P. 1
Curso Basico Minitab Xv

Curso Basico Minitab Xv

|Views: 265|Likes:
Publicado porbassitalo

More info:

Published by: bassitalo on Mar 10, 2012
Copyright:Attribution Non-commercial

Availability:

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

05/31/2015

pdf

text

original

Curso básico de Minitab Curso básico de Minitab

Curso básico de Minitab*
1
* Minitab es marca registrada de Minitab, Inc.

Dr. Primitivo Reyes Aguilar
Mayo 2010
Curso básico de Minitab

Introducción
• Generalidades

Introducción a Minitab
• Manipulación de datos
• Cálculos con datos

Herramientas para la calidad
• Introducción
• Diagrama de Pareto
• Diagrama de Causa Efecto
• Estadística descriptiva
• Histogramas
• Gráficas de caja y tallo y hojas
• Prueba de normalidad

2
Curso básico de Minitab

Herramientas para la calidad (cont…)
• Intervalos de confianza y Pruebas de hipótesis de una población
• Pruebas de hipótesis de dos poblaciones
• ANOVA de una vía
• Tablas de contingencia

Estadística no paramétrica
• Prueba de los signos
• Prueba de Wilconox
• Prueba de Mann Whitney
• Prueba de Kruskal Wallis

Regresión lineal y cuadrática

Cartas de control

3
Curso básico de Minitab Curso básico de Minitab
Introducción
4
Curso básico de Minitab Curso básico de Minitab
Las fases de Lean Sigma
(DMAIC)
5
Justificar proyecto
Definir el problema
Diagrama de
Pareto
y gráficas
diversas
5
Monto 120 70 40 25 10
Percent 45.3 26.4 15.1 9.4 3.8
Cum % 45.3 71.7 86.8 96.2 100.0
Clientes Other Consumo Comercio Industria Gobierno
300
250
200
150
100
50
0
100
80
60
40
20
0
M
o
n
t
o
P
e
r
c
e
n
t
Pareto Chart of Clientes
Curso básico de Minitab Curso básico de Minitab
Las fases de Lean Sigma
(DMAIC)
Colección de información y
diagnóstico

Estadística descriptiva,
Histogramas
Gráficas de tallo y hojas
Descriptive Statistics: Tiempo de espera
Variable N Mean StDev Median
Tiempo de espera 50 19.93 1.847 20.037
23.4 22.2 21.0 19.8 18.6 17.4 16.2 15.0
16
14
12
10
8
6
4
2
0
Tiempo de espera
F
r
e
q
u
e
n
c
y
Mean 19.94
StDev 1.847
N 50
Histogram (with Normal Curve) of Tiempo de espera
24
23
22
21
20
19
18
17
16
15
T
i
e
m
p
o

d
e

e
s
p
e
r
a
Boxplot of Tiempo de espera
Curso básico de Minitab
7
22 20 18 16
Median
Mean
20.50 20.25 20.00 19.75 19.50
1st Quartile 19.088
Median 20.037
3rd Quartile 21.290
Maximum 23.293
19.411 20.461
19.542 20.426
1.543 2.301
A-Squared 0.51
P-Value 0.189
Mean 19.936
StDev 1.847
Variance 3.411
Skewness -0.507024
Kurtosis 0.464656
N 50
Minimum 15.015
Anderson-Darling Normality Test
95% Confidence Interv al for Mean
95% Confidence Interv al for Median
95% Confidence Interv al for StDev
95% Confidence Intervals
Summary for Tiempo de espera
Estadístic
a
descriptiva
Histograma
Diagrama de
caja
Prueba de
Normalida
d
Normal si
P > 0.05

Curso básico de Minitab
8
% fuera del
límite
superior
Max. 3.4 ppm
Índice de
capacidad
real
Cpk >= 1.5
24 22 20 18 16
USL
LSL *
Target *
USL 25
Sample Mean 19.9361
Sample N 50
StDev (Within) 1.70866
StDev (Ov erall) 1.84689
Process Data
Cp *
CPL *
CPU 0.99
Cpk 0.99
Pp *
PPL *
PPU 0.91
Ppk 0.91
Cpm *
Ov erall Capability
Potential (Within) Capability
% < LSL *
% > USL 0.00
% Total 0.00
Observ ed Performance
% < LSL *
% > USL 0.15
% Total 0.15
Exp. Within Performance
% < LSL *
% > USL 0.31
% Total 0.31
Exp. Ov erall Performance
Within
Overall
Process Capability of Tiempo de espera

Curso básico de Minitab Curso básico de Minitab
Caja B Caja A
17.5
15.0
12.5
10.0
7.5
5.0
D
a
t
a
Boxplot of Caja A, Caja B
Las fases de Lean Sigma
(DMAIC)
Causas potenciales y reales (raíz)
Diagrama de causa efecto
Pruebas de hipótesis (¿medias
iguales?)
Son diferentes si P value <= 0.05
cliente
atención al
Lentitud en
Medio ambiente
Métodos
Material
Equipos
Personal
Responasibilidad
Motiv ación
Capacitación
Descuido
Paros menores
Falla de equipos
Falla de PCs
Sistema lento
Con errores
Faltantes
Inadecuados
Proceso no actual
Proceso complejo
Proceso incompleto
Estres
Humedad
Calor
Cause-and-Effect Diagram
P-Value = 0.00
Curso básico de Minitab Curso básico de Minitab
Las fases de Lean Sigma
(DMAIC)
Comprobar causas reales (raíz)
ANOVA (¿medias iguales?), regresión ,
tablas de contingencia (¿proporciones
iguales?)
Caja C Caja B Caja A
17.5
15.0
12.5
10.0
7.5
5.0
D
a
t
a
Boxplot of Caja A, Caja B, Caja C
P-Value = 0.00
9 8 7 6 5 4 3 2
3.25
3.00
2.75
2.50
2.25
2.00
1.75
1.50
Calificación
T
i
e
m
p
o
S 0.172546
R-Sq 91.9%
R-Sq(adj) 90.8%
Fitted Line Plot
Tiempo = 1.119 + 0.2094 Calificación
P-Value = 0.115
Serv.NO DEPENDE del género
Curso básico de Minitab Curso básico de Minitab
Las fases de Lean Sigma
(DMAIC)
Soluciones para eliminar causas
raíz
Pruebas de hipótesis, DOE,
ANOVA
Proceso
Entradas Salidas (Y)
Diseño de
Producto
Entradas Salidas (Y)
150 120
70
65
60
55
50
12 10
14 10
70
65
60
55
50
Temperatura
M
e
a
n
Concentracion
Presion
Main Effects Plot for Rendimiento
Data Means
Para maximizar
Eficiencia ajustar
T=150 y C=10
Curso básico de Minitab Curso básico de Minitab
Las fases de Lean Sigma
(DMAIC)
Mantener las soluciones con
control estadístico

Cartas de control
46 41 36 31 26 21 16 11 6 1
25.0
22.5
20.0
17.5
15.0
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
_
X=19.94
UCL=25.06
LCL=14.81
46 41 36 31 26 21 16 11 6 1
6.0
4.5
3.0
1.5
0.0
Observation
M
o
v
i
n
g

R
a
n
g
e
__
MR=1.927
UCL=6.297
LCL=0
I-MR Chart of Tiempo de espera
10 9 8 7 6 5 4 3 2 1
16
14
12
10
8
6
4
2
0
Sample
S
a
m
p
l
e

C
o
u
n
t
_
C=7.4
UCL=15.56
LCL=0
C Chart of Caja B
Curso básico de Minitab Curso básico de Minitab
Introducción a Minitab
13
Curso básico de Minitab Curso básico de Minitab
14
Minitab Inc. es una compañía privada cuya sede principal se encuentra
en State College, Pensilvania, y tiene subsidiarias en el Reino Unido,
Francia y Australia. con representantes y distribuidores en muchos
países alrededor del mundo.

El programa Minitab® Statistical Software fue desarrollado en 1972 por
tres profesores de Estadística de Penn State University. Uno de ellos
Barbara Ryan, es la presidenta y directora ejecutiva de Minitab.

Minitab es el principal software del mundo para la enseñanza de
estadística a estudiantes. También, es el software utilizado con mayor
frecuencia en Seis Sigma, la principal metodología del mundo para el
mejoramiento de la calidad.
.
Curso básico de Minitab
Generalidades

