hiptesis de una poblacin
Pruebas de hiptesis de dos poblaciones
Tamao de muestra y potencia
Anlisis de varianza (ANOVA)
Correlacin y Regresin lineal y cuadrtica simple
Aplicaciones

MDULO 5. ESTADSTICA NO PARAMTRICA


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

Pgina 2

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

MDULO 6. CONTROL ESTADSTICO DEL PROCESO


1.
2.
3.
4.
5.
6.
7.
8.
9.

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


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

MDULO 7. DISEO DE EXPERIMENTOS


1.
2.
3.
4.
5.
6.
7.

Cartas Multivari
Diseo de experimentos factoriales completos
Diseo de experimentos factoriales de dos niveles
Diseo de experimentos fraccionales
Diseo de experimentos de Taguchi
Superficies de respuesta
Aplicaciones

MDULO 8. TPICOS ESPECIALES


1.
2.
3.
4.
5.
6.

Series de tiempo
Regresin mltiple
Anlisis multivariado
Confiabilidad
Operaciones especiales
Aplicaciones

Pgina 3

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MDULO 1. INTRODUCCIN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadstico Minitab

1.1 Caractersticas generales del Minitab


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

Data > Change Data Type > Numeric to Text.


1.2 Pantallas y mens
Las pantallas y menus principales del Minitab se muestran a continuacin:

Captura de datos
File > New
Hoja de trabajo nueva
manteniendo lo que ya se ha
procesado como grficas
sesiones, etc.

Proyecto nuevo,
borra toda la
informacin que
exista en el
proyecto abierto.

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Nmero de columna
Nombre de columna

Numricas

Dagoberto Salgado Horta

Letra T indica columna


de texto

Alfanumrica Fecha/hora

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

Data > Change Data Type > Numeric to Text.


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

1.3 Abrir, guardar e imprimir archivos

Para proyectos donde


se incluye todo, datos
grficas, sesiones.

Se puede importar
una hoja de clculo
de Excel en forma
directa con

Para hojas de trabajo


(worksheets) slo la
parte de hoja tipo Excel

Open Worksheet

Pgina 5

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

1.4 Clculos con columnas y renglones


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

Calc > Calculator


Columna donde
aparecer el
resultado

Columnas
que contienen
los datos

Expresin a
calcular

Ejemplo: Velocidad por tiempo


Store result in C8
Expresion:
C1*C2
b) Otra forma de realizar operaciones en columnas o renglones es a travs de
Calc > Column o Row Statistics respectivamente:

Clculos
disponibles

Columna (s) sobre la que se har


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

La constante se muestra con


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

Editor > Enable commands


MTB > Let C4 = C1 + C2 + C3
o

Edit > Command line editor


Escribir la expresin Let C4 = C1 + C2 + C3
Submit commnads

1.5 Aplicaciones
Ejercicios con renglones y columnas

Pgina 6

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS


La teora se puede consultar en el documento de word anexo: Herramientas Solucin Probs.doc

2.1 Grficos de barras y lnea


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

File > Open Worksheet > Pulse.Mtw


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

Graph > Bar chart: Count of unique values, Stack


Categorical variables: Activity Sex
Chart of Activity, Sex
Sex
1
2

60
50

Count

40
30
20
10
0
Activity

Para cambiar la apariencia de las barras:


Colocarse en las barras y dar doble click, aparece el cuadro de dilogo
Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, tambin se puede seleccionar un tipo de trama por barra dando
Click en la grfica, click en la seccin especfica y doble click, poner trama en Type.
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:

Data > Code > Numeric to text

Se puede usar la
misma columna
u otra para los
valores una vez
transformados

Una vez cambiados los valores la grfica se actualiza en forma automtica colocndose
en la grfica y con botn derecho del ratn seleccionar Update Graph Now
Pgina 7

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


Para grficas de Pastel:

Graph > Pie chart


Se muestran distintas opciones para los datos fuente ya sea Chart
caso se establece una variable categrica en este caso Activity

Raw Data en cuyo

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


Chart values from a table
Pie Chart of Activity
C ategory
0
1
2
3

Para separar un sector: Click sobre la grfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Cambiando el nmero de actividad por su nombre con:

Data > Code > Numeric to text


1
2
3
4

Nula
Baja
Media
Alta

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


de la grfica de pastel, seleccionar la grfica e ir a Slice Labels y marcar:

Category name, Frequency.


Para agregar texto y figuras a la grfica, seleccionar la grfica con un click:

Editor > Annotation > Graph annotation tools


Para agregar texto
Seleccionar el botn T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botn de la figura e insertarla

2.2 Diagrama de Pareto y de Causa Efecto


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

Stat > Quality Tools > Pareto Chart


Pgina 8

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Para el diagrama de Pareto se tienen


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

Por ejemplo de la primera opcin colocando Defectos en Chart

defects in se tiene:

Pareto Chart of Defectos


200

100

Count

60
100
40
50

Percent

80

150

20

0
Defectos
Count
Percent
Cum %

Rayas
124
63.6
63.6

Sopladura
42
21.5
85.1

Forma
19
9.7
94.9

Terminacin
6
3.1
97.9

Other
4
2.1
100.0

Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, despus
acumula todos los dems conceptos y los agrupa en la barra de otros.
Usando Operario en By Variable

in se obtiene el diagrama estratificado siguiente:

Pareto Chart of Defectos by Operario


s
ya
Ra
Operario = A

p
So

lad

ur

a
r
Fo

r
Te

n
mi

i
ac

n
th
O

er

Operario = B

80
60

Count

40
20
Operario = C

80

Operario = D

Defectos
Ray as
Sopladura
Forma
Terminacin
Other

60
40
20
0

y
Ra

as
So

pla

du

ra

Fo

rm

a
r
Te

in
m

i
ac

n
O

e
th

Defectos

Para quitar los colores: seleccionar las barras y se cambia con


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

Stat > Quality Tools > Cause and Effect


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

Pgina 9

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Los datos se colocan como sigue:


Causas primarias:
AMBIENTE
Polvo
Vibraciones
Humedad
Temperatura
Causas secundarias:
FORMA
Dimetro
Curvatura

MATLS.
Forma
Dureza
Amacen

PERSONAL
MTODO
Salud
Ajuste
Habilidad
Velocidad
Humor

ALMACEN
Tiempo
Ambiente

HABILIDAD
HUMOR
Seleccin
Horas
Formacin
Moral
Experiencia Cansancio

MAQUINAS
Mantto.
Deformacin
Abrasin
Herramental

Cause-and-Effect Diagram
Measurements

Material

S alud

ia
nc
ie
er
xp in
E
ac
rm
F o ci n
c
le
Se

a
ur
at

ro
et
m
i

v
ur

Para cambiar el
tamao de letra
hacer doble click en
los ttulos y
seleccionar otro
tamao de letra

Personnel

F orma
D ureza

H abilidad

Ca

a
ns

io
nc
al
or

po

as
or

e
nt
bie

Tie

A macen

Temperatura

H umor

H erramental
V elocidad

H umedad
V ibraciones

A brasin
D eformacin

A juste

P olv o

M antto.

Env ironment

Methods

Machines

2.3 Grficas de dispersin de dos variables


Se utiliza de nuevo el archivo PULSE.MTW de Minitab anexo
Grfica de dispersin simple

File > Open Worksheet > Pulse.mtw o Copiar los datos del archivo a Minitab
Graph > Scatterplot > Simple
Indicar en Y variable Weight y en X variable Height
La grfica de dispersin simple se muestra a continuacin:
Scatterplot of Weight vs Height
220
200

Weight

180
160
140
120
100
60

62

64

66

68
Height

70

72

Pgina 10

74

76

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Grfica de dispersin Simple con una variable categrica:


Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaa Groups e indicando la variable
categrica Sex.
Scatterplot of Weight vs Height
220

Sex
1
2

200

Weight

180
160
140
120
100
60

62

64

66

68
Height

70

72

74

76

Para cambiar el tipo se smbolo por categora para impresin en blanco y negro:
Click sobre cualquiera de los puntos, para seleccionarlos todos
Click sobre los puntos de una cierta categora
Doble click para que aparezca el cuadro de dilogo que permita cambiar el color,
smbolo y tamao para los puntos de ese grupo.

Grfica de dispersin con estratificacin por grupos:

Graph > Scatterplot > With Groups


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

Pgina 11

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Scatterplot of PVP vs Pot.(CV)


50000000

40000000

PVP

30000000

20000000

10000000

0
0

100

200

300

400

500

Pot.(CV)

Para saber el precio y potencia de un coche caro, posicionar el cursor en el punto


y esperar unos segundos:
Symbol, Row 180: Pot. (CV) = 225, PVP = 44652800
Para marcar ms de un punto a la vez se utiliza Brush
Con el grfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la ve,.
manteniendo presionado el botn izquierdo del ratn mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing

Con Brush activado y con la ventana de grfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)

Para poner la marca a cada punto se usa:

Stat > Scatter plot: With Groups


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mnimo y
mximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.
Eje X
Eje Y

Minimum
Minimum

50 Maximum
1500000 Maximum

Scatterplot of PVP vs Pot.(CV)


NISSA N

VO LKSW A GEN

2000000

RENA ULT
FIA T

PEUGEOT

LA NC IA
FORD
VO LKSW A GEN
RENA ULT

PVP

1800000

OPEL

1700000

PEUGEOT
SEA T
VO LKSW A GEN

1600000

OPEL
PEUGEOT
FORD

1500000
50

60

FIA T
SEA T

OPEL

C ITROEN

SEA T

1900000

100
2000000

SEA T
HYUNDA I
NISSA N

SEA T
FORD

PEUGEOT
SEA T FIA T
SEA T

A lfa Romeo
FIA T

C ITROEN
MA ZDA
FORD
SEA T ROVER
VO LKSW A GEN HYUNDA I
C ITROEN
SUZUKI

70

80

90

100

Pot.(CV)

Para identificar las coordenadas de los puntos de la grfica seleccionar la grfica

Editor > Crosshair


El cursor se convierte en una cruz que se puede colocar en el punto
para ver las coordenadas

Grficas de dispersin Bivariantes con pneles:


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

Pgina 13

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Para modificar la apariencia de la grfica, seleccionarla y:

Editor > Panel > Option


Seleccionar Dont alternate panels
Seleccionar Both variable names and levels
Scatterplot of Quality vs Time
Temp = 350

Temp = 375

Temp = 400

Temp = 425

Temp = 450

Temp = 475

8
6
4

Quality

2
0
8
6
4
2
0
25

30

35

25

30

35

25

30

35

Time

Graficas bivariantes con distribuciones de frecuencia adicionales


Con los datos del archivo de datos del mdulo 2 - COCHES

Graph > Marginal Plot


Se tienen 3 posibilidades despus de indicar la variable Y y X como antes:
Grfica de dispersin Simple con una variable categrica:
Marginal Plot of PVP vs Pot.(CV)

50000000

PVP

40000000
30000000
20000000
10000000
0
0

Marginal Plot of PVP vs Pot.(CV)

100

200
300
Pot.(CV)

400

500

Marginal Plot of PVP vs Pot.(CV)

50000000

50000000

30000000

40000000

20000000
10000000

PVP

PVP

40000000

0
0

100

200
300
Pot.(CV)

400

500

30000000
20000000
10000000
0
0

Pgina 14

100

200
300
Pot.(CV)

400

500

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Matrices de Graficas bivariantes

Graph > Matrix Plot


Se tienen varias posibilidades despus de indicar las variables:
Matriz de "todas" por "todas" las
variables seleccionadas

Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma

Matrix Plot of PVP, Num.Cil., Pot.(CV)


4

12

40000000

20000000

PVP

12

8
Num.C il.
4

400

P ot.( C V )

200

0
0

20000000

40000000

Matriz bivariante solo entre las variables seleccionadas:

Pgina 15

200

400

En este caso se seleccionan:

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

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


0

200

400
40000000

En esta grfica si en el
Editor se selecciona la
opcin Brush y manualmente
seleccionamos una serie de
puntos en una ventana,
en forma automtica se
seleccionan en las otras
ventanas.

PVP

30000000
20000000
10000000
0

12

Consumo

10
8
6
4
0

2500
5000
Cil.(cc)

160
Pot.(CV)

240
Velo.max

320

2.4 Grficas bivariantes tridimensionales


Grafica bivariada en tres dimensiones

Graph > 3D Scatter Plot


Se utiliza de nuevo el archivo COCHES.MTW anexo
Indicar las variables para el eje
Z, Y y X

3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)

45000000
30000000
PVP
15000000
450

300
0

2000
Cil.(cc)

150
4000

6000

Pot.(CV)

Con la herramienta Tools > Tool Bars > 3D Graph tools se puede modificar la grfica:
Pgina 16

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Girar grfica

Zoom

Posicin inicial

Sobre la grfica de 3 dimensiones se pueden usar tambin las opciones Brush,


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

Graph > 3D Scatter Plot


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

Graph > 3D Scatter Plot


Indicar las variables Z, Y y X as como la
variable (s) categrica (s)

3D Scatterplot of PVP vs Pot.(CV) vs Cil.(cc)


Num.C il.
2
4
5
6
8
12
45000000
30000000
PVP
15000000
450

300
0

2000
C il.( cc)

150
4000

6000

P ot.( C V )

Graph > 3D Scatter Plot


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

Pgina 17

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Calc > Make Mesh Data

Columnas donde
se guardan los
datos generados

Datos para un
sombrero vaquero

Obtener la grfica con:

Graph > 3D Surface Plot


Columnas de datos para Z, Y y X de Mesh

Se tienen dos opciones,


mallada o superficie

Surface Plot of C3 vs C2, C1

C3

-1

-5
C1

C2

-5

Contour Plot of C3 vs C2, C1

Curvas de nivel (Contour Plots)


5.0

Graph > Contour Plot

-0.4

Columnas de datos para Z, Y y X de Mesh

-0.4
-0.4

C2

2.5

-0.8

-0.8

0.4

0.4

0.0

0.8
0.8

-2.5

0.0
-0.4
-0.8

-5.0
-5.0

Pgina 18

-0.4

-0.8

-2.5

0.0
C1

-0.8

2.5

5.0

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

2.5 Aplicaciones

Dagoberto Salgado Horta

(Ver ejercicios de Aplicaciones Seccin 2 en este libro)

MDULO 3. ESTADSTICA DESCRIPTIVA


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

Stat > Basic statistics > Display descriptive statistics


Variables y variable categrica
Grficas de los datos

Seleccin de estadsticos especficos

NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER

Descriptive Statistics: Peso en gr


Variable
Lnea
N N*
Mean
Peso en gr 1
250
0 3999.6
2
250
0 4085.6
Variable
Lnea
Q3 Maximum
Peso en gr 1
4040.0
4113.0
2
4121.5
4202.0
Pgina 19

SE Mean
3.14
3.32

StDev
49.6
52.5

Minimum
3877.0
3954.0

Q1
3967.8
4048.8

Median
3999.5
4087.0

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Las grficas obtenidas de la estadstica descriptiva son las siguientes:


Histogram (with Normal Curve) of Peso en gr by Lnea de llenado
3900 3960 4020 4080 4140 4200

50

1
Mean
StDev
N

Frequency

40

4000
49.60
250
2

Mean
StDev
N

30

4086
52.51
250

20
10
0

3900 3960 4020 4080 4140 4200

Peso en gr
Panel variable: Lnea de llenado

Individual Value Plot of Peso en gr vs Lnea de llenado


4200
4150

Peso en gr

4100
4050
4000
3950
3900
1

2
Lnea de llenado

Boxplot of Peso en gr by Lnea de llenado


4200
4150

Peso en gr

4100
4050
4000
3950
3900
1

2
Lnea de llenado

3.2 Diagrama de caja y diagrama de tallo y hojas


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

Pgina 20

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Graph > Boxplot


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

Calc > Calculator


Store result in variable Incremento
Expression Pulse2 - Pulse1
Grfica de caja sencillo
Boxplot of Pulse1
100

90

Pulse1

80

70

60

50

Grfica de caja por grupos

Boxplot of Incremento vs Ran, Sex


50
40

Incremento

30
20
10
0
-10
-20
Sex
Ran

2
1

2
2

Pgina 21

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


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

Graph > Stem and Leaf


o Stat > EDA > Stem and Leaf

Variable
Estratificacin opcional por otra variable
Destacar valores que exceden 1.5 RIC
de Q1 y Q3
Definicin del ancho de la "celda" de nmeros

Stem-and-Leaf Display: Weight


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

Leaf Unit = 1.0


Con Increment = 20
Leaf Unit = 10
Tallo Hojas
1
0 9
13
1 000111111111
37
1 222222222223333333333333
(33) 1 444444444445555555555555555555555
22
1 666666777777
10
1 888899999

HI 21

Valor anmalo destacado

Lnea de profundidad (frec. Acumulada hasta la mediana () )

Diagrama de puntos

Graph > Dotplot


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

Pgina 22

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dotplot of Incremento vs Ran, Sex