15
Curso básico de Minitab Curso básico de Minitab
16
Manipulación y cálculo con datos
Captura de datos
File > New
Hoja de trabajo nueva Proyecto nuevo,
manteniendo lo que ya se ha borra toda la
procesado como gráficas información que
sesiones, etc. exista en el
proyecto abierto.
Curso básico de Minitab
17
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
La letra T indica
columna de texto
Curso básico de Minitab
18
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
1.3 Abrir, guardar e imprimir archivos
Para proyectos donde
se incluye todo, datos
gráficas, sesiones.
Se puede importar
Para hojas de trabajo una hoja de cálculo
(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
File > Open Worksheet
En carpeta DATA se encuentran
Curso básico de Minitab
19
Cargar datos en hoja de trabajo desde diferentes fuentes
Inciar con EASTERN.MTW
1. File Open worksheet
2. Click en Look in Minitab Sample Data folder, Meet Minitab
3. Click en EASTERN.MTW
4. OK
Para combinar este archivo con datos de otro CENTRAL.XLS de Excel:
1. File Open worksheet
2. Click en Look in Minitab Sample Data folder, Meet Minitab
3.Click en CENTRAL.XLS
4. Seleccionar Merge Pone los datos en la misma hoja
5. Click Open
Para agregar datos desde un archivo de texto a esta hoja de trabajo
1. File Open worksheet
2. Click en Look in Minitab Sample Data folder, Meet Minitab
3. Click en WESTERN.TXT
4. Seleccionar Merge Pone los datos en la misma hoja
5. Click Open
Curso básico de Minitab
20
Eastern.mtw Central.xls Western.txt
Para reemplazar un valor perdido en renglón C105 de columna C10
1. Editor > Go to
1. Seleccionar la ventana de datos,
2. Seleccionar Editor > Go to
2 En Enter column number or name,
anotar C10
3 En Enter row number, anotar 105. Click OK.
4 En fila 105 de columna C10, anotar un ∗.
2. Poner un *
Curso básico de Minitab
21
MY_SHIPPINGDATA.MTW
Subscripts
Order 3/3/2006 8:34 3/7/2006 15:21 On time 255
Order 3/3/2006 8:35 3/6/2006 17:05 On time 196
Order 3/3/2006 8:38 * Back order 299
Order 3/3/2006 8:40 3/7/2006 15:52 On time 205
Order 3/3/2006 8:42 3/9/2006 14:48 Late 250
Para apilar grupos de columnas de datos para ciertos comandos de Minitab
1. Data ➤ Stack ➤ Blocks of columns
Efectuar las operaciones siguientes:
Las variables para los centros de embarque están en las mismas columnas
Order (Eastern), Order_1(Central), Order_2 (Western) como etiquetas para
indicar de cual centro de distribución se originan los datos
Curso básico de Minitab
22
Para agregar una columna calculada en Días = Arrival - Order
Poner nombres a las columnas
MY_SHIPPINGDATA.MTW
Center Order Arrival Status Distance
Order 3/3/2006 8:34 3/7/2006 15:21 On time 255
Order 3/3/2006 8:35 3/6/2006 17:05 On time 196
Order 3/3/2006 8:38 * Back order 299
Order 3/3/2006 8:40 3/7/2006 15:52 On time 205
Order 3/3/2006 8:42 3/9/2006 14:48 Late 250
Insertar una columna entre Arrival y Status
1 Click en cualquier celda en C4 para activarla
2 Click en botón derecho del ratón y seleccionar Insert Columns.
3 Click en el nombre de C4. Poner Days, y enter
Center Order Arrival Days Status Distance
Eastern 3/3/2006 8:34 3/7/2006 15:21 On time 255
Eastern 3/3/2006 8:35 3/6/2006 17:05 On time 196
Eastern 3/3/2006 8:38 * Back order 299
Eastern 3/3/2006 8:40 3/7/2006 15:52 On time 205
Eastern 3/3/2006 8:42 3/9/2006 14:48 Late 250
Curso básico de Minitab
23
Calcular los nuevos datos para la columna Days
1 Calc ➤ Calculator.
2 En Store result in variable, poner Days
3 En Expression, poner Arrival - Order
4 Seleccionar Assign as a formula.
5 Click OK.
Center Order Arrival Days Status Distance
Eastern 3/3/2006 8:34 3/7/2006 15:21 4.28 On time 255
Eastern 3/3/2006 8:35 3/6/2006 17:05 3.35 On time 196
Eastern 3/3/2006 8:38 * Back order 299
Eastern 3/3/2006 8:40 3/7/2006 15:52 4.30 On time 205
Eastern 3/3/2006 8:42 3/9/2006 14:48 6.25 Late 250
Actualizar la fecha Arrival date en fila 127 de 3/6/2006 a 3/7/2006.
Cambia la información de días automáticamente
Antes 2.98125
Central 3/3/2006 9:44 3/7/2006 9:17 3.98125 On time 306
Curso básico de Minitab
24
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
Número de columna
Nombre de columna
Letra “T” indica columna
de texto
Numéricas Alfanumérica Fecha/hora
ARCHIVOS PESOS.MTW
Peso_antes Peso_despues
64 88
58 70
62 76
66 78
64 80
74 84
84 84
68 72
62 75
76 118
90 94
80 96
92 84
68 76
60 76
62 58
66 82
70 72
68 76
72 80
Ejemplo: Para calcular el incremento de peso
en un cierto periodo de tiempo
Incremento
24
12
14
12
16
10
0
4
13
42
4
16
-8
8
16
-4
16
2
8
8
Curso básico de Minitab
25
b) Otra forma de realizar operaciones en columnas o renglones es a través de
Calc > Column o Row Statistics respectivamente:
Cálculos
disponibles
Columna (s) sobre la que se hará
el cálculo Peso_despues
Constante opcional (K1, K2, etc.)
en la que se desea almacenar el
resultado
La constante se muestra con
Data > Display Data > selecc. K2
Curso básico de Minitab
26
Contador de eventos
Se usa para mostrar cuenta, cuenta acumulada, porcentajes, y porcentajes acumulados para
cada variable especificada
Suponiendo que se está estudiando la influencia de la actividad de paciente en el desempeño de una
droga nueva. Después de colectar los datos, se examina la distribución de la actividad del paciente.
1 File > Open worksheet EXH_TABL.MTW
Activity
Moderate Repetir con GENDER y HEIGHT
Moderate
A lot
Slight
Moderate
Slight
A lot
Moderate
Moderate
Etc.
2Stat > Tables > Tally Individual Variables.
3En Variables, poner Activity.
4 En Display, seleccionar Counts, Percents, Cumulative counts, y Cumulative percents
5 Click OK
Los resultados son los siguientes:
Tally for Discrete Variables: Activity
Activity Count CumCnt Percent CumPct
A lot 21 21 23.08 23.08
Moderate 61 82 67.03 90.11
Slight 9 91 9.89 100.00
N= 91
La actividad ligera tiene un 9.89%, la actividad moderada
un 67.03% y alta 23.08%
Curso básico de Minitab
27
Desarrollo del Reporte
Las gráficas se pueden agregar a un reporte seleccionándolas
después botón derecho y Append Graph to Report
Caja C Caja B Caja A
17.5
15.0
12.5
10.0
7.5
5.0
D
a
t
a
Boxplot of Caja A, Caja B, Caja C
Para agregar resultados de la pantalla de Sesión, se selecciona el texto
y se agrega al reporte.
Para visualizar el reporte se utilizan las instrucciones siguientes:
El reporte se puede salvar como texto enriquecido RTF
Curso básico de Minitab Curso básico de Minitab
Herramientas para la calidad
28
Curso básico de Minitab Curso básico de Minitab
29
2.1 Gráficos de barras y línea
Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab o arhivo anexo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.
File > Open Worksheet > Pulse.Mtw
Graph > Bar chart
Graph > Bar chart: Count of unique values, Simple
Categorical variables: Activity Sex
1 click cambiar todas barras
3 2 1 0
60
50
40
30
20
10
0
Activity
C
o
u
n
t
Chart of Activity
Curso básico de Minitab Curso básico de Minitab
30
Activity 3 2 1 0
60
50
40
30
20
10
0
C
o
u
n
t
2
1
Sex
Chart of Activity, Sex
Para gráficas 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 según su actividad se tiene:
Graph > Bar chart: Count of unique values, Stack
Categorical variables: Activity Sex
Curso básico de Minitab Curso básico de Minitab
31
Para cambiar la apariencia de las barras:
Colocarse en las barras y dar doble click, aparece el cuadro de diálogo
Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, también se puede seleccionar un tipo de trama por barra dando
Click en la gráfica, click en la sección específica 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 gráfica se actualiza en forma automática colocándose
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now
El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo
Curso básico de Minitab
32
Activity 3 2 1 0
60
50
40
30
20
10
0
C
o
u
n
t
Mujer
Hombre
Sex
Chart of Activity, Sex
Curso básico de Minitab Curso básico de Minitab
33
Category
0
1
2
3
Pie Chart of Activity
Graph > Pie chart
Se muestran distintas opciones para los datos fuente ya sea Chart Raw Data en cuyo
caso se establece una variable categórica en este caso Activity
La otra opción es que los valores ya estén tabulados previamente,
Chart values from a table
Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Category
0
1
2
3
Pie Chart of Activity
Curso básico de Minitab Curso básico de Minitab
34
Category
0
1
2
3
Pie Chart of Activity
Cambiar el número de actividad por su nombre con:
Data > Code > Numeric to text
Code data.. Activity Store data … Activity
Reemplaza los números EQUIPO TIEMPO M
0 Nula por los nombres CALDERA 20
1 Baja ELEVADOR 45
2 Media COMPRESOR 15
3 Alta FILTROS 60
BOMBAS 33
Con botón derecho seleccionar Update Graph Automatically
Para indicar el nombre de la categoría y su frecuencia en cada uno de las partes
de la gráfica de pastel, seleccionar la gráfica con doble click e ir a add Slice Labels y marcar:
Category name, Frequency.
Para agregar texto y figuras a la gráfica, seleccionar la gráfica con un click:
Editor > Annotation > Graph annotation tools
Para agregar texto
Seleccionar el botón T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botón de la figura e insertarla
Curso básico de Minitab
35
Alta
Baja
Media
Nula
Category
Pie Chart of Activity
Gráfica de ejemplo
Curso básico de Minitab
36
Diagrama de Pareto
Para el diagrama de Pareto se tienen dos opciones de entrada de datos:
Chart defects Data in Se indica la columna donde se encuentran los defectos
se tiene la opción de una categoría By Variable
Chart defects table Los defectos ya se tienen tabulados en una columna donde
aparecen los nombre y en otra para las frecuencias
Por ejemplo:
Clientes Monto Stat > Quality Tools > Pareto Chart
Comercio 40 Seleccionar Charts Defect Table
Industria 70 Labels in: Clientes
Consumo 25 Frequencies in: Monto
Gobierno 120 OK
Educacion 10
Curso básico de Minitab
37
Monto 120 70 40 25 10
Percent 45.3 26.4 15.1 9.4 3.8
Cum % 45.3 71.7 86.8 96.2 100.0
Clientes Other Consumo Comercio Industria Gobierno
300
250
200
150
100
50
0
100
80
60
40
20
0
M
o
n
t
o
P
e
r
c
e
n
t
Pareto Chart of Clientes
Curso básico de Minitab
38
Ejemplo con datos no agrupados
Se utiliza el archivo EXH_QC.MTW
File > Open worksheet > EXH_QC.MTW
Stat > Quality Tools > Pareto Chart
Seleccionar Charts Defects Data in Damage
OK
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás conceptos y los agrupa en la barra de otros.
Count 4 2 1 1
Percent 50.0 25.0 12.5 12.5
Cum % 50.0 75.0 87.5 100.0
Damage Dent Bend Chip Scratch
9
8
7
6
5
4
3
2
1
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Pareto Chart of Damage
Curso básico de Minitab
39
Count 404 125 79 63 28 21 25
Percent 54.2 16.8 10.6 8.5 3.8 2.8 3.4
Cum % 54.2 71.0 81.6 90.1 93.8 96.6 100.0
Estado Cívil
O
t
h
e
r
C
A
S
A
D
A
D
I
V
O
R
C
I
A
D
O
U
N
I
O
N

L
I
B
R
E
C
A
S
A
D
O
S
O
L
T
E
R
A
S
O
L
T
E
R
O
800
700
600
500
400
300
200
100
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Pareto Chart of Estado Cívil
Estado Cívil
SOLTERO
SOLTERO
UNION LIBRE
SOLTERO
CASADO
SOLTERO
SOLTERO
CASADO
SOLTERO
UNION LIBRE
CASADO
SOLTERO
SOLTERO
UNION LIBRE
SOLTERO
SOLTERO
SOLTERO
Curso básico de Minitab
40
Ejemplo con datos agrupados por categoría
Se utiliza el archivo EXH_QC.MTW
File > Open worksheet > EXH_QC.MTW
Stat > Quality Tools > Pareto Chart
Seleccionar Charts Defects Data in Flaws
Usando Period en By Variable in se obtiene el diagrama estratificado siguiente:
OK
Para quitar los colores: seleccionar las barras y se cambia con
Attributes: 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 gráfica, click en la barra específica, doble click y seleccionar la trama.
Smudge Other Scratch Peel
20
15
10
5
0
Smudge Other Scratch Peel
20
15
10
5
0
Period = Day
Flaws
C
o
u
n
t
Period = Evening
Period = Night Period = Weekend
Peel
Scratch
Other
Smudge
Flaws
Pareto Chart of Flaws by Period
Curso básico de Minitab
41
Con gráficas independientes
Se utiliza el archivo EXH_QC.MTW
File > Open worksheet > EXH_QC.MTW
Stat > Quality Tools > Pareto Chart
Seleccionar Charts Defects Data in Flaws
Usando Period en By Variable in
OK
Se obtienen 4 gráficas que se pueden unir en una sola como sigue:
Seleccionar una gráfica
Curso básico de Minitab
42
Zona donde pasará
la gráfica
Matriz de gráficas Pasar gráfica Quitar gráfica
Gráficas
disponibles
Cuando hayan
pasado todas
las gráficas
pulsar Finish
Gráfica que
es candidato a
pasar
Curso básico de Minitab
43
La gráfica múltiple resultante es:
Count 3 2 1 1
Percent 42.9 28.6 14.3 14.3
Cum % 42.9 71.4 85.7 100.0
Flaws Smudge Other Peel Scratch
16
12
8
4
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Count 4 2 1 0
Percent 57.1 28.6 14.3 0.0
Cum % 57.1 85.7 100.0 100.0
Flaws Others Other Scratch Peel
16
12
8
4
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Count 8 6 3 2
Percent 42.1 31.6 15.8 10.5
Cum % 42.1 73.7 89.5 100.0
Flaws Smudge Other Peel Scratch
16
12
8
4
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Count 3 3 1 0
Percent 42.9 42.9 14.3 0.0
Cum % 42.9 85.7 100.0 100.0
Flaws Others Other Smudge Peel
16
12
8
4
0
100
80
60
40
20
0
C
o
u
n
t
P
e
r
c
e
n
t
Pareto Chart of Flaws by Period
Period = Day
Pareto Chart of Flaws by Period
Period = Evening
Pareto Chart of Flaws by Period
Period = Night
Pareto Chart of Flaws by Period
Period = Weekend
Curso básico de Minitab
44
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.
Los datos se colocan como sigue:
Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
Curso básico de Minitab
45
Stat > Quality Tools > Cause-and-Effect.
En Label traducir Man , Machine , Material , Method , Measure , y Enviro en filas 1 a 6, respectivamente.
En Causes, seleccionar columnas de datos para las variables de filas 1-6.
Asignar las diferentes columnas de Causas primarias
Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente
sel. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp.
En Effect, describir el problema como Rechazos Click OK.
Curso básico de Minitab
46
La gráfica resultante es la siguiente:
Para cambiar el
tamaño de letra
hacer doble click en
los títulos y
seleccionar otro
tamaño de letra
La gráfica se puede
editar
Rechazos
Medio ambiente
Métodos
Material
Maquinas
Personal
Humor
Habilidad
Salud
Herramental
Abrasión
Deformación
Mantto.
Amacen
Dureza
Forma
Velocidad
Ajuste
Temperat
Humedad
Vibracion
Polvo
E
x
p
e
r
ie
n
c
i
a
F
o
r
m
a
c
i
ó
n
S
e
l
e
c
c
i ó
n
C
a
n
s
a
n
c
i o
M
o
r
a
l
H
o
r
a
s
C
u
r
v
a
t
u
r
a
D
i á
m
e
t
r
o
A
m
b
i
e
n
t
e
T
ie
m
p
o
Cause-and-Effect Diagram
Curso básico de Minitab
47
Otro ejemplo: Mala atención al cliente
Personas Materiales Equipos Metodos Medio ambiente Estrés
Descuido Inadecuados Sistema lentoProceso incompleto Calor Cansancio
CapacitaciónFaltantes Falla de PCs Proceso complejo Humedad Alimentos
Motivación Con errores Falla de equipos Proceso no actual Estres Supervisión
Responsabilidad Paros menores Problemas
Stat > Quality Tools > Cause-and-Effect.
En Label traducir Man , Machine , Material , Method , Measure , y Enviro en filas 1 a 6, respectivamente.
En Causes, seleccionar columnas de datos para las variables de filas 1-6.
Asignar las diferentes columnas de Causas primarias
Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente
sel. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp.
En Effect, describir el problema como Mala atención al cliente Click OK.
cliente
atencion al
Mala
ambiente
Medio
Métodos
Material
Equipos
Personal
Responsabilidad
Motiv ación
Capacitación
Descuido
Paros menores
Falla de equipos
Falla de PCs
Sistema lento
Con errores
Faltantes
Inadecuados
Proceso no actual
Proceso complejo
Proceso incompleto
Estres
Humedad
Calor
P
r
o
b
l e
m
a
s
S
u
p
e
r
v
is
i ó
n
A
l i
m
e
n
t
o
s
C
a
n
s
a
n
c
i o
Cause-and-Effect Diagram
Curso básico de Minitab
48
cliente
atencion al
Mala
ambiente
Medio
Métodos
Material
Equipos
Personal
Responsabilidad
Motiv ación
Capacitación
Descuido
Paros menores
Falla de equipos
Falla de PCs
Sistema lento
Con errores
Faltantes
Inadecuados
Proceso no actual
Proceso complejo
Proceso incompleto
Estres
Humedad
Calor
P
r
o
b
l e
m
a
s
S
u
p
e
r
v
is
i ó
n
A
l i
m
e
n
t
o
s
C
a
n
s
a
n
c
i o
Cause-and-Effect Diagram
Curso básico de Minitab
49
ESTADÍSTICA BÁSICA

Población: es la colección de todos los elementos (piezas,
personas, mediciones, etc.).

Muestra: es una parte o subconjunto representativo de la
población, o sea una muestra de mediciones de las
características.

Incluye:
• Medidas de tendencia central
• media, moda, mediana

• Medidas de dispersión
• rango, varianza, desviación estándar, coeficiente de
variación

• Distribuciones de frecuencia (histogramas)

• Funciones acumulativas de distribución
Curso básico de Minitab Curso básico de Minitab
Medidas de tendencia central
 Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos

Media muestral Media
poblacional

50

¿
=
n
xi
x

¿
=
n
xi
µ
Ejemplo 1: En un equipo de fútbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
73 . 1
11
19
= = ¿ =
n
xi
x
Curso básico de Minitab Curso básico de Minitab
Medidas de tendencia central
 Mediana: es el valor medio cuando los datos se
arreglan en orden ascendente o descendente, para
n par, la mediana es la media de los valores
intermedios
51
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el número
que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana
73 . 1
~
= x
( ) | | ( )
2
1 2 2
~
+ +
=
n n
X
Curso básico de Minitab Curso básico de Minitab
Medidas de tendencia central
 Moda: Valor que más se repite, puede haber más
de una
 Media acotada (Truncated Mean): Se elimina cierto
porcentaje de los valores más altos y bajos de un
conjunto dado de datos (tomando números
enteros), se calcula la media para los valores
restantes.
52
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más bajo y
el más alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
( ) 82 . 63 20 ,. = x

Curso básico de Minitab Curso básico de Minitab
Medidas de dispersión
 Rango: Es el valor mayor menos el valor menor de
un conjunto de datos




 Varianza: es el promedio de las desviaciones al
cuadrado respecto a la media (n para población y
n-1 para muestra para eliminar el sesgo)





53
Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 – 2.0 = 2.0

¿
÷
=
n
x xi
2
2
) (
o

¿
÷
÷
=
1
) (
2
2
n
x xi
s
Curso básico de Minitab Curso básico de Minitab
Medidas de dispersión
 Desviación estándar: es la raíz cuadrada de la
varianza ya sea poblacional o o muestral S
54

¿
÷
÷
=
1
) (
2
2
n
x xi
s

¿
÷
÷
=
1
) (
2
n
x xi
s
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:
Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
s =
5
790
= 12.56
s =
5
7510
= 38.75
Curso básico de Minitab Curso básico de Minitab
Medidas de dispersión
 Coeficiente de variación: es igual a la desviación
estándar dividida por la media y se expresa en
porcentaje
55