Ran

Sex

1
2

1
2

-9

18
Incremento

27

36

45

3.3 Histogramas o distribuciones de frecuencia


Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25

Frequency

20

15

10

50

60

70

80

90

100

Pulse1

Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
La apariencia de las barras se puede cambiar haciendo clcik en estas.
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaa Binning

Se deifnen los intervalos a travs de sus


puntos de corte

Se indica el nuevo nmero de intervalos

Pgina 23

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Histogram of Pulse1
30
25

Frequency

20
15
10
5
0

48.00

56.66

65.33

74.00
Pulse1

82.66

91.33

100.00

Con doble click en la escala horizontal se puede modificar la escala de valores

Una vez creada esta grfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:

Editor > Make Similar Graph

Histogram of Pulse2
30

Frequency

25
20
15
10
5
0

60

80

100
Pulse2

120

140

Para comparar los histogramas segn se haya corrido o no se tiene:

Pgina 24

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Graph > Histogram: Simple


Multiple Graphs:
Multiple Variable:
In separate panels of the same graph; Same scales for graphs X, Y
By Variable:
Ran
Histogram of Pulse1
50

60

70

16

80

90

100

14

Frequency

12
10
8
6
4
2
0

50

60

70

80

90

100
Pulse1

Panel variable: Ran

3.4 Distribucin normal estndar y distribucin normal


La teoria se puede consultar en el archivo de Word anexo:

Distribucin Normal.doc

Calc > Probability distributions > Normal


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

El rea total de probabilidad es de 1.0


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Calc > Probability distributions > Normal


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

Calc > Probability distributions > Normal


Seleccionar Cumulative Probability
En Input Constant poner 1.5
Normal with mean = 0 and standard deviation = 1
x P( X <= x )
1.5
0.933193
Probabilidad acumulada inversa

Calc > Probability distributions > Normal


Seleccionar Inverse Cumulative Probability
En Input Constant poner 0.9332
Normal with mean = 0 and standard deviation = 1
P( X <= x )
x
0.9332 1.50006
Dibujo de la grfica de densidad normal (entre -4 a +4 con incrementos de 0.1)

Calc > Make Patterned data > Simple set of numbers


Store patterned data in C1

Columna para guardar los datos


Primer valor
ltimo valor
Incremento
Listar cada valor
Listar toda la lista

Calc > Probability distributions > Normal

Columna de datos fuente


Columna de datos distribuidos normalmente

Graph > Scatter plot (With connect line)


Pgina 26

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Indicar en Y C1 y en X C1
En la grfica quitar los puntos dejando solo la lnea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4

C2

0.3

0.2

0.1

0.0
-5

-4

-3

-2

-1

C1

Para la parte sombreada bajo la campana se dibuja un polgono:

Editor > Annotation > Graph annotation tools


Seleccionar para el interior el color gris

Scatterplot of C2 vs C1
0.4

C2

0.3

0.2

0.1

0.0
-5

-4

-3

-2

-1

C1

Para las distribuciones de densidad de Weibull se tiene (entre 0 y 4 con incrementos de 0.01):

Calc > Make Patterned data > Simple set of numbers


Store patterned data in C1

Calc > Probability distributions > Weibull

se repiten los valores del 1 al 4 en el parmetro de forma

Pgina 27

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Graph > Scatterplot (With connect Line)


En la grfica seleccionar los puntos con doble click

Attributes, Symbols, Custom, Type None, Color Black


Con Editor > Annotation > Graph annotation tools
Con T escribir el texto de las opciones de las grficas de Weibull
Scatterplot of C2, C3, C4, C5 vs C1
1.6

a
a
a
a

1.4
1.2

= 1,
= 1,
= 1,
= 1,

b
b
b
b

Variable
C2
C3
C4
C5

=1
=2
=3
=4

Y-Data

1.0
0.8
0.6
0.4
0.2
0.0
0

2
C1

Areas bajo la curva normal


Excel

=Distr.norm.estand( valor de Z)

Minitab

Calc > Probablity distributions > Normal


Cumulative probability, Mean 0, standar deviation 1
Input constant (valor de Z)
Media = 0

K2
K1

Optional storage (K1 o K2)


Data> Display data K1 K2
Calc > Calculator Store result in C1 Expresion K2 - K1

rea entre Z = 1 sigmas

Minitab
K2
0,933193

K1
0,0668072

rea
0,8663858

Excel
rea
0,866385597

rea entre Z = 2 sigmas

0,97725

0,0227501

0,9544999

0,954499736

rea entre Z = 3 sigmas

0,99865

0,0013499

0,9973001

0,997300204

0,0668072

0,0668072

0,066807201

0,211855

0,211855

0,211855399

0,0668072

0,6589398

0,658939681

rea antes de Z = -1.5


rea despus de Z = 0.8
Restar a 1 o dar - Z
rea entre Z=-1.5 y Z=0.6

0,725747

Para cambiar el nmero de decimales mostrado en las columnas seleccionndolas y

Editor > Format column > Numeric

Fixed decimal with 8 u otro

Pgina 28

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

3.5 Prueba de normalidad


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

Stat > Basic statistics > Normality Test


en Variable indicar la columna de Pesos
Seleccionar la prueba de Anderson Darling
Probability Plot of Peso en gr
Normal

99.9

Mean
StDev
N
AD
P-Value

99
95

Percent

90

4043
66.76
500
0.426
0.314

80
70
60
50
40
30
20

AD - El estadstico de Anderson
Darling est en funcin de las
distancias entre los puntos y la
recta es mejor un valor menor
P Value indica la probabilidad
de equivocarnos al rechazar el
supuesto de normalidad cierto

10
5
1
0.1

3800

3900

4000
4100
Peso en gr

4200

Un valor P de menos de 0.05


indica que los datos no son
normales, en este caso si lo son.

4300

Otra forma de hacerlo es con:

Graph > Probability Plot: Single


Variable indicar la columna de Pesos

en Graph

Probability Plot of Peso en gr


Normal - 95% CI

99.9

Mean
StDev
N
AD
P-Value

99
95

Percent

90
80
70
60
50
40
30
20
10
5
1
0.1

3800

3900

4000
4100
Peso en gr

4200

4300

3.6 Aplicaciones
Ver hoja de aplicaciones de este mdulo 3.

Pgina 29

4043
66.76
500
0.426
0.314

En la grfica se deben observar


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL


4.1 Clculo de probabilidades
Distribucin t de Student (para nmero de muestras menor a 30 o sigma desconocida)
Se usa para pruebas de hiptesis sobre medias de una y dos poblaciones
Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel

=Distr.t( valor de t, gl, colas)

rea bajo la curva

=Distr.t.inv( valor de probabilidad, gl)

Estadstico t para una cierta rea


El rea siempre se divide entre 2

Calc > Probablity distributions > t


Inverse Cumulative probability, Degrees of freedom
Input constant (valor de la probabilidad alfa o rea bajo la curva)

Minitab

Estadstico t (valor a partir del cual inicia el rea bajo la curva alfa)
Probabilidad alfa (valor del rea bajo la curva corresp. A t)
Media = 0
Datos
10
10

Alfa
0,05
0,1

1- Alfa
Estadstico t
Minitab
en Minitab
0,95
1,83311
0,9
1,38303

Estadstico t
Excel
1,833112933
1,383028738

Distribucin F de Fisher (para probar hiptesis de comparacin de varianzas entre dos muestras)
Requiere dos parmetros adicionales de Grados de Libertad (gl) = n1 -1 y n2 = 2
Excel

=Distr.F( valor de F, gl 1, gl 2)
=Distr.F.inv( valor de probabilidad, gl 1, gl 2)

Minitab

Calc > Probablity distributions > F


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

Input constant (valor de la probabilidad alfa o rea bajo la curva)


Estadstico F (valor a partir del cual inicia el rea bajo la curva alfa)

Fc
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra 1
10
10

Datos de la
muestra 2
10
10

Alfa
0,05
0,1

S12
S 22

1- Alfa
Minitab
0,95
0,9

Pgina 30

S1 debe ser mayor a S2

Estadstico F
en Minitab
3,17889
2,44034

Excel
3,178893104
2,440340438

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel

=Distr.Chi( valor de Chi, gl)


=Prueba.Chi.inv( valor de probabilidad, gl)

Minitab

Calc > Probablity distributions > Chi Square


Inverse Cumulative probability
Degrees of freedom

Input constant (valor de la probabilidad alfa o rea bajo la curva)


Estadstico Chi (valor a partir del cual inicia el rea bajo la curva alfa)

Fc
0
Slo valores positivos en eje horizontal
curva no simtrica

Datos de la
muestra
10
10

Alfa
0,05
0,1

S12
S 22

1- Alfa
Minitab
0,95
0,9

Estadstico Chi Cuadrado


en Minitab
Excel
16,919
16,9189776
14,6837
14,68365657

4.2 Pruebas de hiptesis de una poblacin


Referirse a los materiales sobre Pruebas de hiptesis para la teora de estas pruebas
MinitabPruebaHiptesis.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Las pruebas de hiptesis permiten probar una afirmacin o rechazarla en relacin
a parmetros de la poblacin que pueden ser la media, varianza y proporcin con
nivel de confianza que normalmente es del 95% (con 5% de probabilidad de error).
Para las pruebas se toman muestras de las poblaciones y en base a la informacin
que proporcionen se infiere sobre el comportamiento del parmetro en la poblacin.
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la poblacin (en base a datos histricos)
Ho: Media = valor

Ha: Media Valor

Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035
3949
3969
3955
3969
3928
4017
3979
3984
3995
3974
4009
3970
4034
3991
4024
3983
3997
3964
3988
La desviacin estndar histrica es de 25 g.
Se puede afirmar que el peso promedio es diferente a 25 g.?
Ho: Media = 25

Ha: Media 25
Pgina 31

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Se inrtroducen los valores en una sola columna C1 titulada Pesos:

Stat > Basic Statistics > 1 - Sample Z

Indicar columna de datos

Esta seccin se usa cuando hay


datos de media y muestras

Desviacin estndar histrica


Media a probar

Nivel de confianza

Hiptesis alternativa, tambin se


puede probar "Menor que" o
"Mayor que"

Permite seleccionar varios tipos de grficas

Individual Value Plot of Pesos

(with Ho and 95% Z-confidence interval for the Mean, and StDev = 25)

_
X
Ho

3920

3940

3960

3980
Pesos

4000

4020

One-Sample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Pgina 32

4040

Si la Ho queda fuera de la lnea


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

Variable
Pesos

N
20

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Mean
3985.70

Z
-2.56

StDev
28.18

SE Mean
5.59

95% CI
(3974.74, 3996.66)

Este es el intervalo de confianza del 95% donde se encuentra


la media del proceso de llenado (poblacin). El 4000 no se
encuentra en el intervalo por tanto el promedio difiere de lo
que se afirma

P
0.011

l valor P es menor
a 0.05 por tanto se
rechaza la Ho y se
acepta la alterna en
este caso el
promedio difiere de
los 4000 g.

Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el nmero de datos es menor a 30
Ho: Media = valor

Ha: Media Valor

Stat > Basic Statistics > 1 - Sample t


Similar al anterior sin requerir el valor de la desviacin estndar

One-Sample T: Pesos
Test of mu = 4000 vs not = 4000
Variable
N
Mean StDev SE Mean
Pesos
20 3985.70 28.18
6.30

95% CI
(3972.51, 3998.89)

T
-2.27

P
0.035

Las conclusiones son iguales que en el caso 1

Caso 3. Prueba de hiptesis para una proporcin


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

Ha: Proporcin < 0.10

Stat > Basic Statistics > 1 - Proportion


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

Test and CI for One Proportion


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

Exact

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Sample
1

X
17

N
200

Sample p
0.085000

Bound
0.124771

Dagoberto Salgado Horta

P-Value
0.285

No se rechaza Ho ya que la Proporcin del 10% de la


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

4.3 Pruebas de hiptesis de dos poblaciones


Caso 1. Comparacin de dos medias - Muestras independientes
H: Media A - Media B = 0

Ha: Media A - Media B 0

Ejemplo: 10 pieles son curtidas usando el mtodo A y 10 usando el mtodo B, las


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

Stat > Basic Statistics > 2 Variances

Test for Equal


95% Bonferroni
F-Test (normal
Test statistic

Variances: Mtodo A, Mtodo B


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


varianzas, por tanto se asume que son iguales. Esta inf. se usar a continuacin:
Paso 2. Se realiza un anlisis de comparacin de medias poblacionales
H: Media A - Media B = 0 Ha: Media A - Media B 0

Stat > Basic Statistics > 2 - Sample t

La grfica de puntos individuales indica diferencia entre las muestras


Individual Value Plot of Mtodo A, Mtodo B
27
26

Data

25

24
23

22
21
Mtodo A

Mtodo B

Y los resultados de la prueba estadstica lo confirman:

Two-sample T for Mtodo A vs Mtodo B

Mtodo A
Mtodo B

N
10
10

Mean
25.14
23.62

StDev
1.24
1.24

SE Mean
0.39
0.39

Difference = mu (Mtodo A) - mu (Mtodo B)


Estimate for difference: 1.52000
95% CI for difference: (0.35037, 2.68963)
T-Test of difference = 0 (vs not =): T-Value = 2.74

P-Value = 0.014

Como el cero no se encuentra en el intervalo de confianza de la


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

Ha: Media de diferencias


Pgina 35

DF = 17

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


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

Lente A
6,7
5,0
3,6
6,2
5,9
4,0
5,2
4,5
4,4
4,1

Lente B
6,9
5,8
4,1
7,0
7,0
4,6
5,5
5,0
4,3
4,8

A un 95% de nivel de confianza


Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes?
Se colocan los datos en las columnas C1 y C2 para los Lentes A y B.
Ho: Diferencia de medias = 0

Ha: Diferencia de medias 0

Stat > Basic Statistics > Paired t

Individual Value Plot of Differences

(with Ho and 95% t-confidence interval for the mean)

_
X
Ho

-1.2

-1.0

-0.8

-0.6
-0.4
Differences

-0.2

0.0

Paired T-Test and CI: Lente A, Lente B


Paired T for Lente A - Lente B

Lente A
Lente B
Difference

N
10
10
10

Mean
4.96000
5.50000
-0.540000

StDev
1.02978
1.13039
0.343835

SE Mean
0.32564
0.35746
0.108730

Pgina 36

Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
mtodos.

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


T-Test of mean difference = 0 (vs not = 0): T-Value = -4.97

P-Value = 0.001

Como el cero no se encuentra en el intervalo de confianza de la


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

Ha: Proporcin A Proporcin B

Stat > Basic Statistics > 2 - Proportions

Se usa la seccin de datos


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

Test and CI for Two Proportions


Sample
X
N Sample p
1
33 300 0.110000
2
22 250 0.088000
Difference = p (1) - p (2)
Estimate for difference: 0.022
95% CI for difference: (-0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86

P-Value = 0.392

Como el cero si se encuentra en el intervalo de confianza de la


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

4.4 Tamao de muestra y potencia


Potencia:

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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


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

Caso 1. Prueba t de una media poblacional


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

CORRIDA DE 2.5 GRS. EN PROMEDIO


0.18
LIE 360

0.16

Ha: Corrida
367.5

Ho:
Meta
365

Variable
Original
C orrida

LIE 370

0.14

Y-Data

0.12
0.10
0.08
0.06
0.04
0.02
0.00
355

360

365
C1

370

375

Stat > Power and Sample Size > 1 - Sample t


Completar el dilogo como sigue:

Pgina 38

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Los resultados se muestran a continuacin:

Power and Sample Size


1-Sample t Test
Testing mean = null (versus not = null)
Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403

Difference
2.5

Sample
Size
6

Se tiene un 53.76% de Potencia para detectar


una diferencia de 2.5 si se usan 6 muestras
O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.

Power
0.537662

cuntas muestras se requieren para tener un 80% de probabilidad de detectar


el corrimiento, y para 85%, 90% y 95%?

Stat > Power and Sample Size > 1 - Sample t

Se cambia este parmetro

Los resultados se muestran a continuacin:

Difference
2.5
2.5
2.5
2.5

Sample
Size
10
11
12
15

Target
Power
0.80
0.85
0.90
0.95

Actual Power
0.832695
0.873928
0.905836
0.962487

Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias


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

Stat > Power and Sample Size > 2 - Sample t


Power and Sample Size

2-Sample t Test

Pgina 39

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Testing mean 1 = mean 2 (versus not =)


Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Assumed standard deviation = 1

Difference
1
1

Sample
Size
17
23

Target
Power
0.8
0.9

Actual Power
0.807037
0.912498

Se requieren tamaos de muestra de entre 17 y 23


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

Proporcin que se desea detectar con alta


probabilidad (0.80, 0.90)

Es la proporcin de la Hiptesis nula

Test for One Proportion


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

Stat > Power and Sample Size > 2 - Sample t


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

Test for One Proportion


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

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

4.5 Anlisis de varianza (ANOVA)


Para la teora revisar el artculo anexo en el archivo ANOVA.Doc
El Anlisis de Varianza es una prueba de hiptesis que trata de probar la
igualdad de varias medias al mismo tiempo:
H

1 2 3 .... k

H 1 : Al menos

dos medias

son diferentes

Requiere que las poblaciones sean normales y con varianza similar.