) 100 ( var . .
X
s
CV iación de e Coeficient = =
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviación estándar es 12.14, el CVt:
% 05 . 12 ) 100 (
7 . 78
14 . 12
= =
t
CV
Por otra parte si la media de salarios es de 10 y su desviación estándar de 2, el CVs de salarios es:
% 20 ) 100 (
10
2
= =
s
CV
Por tanto la dispersión de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente disímbolos.
Curso básico de Minitab
Estadísticos de una muestra
Estudio estadístico básico:
File > Open worksheet > Yield.mtw
Stat > Basic statistics > Display descriptive statistics
Variables Yield by variable (opcional)
Variables y variable categórica (opcional)
Gráficas de los datos
Curso básico de Minitab
57
Selección de estadísticos específicos
Seleccionar adicionalmente VARIANZA, COEFICIENTE DE VARIACIÓN, MODA
Los resultados son los siguientes:
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Yield
Variable N N* Mean SE Mean StDev Variance CoefVar Minimum Q1
Yield 16 0 45.559 0.539 2.157 4.651 4.73 42.764 43.722
N for
Variable Median Q3 Maximum Mode Mode
Yield 45.173 47.750 49.204 * 0
50
49
48
47
46
45
44
43
42
Y
i
e
l
d
Boxplot of Yield
Curso básico de Minitab
58
Otra forma de obtener esta gráfica por separado y en forma individual es:
File > Open worksheet > Yield.mtw
Graph > Boxplot > Simple
Graph variables Yield
OK
Máximo
Q3 = Tercer Cuartil
Q2 = Mediana
Q1 = Primer cuartil
Mínimo
50
49
48
47
46
45
44
43
42
Y
i
e
l
d
Boxplot of Yield
Curso básico de Minitab
59
50 48 46 44 42
6
5
4
3
2
1
0
Yield
F
r
e
q
u
e
n
c
y
Mean 45.56
StDev 2.157
N 16
Histogram (with Normal Curve) of Yield
Otra forma de obtener esta gráfica por separado y en forma individual es:
File > Open worksheet > Yield.mtw
Graph > Histogram > Simple
Graph variables Yield
OK
Curso básico de Minitab
60
Para cambiar el número de celdas, doble click en las barras y seleccionar BINNING
Para cambiar números al
inicio de celdas o en el
centro de las mismas
Cambiar el número
de intervalos a 5
Curso básico de Minitab
61
Ejemplo: Estadísticos de una muestra con variable categórica
Estudio estadístico básico:
File > Open worksheet > Wine.mtw
Stat > Basic statistics > Display descriptive statistics
Variables Aroma by variable Region
Seleccionar Graphs Histogram of data with normal curve Dot plot of data, Boxplot of data
Seleccionar Statistics Variance Coefficient of variation Mode (adicionales a los ya seleccionados)
OK
Los resultados son los siguientes:
Descriptive Statistics: Aroma
Variable Region N N* Mean SE Mean StDev Variance CoefVar Minimum
Aroma 1 17 0 4.359 0.166 0.685 0.469 15.71 3.300
2 9 0 4.278 0.225 0.676 0.457 15.80 3.300
3 12 0 5.967 0.278 0.962 0.926 16.13 4.300
N for
Variable Region Q1 Median Q3 Maximum Mode Mode
Aroma 1 3.900 4.300 4.900 5.600 3.9 3
2 3.650 4.300 4.900 5.200 * 0
3 5.200 5.950 6.700 7.700 5.5 2
Curso básico de Minitab
62
8 7 6 5 4 3
4.8
3.6
2.4
1.2
0.0
8 7 6 5 4 3
4.8
3.6
2.4
1.2
0.0
1
Aroma
F
r
e
q
u
e
n
c
y
2
3
Mean 4.359
StDev 0.6847
N 17
1
Mean 4.278
StDev 0.6760
N 9
2
Mean 5.967
StDev 0.9623
N 12
3
Histogram (with Normal Curve) of Aroma by Region
Panel variable: Region
3 2 1
8
7
6
5
4
3
Region
A
r
o
m
a
Boxplot of Aroma
Curso básico de Minitab
63
Se desea conocer la durabilidad de 4 alfombras, para lo cual se instalan en cuatro
casas y se evalúan después de 60 días de uso, se analiza con gráficas de caja.
Ejemplo con cajas múltiples
Se desea conocer la durabilidad de 4 alfombras, para lo cual se instalan en cuatro casas y
se evalúan después de 60 días de uso, se analiza con gráficas de caja.
1 File > Open worksheet CARPET.MTW.
2Seleccionar Graph > Boxplot o Stat > EDA > Boxplot.
3 En One Y, choose With Groups. Click OK.
4En Graph variables, poner Durability.
5 En Categorical variables for grouping (1-4, outermost first), poner Carpet .
6 Click Labels, y click the Data Labels tab.
7 En Label, seleccionar Medians. seleccionar Use y-value labels. Click OK.
8 Click Data View.
9 En Categorical variables for attribute assignment, poner Carpet . Click OK en cada caja de diálogo.
4 3 2 1
22.5
20.0
17.5
15.0
12.5
10.0
7.5
5.0
Carpet
D
u
r
a
b
i
l
i
t
y
1
2
3
4
Carpet
19.75
12.895
8.625
13.52
Boxplot of Durability
Curso básico de Minitab
64
4 3 2 1
22.5
20.0
17.5
15.0
12.5
10.0
7.5
5.0
Carpet
D
u
r
a
b
i
l
i
t
y
1
2
3
4
Carpet
19.75
12.895
8.625
13.52
Boxplot of Durability
La alfombra 3 tienen mayor durabilidad, pero tiene mucha variabilidad, la alfombra 2 tiene poca durabilidad.
Entre las alfombras 1 y 3 casi se tiene la misma mediana de durabilidad, pero la 3 tiene menos variación
Curso básico de Minitab
65
3.2 Histogramas o distribuciones de frecuencia
Se usa el archivo PULSE.MTW anexo en Archivo Datos Módulo 3:
Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
La apariencia de las barras se puede cambiar haciendo clcik en estas.
Pulse1
F
r
e
q
u
e
n
c
y
100 90 80 70 60 50
25
20
15
10
5
0
Histogram of Pulse1
Curso básico de Minitab
66
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaña Binning
Se definen los intervalos a través de sus
puntos de corte
Se indica el nuevo número de intervalos
Con doble click en la escala horizontal se puede modificar la escala de valores
Pulse1
F
r
e
q
u
e
n
c
y
100.00 91.33 82.66 74.00 65.33 56.66 48.00
30
25
20
15
10
5
0
Histogram of Pulse1
Curso básico de Minitab
67
Una vez creada esta gráfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Editor > Make Similar Graph
Para comparar los histogramas según se haya corrido o no se tiene:
Pulse2
F
r
e
q
u
e
n
c
y
140 120 100 80 60
30
25
20
15
10
5
0
Histogram of Pulse2
Curso básico de Minitab
68
Para comparar los histogramas según se haya corrido o no se tiene:
Graph > Histogram: Simple
Multiple Graphs:
Multiple Variable:
In separate panels of the same graph; Same scales for graphs X, Y
By Variable:
Ran
Pulse1
F
r
e
q
u
e
n
c
y
100 90 80 70 60 50
16
14
12
10
8
6
4
2
0
100 90 80 70 60 50
1 2
Histogram of Pulse1
Panel variable: Ran
Curso básico de Minitab
69
Histogramas por grupo
1. Open worksheet Shippingdata.mtw en carpeta Minitab Sample Data / Meet Minitab
2. Graph > Histogram
3. With fit
4. Graph Variable Day
5. Multiple graphs
6. By variables With groups in separate panels Center
7. OK
7 6 5 4 3 2 1
20
15
10
5
0
7 6 5 4 3 2 1
20
15
10
5
0
Central
Days
F
r
e
q
u
e
n
c
y
Eastern
Western
Mean 3.984
StDev 1.280
N 99
Central
Mean 4.452
StDev 1.252
N 101
Eastern
Mean 2.981
StDev 1.090
N 102
Western
Histogram of Days
Normal
Panel variable: Center
Curso básico de Minitab
70
Diagrama de tallo y hojas
File > Open worksheet > Pulse.mtw
Graph > Stem and Leaf
o Stat > EDA > Stem and Leaf
Variable
Estratificación opcional por otra variable
Destacar valores que exceden ± 1.5 RIC
de Q1 y Q3
Definir ancho de la "celda" de números
Curso básico de Minitab
71
Stem-and-Leaf Display: Weight
Stem-and-leaf of Weight N = 92 Leaf Unit = 1.0
Tallo Hojas
1 9 5 Con Increment = 20
4 10 288 Leaf Unit = 10
13 11 002556688 Tallo Hojas
24 12 00012355555 1 0 9
37 13 0000013555688 13 1 000111111111
(11) 14 00002555558 37 1 222222222223333333333333
44 15 0000000000355555555557 (33) 1 444444444445555555555555555555555
22 16 000045 22 1 666666777777
16 17 000055 10 1 888899999
10 18 0005
6 19 00005 HI 21
HI 215 Línea de profundidad (frec. Acumulada hasta la mediana () )
Curso básico de Minitab
72
3.3 Distribución normal estándar y distribución normal
La teoria se puede consultar en el archivo de Word anexo: Distribución Normal.doc
Calc > Probability distributions > Normal
Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o área 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. Estándar uno
indica una distribución normal
estándar, con otros valores
se trata de la distribución normal
El área total de probabilidad es de 1.0
La media es de cero y la desv. Estandar 1
Curso básico de Minitab
73
Ejemplos:
Densidad de probabilidad
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
Curso básico de Minitab
74
Mostrar áreas bajo la curva de probabilidad
Se trata de ver el área que incluye al 10% de los alumnos que obtuvieron las calificaciones más altas
a partir del 90%, con una media de 1211 y una desviación estándar de 320, y ver si la calificación de
1738 entra en esta zona.
1 Seleccionar Graph > Probability Distribution Plot.
2 Seleccionar View Probability, click OK.
3 De la Distribution, Seleccionar Normal.
4 En Mean, poner 1211. En Standard deviation, poner 320.
5 Click en Shaded area. En Define Shaded Area By, seleccionar X Value.
6 Click Right Tail. En X value, poner 1738.
7 Click OK en cada cuadro de diálogo
0.0014
0.0012
0.0010
0.0008
0.0006
0.0004
0.0002
0.0000
X
D
e
n
s
i
t
y
1738
0.0498
1211
Distribution Plot
Normal, Mean=1211, StDev=320
Curso básico de Minitab
75
O para un 10% del área:
5 Click en Shaded area. En Define Shaded Area By, seleccionar Probab., Right Tail, 0.10.
El valor de 1738 si entra en la zona.
0.0014
0.0012
0.0010
0.0008
0.0006
0.0004
0.0002
0.0000
X
D
e
n
s
i
t
y
1621
0.1
1211
Distribution Plot
Normal, Mean=1211, StDev=320
Curso básico de Minitab
76
Solo como demostración para el caso de dos colas:
5 Click en Shaded area. En Define Shaded Area By, sel. Probab., Both Tails, 0.10.
0.0014
0.0012
0.0010
0.0008
0.0006
0.0004
0.0002
0.0000
X
D
e
n
s
i
t
y
685
0.05
1737
0.05
1211
Distribution Plot
Normal, Mean=1211, StDev=320
Curso básico de Minitab
77
Prueba de normalidad
Es una prueba de hipótesis de una población para determinar si la muestra se extrae de una
población normal, que es la hipótesis nula. La hipótesis alterna es que no es normal.
Se puede hacer por diversos métodos:
1. Método gráfico
Se trata de probar la flamabilidad de una fibra y ver si sigue una distribución normal,
además se quiere observar su valor en el percentll 87avo.
1File > Open worksheet FLAMERTD.MTW.
2Graph > Probability Plot.
3 Seleccionar Single, click OK.
4En Graph variables,seleccionar Fabric .
5 Click Scale, y click el Percentile Lines .
6 En Show percentile lines at Y values, teclear 87 . Click OK en cada cuadro de diálogo.
Curso básico de Minitab
78
Los puntos no salen del intervalo de confianza del 95% y el P value es menor de 0.05
por tanto los datos de la muestra siguen una distribución normal.
El IC del 87% se encuentra entre los valores 3.84295 y 4.58790
6 5 4 3 2
99
95
90
80
70
60
50
40
30
20
10
5
1
Fabric
P
e
r
c
e
n
t
4
.
2
1
5
87
Mean 3.573
StDev 0.5700
N 15
AD 0.310
P-Value 0.517
Probability Plot of Fabric
Normal - 95% CI
Curso básico de Minitab
79
2. Prueba de hipótesis con prueba de Anderson Darling (n > 15)
Esta prueba compara la función de distribucion acumulada empirica de los datos
de la muestra con la distribución esperada si los datos fueran normales
Si la diferencia observada es suficientemente grande, se rechaza la hipótesis nula
de normalidad de la población.
Las hipótesis son las siguientes:
Ho: Los datos SI provienen de una población distribuida normalmente Pvalue >0.05
Ha: Los datos NO provienen de una población distribuida normalmente Pvalue <= 0.05
Prueba de normalidad de Kolmogorov Smirnov (n<=15)
Esta prueba compara la función de distribución acumulada de la muestra con la
distribución esperada de los datos si fueran normales. Si la diferencia obervada es
suficientemente grande, la prueba rechaza la hipótesis nula de normalidad.
Si el valor P se esta prueba es menor al alfa seleccionado se rechaza la
hipótesis nula de normalidad.
Curso básico de Minitab
80
Ejemplo de prueba de normalidad
Ejemplo con el archivo CRANKSH.MTW
1File > Open worksheet CRANKSH.MTW.
2Stat > Basic Statistics > Normality Test.
3En Variable, seleccionar AtoBDist . Click OK.
AtoBDist
-0.44025 El valor P es menor a 0.05
5.90038 por tanto los datos no siguen
2.08965 una distribución normal
0.09998
2.01594
4.83012
Etc.
10 5 0 -5 -10
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
AtoBDist
P
e
r
c
e
n
t
Mean 0.4417
StDev 3.491
N 125
AD 0.891
P-Value 0.022
Probability Plot of AtoBDist
Normal
Curso básico de Minitab
81
Capacidad del proceso con histogramas
Las áreas bajo la curva se pueden aplicar al cálculo de la capacidad de los procesos para cumplir
especificaciones o requisitos, por ejemplo para el cso de los datos de SUPP2 del archivo CAMSHAFT.MTW
donde las especificaciones son Límite Inferior de Especificación LIE = 596 y el Límite Superior de
Especificación LSE = 604, se tiene:
File > Open worksheet > Camshaft.mtw
Stat > Quality tools > Capability analysis > Normal
Data area arranged as: Single column Supp2 Subgroup size 1
Lower Spec 596 Upper spec 604
Estimate > R bar
Options > Percents
OK
Curso básico de Minitab
Curso básico de Minitab
83
Los resultados se muestran a continuación
Media Índice de
Desviación capacidad
estándar potencial (Cp)
y real del
proceso (Cpk)
deben ser
mayores a
1.33 para que
el proceso
sea capaz
Fracción defectiva
fuera de especificaciones
debe ser menor a 3.4 ppm (0.000 34 %)
604.5 603.0 601.5 600.0 598.5 597.0
LSL USL
LSL 596
Target *
USL 604
Sample Mean 600.23
Sample N 100
StDev (Within) 1.70499
StDev (Ov erall) 1.87388
Process Data
C p 0.78
C PL 0.83
C PU 0.74
C pk 0.74
Pp 0.71
PPL 0.75
PPU 0.67
Ppk 0.67
C pm *
Ov erall C apability
Potential (Within) C apability
% < LSL 0.00
% > USL 2.00
% Total 2.00
Observ ed Performance
% < LSL 0.66
% > USL 1.35
% Total 2.01
Exp. Within Performance
% < LSL 1.20
% > USL 2.21
% Total 3.41
Exp. Ov erall Performance
Within
Overall
Process Capability of Supp2
Curso básico de Minitab Curso básico de Minitab
Estadística inferencial
Pruebas de hipótesis
84
Curso básico de Minitab
85
Población, total
de productos y
servicios (N)
Muestra
(n)
Intervalo de
confianza
(95%) , rango
de valores para
estimar los
parámetros ,
,
2
, t
Estadísticos
X, s, p
Inferencia estadística
de los parámetros:
m= media
s= desviación estándar

2
= varianza
t=proporción
IC = Estadístico +- error
muestral
Curso básico de Minitab
86
Distribución normal o de Gauss
Estadístico Z
Inferencia estadística de los
parámetros:

m= media
Cuando n >= 30 y/o es conocida
(de datos históricos)
mt=proporción
Cuando n >= 30
Estadístico t
Inferencia estadística del
parámetro:
m= media

Cuando n < 30 y desconocida
(sin historial del proceso o prov.)
Curso básico de Minitab
87
Estadístico _2
Inferencia estadística del
parámetro:
= desviación estándar

Comprobar normalidad del
proceso
Estadístico F
Inferencia estadística del
parámetro:
1
2
/ 2
2
relación de varianzas

Revisar normalidad de muestras
Curso básico de Minitab
88
Población, total
de productos y
servicios (N)
Muestra
(n)
Intervalo de
confianza
(95%) , rango
de valores para
estimar los
parámetros ,
,
2
, t
Estadísticos
X, s, p
Estadísticos utilizados:
m= media, Z o t
t=proporción

s= desviación estándar, _2

1
2
/ 2
2
Rel. de varianzas
IC = Estadístico +- error
muestral
Curso básico de Minitab
Intervalos de confianza para la media
Determinar el intervalo de confianza para la media poblacional , con los datos tomados
del índice de calidad del vino, con los datos en el archivo Wine.Mtw. Desv. Estándar = 2.04
Se utiliza el estadístico Z por ser n > 30
File > Open worskeet > Wine.Mtw
Stat > Basic statistics > 1-Sample-Z (Test and confidence interval)
Samples in columns seleccionar columna Quality Estándar deviation 2.04
Options Confidence level 95% OK
Graphs seleccionar Individual value plot OK
OK
16 15 14 13 12 11 10 9 8 7
X
_
Quality
Individual Value Plot of Quality
(with 95% Z-confidence interval for the Mean, and StDev = 2.04)
Intervalo donde se encuentra
La media poblacional
Curso básico de Minitab
16 15 14 13 12 11 10 9 8 7
X
_
Quality
Individual Value Plot of Quality
(with 95% Z-confidence interval for the Mean, and StDev = 2.04)
90
Se obtienen los resultados siguientes:
One-Sample Z: Quality
The assumed standard deviation = 2.04
Variable N Mean StDev SE Mean 95% CI
Quality 38 12.437 2.045 0.331 (11.788, 13.085)
Conclusión: para un 95% de nivel de confianza, con los datos obtenidos de
la muestra del ínidice de calidad del vino (Quality), el intervalo que contiene al índice
promedio de calidad para toda la producción de vino es:
(11.788 a 13.085)
La gráfica de puntos que muestra la distribución de los valores del índice de calidad
y el Intervalo de confianza correspondiente, para un nivel de confianza del 95% es:
Curso básico de Minitab Curso básico de Minitab
Prueba de hipótesis
 Una prueba de hipótesis es una afirmación sobre el
valor que se estima tiene un parámetro poblacional
, ,
2
, t