ANOVA de una va con datos de tratamientos en diferentes columnas:
Ejemplo: Los tcnicos de una fbrica de papel hacen un experimento de un factor
para ver que variedad de rbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A
1,9
1,8
2,1
1,8

B
1,6
1,1
1,3
1,4
1,1

C
1,3
1,6
1,8
1,1
1,5
1,1
A un 95% de nivel de confianza, hay alguna variedad que produzca ms fenoles que otra?
Se colocan los datos en tres columnas distintas C1, C2 y C3:

Stat > ANOVA > One Way (Unstacked)

Residual Plots for A, B, C


Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

99

0.4
Residual

Percent

90
50
10
1

-0.50

-0.25

0.00
Residual

0.25

0.50

0.2
0.0
-0.2
-0.4

1.4

1.6
Fitted Value

Histogram of the Residuals

Frequency

3
2
1
0

-0.3 -0.2 -0.1

0.0 0.1
Residual

0.2

0.3

0.4

Los residuos deben mostrar


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

1.8

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Los resultados se muestran a continuacin:

One-way ANOVA: A, B, C
Source
Factor
Error
Total

DF
2
12
14

S = 0.2309

SS
0.9000
0.6400
1.5400

MS
0.4500
0.0533

F
8.44

R-Sq = 58.44%

P
0.005

Como el valor P value es menor


a 0.05 existe una diferencia
significativa entre algunas medias

R-Sq(adj) = 51.52%

Individual 95% CIs For Mean Based on


A produce ms fenoles que B,C
Pooled StDev
Level N
Mean
StDev ----+---------+---------+---------+----A
4 1.9000 0.1414
(-------*--------)
La media de A es
B
5 1.3000 0.2121 (------*-------)
diferentes a A y B
C
6 1.4000 0.2828
(------*------)
----+---------+---------+---------+----1.20
1.50
1.80
2.10
Las medias B y C
Pooled StDev = 0.2309
Desviacin estndar poblacional
son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94%
A subtracted from:
Lower
Center
B -1.0130 -0.6000
C -0.8974 -0.5000

B subtracted from:
Lower Center
C -0.2728 0.1000

Upper
-0.1870
-0.1026

Upper
0.4728

Como el cero no est en el


intervalo de la diferencia B-A
o C-A, A es diferente de B y C
-----+---------+---------+---------+---(---------*---------)
(---------*--------)
-----+---------+---------+---------+----0.80
-0.40
-0.00
0.40

-----+---------+---------+---------+---(---------*--------)
-----+---------+---------+---------+----0.80
-0.40
-0.00
0.40
El intervalo de la diferencia C-B si incluye
el cero por tanto B no es diferentes de C

ANOVA de una va con datos de tratamientos en una sola columna


Los datos del ejemplo anterior arreglados en una
sola columna se muestran a continuacin:

Pgina 42

Respuesta
1,9
1,8
2,1
1,8
1,6
1,1
1,3
1,4
1,1
1,3
1,6
1,8
1,1
1,5
1,1

Factor
A
A
A
A
B
B
B
B
B
C
C
C
C
C
C

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Stat > ANOVA > One Way

Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.
Residual Plots for Respuesta
Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

99

0.4

Residual

Percent

90
50
10
1

-0.50

-0.25

0.00
Residual

0.25

Histogram of the Residuals

1.4

1.6
Fitted Value

1.8

Residuals Versus the Order of the Data


0.4

Residual

Frequency

0.0
-0.2
-0.4

0.50

1
0

0.2

0.2
0.0
-0.2

-0.3

-0.2

-0.1

0.0 0.1
Residual

0.2

0.3

0.4

-0.4

9 10 11 12 13 14 15

Observation Order

4.6 Correlacin y Regresin lineal y cuadrtica simple


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

Pgina 43

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Correlacin Negativa
Evidente
25

20

20

15

15

10

Correlacin Positiva
Evidente
25

5
0

10

15

20

25

10
5

Sin Correlacin

0
0

10

25

15

20

25

20
15

25

Correlacin
Positiva

10

0
0

20

10

15

20

25

25

20

15

15

10

Correlacin
Negativa

10
5

0
0

10

15

20

25

10

15

20

25

Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw
o copiar los datos del archivo anexo
Antes de calcular el coeficiente de correlacin se sugiere hacer un diagrama
bivariante para identificar posibles valores anmalos, relaciones no lineales, etc.

Graph > Scatterplot: Simple

Y = Weight y X = Height

Scatterplot of Weight vs Height


220
200

Weight

180
160
140
120
100
60

62

64

66

68
Height

70

72

74

76

Ahora se calcula el coeficiente de Correlacin que mide el grado de relacin que existe
entre dos variables, como sigue:

Stat > Basic Statistics > Correlation


Height

Seleccionar en Variables Weight


Seleccionar Display P values
Los resultados son los siguientes:

Correlations: Weight, Height


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

Pgina 44

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Si se agrega la variable "Pulse1":

Correlations: Weight, Height, Pulse1


Weight Height
Correlaciones
Height
0.785
P values
0
Pulse1

-0.202 -0.212 Correlaciones


0.053
0.043 P values
Cell Contents: Pearson correlation
P-Value
Regresin simple por medio de grfica:

Stat > Regression > Fitted line Plot


(Y) Weight y en Predictor (X) Height
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Seleccionar en Response

Ecuacin de
Regresin

Fitted Line Plot

Weight = - 204.7 + 5.092 Height


220

S Desv. Estandar de
los residuos
(valor real-estimado
por la regresin)

200

Weight

180
S
R-Sq
R-Sq(adj)

160
140

14.7920
61.6%
61.2%

120
100
60

62

64

66

68
Height

70

72

74

76

R-Sq Coeficiente
de Determinacin
en porcentaje de
variacin explicada
por la ecuacin de
regresin

R-Sq (Adj) - Slo para regresin mltiple


Regression Analysis: Weight versus Height

The regression equation is


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

Stat > Regression > Regression


Seleccionar en Response Weight y en Predictors Height
Regression Analysis: Weight versus Height
The regression equation is
Weight = - 205 + 5.09 Height

Ecuacin de regresin
Pgina 45

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Predictor
Constant
Height

Coef
-204.74
5.0918

SE Coef
29.16
0.4237

T
-7.02
12.02

Dagoberto Salgado Horta

P
0.000
0.000

S = 14.7920

R-Sq = 61.6%
R-Sq(adj) = 61.2%
Coef. De determinacin
Analysis of Variance
Source
Regression
Residual Error
Total

DF
1
90
91

SS
31592
19692
51284

MS
31592
219

F
144.38

P
0.000 Regresin significativa

Unusual Observations
Obs
9
25
40
84

Height
72.0
61.0
72.0
68.0

Weight
195.00
140.00
215.00
110.00

Fit
161.87
105.86
161.87
141.50

SE Fit
2.08
3.62
2.08
1.57

Residual
33.13
34.14
53.13
-31.50

St Resid
2.26R
2.38R
3.63R
-2.14R

Puntos con un
residuo estndar
mayor a 2

R denotes an observation with a large standardized residual.


En algunos casos hay puntos que estn muy alejados de la mayora de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo:
Usando el archivo PUNTOS_RX.MTW anexo:
Copiar los datos del archivo a Minitab

Graph > Scatterplot: Simple

Y=yyX=x

Fitted Line Plot

Y = 14.16 + 4.075 X
70

S
R-Sq
R-Sq(adj)

60

3.47429
86.6%
86.3%

50
40
30
20
10
0

6
X

10

12

Stat > Regression > Regression


Seleccionar en Response Y y en Predictors X
Unusual Observations
Obs
51
52

X
2.5
12.0

Y
40.000
60.000

Fit
24.343
63.056

SE Fit
0.483
2.178

Residual
15.657
-3.056

St Resid
4.55R
-1.13 X

R denotes an observation with a large standardized residual.


Pgina 46

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

X denotes an observation whose X value gives it large influenc


Regresin simple con datos transformados:
En algunos casos el ajuste se mejora mucho si se transforman los datos:
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamferos se tiene:
Copiar los datos del archivo a Minitab
Haciendo una grfica de dispersin bivariada se tiene:

Graph > Scatterplot: Simple

Y = Peso cerebro y X = Peso total

Scatterplot of Peso cerebro (g) vs Peso total (kg)


6000

Peso cerebro (g)

5000
4000
3000
2000
1000
0
0

1000

2000

3000
4000
Peso total (kg)

5000

6000

7000

En este caso los pesos de los elefantes pueden sesgar la ecuacin de la recta
no se pueden eliminar como anmalos y se intentar transformarlos en forma
logartmica:

Stat > Regression > Fitted line Plot


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

Pgina 47

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Como resultado se obtiene una grfica mucho ms uniforme:


Fitted Line Plot

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


100000.00

Regression
95% C I
95% PI

10000.00

S
R-Sq
R-Sq(adj)

Peso cerebro (g)

1000.00
100.00

0.301528
92.1%
91.9%

10.00

Intervalo de
valores individuales
en base a una X

0.10

1
00
0.

en base a una X

prediccin de Y para

1.00

0.01

Intervalos de
confianza de Ymedia

0
01
0.

0
10
0.

0
00
1.

Coeficiente de
determinacin
muy cercano a uno

0
0
00
00
00
00
.0
.0
0.
0.
10
00
10
00
10
0
1

Peso total (kg)

Regresin simple cuadrtica:


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

Stat > Regression > Fitted line Plot


(Y) Y, Predictor (X) X
Seleccionar modelo Linear
En Options seleccionar Display Confidence Interval y Prediction Interval:
En Graphs seleccionar Residuals vs Fits
Seleccionar en Response

Aparece la grfica siguiente de residuos que no varian aleatoriamente alrededor


de la media, sino ms bien con un patrn que sugiere un modelo cuadrtico:
Residuals Versus the Fitted Values
(response is Y)

1.0

Residual

0.5

0.0

-0.5

-1.0
15

20

25
Fitted Value

30

35

Repitiendo las instrucciones anteriores pero para modelo


Fitted Line Plot

Y = 15.12 + 2.829 X
+ 0.2355 X**2
Regression
95% C I
95% PI

35

S
R-Sq
R-Sq(adj)

30

25

20

15
0

Pgina 48

0.228822
99.9%
99.9%

Quadratic se tiene:

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Residuals Versus the Fitted Values


(response is Y)

0.50

Residual

0.25

0.00

-0.25

-0.50
15

20

25
Fitted Value

30

35

Los residuos aparecen en forma aleatoria indicando un modelo adecuado.

4.7 Aplicaciones
Ver aplicaciones del Mdulo 4

Pgina 49

Dagoberto Salgado Horta

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

MDULO 5. ESTADSTICA NO PARAMTRICA


Acciones a tomar sobre los datos normales antes de optar por estas pruebas:
Revise y asegrese de que los datos no siguen una distribucin normal.

Desarrollar una Prueba de normalidad. Para la prueba de Bartlet

el valor de p debe ser < 0.05)


Desarrollar una Prueba de Corridas (para verificar que no existen sucesos

no aleatorios que puedan haber distorsionado la informacin)


Revisar la informacin para detectar errores (tipogrficos, etc.).

Investiguar los valores atpicos.


Una muestra pequea (n < 30) proveniente de un universo normal,

se mostrar algunas veces como anormal.


Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos

- Logaritmo de todos los datos

- Cuadrado de todos los datos

Si la informacin es todava anormal, entonces usar las herramientas no paramtricas.

Se utilizan cuando no interesa la forma de la distribucin o cuando los datos no son normales

Prueba de Hiptesis
Atributos

Variables
No Normales
Varianzas
Homogeneidad
de Varianzas
de Levene

Tablas de
Contingencia de

Medianas

Correlacin

Correlacin
Prueba de signos

Normal

Wilcoxon
MannWhitney
KruskalWallis
Prueba de Mood
Friedman

Variancia
Chi

Prueba-F
Homogeneidad
de la Variacin
de Bartlett

Medias
Pruebas de t
Muestra-1
Muestra-2

ANOVA
Una va
Dos vas

Correlacin
Regresin
Se tienen las pruebas siguientes como ms comunes:
Pgina 50

Residuos
distribuidos
normalmente

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Pruebas de normalidad o aleatioriedad de los datos


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

5.1 Prueba de Rachas


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Stat > Quality Tools > Run Chart


En Single column, seleccionar Membrane .
En Subgroup size, poner 2 . Click OK.
Run Chart of Membrane
45

Membrane

40
35
30
25
20
1

Number of runs about median:


Expected number of runs:
Longest run about median:
A pprox P-Value for C lustering:
A pprox P-Value for Mixtures:

4
3
6.00000
5
0.02209
0.97791

5
6
Sample

Number of runs up or down:


Expected number of runs:
Longest run up or down:
A pprox P-Value for Trends:
A pprox P-Value for Oscillation:

10

5
6.33333
3
0.13455
0.86545

Interpretacin de resultados
Como el P value de Clustering es menor a 0.05 indica que este patrn es significativo
y se deben investigar las posibles causas.
Prueba de rachas no paramtrica
H0: Las rachas son aleatorias H1: Las rachas siguen un patrn no aleatorio
Un entrevistador encuesta a 30 personas al azar y les hace una pregunta con 4 posibles
respuestas (0, 1, 2 y 3). Se quiere probar si hay una respuesta aleatoria en el orden de
las respuestas o que no haya sesgo en el entrevistado.
Usar el archivo EXH_STAT.MTW.

Stat > Nonparametrics > Runs Test.


En Variables, seleccioanr Response . Click OK.
Los resultados son los siguientes:

Runs Test: Response


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

5.2 Puebas de signos de la mediana


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Copiar los datos del archivo EXH_STAT.MTW anexo

Stat > Nonparametrics > 1-Sample Sign.


En Variables, seleccionar PriceIndex.
Seleccionar Test median y poner 115 en el cuadro
En Alternative, Seleccionar greater than. Click OK.
Los resultados son los siguientes:

Sign Test for Median: PriceIndex


Sign test of median =

PriceIndex

N
29

Below
12

115.0 versus > 115.0


Equal
0

Above
17

Interpretacin de resultados:

P
0.2291

Median
144.0

Como el valor P de la prueba es >0.05 no hay


evidencia suficiente para rechazar Ho y la
mediana no es mayor a 115.

5.3 Prueba de una mediana de Wilconox


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

Stat > Nonparametrics > 1-Sample Wilconox


En Variables, seleccionar Achievement
Seleccionar Test median y poner 77 en el cuadro
En Alternative, Seleccionar Not equal. Click OK.
Los resultados son los siguientes:

Wilcoxon Signed Rank Test: Achievement


Test of median = 77.00 versus median not = 77.00

Achievement

N
9

N
for
Test
8

Interpretacin de resultados:

Wilcoxon
Statistic
19.5

P
0.889

Estimated
Median
77.50

Como el valor P de la prueba es >0.05 no hay


evidencia suficiente para rechazar Ho y la
mediana no es estadsticamente diferente de 77.

5.4 Prueba de rangos de dos muestras de Mann Whitney


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Stat > Nonparametrics > Mann-Whitney


En First Sample, sleccionar DBP1. En Second Sample, seleccionar DBP2. Click OK.
En Confidence level 95% y en Alternative, Seleccionar Not equal. Click OK.
Los resultados son los siguientes:

Mann-Whitney Test and CI: DBP1, DBP2


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

Como el valor P de la prueba es >0.05 no hay


evidencia suficiente para rechazar Ho y las
medianas no son diferentes estadsticamente.

5.5 Prueba de igualdad de medianas de Kruskal Wallis


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

Stat > Nonparametrics > Kruskal-Wallis.


En Response, seleccionar Growth.
En Factor, seleccionar Treatment. Click OK.
Los resultados son los siguientes:

Kruskal-Wallis Test: Growth versus Treatment


Kruskal-Wallis Test on Growth
Treatment
1
2
3
Overall
H = 8.63
H = 8.64

N
5
5
6
16

Median
13.20
12.90
15.60

DF = 2
DF = 2

Ave Rank
7.7
4.3
12.7
8.5

P = 0.013
P = 0.013

Z
-0.45
-2.38
2.71

(adjusted for ties)

Interpretacin de resultados:
Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
medianas son diferentes estadsticamente.
La mediana 1 difiere menos de la mediana general
Las medianas 2 y 3 tienen una mayor diferencia respecto a la mediana general.

5.6 Prueba de igualdad de medianas de Mood - Exp. de un factor (ANOVA)


Prueba similar a la anterior:
Pgina 54

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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

Stat > Nonparametrics > Moods Median Test


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

Mood median test for Otis


Chi-Square = 49.08
DF = 2

ED
0
1
2

N<=
47
29
15

N>
9
24
55

Median
97.5
106.0
116.5

Q3-Q1
17.3
21.5
16.3

5.7 Experimento aleatorizado bloqueado (similar a la ANOVA de dos vas)


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

Stat > Nonparametrics > Friedman.