 Si la afirmación contiene el signo igual (=, >=, <=)
se establece primero la hipótesis nula Ho

 Si la afirmación contiene los signos (<, >, <> o )
se establece primero la hipótesis alterna Ha

 Es necesario establecer el nivel de confianza de la
prueba, normalmente 95% (o alfa de 1-NC = 0.05)

91
Curso básico de Minitab Curso básico de Minitab
92
Prueba de hipótesis para la media
Cuando no se conoce la desviación estándar y la muestra n es menor a 30.
Por ejemplo, se afirma que las ventas promedio diarias son mayores a 100 unidades:
Se toma una muestra de 20 días y se determina que el promedio es 110
y la desviación estandar de la muestra es 5
Establecimiento de hipótesis
Ha: m> 100 Ho: m<= 100
En Minitab:
Stat > Basic statistics > 1-sample t
Curso básico de Minitab
93
Los resultados se muestran a continuación
One-Sample T
* NOTE * Graphs cannot be made with summarized data.
Test of mu = 100 vs not = 100
N Mean StDev SE Mean 95% CI T P
20 110.00 5.00 1.12 (107.66, 112.34) 8.94 0.000
Conclusión: El intervalo de confianza donde se encuentra el promedio de las ventas
con base en una muestra tomada es (107.66 a 112.34) para un 95% de nivel de confianza.
El Intervalo de confianza de (107.66, 112.34) no contiene a la media de la hipótesis (100)
y P value es menor a 0.05, se rechaza Ho y se acepta Ha, ya subió el promedio de ventas.
Curso básico de Minitab
94
Cuando se conoce la desviación estándar y la muestra n es mayor a 30.
Para el caso de los datos del archivo Wine.Mtw se trata de probar la afirmación de que
el aroma es mayor o igual a 4, a un 95% de nivel de confianza.
Establecimiento de hipótesis
Ha: m<4 Ho: m>= 4
En Minitab:
Stat > Basic statistics > 1-Sample-Z (Test and confidence interval)
Samples in columns seleccionar columna Aroma Standard deviation 4.847
Perform hypothesis test Hypothesized mean 4
Options Confidence level 95% Alternative Less Than OK
Graphs seleccionar Individual value plot OK
OK
Curso básico de Minitab
95
Curso básico de Minitab
96
Los resultados se muestran a continuación:
One-Sample Z: Aroma
Test of mu = 4 vs < 4
The assumed standard deviation = 4.847
95% Upper
Variable N Mean StDev SE Mean Bound Z P
Aroma 38 4.847 1.082 0.786 6.141 1.08 0.859
Conclusión: El intervalo de confianza donde se encuentra el promedio de Aroma
con base en una muestra tomada es (…., 6.141) para un 95% de nivel de confianza.
El Intervalo de confianza de (….., 6.141) SI contiene a la media de la hipótesis (4)
y P value es mayor a 0.05, NO se rechaza Ho, el Aroma tiene un promedio >= 4.
8 7 6 5 4 3
X
_
Ho
Aroma
Individual Value Plot of Aroma
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 4.847)
Curso básico de Minitab
97
Prueba de hipótesis para una proporción
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?
Establecer hipótesis:
Ho: Proporción t>= 0.10 Ha: Proporción t< 0.10
Instrucciones de Minitab
Stat > Basic Statistics > 1 - Proportion
Options Confidence level 95% Test Proportion 0.1 Alternative Less Than
seleccionar Use test and interval based on normal distribution
OK
Curso básico de Minitab
98
Se obtuvieron los resultados siguientes:
Test and CI for One Proportion
Test of p = 0.1 vs p < 0.1
Upper Exact
Sample X N Sample p Bound P-Value
1 17 200 0.085000 0.124771 0.285
No se rechaza Ho ya que la Proporción del 10% de la
hipótesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hipótesis alterna.
Es válido decir que sólo el 10% de usuarios utilizan los accesorios
Curso básico de Minitab
99
Comparación de dos medias - Muestras independientes
Ho: Media A (mA)- Media B (mB) = 0 Ha: Media A (mA)- Media B (mB) 0
Ejemplo: 10 pieles son curtidas usando el método A y 10 usando el método B, las
resistencias a la tracción son las siguientes:
Método A Método 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 métodos producen resistencias a la tracción diferentes?
Usar un nivel de confianza del 95%.
En Minitab:
Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B
Curso básico de Minitab
100
Paso 1. Se realiza un análisis de comparación de varianzas poblacionales:
Ho: Varianza A = Varianza B Ha: Varianza A = Varianza B
Stat > Basic Statistics > 2 Variances
Samples in different columns First Método A Second Método B
Options Confidence level 95%
OK
Curso básico de Minitab
101
Los resultados son los siguientes:
Test for Equal Variances: Método A, Método B
95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 1.01, p-value = 0.991
Como el P value es mayor a 0.05 no se rechaza la Hipótesis nula de igualdad de
varianzas, por tanto se asume que son iguales. Esta inf. se usará a continuación:
Curso básico de Minitab
102
Paso 2. Se realiza un análisis de comparación de medias poblacionales
Establecer hipótesis
H: Media A - Media B = 0 Ha: Media A - Media B = 0
Instrucciones de Minitab:
Stat > Basic Statistics > 2 - Sample t
Samples in different columns First Método A Second Método B
seleccionar Assume equal variances
Options Confidence level 95% Test difference 0.0 Alternative Not equal OK
OK
Curso básico de Minitab
103
La gráfica de caja parece indicar diferencia entre las medias de las muestras
Método B Método A
27
26
25
24
23
22
21
D
a
t
a
Boxplot of Método A, Método B
Curso básico de Minitab
104
Se obtienen los siguientes resultados:
Two-sample T for Método A vs Método B
N Mean StDev SE Mean
Método A 10 25.14 1.24 0.39
Método B 10 23.62 1.24 0.39
Difference = mu (Método A) - mu (Método B)
Estimate for difference: 1.52000
95% CI for difference: (0.355, 2.685)
T-Test of difference = 0 (vs not =): T-Value = 2.74
P-Value = 0.013 DF = 18
Conclusiones:
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 hipótesis nula
de igualdad de medias y se acepta Ha afirmando que las medias son diferentes
Curso básico de Minitab
105
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.
Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0 Ha: Media de diferencias = 0
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 después de una rutina.
También 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.
Después de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:
Curso básico de Minitab
106
Persona Lente A Lente B
1 6.7 6.9
2 5.0 5.8
3 3.6 4.1
4 6.2 7.0
5 5.9 7.0
6 4.0 4.6
7 5.2 5.5
8 4.5 5.0
9 4.4 4.3
10 4.1 4.8
En Minitab colocar los datos de Lentes en dos columnas
Establecer hipótesis
Ho: Diferencia de medias = 0 Ha: Diferencia de medias = 0
Instrucciones de Minitab
Stat > Basic Statistics > Paired t
Samples in different columns First Lente A Second Lente B
Graphs Individual value plot
Options Confidence level 95% Test mean 0.0 Alternative Not equal OK
OK
Curso básico de Minitab
107
Resultados
Paired T-Test and CI: Lente A, Lente B
Paired T for Lente A - Lente B
N Mean StDev SE Mean
Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 -0.540000 0.343835 0.108730
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 hipótesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos dan deterioros diferentes.
Curso básico de Minitab
108
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
métodos.
Differences
0.0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.2
_
X
Ho
Individual Value Plot of Differences
(with Ho and 95% t-confidence interval for the mean)
Curso básico de Minitab
109
Comparación 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?
Establecer hipótesis:
Ho: Proporción A = Proporción B Ha: Proporción A = Proporción B
Instrucciones de Minitab (datos resumidos):
Stat > Basic Statistics > 2 - Proportions
Options Confidence level 95% Alternative Not equal, Test Difference = 0
Seleccionar Use Pooled estimate p for test
OK
Curso básico de Minitab
110
Los resultados son los siguientes:
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 2 proporciones y el valor P value es mayor a 0.05
no se rechaza la hipótesis nula de igualdad de proporciones
o sea que no hay razón para decir que las proporciones son diferentes.
Curso básico de Minitab
111
Análisis de varianza (ANOVA)
El Análisis de Varianza es una prueba de hipótesis que trata de probar la
igualdad de varias medias al mismo tiempo:
Requiere que las poblaciones sean normales y con varianza similar.
ANOVA de una vía con datos de tratamientos en diferentes columnas:
Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factor
para ver que variedad de árbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
Se colocan los datos en tres columnas distintas:
k
H µ µ µ µ = = = = = ....
3 2 1 0
. :
1
diferentes son medias dos menos Al H
Curso básico de Minitab
112
Instrucciones de Minitab:
Stat > ANOVA > One Way (Unstacked)
Responses in separate columns A B C
Confidence Level 95
Comparisons Tukey's, family error rate: 5
Graphs: Residual plots Box plot of data Normal plot of residuals
OK
Curso básico de Minitab
113
Los resultados se muestran a continuación:
Como el valor P value es menor
One-way ANOVA: A, B, C a 0.05 existe una diferencia
significativa entre algunas medias
Source DF SS MS F P
Factor 2 0.9000 0.4500 8.44 0.005
Error 12 0.6400 0.0533
Total 14 1.5400
S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on
Pooled StDev A produce más fenoles que B,C
Level N Mean StDev ----+---------+---------+---------+-----
A 4 1.9000 0.1414 (-------*--------)
B 5 1.3000 0.2121 (------*-------)
C 6 1.4000 0.2828 (------*------)
----+---------+---------+---------+-----
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C La media de A es
Desviación estándar poblacional son similares diferente a B y C
Curso básico de Minitab
114
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94% Como el cero no está en el
intervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C
Lower Center Upper -----+---------+---------+---------+----
B -1.0130 -0.6000 -0.1870 (---------*---------)
C -0.8974 -0.5000 -0.1026 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 0.4728 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
El intervalo de la diferencia C-B si incluye
el cero por tanto B no es diferentes de C
Curso básico de Minitab
115
C B A
2.2
2.0
1.8
1.6
1.4
1.2
1.0
D
a
t
a
Boxplot of A, B, C
Los resultados gráficos son los siguientes:
Se observa que la media de A es diferente a las medias de B y C
(si se superpone B y C tienen elementos comunes y son iguales)
Los árboles B y C producen menos cantidad de fenoles.
Curso básico de Minitab
116
Los resultados gráficos son los siguientes:
0.50 0.25 0.00 -0.25 -0.50
99
95
90
80
70
60
50
40
30
20
10
5
1
Residual
P
e
r
c
e
n
t
Normal Probability Plot
(responses are A, B, C)
Los residuos o errores se apegan a la recta normal, por tanto
el modelo ANOVA es un modelo adecuado para los datos
Curso básico de Minitab
117
ANOVA de una vía con datos de tratamientos en una sola columna
Los datos del ejemplo anterior se arreglan en dos
columnas como se muestran a continuación: Fenoles Árbol
1.9 A
A B C 1.8 A
1.9 1.6 1.3 2.1 A
1.8 1.1 1.6 1.8 A
2.1 1.3 1.8 1.6 B
1.8 1.4 1.1 1.1 B
1.1 1.5 1.3 B
1.1 1.4 B
1.1 B
1.3 C
1.6 C
1.8 C
1.1 C
1.5 C
1.1 C
Curso básico de Minitab
118
Instrucciones de Minitab:
Stat > ANOVA > One Way
Response Fenoles Factor Árbol Confidence Level 95
Comparisons Tukey's, family error rate: 5
Graphs: Residual plots Box plot of data Normal plot of residuals
OK
Los resultados que se obtienen son iguales a los ejemplo anterior.
Curso básico de Minitab
119
Ejercicios:
Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes
departamentos fueron las mostradas en la tabla siguiente. Probar a un 95% de nivel de confianza
o 5% de nivel de significancia si el aprovechamiento fue similar en los tres departamentos
o en su caso cuál fue el peor.
DEPARTAMENTO Arreglados en dos columnas quedan como:
Depto_A Depto_B Depto_C Calificaciones Depto
8 7 5 8 Depto_A
7 8 6 7 Depto_A
8 7 6 8 Depto_A
6 7 7 6 Depto_A
7 6 7 7 Depto_A
8 8 6 8 Depto_A
7 Depto_B
8 Depto_B
7 Depto_B
7 Depto_B
6 Depto_B
8 Depto_B
5 Depto_C
6 Depto_C
6 Depto_C
7 Depto_C
7 Depto_C
6 Depto_C
Curso básico de Minitab
120
a) Con datos en tres columnas
Instrucciones de Minitab:
Stat > ANOVA > One Way (Unstacked)
Responses in separate columns Depto_A Depto_B Depto_C
Confidence Level 95
Comparisons Tukey's, family error rate: 5
Graphs: Residual plots Box plot of data Normal plot of residuals
OK
Como el valor P de es que 0.05, se concluye que
El peor aprovechamiento lo tuvo el departamento
De las gráficas de diferencias de Tukey, las medias de los procesos que son diferentes son
(dado que el cero no se encuentra en el intervalo de confianza de la diferencia de medias
– Pairwise comparisons):
b) Otra opción con datos en una sola columna
Instrucciones de Minitab:
Stat > ANOVA > One Way
Response Calificación Factor Depto Confidence Level 95
Comparisons Tukey's, family error rate: 5
Graphs: Residual plots Box plot of data Normal plot of residuals
OK
Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo
Curso básico de Minitab
121
b) Otra opción con datos en una sola columna
Con Minitab:
Stat > ANOVA One way
Response Calificaciones Factor Depto
Comparisons: Tukey’s, family error rate 5
Graphs: Box polot of data
OK
ESTADÍSTICAS > ANOVA UN FACTOR
RESPUESTA CALIF FACTOR DEPTO.
COMPARACIONES: TUKEY, TASA DE ERROR DE LA FAMILIA 5
GRÁFICAS: DIAGRAMA DE CAJA DE DATOS
OK
Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo
de confianza de la diferencia de medias entre cada dos tratamientos Depto).
Curso básico de Minitab Curso básico de Minitab
Estadística no paramétrica
122
Curso básico de Minitab
123
ESTADÍSTICA NO PARAMÉTRICA
Acciones a tomar sobre los datos normales antes de optar por estas pruebas:
Revise y asegúrese de que los datos no siguen una distribución normal.
• Desarrollar una Prueba de normalidad. Para la prueba de Bartlet (P value <0.05)
• Revisar la información para detectar errores (tipográficos, etc.).
Investiguar los valores atípicos.
• Una muestra pequeña (n < 30) proveniente de un universo normal,
se mostrará algunas veces como anormal.
• Intentar transformar los datos. Las transformaciones comunes incluyen:
•- Raíz cuadrada de todos los datos
•- Logaritmo de todos los datos
•- Cuadrado de todos los datos
• Si la información es todavía anormal, entonces usar estas herramientas no paramétricas
Se utilizan cuando no interesa la forma de la distribución o los datos no son normales
Curso básico de Minitab
124
Prueba de Hipótesis
Variables
Atributos
Tablas de
Contingencia de
Correlación
No Normales
Normal
Varianzas
Medianas
Variancia
Medias
Chi
Prueba-F
Homogeneidad
de Varianzas
de Levene
Homogeneidad
de la Variación
de Bartlett
Correlación
Prueba de signos
Wilcoxon
Mann-
Whitney
Kruskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlación
Regresión
Muestra-1
Muestra-2
Una vía
Dos vías
Residuos
distribuidos
normalmente
Prueba de Hipótesis
Variables
Atributos
Tablas de
Contingencia de
Correlación
No Normales
Normal
Varianzas
Medianas
Variancia
Medias
Chi
Prueba-F
Homogeneidad
de Varianzas
de Levene
Homogeneidad
de la Variación
de Bartlett
Correlación
Prueba de signos
Wilcoxon
Mann-
Whitney
Kruskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlación
Regresión
Muestra-1
Muestra-2
Una vía
Dos vías
Residuos
distribuidos
normalmente
Curso básico de Minitab
125
Pruebas no paramétricas 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 hipotético.
Prueba de dos o más Medianas
Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales.
Comprueba el rango de dos muestras, por dif. entre dos medianas del universo.
Prueba Kruskal-Wallis: Prueba igualdad de dos o más medianas de muestras
Asume que todas las distribuciones tienen la misma forma.
Pruebas de dos Medianas
Prueba de la mediana de Mood: Otra prueba para más de dos medianas.
Prueba más firme para los valores atípicos contenidos en la inf.
Prueba de Friedman: Prueba si las medianas de las muestras, clasificadas
bajo dos categorías, son iguales.
Correlación: Prueba la relación lineal entre dos variables
Curso básico de Minitab
126
Puebas de signos de la mediana
Ho: mediana = mediana hipotetizada versus Ha: mediana ≠ mediana hipotetizada
Ejemplo: Se evaluan los índices de precios de 29 casas. Los datos históricos indican
que el índice ha sido de 115. Probar a un alfa de 0.10 si el índice se ha incrementado.
Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Exh_Stat.Mtw
Stat > Nonparametrics > 1-Sample Sign.
En Variables, seleccionar PriceIndex Confidence interval level 90
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 = 115.0 versus > 115.0
N Below Equal Above P Median
PriceIndex 29 12 0 17 0.2291 144.0
Interpretación de resultados: Como el valor P de la prueba es >0.1 no hay
evidencia suficiente para rechazar Ho y la
mediana no es mayor a 115.
Curso básico de Minitab
127
Prueba de una mediana de Wilconox
Ho: mediana = mediana hipotetizada versus Ha: 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 menor a 77 con alfa = 0.05.
Nivel de confianza = 1 - alfa = 95%
File > Open worksheet > Exh_Stat.Mtw
Stat > Nonparametrics > 1-Sample Wilconox
En Variables, seleccionar Achievement Confidence interval level 95
Seleccionar Test median y poner 77 en el cuadro
En Alternative, Seleccionar less Than. Click OK.
Los resultados son los siguientes:
Wilcoxon Signed Rank Test: Achievement
Test of median = 77.00 versus median < 77.00
N for Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.610 77.50
Interpretación de resultados: Como el valor P de la prueba es >0.05 no hay
evidencia suficiente para rechazar Ho y la
mediana no es estadísticamentemenor a 77.
Curso básico de Minitab
128
Prueba de rangos de dos muestras de Mann Whitney
H0: q1 = q2 versus H1: q1 ≠ q2 , donde q es mediana de la población.
Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza
Ejemplo: Se compara la presión diastólica de dos muestras extraidas de dos poblaciones
Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas.
Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Exh_Stat.Mtw
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.
Curso básico de Minitab
129
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)
Interpretación 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 estadísticamente.
Curso básico de Minitab
130
Interpretación de resultados:
Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
medianas son diferentes estadísticamente.
La mediana 3 difiere menos de la mediana general
Las medianas 1 y 2 tienen una mayor diferencia respecto a la mediana general.
Prueba de igualdad de medianas de Kruskal Wallis
H0: Las medianas poblacionales son todas iguales vs H1: Al menos hay una diferente
Esta es una generalización 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
Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Exh_Stat.Mtw
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 N Median Ave Rank Z
1 5 13.20 7.7 -0.45
2 5 12.90 4.3 -2.38
3 6 15.60 12.7 2.71
Overall 16 8.5
H = 8.63 DF = 2 P = 0.013
H = 8.64 DF = 2 P = 0.013 (adjusted for ties)
Curso básico de Minitab
131
Prueba de igualdad de medianas de Mood
Prueba similar a la anterior:
H0: q1 = q2 = q3, versus H1: no todas las q's son iguales con q's medianas poblacionales .
de OTIS para los tres niveles educacionales.
Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras
después se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia
significativa entre el nivel de educación 0 - Preprofesionales 1 -Profesionales
2 - Preparatoria Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Cartoon.Mtw
Stat > Nonparametrics > Mood´s Median Test
En Response, seleccionar OTIS.
En Factor, seleccionar ED. Click OK.
Curso básico de Minitab
132
Los resultados son los siguientes:
Interpretación de resultados:
Mood Median Test: Otis versus ED Como el valor P es menor a 0.05
indica que las medianas no son
Mood median test for Otis iguales
Chi-Square = 49.08 DF = 2 P = 0.000
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+---------+---------+--
0 47 9 97.5 17.3 (-----*-----)
1 29 24 106.0 21.5 (------*------)
2 15 55 116.5 16.3 (----*----)
----+---------+---------+---------+--
96.0 104.0 112.0 120.0
Curso básico de Minitab
133
Tablas de Contingencia
La Tabla de contingencia es una prueba de independencia entre variables.
Ho: La variable de renglón es independiente de la variable de columna
Las proporciones en todas las columnas de cada renglón son iguales
Ha: La variable de renglón tiene dependencia de la variable de columna
Las proporciones en las columnas de cada renglón son diferentes
Ejemplo: Se tiene interés de probar si la afiliación política depende del sexo y del
partído político, para lo cual se encuestan a 100 personas.
Democrat Republican Other
Hombres 28 18 4
Mujeres 22 27 1
Las instrucciones son las siguientes:
File > 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.
Curso básico de Minitab
134
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 Republican Other Total
1 28 18 4 50
25.00 22.50 2.50 NOTA: Las frecuencias
0.360 0.900 0.900 esperadas deberían ser mayores
a 5.
2 22 27 1 50
25.00 22.50 2.50
0.360 0.900 0.900
Total 50 45 5 100
Chi-Sq = 4.320, DF = 2, P-Value = 0.115 El valor P es mayor a 0.05 y no
2 cells with expected counts less than 5. se rechaza Ho por tanto el tipo
de partido es independiente del
sexo de los votantes.
Curso básico de Minitab
135
Ejercicios:
1. Los errores presentados en tres tipos de servicios cuando se prestan por tres regiones
se muestran a continuación, probar con una tabla de contingencia si los errores dependen
del tipo de servicio y región para un 95% de nivel de confianza.
Servicio Region A Region B Region C
1 27 12 8
2 41 22 9
3 42 14 10
Ho: Los errores NO dependen en cada región del tipo de servicio.
Ha: Los errores en cada región, dependen del tipo de servicio,
Con Minitab:
Stat > Tables > Chi square test (two way table in worksheet)
Columns containing the table Region A Region B Region C
OK
Curso básico de Minitab
136
2. Probar a una alfa de 0.05 si los errores que se cometen al facturar
en diferentes ramos son similares. Nivel de confianza = 1 - alfa = 95%
Orden Farmacia Consumo Comput. Telecom.
Correcta 207 136 151 178
Incorrecta 3 4 9 12
Ho: El número de errores no depende del ramo industrial
Ha: El número de errores depende del ramo industrial
Con Minitab:
Stat > Tables > Chi square test (two way table in worksheet)
Columns containing the table Farmacia Consumo Comput. Telecom.
OK
Curso básico de Minitab Curso básico de Minitab
Regresión lineal y cuadrática
137
Curso básico de Minitab
138
Correlación y Regresión lineal y cuadrática simple
Coeficiente de Correlación
Establece si existe una relación entre las variables y responde a la pregunta,
”¿Qué tan evidente es esta relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.
* Es una medida de la fuerza de la relación lineal entre dos variables x y y.
* Es un número 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 están relacionadas, el coeficiente de correlación tiende a 0.
Curso básico de Minitab
139

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

r = 1
r = 0.8
r = -0.8
r = -1
r = 0
Curso básico de Minitab
140
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 correlación se sugiere hacer un diagrama
bivariante para identificar posibles valores anómalos, relaciones no lineales, etc.
Graph > Scatterplot: Simple Y = Weight y X = Height
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100
Scatterplot of Weight vs Height
Curso básico de Minitab
141
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe
entre dos variables, como sigue:
Stat > Basic Statistics > Correlation
Seleccionar en Variables Weight Height
Seleccionar Display P values
Los resultados son los siguientes:
Correlations: Weight, Height
Pearson correlation of Weight and Height = 0.785 Coeficiente de correlación
P-Value = 0.000
Como el P value es menor a 0.05, la correlación si es significativa
Curso básico de Minitab Curso básico de Minitab
Coeficiente de correlación
142
Coeficiente de correlación
0.8 < r < 1.0
0.3 < r < 0.8
-0.3 < r < 0.3
-0.8 < r < -0.3
-1.0 < r < -0.8
Relación
Fuerte, positiva
Débil, positiva
No existe
Débil, negativa
Fuerte, negativa
Reglas empíricas
Curso básico de Minitab
Análisis de Regresión
143
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.