En Response, seleccionar EnzymeActivity.
En Treatment, selecionar Therapy. En Blocks, seleccionar Litter. Click OK.
Los resultados son los siguientes:

Friedman Test: EnzymeActivity versus Therapy blocked by Litter


S = 2.38 DF = 2 P = 0.305
S = 3.80 DF = 2 P = 0.150 (adjusted for ties)

Therapy
1
2
3

N
4
4
4

Est Median
0.2450
0.3117
0.5783

Sum
of
Ranks
6.5
7.0
10.5

Los valores P son mayores a 0.10


por tanto no hay evidencia para
decir que el efecto de los
tratamientos sea diferente de cero

Grand median = 0.3783

Pgina 55

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

5.8 Tablas de Contingencia


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

Hombres
Mujeres

Republican
18
27

Other
4
1

Las instrucciones son las siguientes:


Open worksheet EXH_TABL.MTW.

Stat > Tables > Chi-Square Test (Tabla en Worksheet).


En Columns que contiene la tabla, indicar Democrat, Republican y Other. Click OK.
Los resultados son los siguientes:

Chi-Square Test: Democrat, Republican, Other


Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
Democrat
28
25.00
0.360

Republican
18
22.50
0.900

Other
4
2.50
0.900

Total
50

22
25.00
0.360

27
22.50
0.900

1
2.50
0.900

50

Total

50

45

100

NOTA: Las frecuencias


esperadas deberan ser mayores
a 5.

Chi-Sq = 4.320, DF = 2, P-Value = 0.115


2 cells with expected counts less than 5.

5.9 Aplicaciones
Ver ejercicios de aplicacin del Mdulo 5

Pgina 56

El valor P es mayor a 0.05 y no


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MDULO 6. CONTROL ESTADSTICO DEL PROCESO


Para la teora sobre el CEP ver archivo Cartas de Control.doc

6.1 Cartas de control por variables: X media - R, I-MR, X media - S


Carta X - R Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.
CAMSHAFT
Ejemplo: En una planta automotrz una flecha debe tener 600 mm 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensin con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
caracterstica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Usar el archivo CAMSHAFT.MTW.

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 5 . Click OK.
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters
Para lmites de la media o rango en base a datos histricos
de la Mean y/o Standar Deviation
Estimate

Para omitir subrupos con los que el proceso sale de control


Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar

S limits

Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma


Display Control Limts at These multiples of std. Dev. (2 3)

Tests

Definir las pruebas estadsticas fuera de control a ser indicadas


1 point > 3 std. Dev. From center line
6 points in a row all increasing and all decreasing
9 points in a row on same side of center line

Stages

Para mostrar diferentes etapas de desempeo del proceso


Define stages (historical groups) with this variable xxx

Box Cox

Para transformar datos sin un comportamiento normal


Optimal Lamda

Display

Si se quiere condicionar el despliegue de subgrupos


Display all subgroups Display last xx subgroups

Store

Para guardar los datos mostrados en la carta de control


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

Pgina 57

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

En este caso:
Xbar-R Chart of Supp2
1

Sample Mean

U C L=602.474
602
_
_
X=600.23

600

598

LC L=597.986
2

10
Sample

12

14

16

18

20

U C L=8.225

Sample Range

8
6

_
R=3.890

4
2
0

LC L=0
2

10
Sample

12

14

16

18

20

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 2, 14
Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal
Eliminando estos subgrupos se tiene:

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Subgroup sizes, poner 5 .
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar
Click OK OK.
El proceso ahora est dentro de control
Xbar-R Chart of Supp2
U C L=602.247

Sample Mean

602
601

_
_
X=599.938

600
599
598

LC L=597.629
2

10
Sample

12

14

16

18

20

U C L=8.465

Sample Range

8
6

_
R=4.003

4
2
0

LC L=0
2

10
Sample

12

14

16

18

20

Ejemplo usando el archivo VITA_C. MTW que contiene pesos de comprimidos


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Calc > Make Patterned Data > Simple Set of Data / Time Values

Hora de la primera y
ltima muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para
cad muestra

Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 el operario B
Habilitar comandos en la ventana de Sesin con Editor
MTB > Set c3
DATA> 125 (1)
DATA> 75 (2)
DATA> end

> Enable Commands

En C3 poner
125 unos
75 doces
fin

Desabilitar ejecucin de comandos con Editor

> Enable Commands

El nombre de la columna se pone a mano OPERARIO


Carta de control de medias
VITA_C

Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
Seleccionar las opciones siguientes:
Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.
La carta obtenida es la siguiente:
Xbar Chart of Peso by Operario
3.30

2
UCL=3.2939

Sample Mean

3.28

_
_
X=3.2671

3.26
6

LCL=3.2402

3.24
3.22
3.20
1

8:00

9:00

10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00

Hora

Pgina 59

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Los patrones anormales detectados son:

Test Results for Xbar Chart of Peso by Operario


TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 22, 23
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Test Failed at points: 5
Carta de control de rangos
VITA_C

Stat > Control Charts > Variables Charts for Subgroups > R
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
OK
R Chart of Peso
UCL=0.1020

0.10

Sample Range

0.08

0.06
_
R=0.0483
0.04

0.02

0.00

LCL=0
4

12

16

20
24
Sample

28

32

36

40

Carta de control de Desviacin estndar S


VITA_C

Stat > Control Charts > Variables Charts for Subgroups > S
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .
S Chart of Peso
OK
UCL=0.04073

0.04

Sample StDev

0.03

_
S=0.01950

0.02

0.01

0.00

LCL=0
4

Pgina 60

12

16

20
24
Sample

28

32

36

40

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Carta de control de lecturas individuales
CAMSHAFT
Utilizando los datos del archivo CAMSHAFT
Se copian o se carga el archivo Worksheet de Minitab CAMSHAFT.MTW

Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK
La grfica obtenida es la siguiente:
I-MR Chart of Supp1
1

U C L=601.176

Individual Value

601

600

_
X=599.548

599

598

LC L=597.920
1

10

20

30

40

50
60
O bser vation

70

80

90

100

Moving Range

2.4
1

U C L=2.000

1.8
1.2

__
M R=0.612

0.6
0.0

LC L=0
1

10

20

30

40

50
60
O bser vation

70

80

90

100

Varios puntos salen de control por lo que el proceso no es estable:

Test
TEST
Test
Test
TEST
Test

Results for I Chart of Supp1


1. One point more than 3.00 standard deviations from center line.
Failed at points: 39, 55, 82
Results for MR Chart of Supp1
1. One point more than 3.00 standard deviations from center line.
Failed at points: 34, 56

Excluyendo los puntos que salen de control se tiene:

Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK.
I-MR Chart of Supp1
Individual Value

601

U C L=600.943

600

_
X=599.531

599

598

LC L=598.118
1

Moving Range

2.0

10

20

30

40

50
60
O bser v ation

70

80

90

100

U C L=1.735

1.5
1.0
__
M R=0.531

0.5
0.0

LC L=0
1

10

20

30

40

50
60
O bser v ation

Pgina 61

70

80

90

100

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:
Seleccionar Row Numbers 1 21 36 34 39 55 56 82
I-MR Chart of Supp1

Individual Value

U C L=600.822
600.5
600.0
_
X=599.536

599.5
599.0
598.5

LC L=598.251
1

10

20

30

40

50
60
O bser vation

70

80

90

100

Moving Range

1.6

U C L=1.579

1.2
0.8
__
M R=0.483

0.4
0.0

LC L=0
1

10

20

30

40

50
60
O bser vation

70

80

90

100

El proceso es bastante estable


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

Data > Copy > Columns to Columns


Copy from columns Hora pH Cl
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'
Seleccionar Subset the Data
Seleccionar Rows that Match

Condition Fecha = DATE("08/11/2002")


funcin seleccionada Date (From text)

OK OK
Obteniendo la carta de control de lecturas individuales se tiene:

Stat > Control Charts > Variable charts for individuals


Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK

I Chart of pH V
14
1

13

UCL=12.843

Individual Value

12

Uso de la funcin Stamp

11
10

_
X=9.128

9
8
7
6

LCL=5.413

5
Hora V
Cl V

Pgina 62

6:45
21

7:30
21

8:15
20

9:00
19

9:45
20

10:30
18

11:15 12:00
19
18

12:45
20

13:30
20

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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

Stat > Control Charts > Variable charts for individuals


Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366

12

+2SL=11.244

Individual Value

11

+1SL=10.122

10
9

_
X=9

-1SL=7.878

Excluye el punto fuera de


control y muestra los
lmites de control a
una, dos y tres sigmas

-2SL=6.756

-3SL=5.634

5
Hora V
Cl V

6:45
21

7:30
21

8:15
20

9:00
19

9:45 10:30 11:15 12:00 12:45 13:30


20
18
19
18
20
20

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

Stat > Control Charts > Variable charts for individuals


Variable pH
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
I Chart of pH by Fecha
04/11/2002

14

05/11/2002

06/11/2002

12

UCL=12.370

10

_
X=8.981

Individual Value

8
6
Hora V
Cl V

LCL=5.592
6:15
19

8:00
20

14

10:00 12:00 14:00


21
18
20

07/11/2002

08/11/2002
1

12

UCL=12.843
_
X=9.128

10
8
6

LCL=5.413

Hora V
Cl V

Carta deRangos Mviles


CLORO

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

Pgina 63

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Moving Range Chart of pH V


5
UCL=4.564

Moving Range

2
__
MR=1.397
1

LCL=0
3

12

15
18
Observation

21

24

27

30

Carta de control de valores individuales y rangos mviles


CLORO

Stat > Control charts > Variable chart for individuals > I-MR
Variable ' pH V'

OK
I-MR Chart of pH V

Individual Value

14

U C L=12.843

12
10

_
X=9.128

8
6

LC L=5.413
3

12

15
18
O bse r v ation

21

24

27

30

U C L=4.564

Moving Range

4
3
2

__
M R=1.397

1
0

LC L=0
3

12

15
18
O bse r v ation

21

24

27

30

Carta de control X-S


CAMSHAFT
Se utilizan los datos del archivo CAMSHAFT.MTW anexo
Se usa para monitorear proveedores o grupos de mquinas
funciona mejor con tamaos de muestra >= 10
Tomando los datos de SUPP2 se tiene:

Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 10. Click OK.
Xbar-S Chart of Supp2
1

Sample Mean

602

U C L=601.908

601
_
_
X=600.23

600

599
LC L=598.552
1

10

Sample

Sample StDev

U C L=2.952

Pgina 64
2

_
S =1.720

Sample

X=600.23

600

599
1

TALLER DE APLICACIN DE MINITAB


LC L=598.552
PARA
LA
MEJORA
Y SOLUCIN
DE 9PROBLEMAS
3
4
5
6
7
8
10

Dagoberto Salgado Horta

Sample StDev

Sample
3

U C L=2.952

_
S =1.720

1
LC L=0.488
1

10

Sample

Como hay un punto fuera de control, se excluyen los puntos 61 a 70:


En Data Options seleccionar Specify which rows to exclude Rows 61:70.
Xbar-S Chart of Supp2

Sample Mean

602

U C L=601.735

601
_
_
X=600.042

600
599

LC L=598.349
598
1

10

Sample StDev

Sample
3

U C L=2.979

_
S =1.736

1
LC L=0.492
1

10

Sample

6.2 Estudios del sistema de medicin R&R


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Diseos Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente caractersticas dimensionales
Diseos anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Anlisis grfico (Gage Run Chart):

Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner ttulo al estudio
Gage Info: Para informacin adicional del estudio
Gage Run Chart of Medicion by Pieza, Operario
Reported by :
Tolerance:
M isc:

G age name:
Date of study :

5
16

12

Medicion

Mean

8
6

O perario
1
2
3

Las piezas son diferentes


ver pieza 2 y 3 versus la
8y9

10

16

12

Mean

Operario
Panel variable: Pieza

El operario 2 tiene ms
variabilidad en sus
mediciones y adems
tiende a tener valores por
debajo de los otros 2

Estudio R&R (Crossed)

Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Seleccionar Method of Anlisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para informacin adicional de identificacin del estudio
Tabla de Anlisis de Varianza (ANOVA)
Tambin se hubiera obtenido con:

Stat > ANOVA > Two way Response:Medicin Row Factor:Pieza Column Factor:Operario
Two-Way ANOVA Table With Interaction
Source
DF
SS
MS
Pieza
9 286.033 31.7814
Operario
2
45.635 22.8173
Pieza * Operario 18
17.261
0.9589
Repeatability
60
89.217
1.4869
Total
89 438.145
Pgina 66

F
P
significativa
33.1422 Pieza
0.000
23.7942 Operario
0.000 significativo
0.6449 Interaccion
0.849 no significativa

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Two-Way ANOVA Table Without Interaction


Source
DF
SS
MS
F
Pieza
9 286.033 31.7814 23.2814
Operario
2
45.635 22.8173 16.7147
Repeatability 78 106.478
1.3651
Total
89 438.145

Dagoberto Salgado Horta

P
0.000
0.000

Tabla de componentes de la Varianza (informativa)


Varianza
Source
VarComp
Total Gage R&R
2.08017
Repeatability
1.36510
Reproducibility 0.71507
Operario
0.71507
Part-To-Part
3.37959
Total Variation
5.45976

%Contribution
(of VarComp)
38.10
Varianza relevante debida al equipo
25.00
Menor varianza debida al operador
13.10
13.10
61.90
100.00
Usada cuando el equipo es para control del proceso

Tabla de anlisis de la Variacin


raiz (Varianza)
Source
StdDev (SD)
Total Gage R&R
1.44228
Repeatability
1.16838
Reproducibility
0.84562
Operario
0.84562
Part-To-Part
1.83837
Total Variation
2.33661

Usada cuando el equipo es para liberar producto


Study Var %Study Var %Tolerance
(5.15 * SD)
(%SV) (SV/Toler)
7.4277
61.73
49.52
6.0171
50.00
40.11
4.3549
36.19
29.03
4.3549
36.19
29.03
9.4676
78.68
63.12
12.0336
100.00
80.22

Number of Distinct Categories = 1

El % de error total debe ser de cuando ms el


10% o hasta 30% si la caracterstica no es crtica.
En algunas industrias se toma 25% como aceptable

Este nmero debe ser de al


menos 4 indicando que el equipo discrimina las partes
Se tiene las siguientes variaciones:
Parte a parte: Variacin entre las partes real

Repetibilidad: Variacin debida al aparato o equipo de medicin


Reproducibilidad: Variacin introducida por los operarios

Variacin total: Combinacin de las anteriores

Ventana de grficas

Pgina 67

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Gage R&R (ANOVA) for Medicion


Reported by :
Tolerance:
M isc:

Gage name:
Date of study :
Components of Variation

Medicion by Pieza

80

% Contribution

18

Percent

% Study Var
% Tolerance

12

40

6
Gage R&R

Repeat

Reprod

Part-to-Part

R Chart by Operario
Sample Range

6
Pieza

10

Medicion by Operario

UCL=5.257

18

_
R=2.042

12

Operario 2 tiene una


Media ms baja

4
2
0

LCL=0

2
Operario

Xbar Chart by Operario


1

Operario * Pieza Interaction

15.0

15.0
UCL=13.383
_
_
X=11.293

12.5
10.0

Average

Sample Mean

Operario
1
2
3

12.5
10.0

LCL=9.204
1

5
6
Pieza

10

Si no hay interaccin
significativa, estas
lneas son paralelas

Carta de rangos: Muestra al operario 2 con mayor variabilidad que los dems
pero aun as estan dentro de control, de otra forma repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medicin discrimina las partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag

File > Open worksheet > Gageaiag (en carpeta DATA)


Realizar el estudio R&R de acuerdo a lo siguiente:

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

Two-Way ANOVA Table With Interaction


Source
Part
Operator
Part * Operator
Repeatability
Total

DF
9
2
18
30
59

SS
2.05871
0.04800
0.10367
0.03875
2.24913

MS
0.228745
0.024000
0.005759
0.001292

F
P
39.7178 0.000
4.1672 0.033
interaccin si es
4.4588 La0.000
significativa, el operador
tiene interaccin con las
partes

Gage R&R
Source
Total Gage R&R
Repeatability

VarComp
0.0044375
0.0012917

%Contribution
(of VarComp)
10.67
3.10
Pgina 68

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Reproducibility
Operator
Operator*Part
Part-To-Part
Total Variation

0.0031458
0.0009120
0.0022338
0.0371644
0.0416019

7.56
2.19
5.37
89.33
100.00

Source
Total Gage R&R
Repeatability
Reproducibility
Operator
Operator*Part
Part-To-Part
Total Variation

StdDev (SD)
0.066615
0.035940
0.056088
0.030200
0.047263
0.192781
0.203965

Debe ser menor al 10% (AIAG)


o menores al 25% (otras industrias)
%Study Var %Tolerance
(%SV) (SV/Toler)
32.66
17.15
17.62
9.25
27.50
14.44
14.81
7.78
23.17
12.17
94.52
49.64
100.00
52.52

Study Var
(5.15 * SD)
0.34306
0.18509
0.28885
0.15553
0.24340
0.99282
1.05042

Number of Distinct Categories = 4

Dagoberto Salgado Horta

Es adecuado mnimo 4

Gage R&R (ANOVA) for Response


Reported by :
Tolerance:
M isc:

G age name:
D ate of study :
Components of Variation

Response by Part

100

% Contribution

1.00

Percent

% Study Var
% Tolerance

50

0.75
0.50

Gage R&R

Repeat

Reprod

Part-to-Part

Sample Range

10

Response by Operator
UCL=0.1252

0.10

1.00
0.75

0.05

_
R=0.0383

0.00

LCL=0

0.50
1

2
Operator

Xbar Chart by Operator


1

1.00
0.75

Operator * Part Interaction

3
_
UCL=0.8796
_
X=0.8075
LCL=0.7354

0.50

Operator

1.00

Average

Sample Mean

5
Part

R Chart by Operator

1
2
3

0.75
0.50
1

La carta R esta dentro de control

5
6
Part

10

Si hay interaccin entre


operadores y partes,
debe revisarse el mtodo
de medicin

La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado
Estudio R&R (Nested) para pruebas destructivas
Se usa el archivo RR_ANID.MTW que contiene datos de medicin de 12 piezas realizadas
por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseo anidado ya que cada operador solo mide una parte de las piezas.

Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10
Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance
Source
StdDev (SD) (5.15 * SD)
(%SV) (SV/Toler)
Total Gage R&R
1.37317
7.07181
97.92
70.72
Repeatability
1.13529
5.84676
80.95
58.47
Pgina 69

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Reproducibility
Part-To-Part
Total Variation

0.77246
0.28475
1.40238

3.97818
1.46644
7.22225

55.08
20.30
100.00

Gage R&R (Nested) for Medicion


Reported by :
Tolerance:
M isc:
Components of Variation

Medicion By Pieza ( Operario )

100

24

% Contribution
% Study Var

Percent

39.78
14.66
72.22

Variacin de partes muy


pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado

Number of Distinct Categories = 1

G age name:
D ate of study :

Dagoberto Salgado Horta

% Tolerance

22

50

20
0

Gage R&R

Repeat

Reprod

Pieza
Operario

Part-to-Part

Sample Range

R Chart by Operario

10 11
C

12

Medicion by Operario

UCL=5.170

24

4
2

_
R=2.008

LCL=0

22
20
A

B
Operario

Xbar Chart by Operario


A

Sample Mean

24

UCL=24.196

22

_
_
X=22.142

20

LCL=20.087

Estudios de linealidad
La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala
Se usa el archivo GAGELIN.MTW anexo
En este archivo se muestran las mediciones hechas con el patrn (Master) y
con el sistema en estudio (Response), en distintos niveles de la escala

Amplitud de la
variabilidad del proceso

Gage Linearity and Bias Study for Response


Reported by :
Tolerance:
M isc:

G age name:
D ate of study :

P redictor
C onstant
S lope

Regression
95% CI

1.0

Data
Avg Bias

S
Linearity

0.23954
1.86889

Reference
A v erage
2
4
6
8
10

R-S q
% Linearity

G age Bias
Bias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3

P
0.000
0.000

P
0.040
0.000
0.293
0.688
0.000
0.000

Percent of Process Variation

-1.0
2

6
Reference Value

10

10
5
0

Pgina 70

Linearity

Ecuacin

71.4%
13.2

-0.5

Percent

Bias

0.5

0.0

G age Linearity
C oef S E C oef
0.73667 0.07252
-0.13167 0.01093

Bias

Datos de promedios

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

La ecuacin de regresin es Diferencia = 0.7367 - 0.1317 Master


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

6.3 Estudios de capacidad de procesos para variables normales


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

Stat > Quality Tools > Capability Anlisis > Normal


Seleccionar R bar

Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite

Pgina 71

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Los resultados se muestran a continuacin:


Sigma = R medio / d2 (constante)
El proceso debe estar en control

Variabilidad dentro de subgrupos (Within)


Variabilidad global (Overall)

Sigma = Desv. Estandar / c4 (cte.)


No importa si el proceso est
fuera de control estadstico

Process Capability of Peso


LSL

USL
W ithin
Ov erall

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

P otential (Within) C apability


Cp
2.54
C PL
2.43
C PU
2.64
C pk
2.43
C C pk 2.54

Cp y Cpk a partir de
Std. Dev. Within

O v erall C apability
Pp
PPL
PPU
P pk
C pm

3.10
O bserv ed P erformance
P P M < LS L
0.00
P P M > U S L 0.00
P P M Total
0.00

3.15

3.20

E xp. Within P erformance


P P M < LS L
0.00
P P M > U S L 0.00
P P M Total
0.00

3.25

3.30

3.35

1.86
1.78
1.94
1.78
*

Pp y Ppk a partir de
Std. Dev. Overall
Tanto el Cpk como Ppk
deben ser mayores a
uno para que el proceso
sea capz, de otra
forma deben investigarse
las causas especiales

3.40

E xp. O v erall P erformance


P P M < LS L 0.05
P P M > U S L 0.00
P P M Total
0.05

Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall

Visualizacin de las variaciones:


Con una grfica Scatterplot se tiene:
Subgrupo
2
4
5
6
12
13
14
15
6
7
8
10

1
1
1
1
2
2
2
2
3
3
3
3

Scatterplot of Medidas vs Subgrupo


20

15

Medidas

Medidas

10

0
1.0

Var 1=2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de correccin
C4 que en este caso es 0.9776

1.5

2.0
Subgrupo

Var 2=1.67

2.5

3.0

Var 3 = 2.92

Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5


Desv. Std. Within = raiz (2.5) = 1.58

Capacidad de procesos en base a carta I-MR


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

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Stat > Quality Tools > Capability Anlisis > Normal


Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12

Estimate seleccionar R bar


OK
Process Capability of %Humedad
LSL

USL
Within
Overall

P rocess Data
LSL
6.00000
Target
*
U SL
12.00000
Sample M ean
10.85938
Sample N
32
StDev (Within)
1.16392
StDev (O v erall)
1.43526

P otential (Within) C apability


Cp
0.86
C PL
1.39
C P U 0.33
C pk
0.33
C C pk 0.86

El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones

O v erall C apability
Pp
PPL
PPU
P pk
C pm

6.4
O bserv ed P erformance
P P M < LSL
0.00
P P M > U SL 156250.00
P P M Total
156250.00

8.0

Exp. Within P erformance


P P M < LSL
14.90
P P M > U SL 163546.85
P P M Total
163561.75

9.6

11.2

0.70
1.13
0.26
0.26
*

12.8

Exp. O v erall P erformance


P P M < LSL
354.96
P P M > U SL 213388.49
P P M Total
213743.45

El proceso no tiene una capacidad suficiente de Cpk >1


Opcin Six Pack para una informacin resumida:

Stat > Quality Tools > Capability Sixpack > Normal


Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12

Estimate seleccionar R bar


OK

Process Capability Sixpack of %Humedad


I C har t

C apability H istogr am

Individual Value

15

UCL=14.351

12

_
X=10.859

9
3

LCL=7.368
12

15

18

21

24

27

30

8.0

Moving Range

M oving Range C har t


4

UCL=4.290

__
MR=1.313

9.6

12.8

Nor mal P r ob P lot


A D : 0.315, P : 0.527

LCL=0
3

12

15

18

21

24

27

30

Last 2 5 O bser vations

Values

11.2

10

12

C apability P lot
Within
S tD ev 1.16392
Cp
0.86
C pk
0.33
C C pk
0.86

12
10
8

Within

Overall

Specs

10

15

20
Observation

25

14

30

Pgina 73

O v erall
S tD ev 1.43526
Pp
0.70
P pk
0.26
C pm
*

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Identificando posibles causas con una grfica de serie de tiempo se tiene:

Trend Analysis Plot for %Humedad

Stat > Time series > Trend Analysis

Linear Trend Model


Yt = 9.42198 + 0.0871151*t

Variables %Humedad
seleccionar Linear
OK

14

Variable
Actual
Fits

13

Accuracy
MAPE
MAD
MSD

%Humedad

12

Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da

11

Measures
8.53237
0.88705
1.31670

10
9
8
7
3

12

15
18
Index

21

24

27

30

6.3 Estudios de capacidad de procesos para variables no normales


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

Stat > Basic statistics > Normality test


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

Stat > Quality tools > Capability analysis > Normal


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

Using Box-Cox Transformation With Lambda = 0.5


LB*

U S L*

transformed data

P rocess D ata
LB
0.00000
Target
*
USL
8.00000
S ample M ean
2.92307
S ample N
100
S tDev (Within)
1.68898
S tDev (O v erall) 1.79048

Within
O v erall
P otential (Within) C apability
Cp
*
C PL
*
C P U 0.78
C pk
0.78
C C pk 0.78

A fter Transformation
LB*
Target*
U S L*
S ample M ean*
S tDev (Within)*
S tDev (O v erall)*

O v erall C apability

0.00000
*
2.82843
1.62374
0.51337
0.53934

Pp
PPL
PPU
P pk
C pm

0.0
O bserv ed P erformance
P P M < LB
0.00
P P M > U S L 20000.00
P P M Total 20000.00

0.4

0.8

E xp. Within P erformance


P P M < LB*
*
P P M > U S L* 9472.66
P P M Total
9472.66

1.2

1.6

2.0

E xp. O v erall P erformance


P P M < LB*
*
P P M > U S L* 12754.26
P P M Total
12754.26

Pgina 74

2.4

2.8

*
*
0.74
0.74
*

Cpk = 0.78 el proceso


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha

Stat > Quality tools > Capability analysis > Nonnormal


Single column - Warping
OK

Lower spec 0 Upper Spec 8

Process Capability of Warping

Calculations Based on Weibull Distribution Model


LB

USL

P rocess Data
LB
0.00000
Target
*
USL
8.00000
S ample M ean 2.92307
S ample N
100
S hape
1.69368
S cale
3.27812

O v erall C apability
Pp
*
PPL
*
PPU
0.73
P pk
0.73
E xp. O v erall P erformance
P P M < LB
*
P P M > U S L 10764.5
P P M Total
10764.5

O bserv ed P erformance
P P M < LB
0
P P M > U S L 20000
P P M Total
20000

0.0

1.5

3.0

4.5

6.0

Ppk es igual a 0.73

7.5

6.5 Cartas de control por atributos


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

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos
Subgroup sizes Produccin
OK
P Chart of Defectuosos
0.055

UCL=0.05316

0.050

Proportion

0.045
0.040

_
P=0.03812

0.035
0.030
0.025

LCL=0.02308

0.020
3

12

15
18
Sample

21

24

27

30

Tests performed with unequal sample sizes

Pgina 75

Se tienen lmites de
control variables por
ser el tamao de muestra
variable

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Test Results for P Chart of Defectuosos


TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 3, 26
Aproximando el tamao de muestra a su promedio se tiene n = 1350

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos
Subgroup sizes 1350
OK
P Chart of Defectuosos
0.055

UCL=0.05441

0.050

Proportion

0.045
_
P=0.03867

0.040
0.035
0.030
0.025

LCL=0.02292
0.020
3

12

15
18
Sample

21

24

27

30

Carta de control NP para el nmero de defectuosos o no conformes


Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados
al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.

Stat > Control Charts > Attributes chart > NP


Variables Defectuosos
Subgroup sizes 100
OK
NP Chart of Defectuosos
14

UCL=12.16

12

Sample Count

10
8
__
NP=5.39

6
4
2
0

LCL=0
1

14

21

28

35
42
Sample

49

56

63

Test Results for NP Chart of Defectuosos


Pgina 76

70

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 18
La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los lmites de control

Stat > Control Charts > Attributes chart > NP


Variables Defectuosos
Subgroup sizes 100
NP Chart Options Estimate Omit the following subgroups when estimating parameters 18
Data Options seleccionar Especify which rows to exclude seleccionar Row numbers 18
OK
NP Chart of Defectuosos
12

UCL=11.98

Sample Count

10
8
6

__
NP=5.28

4
2
0

LCL=0
1

14

21

28

35
42
Sample

49

56

63

70

Carta de control C para defectos por unidad de inspeccin constante


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

Stat > Control Charts > Attributes chart > C


Variables Visitas
OK
C Chart of Visitas
160
1

140
1

Sample Count

120
100

UCL=87.3

80

_
C=63.4

60
40
1

20
1

LCL=39.5

12

18

24

30
36
Sample

11

11

42

48

Test Results for C Chart of Visitas


Pgina 77

54

60

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 5, 6, 10, 11, 22, 26, 33, 37, 40, 41, 54, 55
El punto del da 10 representa un pico debido a un anuncio especial anunciando la pgina
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sbados y domingos usar el botn Data Options
para recalcular los lmites de control de nuevo:

Stat > Control Charts > Attributes chart > C


Variables Visitas
Data Options
C Chart OptionsData Options

Omitir los puntos 10 y 11


en el reclculo de lmites

C Chart of Visitas
120

110

Sample Count

100
UCL=94.20

90
80

_
C=69.24

70
60
50

LCL=44.28

40
1

12

18

24

30
36
Sample

42

48

54

60

Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002")


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Stat > Control Charts > Attributes chart > U


Variables Numero Manchas
Subgroup size Superficie
OK
U Chart of Numero manchas

Sample Count Per Unit

20

UCL=19.44

15
_
U=9.87

10

Los lmites de control


son variables debido a
que el tamao de muestra
es variable

LCL=0.30

0
3

12

15
18
Sample

21

24

27

30

Tests performed with unequal sample sizes

El proceso est en control estadstico

6.6 Estudios de capacidad por atributos


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

Stat > Quality tools > Capability Analysis > Binomial


Defectives Descontentos
Sample size seleccionar Constant size 50
Target 0
OK

Test Results for P Chart of Descontentos


TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points:

6, 13, 28

3 puntos fuera de control


Binomial Process Capability Analysis of Descontentos
P C har t

Binomial P lot

0.6

P r opor tion

Expected Defectives

0.4

U C L=0.3983

0.2

_
P =0.222
LC L=0.0457

0.0
3

12 15 18
Sample

21 24

27

30
20
10

Puntos fuera de control

0
0

30

15
30
O bser ved Defectives

C umulative % Defective

Dist of % Defective
Tar

S ummary S tats
(using 95.0% confidence)

% Defective

30.0
27.5
25.0
22.5
20.0
5

10

15
20
Sample

25

30

% D efectiv e:
Low er C I:
U pper C I:
Target:
P P M D ef:
Low er C I:

22.20
20.12
24.39
0.00
222000
201196

U pper C I:
P rocess Z:
Low er C I:
U pper C I:

243898
0.7655
0.6938
0.8374

16
12
8
4
0

Pgina 79

10 20 30 40 50 60 70

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca

Intervalos de confianza y ppm de defectuosos

del valor medio para indicar


que el tamao de muestra

La Z del proceso es 0.75 que es muy baja,

es representativo

debe mejorarse

Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que ms influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Asi el porcentaje de clientes insatisfechos por agencia se encuentra
entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.
Binomial Process Capability Analysis of Descontentos
P C har t

Binomial P lot

Expected Defectives

P r opor tion

U C L=0.3602
0.3
_
P =0.1929

0.2
0.1
0.0

LC L=0.0255

12 15 18
Sample

21 24

27

15
10
5
0

30

10
O bser ved Defectives

C umulative % Defective

Dist of % Defective
S ummary S tats

24.0

% Defective

(using 95.0% confidence)


22.5
21.0
19.5
18.0
5

10

15
20
Sample

25

20

30

% D efectiv e:
Low er C I:
U pper C I:
Target:
P P M D ef:
Low er C I:

19.29
17.25
21.45
0.00
192857
172495

U pper C I:
P rocess Z:
Low er C I:
U pper C I:

214517
0.8674
0.7908
0.9444

Tar
10.0
7.5
5.0
2.5
0.0

10 15 20 25 30 35

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 28
Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Se usa como ejemplo el archivo PINTADO_HORNO.MTW anexo el cual contiene
detectados en 40 piezas consecutivas.

Stat > Quality tools > Capability Analysis > poisson


Defects Nmero de defectos
Constant size 1
Target 0
OK

Pgina 80

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
El proceso es estable en torno a 3 defectos por unidad.
Poisson Capability Analysis of Num. defectos
P oisson P lot
U C L=8.474

Expected Defects

Sample Count P er Unit

U C har t
7.5
5.0

_
U =3.15

2.5
0.0

LC L=0
4

12

16 20 24
Sample

28

32

36

6
4
2
0
0.0

40

2.5
5.0
O bser ved Defects

C umulative DP U

Dist of DP U
S ummary S tats

16

Tar

(using 95.0% confidence)

DP U

1
10

20
Sample

30

40

M ean D ef:
Low er C I:
U pper C I:
M ean D P U :
Low er C I:
U pper C I:

3.1500
2.6240
3.7505
3.1500
2.6240
3.7505

M in D P U :
M ax D P U :
Targ D P U :

0.0000
6.0000
0.0000

El nmero de muestras es suficiente

12
8
4
0

Los valores siguen una distribucin


de Poisson

6.7 Cartas de control especiales (EWMA y CuSum)


Grfica de Sumas acumuladas ( CuSum )
Se usa para registrar al centro del proceso.Se corre en tndem (una tras otra)
Es ms sensible que la grfica X al movimiento de los pequeos cambios sostenidos
en el centro del proceso.
Es ms sensible que la grfica X al movimiento de separacin gradual del centro del proceso.
Es menos sensible que la grfica X al desplazamiento grande e nico del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parmetros clsicos son h = 4; k = 0.5
Son ms eficientes que las cartas de Shewhart para detectar pequeos corrimientos en la
media del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamao n y
se calcula la media de cada muestra Xi-media. Despus se determina Sm o Sm como sigue:
m

Sm

(X

0 )... 0 m e d ia .e n .c o n tr o l .e s tim a d a

i 1

S m
'

(X

0 )...

d e s v .e s ta n d a r .d e .la s .m e d ia s

i 1

Ejemplo: Variaciones de una flecha respecto a una lnea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.