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

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

• Varios predictores “X” entre sí
Curso básico de Minitab
Modelo de regresión lineal simple
144
70 60 50 40 30
80
75
70
65
60
55
50
Tiempo de estudio (horas)
R
e
s
u
l
t
a
d
o
s

d
e

p
r
u
e
b
a

(
%
)
S 4.47182
R-Sq 77.0%
R-Sq(adj) 74.2%
Fitted Line Plot
Resultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas)
Mínimos cuadrados
R^2 Coef. de
determinación
Curso básico de Minitab
145
Regresión simple por medio de gráfica:
File > Open Worksheet > Pulse.Mtw
Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) Weight y en Predictor (X) Height
Seleccionar modelo Type of Regression model Linear
Sel. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits
OK
Ecuación de
Regresión
S Desv. Estandar de
los residuos
(valor real-estimado
por la regresión)
R-Sq Coeficiente
de Determinación
en porcentaje de
variación explicada
por la ecuación de
regresión
R-Sq (Adj) - Sólo para regresión múltiple
Height
W
e
i
g
h
t
76 74 72 70 68 66 64 62 60
220
200
180
160
140
120
100
S 14.7920
R-Sq 61.6%
R-Sq(adj) 61.2%
Fitted Line Plot
Weight = - 204.7 + 5.092 Height
Curso básico de Minitab
146
Regression Analysis: Weight versus Height
The regression equation is
Weight = - 204.7 + 5.092 Height
S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 31591.6 31591.6 144.38 0.000
Error 90 19692.2 218.8
Total 91 51283.9
El valor p menor a 0.05 indica que SI
es significativa la Correlación de Y y X.
Curso básico de Minitab
147
Análisis de los residuos
Los residuos muestran aleatoriedad Los residuos siguen una distribución normal
180 170 160 150 140 130 120 110 100
4
3
2
1
0
-1
-2
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
Versus Fits
(response is Weight)
4 3 2 1 0 -1 -2 -3 -4
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Standardized Residual
P
e
r
c
e
n
t
Normal Probability Plot
(response is Weight)
Curso básico de Minitab
148
Regresión cuadrática por medio de gráfica:
File > Open Worksheet > Exh_Reg.Mtw
Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) EnergyConsumption y en Predictor (X) MachineSetting
Seleccionar modelo Type of Regression Model Quadratic
Sel. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits
OK
Ecuación de
Regresión
S Desv. Estandar de
los residuos
(valor real-estimado
por la regresión)
R-Sq Coeficiente
de Determinación
en porcentaje de
variación explicada
por la ecuación de
regresión
R-Sq (Adj) - Sólo para regresión múltiple
30 25 20 15 10
40
30
20
10
0
MachineSetting
E
n
e
r
g
y
C
o
n
s
u
m
p
t
i
o
n
S 6.00002
R-Sq 79.3%
R-Sq(adj) 73.4%
Fitted Line Plot
EnergyConsumption = 128.8 - 13.11 MachineSetting
+ 0.3289 MachineSetting**2
Curso básico de Minitab
149
Resultados
Polynomial Regression Analysis: EnergyConsumption versus MachineSetting
The regression equation is
EnergyConsumption = 128.8-13.11 MachineSetting+0.3289 MachineSetting**2
S = 6.00002 R-Sq = 79.3% R-Sq(adj) = 73.4%
Analysis of Variance
Source DF SS MS F P
Regression 2 963.81 481.904 13.39 0.004
Error 7 252.00 36.000
Total 9 1215.81 El valor p menor a 0.05 indica que SI
es significativa la Correlación de Y y X.
Sequential Analysis of Variance
Source DF SS F P
Linear 1 28.500 0.19 0.673
Quadratic 1 935.308 25.98 0.001
Curso básico de Minitab
150
Análisis de los residuos
Los residuos siguen una distribución normal
3 2 1 0 -1 -2 -3
99
95
90
80
70
60
50
40
30
20
10
5
1
Standardized Residual
P
e
r
c
e
n
t
Normal Probability Plot
(response is EnergyConsumption)
Curso básico de Minitab Curso básico de Minitab
Cartas de control
151
Curso básico de Minitab Curso básico de Minitab
¿Qué es una Carta de Control?
 Una Carta de Control es como un historial del
proceso...
¿donde ha estado? ¿En donde se encuentra?
... Hacia donde se puede dirigir

 Las cartas de control pueden reconocer cambios
buenos y malos. ¿Qué tanto se ha mejorado?
¿Se ha hecho algo mal?

 Las cartas de control detectan la variación
anormal en un proceso, denominadas “causas
especiales o asignables de variación.”

152
Curso básico de Minitab Curso básico de Minitab
Variación observada en una Carta de
Control
 Una Carta de control registra datos secuenciales
en el tiempo con límites de control superior e
inferior.

 El patrón normal de un proceso se llama causas de
variación comunes.

 El patrón anormal debido a eventos especiales se
llama causa especial de variación.

 Los límites de control NO son de especificación.
153
Curso básico de Minitab
Causas comunes o normales
154
Siempre están presentes
Sólo se reduce con acciones de mejora mayores,
responsabilidad de la dirección

 Fuentes de variación: Márgenes inadecuados de
diseño, materiales de baja calidad, capacidad del
proceso insuficiente

SEGÚN DEMING
El 94% de las causas de la variación son causas
comunes, responsabilidad de la dirección
Curso básico de Minitab Curso básico de Minitab
Variación – Causas
comunes
155
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
El proceso es predecible
Curso básico de Minitab Curso básico de Minitab
Causas Especiales
 CAUSAS ESPECIALES
÷ Ocurren esporádicamente y son ocasionadas por
variaciones anormales (6Ms)
÷ Medición, Medio ambiente, Mano de obra,
Método, Maquinaria, Materiales
÷Se reducen con acciones en el piso o línea, son
responsabilidad del operador

 SEGÚN DEMING
÷ El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
156
Curso básico de Minitab Curso básico de Minitab
Variación – Causas especiales
157
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
El proceso es impredecible
Curso básico de Minitab Curso básico de Minitab
Cartas de control
158
7.5
8.5
9.5
10.5
11.5
12.5
0 10 20 30
Límite
Superior de
Control
Límite
Inferior de
Control
Línea
Central
Curso básico de Minitab
“Escuche la Voz del Proceso”
Región de control,
captura la variación
natural del proceso
original
Causa Especial
identifcada
El proceso ha cambiado
TIEMPO
Tendencia del proceso
LSC
LIC
9A5. Patrones de anormalidad
en la carta de control
M
E
D
I
D
A
S
C
A
L
I
D
A
D
Curso básico de Minitab
160
Corridas
7 puntos consecutivos de un lado de X-media.

Puntos fuera de control
1 punto fuera de los límites de control a 3 sigmas en
cualquier dirección (arriba o abajo).

Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.

Patrones Fuera de Control
Curso básico de Minitab
161

Adhesión a la media
15 puntos consecutivos dentro de la banda de 1
sigma del centro.

Otros
2 de 3 puntos fuera de los límites a dos sigma
Patrones Fuera de Control
Curso básico de Minitab
Proceso de mejora con CEP
162
http://support.sas.com/rnd/app/qc/qc/qcspc.html
Curso básico de Minitab Curso básico de Minitab
Tipos de Cartas de control
 Hay dos categorías, por el tipo de datos bajo
estudio- cartas por variables y atributos.

 Las Cartas por variables se usan para característica
con magnitud variable. Ejemplo:
- Longitud, Ancho, Peso, Tiempo de ciclo o de
respuesta

 Las Cartas por atributos se usan para monitoreo de
datos contables. Ejemplo:
- Servicios o productos no conformes, errores en los
servicios o defectos en los productos
163
Curso básico de Minitab
Cartas de Control por Variables
 MEDIAS RANGOS X-R (subgrupos de 5 - 9
partes o servicios evaluados por periodo de
tiempo, para estabilizar procesos)


 MEDIAS DESVIACIONES ESTÁNDAR X –S
(subgrupos 9 partes o servicios evaluados
por periodo de tiempo)

 VALORES INDIVIDUALES I- MR (partes o
servicios individuales evaluados por periodo
de tiempo)

1
6
4
Curso básico de Minitab Curso básico de Minitab
165
¿Cuál gráfica se analiza primero?
¿Cuál es su conclusión acerca del proceso ?
19 17 15 13 11 9 7 5 3 1
602
600
598
Sample
S
a
m
p
l
e

M
e
a
n
_
_
X=600.23
UCL=602.376
LCL=598.084
19 17 15 13 11 9 7 5 3 1
8
6
4
2
0
Sample
S
a
m
p
l
e

R
a
n
g
e
_
R=3.72
UCL=7.866
LCL=0
1
1
Xbar-R Chart of Supp2
Ejemplo de Carta de Control X-R (medias - rangos, n <= 9)
Se usa el archivo CAMSHAFT.MTW.
Tamaño típico de subgrupo n = 5
File > Open worksheet > Camshaft
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Xbar - R Options > Estimate > Rbar
OK
Curso básico de Minitab
166
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters Para límites de la media o rango en base a datos históricos
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 límites 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 estadísticas fuera de control a ser indicadas
1 point > 3 std. Dev. From center line
7 points in a row all increasing and all decreasing
7 points in a row on same side of center line
Stages Para mostrar diferentes etapas de desempeño 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
Curso básico de Minitab
167
10 9 8 7 6 5 4 3 2 1
602
601
600
599
Sample
S
a
m
p
l
e

M
e
a
n
_
_
X=600.23
UCL=601.883
LCL=598.577
10 9 8 7 6 5 4 3 2 1
3
2
1
Sample
S
a
m
p
l
e

S
t
D
e
v
_
S=1.695
UCL=2.909
LCL=0.481
1
Xbar-S Chart of Supp2
Ejemplo de Carta de Control X-S (medias - desviaciones estándar n >= 10)
Se usa el archivo CAMSHAFT.MTW.
Tamaño típico del subgrupo n >10
File > Open worksheet > Camshaft
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Xbar - S Options > Estimate > Sbar
OK
Curso básico de Minitab
168
91 81 71 61 51 41 31 21 11 1
605.0
602.5
600.0
597.5
595.0
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
_
X=600.23
UCL=605.34
LCL=595.12
91 81 71 61 51 41 31 21 11 1
6.0
4.5
3.0
1.5
0.0
Observation
M
o
v
i
n
g

R
a
n
g
e
__
MR=1.923
UCL=6.284
LCL=0
1
I-MR Chart of Supp2
Ejemplo de Carta de Control I-MR (valores individuales -rangos n = 1)
Se usa el archivo CAMSHAFT.MTW.
Tamaño de muestra unitario n = 1
File > Open worksheet > Camshaft
Stat > Control Charts > Variables Charts for Individuals > I-MR
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En I-MR Options > Estimate > Average moving range 2
OK
Curso básico de Minitab
169
Ejemplo de Carta de Control I-MR (para tres regiones de vino)
Se usa el archivo WINE.MTW.
Ordenar los datos del archivo por región en Excel (Datos y Ordenar)
Tamaño de muestra unitario n = 1
File > Open worksheet > Wine.Mtw
Stat > Control Charts > Variables Charts for Individuals > I-MR
Seleccionar All observations for a chart are in one column, seleccionar Aroma
En I-MR Options > Estimate > Average moving range 2
Seleccionar las opciones siguientes:
I-MR Options > Tests: Marcar Perform all tests for special causes
I-MR Options > Stages: Define stages: Region
Click OK OK.
Curso básico de Minitab
170
Estos son los patrones de
anormalidad en las cartas
de control
Curso básico de Minitab
171
Las cartas resultantes son las siguientes
37 33 29 25 21 17 13 9 5 1
8
6
4
2
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
_
X=5.967
UC L=8.699
LC L=3.235
1 2 3
37 33 29 25 21 17 13 9 5 1
3
2
1
0
Observation
M
o
v
i
n
g

R
a
n
g
e
__
MR=1.027
UC L=3.356
LC L=0
1 2 3
I-MR Chart of Aroma by Region
Curso básico de Minitab Curso básico de Minitab
Cartas de control por atributos
Miden características como aprobado/reprobado,
bueno/malo o pasa/no pasa.