Carta X media - Rango

Stat > Control Charts > Variables Charts for Subgroups > Xbar
Pgina 81

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 .
OK
Xbar-R Chart of AtoBDist

Sample Mean

5.0

U C L=4.70

2.5
_
_
X=0.44

0.0

No se observa que el
proceso tenga corrimiento
o est fuera de control

-2.5
LC L=-3.82
-5.0
2

10

12
14
Sample

16

18

20

22

24

Sample Range

16

U C L=15.61

12
_
R=7.38

8
4
0

LC L=0
2

10

12
14
Sample

16

18

20

22

24

Carta de Sumas acumuladas con Lmites Superior e inferior

Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Target 0.0
OK
CUSUM Chart of AtoBDist
10.0

Cumulative Sum

7.5
UCL=5.68

5.0
2.5
0.0

-2.5
-5.0

Los puntos 4-10 estan


fuera de lmite superior
de control, el proceso
est fuera de control
Se tienen corridas por
arriba del lmite superior
de control, no visibles en
la carta X-R anterior

LCL=-5.68
2

10

12
14
Sample

16

18

20

22

24

Test Results for CUSUM Chart of AtoBDist


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

Pgina 82

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
OK
Vmask Chart of AtoBDist
25

Vmask Chart of AtoBDist


25
Cumulative Sum

20

Cumulative Sum

20

15

15

10

10
0

Target=0

10

12
14
Sample

16

18

20

22

24

Target=0
2

10

12
14
Sample

16

18

20

22

24

Indica situacin fuera


de control en el punto
de medicin actual
Vmask Chart of AtoBDist
40

Cumulative Sum

30

20

10

Target=0

-10
2

10

12
14
Sample

16

18

20

22

24

Carta EWMA de promedios mviles ponderados exponencialmente


Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es ms sensible que la carta X al movimiento de separacin gradual de la media del proceso.

Stat > Control Charts > Time Weighted Charts > EWMA
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK

Pgina 83

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Puntos fuera de control


EWMA Chart of AtoBDist
2.0

UCL=1.861

1.5

EWMA

1.0
_
_
X=0.442

0.5
0.0
-0.5

LCL=-0.978

-1.0
2

10

12 14
Sample

16

18

20

22

24

Test Results for EWMA Chart of AtoBDist


TEST. One point beyond control limits.
Test Failed at points:

5, 6

Carta de promedios mviles


Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat > Control Charts > Time Weighted Charts > Moving average
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Lenght of MA 3
OK

Moving Average Chart of AtoBDist


5
4

Moving Average

UCL=2.900

2
1

_
_
X=0.442

0
-1
-2

LCL=-2.017

-3
-4
2

10

12
14
Sample

16

18

20

22

24

TEST. One point beyond control limits.


Test Failed at points:

5, 6

Fuera de control el punto 6

Pgina 84

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

6.8 Muestreo por atributos


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

=distr.binom(x, n, p, 1) con x=Defectuosos aceptados,


n -muestra, p -fraccin defectiva

Minitab

Calc > Probability distributions > Binomial


seleccionar Cumulative Probability
Poner en Trials n Prob. Success p
En Input constant x (para cada una de las p's)

Pa = b

p
0,005
0,010
0,020
0,030
0,040
0,050
0,060
0,070
0,080
0,090
0,100
0,110
0,120

0,98969

Curva OC con
n = 89, c = 2

Pa

0,93969
0,73658
0,49848
0,30416
0,17208
0,09187
0,04682
0,02296
0,01089
0,00501
0,00225
0,00098

Fraccin def. en lote - p

Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de


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

Pgina 85

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

p
0,005
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08

Pa
0,98969
0,93969
0,73658
0,49848
0,30416
0,17208
0,09187
0,04682
0,02296

Dagoberto Salgado Horta

AOQ = Pa . P

0,00495
0,00940
0,01473
0,01495
0,01217
0,00860
0,00551
0,00328
0,00184

AOQ

AOQL = 1.55%

0.03

Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de


n = 89, aceptando hasta con c = x = 2 defectivos aceptables
Lo anterior est plasmado en tablas de muestreo de aceptacin por
atributos indicadas en el artculo de Muestreo de Aceptacin.Doc

6.8 Aplicaciones
Referirse a la hoja de Aplicaciones Mdulo 6 donde se encuentra el material de ejercicios.

Pgina 86

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

MDULO 7. DISEO DE EXPERIMENTOS


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

Stat > Quality tools > Multi Vari Chart


Response Diametro
Factor 1 Posicin Factor 2 Eje Factor 3 Hora
OK
Multi-Vari Chart for Diametro by Posicion - Hora
1
08:00

09:00

10:00

11:00

12:00

Posicion
Max Der
Max Izq
Min Der
Min Izq

2.510

Diametro

2.505

2.500

2.495

2.490

Eje
Panel variable: Hora

Como se puede observar las variabilidades en orden de importancia son:


*** Por el paso del tiempo

** Falta de redondez
Pgina 87

* Entre partes

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


en Connect Means for Factor 1
Multi-Vari Chart for Diametro by Posicion - Hora
1
08:00

09:00

10:00

11:00

12:00

Posicion
Max Der
Max Izq
Min Der
Min Izq

2.510

Diametro

2.505

2.500

2.495

2.490

Eje
Panel variable: Hora

El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aqu es donde conviene introducir el tiempo
El ltimo factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variacin
Se puede descomponer en dos columnas la columna "Posicin", creando las columnas
"Redondez" donde se indica si el dimetro medido es mximo o mnimo, y la columna
"Inclinacin" donde se indica si corresponde a la izquierda o a la derecha.
Para crear la columna "Inclinacin" se tiene:

Calc > Make Patterned Data > Text Values


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

Calc > Make Patterned Data > Text Values


Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30
y se corre de nuevo la carta Multivari

Stat > Quality tools > Multi Vari Chart


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

Pgina 88

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Multi-Vari Chart for Diametro by Eje - Inclinacion


Max
Der, 08:00

Min

Der, 09:00

Max
Der, 10:00

Min

Der, 11:00

Der, 12:00
2.510
2.505

Eje
1
2
3

2.500

Diametro

2.495
2.490
Izq, 08:00

Izq, 09:00

Izq, 10:00

Izq, 11:00

Izq, 12:00

2.510
2.505
2.500
2.495
2.490
Max

Min

Max

Min

Max

Min

Redondez
Panel variables: Inclinacion, Hora

7.2 Diseo de experimentos factoriales completos


Ver el archivo Diseo de experimentos.doc para la teora.
Diseo de experimentos factoriales completos de dos niveles
Ejemplo: En un proceso de fabricacin de Mofles se desea mejorar el proceso
de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseo de 2 factores y 3 niveles.
Factor
A. Caudal gas
B. Corriente A
C. Vel. Cadena

Nivel bajo
8
230
0,6

Nivel Alto
12
240
1

Como respuesta se toma la calidad del componente en una escala de 0 a 30


entre mayor sea mejor calidad
Paso 1. Generar diseo

Stat > DOE > Factorial > Create Factorial Design


Seleccionar 2-Level factorial (default values); Number of factors 3
Designs: Seleccionar Full Factorial
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random

OK OK
Puede colocar la matriz del diseo en orden aleatorio o estndar con
Stat > DOE > Display Design: Estndar order for design
Para cambiar de unidades sin codificar a unidades codificadas:
Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseo:
StdOrder
1
2
3

Caudal
8
12
8

Corriente
230
230
240
Pgina 89

Velocidad
0,6
0,6
0,6

Y
10
26,5
15

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
4
5
6
7
8

12
8
12
8
12

240
230
230
240
240

0,6
1
1
1
1

17,5
11,5
26
17,5
20

Paso 3. Analizar el diseo

Stat > DOE > Factorial > Analyze Factorial Design


Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05

OK OK
Los resultados se muestran a continuacin.
La ecuacin del modelo se puede formar a partir de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units


Term
Constant
Caudal
Corriente
Velocidad
Caudal*Corriente
Caudal*Velocidad
Corriente*Velocidad
Caudal*Corriente*Velocidad

Coef
-893.750
102.625
3.75000
186.250
-0.425000
-30.0000
-0.750000
0.125000

Las grficas donde se indica cuales factores son significativos son:


Pareto Chart of the Effects
(response is Y, Alpha = .05)
5.646
F actor
A
B
C

A
AB

N ame
C audal
C orriente
V elocidad

Son significativos A y AB

Term

C
B
BC
ABC

Normal Probability Plot of the Effects

AC

(response is Y, Alpha = .05)

5
Effect

99

Effect Ty pe
Not Significant
Significant

95

Lenth's PSE = 1.5

90

Percent

80
70
60
50
40
30
20
10

AB

5
1

-5.0

Lenth's PSE = 1.5

Pgina 90

-2.5

0.0

2.5
Effect

5.0

7.5

10.0

F actor
A
B
C

N ame
C audal
C orriente
V elocidad

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Los efectos se pueden guardar en una columna y despus graficarlos para que sean claros:

Stat > DOE > Factorial > Analize Facorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1,5
-6,5
-0,5
1
0,5
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; Caudal
Seleccionar Interaction Plot: Setup: Response Y; Corriente y Caudal
Seleccionar Cube Plot: SetUp >>
OK

Main Effects Plot (data means) for Y


Caudal

Corriente

22

El nico factor
significativo es A

20
18

Mean of Y

16
14
8

12

230

240

Velocidad
22
20
18
16
14
0.6

1.0

Interaction Plot (data means) for Y


28

C audal
8
12

26
24

Mean

22

La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12

20
18
16
14
12
10
230

240
Corriente

Pgina 91

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Cube Plot (data means) for Y


17.5

El cubo proporciona los


valores de las respuestas
en las diferentes
combinaciones de los
factores

20.0

15.0

17.5

240

Corriente

11.5

26.0
1

10.0

26.5

230

Es el mejor resultado

Velocidad
0.6

12

Caudal

La experimentacin podra continuar en esta direccin

Diseo de experimentos fraccionales (1/2) de dos niveles:


Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:
Factor
Nivel Bajo
A. Tipo de cola
X
B. Temperatura
30
C. Cantidad
2
D. Temp.sec.
80
E. Presin
1

Nivel Alto
Y
40
3
90
1,5

Al principio se realiz un diseo fraccional de dos niveles y cinco factores, en cada


condicin se midi la fuerza de adhesin en 100 botellas y se tom como respuesta el promedio.
Paso 1. Generar el diseo

Stat > DOE > Factorial > Create Factorial Design


Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random

OK OK
Paso 2. Introducir los datos en el diseo
StdOrder
1
2
3
4
5
6
7
8

Temp Cola
30
30
40
40
30
30
40
40

Cantidad
2
2
2
2
3
3
3
3

Temp secado
90
80
80
90
90
80
80
90

Pgina 92

Presion
1,5
1
1,5
1
1
1,5
1
1,5

Y
24
16
22,5
24,5
25
16
24,5
23,5

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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

Stat > DOE > Factorial > Analyze Factorial Design


Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05

OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units


Term
Constant
Cola
Temp Cola
Cantidad
Temp secado
Presion
Temp Cola*Cantidad
Temp Cola*Presion

Coef
-36.0000
-2.00000
0.600000
0.500000
0.450000
5.00000
1.58579E-16
-0.200000

Los factores significativos se observan de las grficas siguientes


Pareto Chart of the Effects
(response is Y, Alpha = .05)
2.823
F actor
A
B
C
D
E

D
A

Term

B
E
BE
C
BC
0

Effect
Lenth's PSE = 0.75

Pgina 93

N ame
C ola
Temp C ola
C antidad
Temp secado
P resion

Son significativos los


factores A, B, D

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)

99

Effect Ty pe
Not Significant
Significant

95
D

90

Percent

80

F actor
A
B
C
D
E

70
60
50
40
30

N ame
C ola
Temp C ola
C antidad
Temp secado
P resion

20
10

5
1

-4

-3

-2

-1

0
1
Effect

Lenth's PSE = 0.75

Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
Main Effects Plot (data means) for Y
Cola

Temp Cola

24
23
22

Mean of Y

21
20
X

30

40

Temp secado

La mejor respuesta es
con:
Cola = X
Temp Cola = 40
Temp Sec = 90

24
23
22
21
20
80

90

Cube Plot (data means) for Y


24.0

23.5
40

Temp Cola

24.5
90

16.0
30

Temp secado
80

Cola

Pgina 94

Despus de este
experimento de filtracin
se puede hacer otro ms
completo slo con los
factores A, B, D

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MODULO 8. TPICOS ESPECIALES


8.1 Series de tiempo
Para la teora ver archivo Series de Tiempo.Doc anexo.

INTRODUCCIN
Definicin de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo peridicos y consecutivos.
Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las
fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo,
retroalimentacin y control en avance.

Anlisis de tendencias
Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo.
Las instrucciones de Minitab son las siguientes:
Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los ltimos 60 meses.

Open Worksheet EMPLOY.MTW. o copiar los datos del archivo anexo.


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

Fitted Trend Equation


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

Pgina 95

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

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

Stat > Time Series > Decomposition.


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

Los resultados se muestran a continuacin:


Time Series Decomposition for RESI1
Additive Model
Data
RESI1
Length
60

Forecasts
Period Forecast
61
62
63
64
65

-8.4826
-13.3368
-11.4410
-5.8160
0.5590

Variable
A ctual
Fits
Trend
Forecasts

RESI1

10

A ccuracy Measures
MA PE
881.582
MA D
2.802
MSD
11.899

-10

-20
1

14

21

28

35
42
Index

49

56

63

70

Component Analysis for RESI1


Additive Model

Original Data
10

Data

Accuracy Measures
MAPE 881.582
MAD
2.802
MSD
11.899

Additive Model

20

0
-10
-20
1

12

18

24

30
Index

36

42

48

54

60

48

54

60

Seasonally Adjusted Data


Seas. Adj. Data

Seasonal Indices
Period
Index
1
-8.4826
2 -13.3368
3 -11.4410
4
-5.8160
5
0.5590
6
3.5590
7
1.7674
8
3.4757
9
3.2674
10
5.3924
11
8.4965
12
12.5590

Time Series Decomposition Plot for RESI1

10
0
-10
-20
1

Pgina 96

12

18

24

30
Index

36

42

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

66
67
68
69
70
71
72

3.5590
1.7674
3.4757
3.2674
5.3924
8.4965
12.5590

Seasonal Analysis for RESI1


Additive Model

Seasonal Indices

Original Data, by Seasonal Period

10

10
0

-10
-10
1

10

11

12

-20

Percent Variation, by Seasonal Period

10

11

12

Residuals, by Seasonal Period


10

12

0
4
-5
0

10

11

12

Time Series Decomposition Plot for RESI1


Additive Model

20

Variable
A ctual
Fits
Trend
Forecasts

RESI1

10

A ccuracy Measures
MA PE
881.582
MA D
2.802
MSD
11.899

-10

-20
1

6
7
Index

10

Pgina 97

11

12

10

11

12

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

La descomposicin genera tres tipos de grficas:


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

Open Worksheet EMPLOY.MTW.


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

Winters' Method for Food


Multiplicative Method
Smoothing Constants

Multiplicative Method

85

Variable
Actual
Fits
Forecasts
95.0% PI

80
75

Smoothing Constants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2

70
Food

Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE 1.88377
MAD
1.12068
MSD
2.86696

Winters' Method Plot for Food

65

Accuracy
MAPE
MAD
MSD

60
55
50
1

Interpretacin de los resultados


Pgina 98

14

21

28

35
42
Index

49

56

63

70

Measures
1.88377
1.12068
2.86696

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

La grfica muestra los valores de la serie y los valores estimados (un periodo adelante) y 12 pronst.

8.2 Regresin mltiple - Matriz de correlaciones


Se utiliza el archivo COCHES.MTW anexo en los archivos de trabajo del Mdulo 2.
Cargar los datos a Minitab

Stat > Matrix Plot: Simple


Graph Variables: Num. Cil.; Cil. (cc); Pot. (CV); Velo.max

Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max


0

2500

5000

160

240

320
12
8

Num.Cil.
4

5000
Cil.(cc)

2500
0

400

Pot.(CV)

200

320
240
Velo.max
160
4

12

200

400

Parece que la relacin entre Potencia y Velocidad mxima es cuadrtica.


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

Stat > Basic statistics > Correlation


Display Variables 'Num.Cil.' 'Cil.(cc)' 'Pot.(CV)'

Correlations: Num.Cil., Cil.(cc), Pot.(CV)


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

Pgina 99

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Regresin mltiple

Stat > Regression > Regression


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

Pot.(CV)

Se obtienen los siguientes resultados:


Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
The regression equation is
Velo.max = 157 - 5.72 Num.Cil. - 0.00218 Cil.(cc) + 0.521 Pot.(CV)
244 cases used, 3 cases contain missing values
Predictor
Coef
SE Coef
T
P
Constant
157.178
2.562 61.34 0.000
Significativo
(P value < 0.05)
Num.Cil.
-5.7177
0.9893 -5.78 0.000
No significativo (Pvalue > 0.05)
Cil.(cc)
-0.002178 0.001610 -1.35 0.177
Significativo
(P value < 0.05)
Pot.(CV)
0.52092
0.01927 27.03 0.000

S = 9.76245
R-Sq = 89.1%
Analysis of Variance
Source
DF
SS
Regression
3 187887
Residual Error 240
22873
Total
243 210760
Source
Num.Cil.
Cil.(cc)
Pot.(CV)

DF
1
1
1

R-Sq(adj) = 89.0% Coef. De determinacin


MS
62629
95

F
657.14

R residuos con
ms de 2 sigmas

Seq SS
98419
19841
69627

Unusual Observations
Obs Num.Cil. Velo.max
10
6.0
222.000
22
4.0
211.000
24
8.0
235.000
25
6.0
250.000
26
8.0
235.000
28
12.0
250.000
46
8.0
295.000
47
12.0
302.000
48
2.0
127.000
76
4.0
232.000
102
8.0
270.000
106
6.0
216.000
117
8.0
250.000
118
12.0
250.000
129
4.0
150.000
130
4.0
170.000
144
6.0
233.000
164
4.0
252.000
165
6.0
280.000
179
8.0
210.000
180
8.0
200.000

P
0.000

X residuos muy
alejados del
grupo normal

Fit
195.351
189.259
218.470
291.719
218.470
274.371
301.772
306.890
160.358
248.215
274.250
194.581
267.300
280.769
181.879
195.591
205.988
252.816
302.562
213.943
213.943

SE Fit
1.123
0.705
2.254
2.707
2.254
3.822
3.109
3.838
1.396
2.335
2.646
1.514
2.249
3.738
0.697
0.820
1.059
2.499
3.060
5.300
5.300

Residual
26.649
21.741
16.530
-41.719
16.530
-24.371
-6.772
-4.890
-33.358
-16.215
-4.250
21.419
-17.300
-30.769
-31.879
-25.591
27.012
-0.816
-22.562
-3.943
-13.943

St Resid
2.75R
2.23R
1.74 X
-4.45RX
1.74 X
-2.71RX
-0.73 X
-0.54 X
-3.45R
-1.71 X
-0.45 X
2.22R
-1.82 X
-3.41RX
-3.27R
-2.63R
2.78R
-0.09 X
-2.43RX
-0.48 X
-1.70 X

R denotes an observation with a large standardized residual.


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

Pgina 100

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Predicted Values for New Observations


Obs
Fit SE Fit
95% CI
95% PI
1 183.951
1.161 (181.663, 186.239) (164.584, 203.318)
Values of Predictors for New Observations
Obs
1

Num.Cil.
4.00

Cil.(cc)
1124

Pot.(CV)
100

Los residuos muestran un comportamiento normal por lo que el modelo es adecuado


Residual Plots for Velo.max
Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

99.9

20

90

Residual

Percent

99

50
10
1

0
-20
-40

0.1

-40

-20

0
Residual

20

40

150

Histogram of the Residuals

200

250
Fitted Value

300

Residuals Versus the Order of the Data

80

Residual

Frequency

20
60
40
20

0
-20
-40

-40

-30

-20

-10
0
Residual

10

20

20

40

60

80

100 120 140 160 180 200 220 240

Observation Order

El comportamiento de los residuos vs Potencia sugiere que es necesaria


una transformacin de variables por ejemplo sacarle raz cuadrada.
Residuals Versus Pot.(CV)
(response is Velo.max)

30
20

Residual

10
0
-10
-20
-30
-40
-50
0

100

200

300

400

500

Pot.(CV)

Transformando la variable Pot.(CV) por Pot2 = raiz cuadrada de Pot.(CV) se tiene:

Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot2


The regression equation is
Velo.max = 73.5 - 1.42 Num.Cil. - 0.00699 Cil.(cc) + 12.8 Pot2
Predictor
Constant
Num.Cil.
Cil.(cc)
Pot2

Coef
73.502
-1.4201
-0.006988
12.8232

SE Coef
2.258
0.6770
0.001202
0.3177

T
32.56
-2.10
-5.82
40.36

Pgina 101

P
0.000
0.037
0.000
0.000

Significativo

(P value < 0.05)

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

S = 7.03547

R-Sq = 94.4%

Dagoberto Salgado Horta

R-Sq(adj) = 94.3% Mejora el ajuste

Predicted Values for New Observations


Obs
Fit SE Fit
95% CI
95% PI
1 1342.286 29.024 (1285.111, 1399.461) (1283.455, 1401.117)XX
XX denotes a point that is an extreme outlier in the predictors.
Values of Predictors for New Observations
Obs Num.Cil. Cil.(cc) Pot2
1
4.00
1124
100
Residual Plots for Velo.max
Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

99.9

20

90

Residual

Percent

99

50
10

0
-20

1
0.1

-40

-20

-40

20

150

200
250
Fitted Value

Residual

Histogram of the Residuals

300

Residuals Versus the Order of the Data


20

Residual

Frequency

40
30
20

0
-20

10
0

-30.0 -22.5 -15.0

-7.5
0.0
Residual

7.5

-40

15.0

20

40

60

80

100 120 140 160 180 200 220 240

Observation Order

Los residuos vs Pot2 ya tienen un mejor comportamiento ms aleatorio:


Residuals Versus Pot2
(response is Velo.max)

20
10

Residual

0
-10
-20
-30
-40
5.0

7.5

10.0

12.5

15.0

17.5

20.0

22.5

Pot2

Seleccin de la mejor ecuacin: Best Subsets


Permite obtener un "buen modelo" en funcin de su sencillez o facilidad de
interpretacin.

Stat > Regression > Stepwise

Variables candidatas a entrar en


el modelo
Variables forzadas a entrar en los
modelos
Pgina 102

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Mnimo numero de variables en el modelo 1


Mximo nmero de variables en el modelo
todas
Nmero de ecuaciones que aparecen con
1, 2, 3.... Variables regresoras

Los resultados son los siguientes:

Best Subsets Regression: Velo.max versus Num.Cil., Cil.(cc), ...


Response is Velo.max
244 cases used, 3 cases contain missing values

Vars
1
1
2
2
3
3
4

R-Sq
92.5
86.6
94.3
93.6
94.8
94.4
94.9

R-Sq(adj)
92.5
86.5
94.2
93.6
94.8
94.3
94.8

Mallows
C-p
109.0
385.3
29.3
58.0
3.9
26.5
5.0

S
8.0783
10.813
7.0849
7.4544
6.7261
7.0355
6.7269

N
u
m
.
C
i
l
.

C
i
l
.
(
c
c
)

P
o
t
.
(
C
V
)

P
o
t
2
X Buenos modelos

X
X

X Incluye slo Cil.(cc) y Pot2


X X
X X X
X X
X Incluye Num.Cil, Cil.(Cc), Pot2
X X X X

Seleccin de la mejor ecuacin: Stepwise


Se usa cuando el nmero de variables es muy grande mayor a 31, antes da los
mismos resultados que el mtodo anterior:

Variable de respuesta

Variables candidatas a entrar en


ls modelos

Pgina 103

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Criterio para la entrada y salida


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

Permite mostrar en cada paso


las mejores opciones adems de
la seleccionada y el nmero de
pasos entre pausas.

Los resultados obtenidos son los siguientes:

Stepwise Regression: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV), Pot2


Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Response is Velo.max on 4 predictors, with N = 244
N(cases with missing observations) = 3 N(all cases) = 247
Step
Constant
Pot2
T-Value
P-Value

1
78.97
10.41
54.66
0.000

Cil.(cc)
T-Value
P-Value

2
71.48
12.69
40.50
0.000

3
43.58
17.41
18.33
0.000

-0.00845
-8.58
0.000

-0.00722
-7.48
0.000

Pot.(CV)
T-Value
P-Value
S
R-Sq
R-Sq(adj)
Mallows C-p

Variables que entran en cada


paso y su calidad de ajuste

-0.206
-5.23
0.000
8.08
92.51
92.48
109.0

7.08
94.26
94.21
29.3

6.73
94.85
94.78
3.9

Modelo adecuado

8.3 Anlisis Multivariado


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

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

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

Stat > multivariate > Principal components


Todas
Nmero de componentes principales
(5)

En Scores se almacenan las


coordenadas de cada observacin
(pas) en los ejes de los componentes
principales

Componentes: Primero C13, segundo C14, tercero C15


Los valores propios o eigenvalores representan la proporcin de la variabilidad total
explicada por ese componente.

Principal Component Analysis: Poblacin (m, Superficie (, % menores 15, Esperan


Eigenanalysis of the Correlation Matrix
Eigenvalue
Proportion
Cumulative

Eigenvalue
Proportion
Cumulative

5.5117
0.501
0.501

0.0475
0.004
0.996

2.0441
0.186
0.687

0.0350
0.003
0.999

1.4691
0.134
0.820

0.8631
0.078
0.899

0.5554
0.050
0.949

0.2638
0.024
0.973

0.1386
0.013
0.986

0.0056
0.001
1.000

Valores propios asociados a cada componente principal


Valores propios = 5.5117 + 2.0441 + 1.4691 + ........... + 0.0056 = 11
Proporcin = 50.1% + 18.6% + ...... + 0.001 = 100%
Abajo se presenta la aportacin de cada variable a cada compenente principal:

Variable
Poblacin (miles)
Superficie (km2)

PC1
0.016
-0.024
Pgina 105

PC2
0.667
0.679

PC3
0.150
0.076

PC4
0.023
0.004

PC5
0.191
0.122

0.0660
0.006
0.992

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

% menores 15 aos
Esperanza vida al nacer
Tasa de mortalidad infan
Telfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios

-0.398
0.358
-0.370
0.387
0.310
0.380
-0.334
0.272
0.019

-0.076
-0.157
0.162
-0.033
0.030
0.085
-0.093
0.122
-0.066

El primer componente esta


formado por aportaciones
de las variables ligadas al
desarrollo

0.008
0.140
-0.111
0.010
0.053
0.018
-0.062
-0.555
0.791

0.073
-0.125
0.096
0.266
0.625
0.235
0.561
-0.314
-0.197

0.013
0.564
-0.487
-0.320
0.045
-0.352
0.330
-0.067
-0.228

El tercero est centrado en la


distribucin del PIB y servicios

El segundo componente est


relacionado con el tamao del
pas
Grfica de Pareto de los valores propios que permite visualizar la importancia de cada
uno de los componentes

Scree Plot of Poblacin (miles), ..., % PIB Servicios


6
5

La primera componente representa el 50%


y la segunda el 18.6% de la variacin total

Eigenvalue

4
3
2
1
0
1

5
6
7
Component Number

10

11

La siguiente grfica representa cada una de las observaciones (pases) en las


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

TAMAO

DESARROLLO
Pgina 106

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Agregando etiquetas a cada punto, seleccionar la grfica y:

Add > Data Labels: Use Labels from Column: Pais


Score Plot of Poblacin (miles), ..., % PIB Servicios
6

Brasil

Second Component

4
3
2

Mxico
A rgentina

Per

Boliv ia

Venezuela

C olombia
Ecuador
C hile
Guatemala
C uba
Rep.
Dominicana
El Salv
ador
Honduras
Nicaragua Paraguay
Uruguay
PanamC osta Rica

0
-1

Portugal

Puerto Rico

Espaa

-2
-4

-3

-2

-1

0
1
2
First Component

No siempre se le puede dar un nombre a los componentes


La siguiente grfica muestra las variables en las coordenadas que corresponden
a sus valores en las dos componentes principales.
Loading Plot of Poblacin (miles), ..., % PIB Servicios
Superficie (k m2)

0.7

Poblacin (miles)

0.6

Second Component

0.5
0.4
0.3
0.2
Tasa de mortalidad infan

% PIB Industria
PIB $/hab

0.1

Usuarios Internet por 1000 hab

0.0

% PIB Serv icios

% menores 15 aos

-0.1

Telfonos por 1.000 hab

% PIB A gricultura
Esperanza v ida al nacer

-0.2
-0.4

-0.3

-0.2

-0.1

0.0
Desarrollo

0.1

0.2

0.3

0.4

La tercera componente que explica el 1.34% de la variabilidad, est relacionada con


la distribucin del PIB en la industria y servicios, se puede obtener la grfica de la
tercera vesus la primera componente como sigue:
Scatterplot of C15 vs C13
3
Panam
Mxico

Tercer Componente

2
C olombia

C osta Rica

Uruguay
A rgentina
C hile

El Salv ador
Guatemala

Paraguay

Per

Boliv ia

-1

Espaa
Brasil

Nicaragua Honduras

Rep. Dominicana
Puerto Rico

Ecuador
Venezuela
C uba

Portugal

-2
-4

-3

-2

-1

0
1
2
Primer Componente

Pgina 107

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


grafican en una grafica de dispersin, se pueden btener grficas de un tercer componente
vesrus el primero, haciendo una columna con los ttulos de las variables para usarse como
ttulos en los puntos de una grfica de dispersin, como sigue:
Columna de
variables

Pais
Poblacin (miles)
Superficie (km2)
% menores 15 aos
Esperanza vida al nacer
Tasa de mortalidad infan
Telfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
Scatterplot of C18 vs C16
% PIB Industria

0.75
0.50

C18

0.25

Pais

-0.25

% menores 15 aos
Usuarios Internet por 1000 hab

Superficie (k m2)
0.00
PIB $/hab

Poblacin (miles)

Telfonos por 1.000 hab


Tasa de mortalidad infan

Esperanza v ida al nacer

-0.50

% PIB A gricultura

-0.4

-0.3

-0.2

-0.1

0.0
C16

0.1

0.2

0.3

0.4

Para agregar lneas a la grfica, insertar celdas de ceros en las columnas corresponientes a los
coeficientes del tercer y primer componentes (entre cada una de sus celdas):
Seleccionar la grfica y agregar lneas con: Add > Calculated Line; Y tercer comp; X primer comp
Comp 3
0,1498280
0,0000000
0,0764970
0,0000000
0,0080330
0,0000000
0,1395810
0,0000000
-0,1109600
0,0000000
0,0098170
0,0000000
0,0527510
0,0000000
0,0179240
0,0000000
-0,0616860
0,0000000

Scatterplot of Comp 3 vs Comp 1


% PIB Industria

0.75
0.50

Servicios Industrai

Comp 1
0,0156420
0,0000000
-0,0238230
0,0000000
-0,3978570
0,0000000
0,3576520
0,0000000
-0,3701140
0,0000000
0,3873530
0,0000000
0,3095390
0,0000000
0,3799270
0,0000000
-0,3335910
0,0000000

0.25

Pais
Poblacin (miles)

% menores 15 aos
Telfonos por 1.000 hab

Superficie (k m2)

0.00

Usuarios Internet por 1000 hab


Tasa de mortalidad infan

PIB $/hab
Esperanza v ida al nacer

-0.25
-0.50

% PIB A gricultura

-0.4

Pgina 108

-0.3

-0.2

-0.1

0.0
Desarrollo

0.1

0.2

0.3

0.4

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
0,2722960
0,0000000
0,0191980
0,0000000

Dagoberto Salgado Horta

-0,5545960
0,0000000
0,7907320
0,0000000

Anlisis de Clusters
Se trata de distribuir las observaciones en grupos afines inicialmente no conocidos.
Ahora se trata de dividir los pases en grupos similares (conglomerados) de acuerdo con la
informacin disponible:

Stat > Multivariate > Cluster observations


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

Similarity

81.25

87.50

Los Clusters se identifican fcilmente


ya que para cada uno las lneas son
de diferente color

93.75

100.00

2 14 9

8 18 11 6 15 7 12 3 16 4 13 17 20 10 19 22 21
Observations

1er

Fila del Pas

Con esto se puede hacer una grfica de dispersin para analizar los clusters, por ejemplo para
Esperanza de vida y PIB por habitante se tiene:
Seleccionando la grfica y editando los smbolos por grupos correspondientes a los clusters.

Scatterplot of Esperanza vida al nacer vs PIB $/hab


80

C luster
1
2
3

Espaa

Esperanza vida al nacer

C osta Rica
C uba

75

70

Portugal Puerto Rico

C hile

Panam
Venezuela
Mxico
Rep. Dominicana
C olombia
Ecuador
Paraguay
El Salv ador
Nicaragua

Per

A rgentina

Uruguay

Brasil

Honduras

65

Guatemala

Boliv ia

60
0

Step

2000

Number
of
clusters

4000

6000

8000
10000
PIB $/hab

Similarity
level

12000

Distance
level
Pgina 109

14000

16000

Clusters
joined

New
cluster

of obs.
in new
cluster

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1

99.6131
99.4939
99.2755
99.2675
98.9909
98.9137
98.7540
98.7458
98.1957
97.9917
97.9498
97.2457
96.6741
95.7750
95.4151
94.7709
93.5426
87.1791
85.3070
84.7016
81.2502

54.06
70.73
101.25
102.37
141.02
151.81
174.12
175.28
252.15
280.66
286.51
384.91
464.79
590.44
640.73
730.75
902.41
1791.70
2053.32
2137.93
2620.26

2
7
2
2
8
2
3
2
6
3
2
2
13
1
1
1
1
19
10
10
1

14
12
9
5
18
8
16
11
15
4
6
7
17
2
3
13
20
22
19
21
10

Dagoberto Salgado Horta

2
7
2
2
8
2
3
2
6
3
2
2
13
1
1
1
1
19
10
10
1

Primer
2 Cluster
Segundo
Cluster
2
Tercer
3 con 3
observaciones
2, 14, 9
4
etc..
2
6
2
7
2
3
9
11
2
12
15
17
18
2
3
4
Se22forma un solo Cluster
al final

Final Partition
Number of clusters: 3

Cluster1
Cluster2
Cluster3

Number of
observations
18
3
1

Within
cluster
sum of
squares
36798918
7382783
0

Average
distance
from
centroid
1151.26
1319.42
0.00

Maximum
distance
from
centroid
3319.75
1962.60
0.00

Cluster Centroids
Variable
% menores 15 aos
Esperanza vida al nacer
Tasa de mortalidad infan
Telfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios

Cluster1
34.50
70.59
32.31
78.78
2.78
2442.39
14.09
29.71
56.57

Cluster2
23.0
74.5
13.2
284.3
8.0
10251.0
2.9
43.6
53.6

Cluster3
16.0
77.9
5.5
385.0
31.0
14350.0
5.9
37.8
56.3

Grand
centroid
32.09
71.45
28.48
120.73
4.77
4048.45
12.19
31.96
56.15

Distances Between Cluster Centroids

Cluster1
Cluster2
Cluster3

Cluster1
0.0
7811.4
11911.6

Cluster2
7811.37
0.00
4100.32

Cluster3
11911.6
4100.3
0.0

Ejemplo: Se trata de distribuir las variablies en grupos afines inicialmente no conocidos.


Otro ejemplo con el archivo COCHES.MTW

Stat > Multivariate > Cluster Variable


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

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin
OK
Dendrogram with Single Linkage and Correlation Coefficient Distance

Similarity

59.47

72.98

86.49

100.00

P
PV

t.(
Po

)
CV

l .(
Ci

)
cc

m
Nu

il.
.C
C

m
su
on

.
ng
Lo

.
ch
An

so
Pe

al
M

e.
et
V

ax
m
o.
l
e

.
tu
Al

e.
el
Ac

Variables

Cluster 1 formado por 6 variables afines

Los otros 6 clusters se forman de una variable cada uno


indicados con un color diferente

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

Data > Code > Numeric to Numeric


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

Data > Subset worksheet


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

Stat > Multivariate > Discriminant Analysis


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

Linear Discriminant Function for Groups


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

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pot.(CV)
Long.
Anch.
Altu.
Malete.
Peso
Consumo
Velo.max
Acele.

1.1
-0.3
12.1
3.0
-0.3
-0.0
-15.1
11.2
10.1

1.1
-0.3
11.8
3.0
-0.3
-0.0
-14.6
5.6
10.3

1.1
-0.4
12.1
2.9
-0.2
-0.0
-15.7
8.2
10.8

Se van a aplicar estas funciones de discriminacin de los primeros 150 coches a los 97 restantes:
Manip > Subset Worksheet
Name: Coches 151:247
Specify which rows to include Row numbers 151:247
OK
Copiar columnas C15, C16 y C17 de la hoja COCHES 1:150 que corresponden a las funciones de
discriminacin a la hoja COCHES 151:247.
Por medio de Matrices se tiene:
1. Insertar una columna de unos entre Modelo y PVP
2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminacin

Editor > Enable comands


MTB > copy c3 c4 c6-c15 m1 - c5 (no. cil.) se excluye ya que es el valor que se trata de predecir.
MTB > copy c16 m2
MTB > copy c17 m3
Matrices de coeficientes de las tres funciones de discriminacin
MTB > copy c18 m4
para 4, 6 y 8 cilindros
3. Obtener las funciones de discriminacin para cada observacin
MTB > multi m1 m2 m5
MTB > multi m1 m3 m6
MTB > multi m1 m4 m7

Valores de la funcin de discrimiancin para 4, 6 y 8 cilindros

4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21

Editor Enable comands


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

MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB
MTB

>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>

copy c3 c4 c6-c15 m1
copy c16 m2
copy c17 m3
copy c18 m4
multi m1 m2 m5
multi m1 m3 m6
multi m1 m4 m7
copy m5 c19
copy m6 c20
copy m7 c21
rmax c19-c21 c22
let c23=c19=c22
let c24=c20=c22
let c25=c21=c22
let c26=4*c23+6*c24+8*c25
code (18) '*' c26 c26
.

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

MTB > Code (18) '*' c26 c26


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

Tabulated statistics: Num.Cil., C26


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

100

Table of S tatistics
M ean
71060.1
M edian
51710
IQ R
84266

Percent

80

60

40

20

50000

100000

150000
200000
Duracion

250000

300000

Pgina 113

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Nonparametric Hazard Plot for Duracion


Empirical Hazard Function
Complete Data

1.0

Table of S tatistics
M ean
71060.1
M edian
51710
IQ R
84266

0.8

Rate

0.6

0.4

0.2

0.0

50000

100000

150000
200000
Duracion

250000

300000

Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value
40
Nonparametric Estimates
Characteristics of Variable
Standard
95.0% Normal CI
Mean(MTTF)
Error
Lower
Upper
71060.1
10634.4 50216.9 91903.2
Median = 51710
IQR = 84266 Q1 = 12504 Q3 = 96770
Kaplan-Meier Estimates
Momento falla Bombas que
Unidades
Confiabilidad
siguen funcin que fallan
emprica
Number
at Number
Survival
Standard
Time
Risk Failed Probability
Error
3607
40
1
0.975 0.0246855
4100
39
1
0.950 0.0344601
5734
38
1
0.925 0.0416458
5768
37
1
0.900 0.0474342
7025
36
1
0.875 0.0522913
8089
35
1
0.850 0.0564579
9411
34
1
0.825 0.0600781
10640
33
1
0.800 0.0632456
10681
32
1
0.775 0.0660256
12504
31
1
0.750 0.0684653
13030
30
1
0.725 0.0706001
17656
29
1
0.700 0.0724569
22339
28
1
0.675 0.0740566
28698
27
1
0.650 0.0754155
31749
26
1
0.625 0.0765466
34585
25
1
0.600 0.0774597
36863
24
1
0.575 0.0781625
43403
23
1
0.550 0.0786607
49389
22
1
0.525 0.0789581
51710
21
1
0.500 0.0790569
56084
20
1
0.475 0.0789581
63311
19
1
0.450 0.0786607
68135
18
1
0.425 0.0781625
71329
17
1
0.400 0.0774597
Pgina 114

95.0% Normal CI
Lower
Upper
0.926617 1.00000
0.882459 1.00000
0.843376 1.00000
0.807031 0.99297
0.772511 0.97749
0.739344 0.96066
0.707249 0.94275
0.676041 0.92396
0.645592 0.90441
0.615810 0.88419
0.586626 0.86337
0.557987 0.84201
0.529852 0.82015
0.502188 0.79781
0.474972 0.77503
0.448182 0.75182
0.421804 0.72820
0.395828 0.70417
0.370245 0.67975
0.345051 0.65495
0.320245 0.62975
0.295828 0.60417
0.271804 0.57820
0.248182 0.55182

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

77223
77629
87564
94596
96104
96770
101214
102993
123815
140341
142312
148521
168021
204471
242796
272193

16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

0.375
0.350
0.325
0.300
0.275
0.250
0.225
0.200
0.175
0.150
0.125
0.100
0.075
0.050
0.025
0.000

0.0765466
0.0754155
0.0740566
0.0724569
0.0706001
0.0684653
0.0660256
0.0632456
0.0600781
0.0564579
0.0522913
0.0474342
0.0416458
0.0344601
0.0246855
0.0000000

0.224972
0.202188
0.179852
0.157987
0.136626
0.115810
0.095592
0.076041
0.057249
0.039344
0.022511
0.007031
0.000000
0.000000
0.000000
0.000000

Dagoberto Salgado Horta

0.52503
0.49781
0.47015
0.44201
0.41337
0.38419
0.35441
0.32396
0.29275
0.26066
0.22749
0.19297
0.15662
0.11754
0.07338
0.00000

0,575
Cul es la fiabiliad despus de 40,000 horas de funcionamiento?
Identificacin del mejor modelo para los datos
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot
Variables: Duracin
Seleccionar Use all distributions
OK
Goodness-of-Fit
Anderson-Darling Correlation
Distribution
(adj) Coefficient
Weibull
0.776
0.977
Lognormal
1.072
0.977
Exponential
0.654
*
Loglogistic
1.337
0.968
3-Parameter Weibull
0.653
0.992
3-Parameter Lognormal
0.849
0.982
2-Parameter Exponential
0.670
*
3-Parameter Loglogistic
1.117
0.971
Smallest Extreme Value
7.328
0.839
Menor es
mejor

Mayor es mejor

Probability Plot for Duracion


LSXY Estimates-Complete Data

Weibull

C orrelation C oefficient
Weibull
0.977
Lognormal
0.977
E xponential
*
Loglogistic
0.968

Lognormal
99
90

50

P er cent

P er cent

90

10

50
10

1000

10000
100000
Dur acion

1
1000

1000000

E xponential

10000
100000
Dur acion

1000000

Loglogistic
99
90

50

P er cent

P er cent

90

10

50
10

1000

10000
100000
Dur acion

1000000

1
1000

10000
100000
Dur acion

Pgina 115

1000000

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

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


a los datos
Anlisis paramtrico
Se usa la distribucin identificada anteriormente:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis
Variables: Duracin
Assumed Distribution: Exponential
Graphs: Probability Plot All Points Display confidence intervals
OK
Probability Plot for Duracion
Exponential - 95% CI
Complete Data - LSXY Estimates

Percent

99

Table of
M ean
S tD ev
M edian
IQ R
F ailure
C ensor
A D*

90
80
70
60
50
40
30

S tatistics
72651.5
72651.5
50358.2
79815.9
40
0
0.654

20
10
5
3
2
1

1000

10000
Duracion

100000

1000000

Table of Percentiles

Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96

Percentile
730.172
1467.76
2212.91
2965.78
3726.54
4495.34
5272.37
6057.80
6851.82
7654.60
16211.7
25913.0
37112.3
50358.2
66569.9
87470.5
116928
167286
174941
183498
193199
204399
217645
233856

Standard
Error
116.736
234.657
353.788
474.153
595.779
718.692
842.919
968.489
1095.43
1223.78
2591.84
4142.83
5933.31
8051.00
10642.8
13984.3
18693.8
26744.9
27968.6
29336.7
30887.7
32678.2
34795.9
37387.7

95.0% Normal CI
Lower
Upper
533.752 998.875
1072.92 2007.89
1617.63 3027.26
2167.97 4057.18
2724.08 5097.90
3286.07 6149.62
3854.08 7212.60
4428.22 8287.06
5008.64 9373.27 A las 7654 horas, un 10% de las
5595.48 10471.5 bombas ya no funcionan por tanto
11850.7 22177.6 la confiabilidad es del 90%
18942.3 35448.9
27128.9 50769.5
36811.6 68890.0
48662.3 91067.6
63940.5
119659
85473.9
159958
122286
228847
127881
239319
134136
251025
141228
264296
149414
279617
159097
297737
170948
319915
Pgina 116

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

97
98
99

254757
284215
334573

40729.2
45438.7
53489.7

186226
207759
244571

Dagoberto Salgado Horta

348507
388805
457695

Cul es la confiabiliad a las 40000 horas?


Podemos usar el botn ESTIMATE Estimate survival probability 40000
OK

Table of Survival Probabilities

Time
40000

Probability
0.576619

95.0% Normal CI
Lower
Upper
0.470865 0.668669

La confiabilidad a las 40000 horas es del 0.5766


La confiabilidad noparamtrica fue de 0.755 muy parecida
Forma rpida
Una forma rpida de ver la confiabilidad y riesgo es a travs de:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot
Variables: Duracin
Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis
OK
Distribution Overview Plot for Duracion
LSXY Estimates-Complete Data

P robability D ensity F unction

Table of
M ean
S tD ev
M edian
IQ R
F ailure
C ensor
A D*

E xponential

0.000015
90

P DF

P er cent

0.000010

0.000005

0.000000
0

100000
200000
Dur acion

50

10

300000

1000

10000
100000
Dur acion

S urv iv al F unction

S tatistics
72651.5
72651.5
50358.2
79815.9
40
0
0.654

1000000

H azard F unction

100

Rate

P er cent

0.0000175

50

0.0000150
0.0000125
0.0000100

0
0

100000
200000
Dur acion

300000

100000 200000
Dur acion

300000

Distribution Overview Plot for Duracion


Kaplan-Meier Estimates-Complete Data

Hazard Function
1.0

80

0.8

60

0.6

Rate

Percent

Survival Function
100

40

0.4

20

0.2

100000
200000
Duracion

300000

0.0

100000
200000
Duracion

Pgina 117

300000

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

8.5 Comandos especiales


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

Editor > Enable commands


Activar ventana de sesin
Tools > Options > Session Window > Submitting commands
Seleccionar Enable (aparece MTB > al iniciar Minitab)

Algunas columnas en las que deberan haber datos estn vacias


Puede ser que la hoja de datos se muestre a partir de una fila mayor a 1
Una columna debe ser numrica sin embargo se muestra como texto
Convertirla con:

Data > Change Data Type > Text to Numeric


Change text column C1 Store numeric column C1

Copia de columnas con condiciones


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Dagoberto Salgado Horta

Unstack the data in Total


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

Tools > Options

Lenguaje de
comandos

Session Window > Submiting Commands


Seleccionar Enable Command Language

Configurar
grficas

Graphics > Regions > Graph


Fill Pattern; Background color N

No pregunte
al cerrar
grficas

Graphics > Graph Management


Prompt to save a graph before closing Never

Cambios en
barras de
herramientas

Click sobre una barra de herramientas


Botn derecho para ver la lista de barras disponibles
o con
Tools > Toolbars

Personalizar
la barra de
herramientas

Tools > Customize


Commands para seleccionar y arrastrar cualquier opcin nadicional del
menu y dejarla en la barra de herramientas existente
como en Office

Hacer una
barra de
herramientas
nueva

Tools > Customize > Toolbars: New


Se puede ir llenado la barra de herramientas vaca con opciones
de menu

Comandos en la pantalla de sesin


Histograma de 100 nmeros
aleatorios

Editor > Commands enable


MTB > Random 100 c1
MTB > Histo c1
random 100 c1;
normal 0,0,1,0.
Histogram c1;
Bar.

Solo se requieren las primeras 4 letras


Un ; indica continuacin de instruccin
Un . Indica fin de la instruccin

Instrucciones ejecutables

Edit > Command Line Editor


Escribir los comandos y al final pulsar Submit Commands para ejecutar

Archivos ejecutables

Se pueden grabar las instrucciones en un archivo ASCII y ejecutarlas


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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Select file (buscarlo en archivos con *.txt)
Se pueden realizar varios histogramas como sigue:

Dagoberto Salgado Horta

histo c1
#
Random 100 c2;
normal 10,4.
histo c2

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

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
brief 0
#
LET i=1
WHILE i<= itera
RANDOM n c_mues;
INTEGER 1 6.
MEAN c_mues media
LET c_med(i)=media
LET i=i+1
LET C_conta(1)=i
ENDWHILE
#
HISTO c_med
#
ENDMACRO

Dagoberto Salgado Horta

#Pantalla de sesin
# Inicializa el contador
# Realiza la simulacin

Ejecucin de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2
itera n c_med c_conta

Pgina 121

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 122

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 123

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 124

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 125

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 126

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 127

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 128

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 129

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 130

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 131

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 132

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 133

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 134

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 135

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 136

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 137

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 138

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 139

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 140

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 141

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 142

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 143

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 144

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 145

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 146

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 147

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 148

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 149

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 150

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 151

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 152

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 153

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 154

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 155

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 156

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 157

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 158

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 159

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 160

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 161

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 162

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 163

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 164

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 165

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 166

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 167

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 168

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 169

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 170

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 171

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 172

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 173

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 174

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 175

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 176

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 177

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 178

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 179

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 180

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 181

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 182

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 183

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 184

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 185

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 186

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 187

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 188

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 189

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 190

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 191

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 192

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 193

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 194

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 195

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 196

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 197

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

Pgina 198

Dagoberto Salgado Horta

TALLER DE APLICACIN DE MINITAB


PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

TE("10/10/2002")

Pgina 199

Dagoberto Salgado Horta