 Número de productos defectuosos
 Fracción de productos defectuosos

 Numero de defectos por unidad de producto
 Número de llamadas para servicio

 Número de partes dañadas
 Pagos atrasados por mes
Curso básico de Minitab Curso básico de Minitab
Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 50
defectivas o no conformes (>4) n e (n promedio +- 20%)
np Número de partes defectuosas Constante > 50
c Número de defectos o errores Constante = 1 Unidad de
inspección
u Número de defectos por unidad Constante o variable en
o errores por unidad unidades de inspección
Curso básico de Minitab
174
Carta P de fracción de unidades defectuosas, no conformes o defectivas
El archivo EXH-QC.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > EXH-QC
Stat > Control Charts > Attributes chart > P
En Variables, poner Rejects.
En Subgroup sizes, poner Sampled.
Click OK.
19 17 15 13 11 9 7 5 3 1
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
Sample
P
r
o
p
o
r
t
i
o
n
_
P=0.1685
UCL=0.3324
LCL=0.0047
1
P Chart of Rejects
Tests performed with unequal sample sizes
Se tienen límites de
control variables por
ser el tamaño de muestra
variable
19 17 15 13 11 9 7 5 3 1
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
Sample
P
r
o
p
o
r
t
i
o
n
_
P=0.1685
UCL=0.3324
LCL=0.0047
1
P Chart of Rejects
Tests performed with unequal sample sizes
Curso básico de Minitab
175
Carta nP de número de unidades defectuosas, no conformes o defectivas
El archivo EXH-QC.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > EXH-QC
Stat > Control Charts > Attributes chart > nP
En Variables, poner Rejects.
En Subgroup sizes, poner 72
Click OK.
19 17 15 13 11 9 7 5 3 1
30
25
20
15
10
5
0
Sample
S
a
m
p
l
e

C
o
u
n
t
__
NP=12
UCL=21.49
LCL=2.51
1
NP Chart of Rejects
Los límites de
control son
constantes
19 17 15 13 11 9 7 5 3 1
30
25
20
15
10
5
0
Sample
S
a
m
p
l
e

C
o
u
n
t
__
NP=12
UCL=21.49
LCL=2.51
1
NP Chart of Rejects
Curso básico de Minitab
176
Carta de control C para defectos por unidad de inspección constante
El archivo EXH-QC.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > EXH-QC
Stat > Control Charts > Attributes chart > C
En Variables, poner Blemish.
Click OK.
Los límites de
control son
constantes
37 33 29 25 21 17 13 9 5 1
8
7
6
5
4
3
2
1
0
Sample
S
a
m
p
l
e

C
o
u
n
t
_
C=2.725
UCL=7.677
LCL=0
C Chart of Blemish
Curso básico de Minitab
177
Carta de control u para defectos por unidad de inspección variable
El archivo TOYS.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > TOYS.MTW
Stat > Control Charts > Attributes chart > U
En Variables, poner Defects.
En Sample size, poner Sample
Click OK.
19 17 15 13 11 9 7 5 3 1
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
_
U=0.0546
UCL=0.1241
LCL=0
1
1
U Chart of Defects
Tests performed with unequal sample sizes
Se tienen límites de
control variables por
ser el tamaño de muestra
variable
19 17 15 13 11 9 7 5 3 1
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
_
U=0.0546
UCL=0.1241
LCL=0
1
1
U Chart of Defects
Tests performed with unequal sample sizes

Curso básico de Minitab

Introducción • Generalidades Introducción a Minitab • Manipulación de datos • Cálculos con datos Herramientas para la calidad • Introducción • Diagrama de Pareto • Diagrama de Causa Efecto • Estadística descriptiva • Histogramas • Gráficas de caja y tallo y hojas • Prueba de normalidad

2

Curso básico de Minitab

Herramientas para la calidad (cont…)
• • • • Intervalos de confianza y Pruebas de hipótesis de una población Pruebas de hipótesis de dos poblaciones ANOVA de una vía Tablas de contingencia

Estadística no paramétrica
• • • • Prueba de los signos Prueba de Wilconox Prueba de Mann Whitney Prueba de Kruskal Wallis

Regresión lineal y cuadrática Cartas de control

3

Curso básico de Minitab Introducción 4 .

Curso básico de Minitab Las fases de Lean Sigma Justificar proyecto (DMAIC)problema Definir el Diagrama de Pareto y gráficas diversas Pareto Chart of Clientes 300 250 200 100 80 60 40 20 0 150 100 50 0 Clientes Monto Percent Cum % Percent Monto 5 Gobierno 120 45.8 100.3 Industria 70 26.4 71.7 Comercio 40 15.1 86.0 5 .2 Other 10 3.8 Consumo 25 9.3 45.4 96.

0 16.93 1.0 Tiempo de espera 22.94 1.4 18.2 17.6 19.847 Median 20.847 50 24 23 22 Tiempo de espera 21 20 19 18 17 16 15 Frequency 10 8 6 4 2 0 15.2 23.Curso básico de Minitab Las fases de Lean Sigma Colección de información y (DMAIC) diagnóstico Estadística descriptiva. Histogramas Descriptive Gráficas Statistics: Tiempo de espera de tallo N Mean StDev y hojas Variable Tiempo de espera 50 19.8 21.037 Boxplot of Tiempo de espera Histogram (with Normal Curve) of Tiempo de espera 16 14 12 Mean StDev N 19.4 .

464656 50 15.426 2.088 20.25 20.290 23.75 20.847 3.411 Prueba de Normalida d Normal si P > 0.05 Estadístic a descriptiva 16 18 20 22 95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian Diagrama de 9 5 % C onfidence Inter vals caja Mean Median 19.411 -0.50 19.51 0.293 20.037 21.507024 0.189 19.015 19.461 20.543 95% C onfidence Interv al for S tDev 7 .Curso básico de Minitab Summary for Tiempo de espera A nderson-Darling N ormality Test A -S quared P -V alue 0.301 Histograma M ean S tDev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 19.50 19.936 1.542 1.00 20.

15 % Total 0.84689 Within Overall P otential (Within) C apability Cp * C PL * C P U 0.99 O v erall C apability Pp PPL PPU P pk C pm * * 0.9361 S ample N 50 S tDev (Within) 1.70866 S tDev (O v erall) 1.31 % Total 0.91 * Índice de capacidad real Cpk >= 1.Curso básico de Minitab Process Capability of Tiempo de espera USL P rocess Data LS L * Target * USL 25 S ample M ean 19. 3.99 C pk 0.00 18 20 22 24 E xp. Within P erformance % < LS L * % > U S L 0.31 % fuera del límite superior Max.4 ppm 8 .5 16 O bserv ed P erformance % < LS L * % > U S L 0. O v erall P erformance % < LS L * % > U S L 0.91 0.00 % Total 0.15 E xp.

5 15.0 7.0 P-Value = 0.5 Data 10. Caja B 17.05 12.0 Caja A Caja B .00 Causas potenciales y reales (raíz) Diagrama de causa efecto Pruebas de hipótesis (¿medias iguales?) Son diferentes si P value <= 0.Curso básico de Minitab Las fases de Lean Sigma (DMAIC) Cause-and-Effect Diagram Material Personal Medio ambiente C alor Humedad E stres Inadecuados F altantes M otiv ación C on errores Responasibilidad Descuido C apacitación Lentitud en atención al cliente P roceso no actual P roceso complejo F alla de P C s P roceso incompleto S istema lento P aros menores F alla de equipos Métodos Equipos Boxplot of Caja A.5 5.

tablas de contingencia (¿proporciones iguales?) 1.0 Caja A Caja B Caja C Tiempo = 1.9% 90.00 12.115 Serv.119 + 0.5 15.5 Data 10.172546 91.2094 Calificación 3.8% Fitted Line Plot Tiempo P-Value = 0.00 Comprobar causas reales (raíz) ANOVA (¿medias iguales?).50 2 3 4 5 6 Calificación 7 8 9 . Caja B.75 1.0 7.75 2.NO DEPENDE del género 2.50 2.Curso básico de Minitab Las fases de Lean Sigma (DMAIC) Boxplot of Caja A.0 P-Value = 0. regresión .25 2.5 5. Caja C 17.25 3.00 S R-Sq R-Sq(adj) 0.

DOE. ANOVA .Curso básico de Minitab Entradas Las fases de Lean Sigma (DMAIC) Salidas (Y) Entradas Salidas (Y) Diseño de Producto Main Effects Plot for Rendimiento Data Means Temperatura Concentracion Proceso 70 65 60 55 Mean 50 120 Presion 70 65 60 55 50 10 14 150 10 12 Para maximizar Eficiencia ajustar T=150 y C=10 Soluciones para eliminar causas raíz Pruebas de hipótesis.

4 3.5 20.5 Sample Count 12 10 8 6 4 2 0 1 2 3 4 5 6 Sample 7 8 9 10 LCL=0 _ C=7.06 Individual V alue 22.0 1.5 0.94 C Chart of Caja B U C L=6.81 _ X=19.0 U C L=25.0 M oving Range 4.297 16 14 UCL=15.0 1 6 11 16 21 26 O bser vation 31 36 41 46 LC L=14.927 LC L=0 .5 15.0 1 6 11 16 21 26 O bser vation 31 36 41 46 __ M R=1.0 17.Curso básico de Minitab Las fases de Lean Sigma Mantener las soluciones con (DMAIC) control estadístico Cartas de control I-MR Chart of Tiempo de espera 25.56 6.

Curso básico de Minitab Introducción a Minitab 13 .

Minitab es el principal software del mundo para la enseñanza de estadística a estudiantes. y tiene subsidiarias en el Reino Unido. Uno de ellos Barbara Ryan. 14 . El programa Minitab® Statistical Software fue desarrollado en 1972 por tres profesores de Estadística de Penn State University. la principal metodología del mundo para el mejoramiento de la calidad. es el software utilizado con mayor frecuencia en Seis Sigma.Curso básico de Minitab Minitab Inc. es la presidenta y directora ejecutiva de Minitab. es una compañía privada cuya sede principal se encuentra en State College. Pensilvania. También. . con representantes y distribuidores en muchos países alrededor del mundo. Francia y Australia.

Curso básico de Minitab Generalidades 15 .

Proyecto nuevo. borra toda la información que exista en el proyecto abierto. 16 . etc.Curso básico de Minitab Manipulación y cálculo con datos Captura de datos File > New Hoja de trabajo nueva manteniendo lo que ya se ha procesado como gráficas sesiones.

Curso básico de Minitab La letra T indica Letra “T” indica columna columna de texto de texto Número de columna Nombre de columna Numéricas Alfanumérica Fecha/hora 17 .

datos gráficas.3 Abrir. Para hojas de trabajo (worksheets) sólo la parte de hoja tipo Excel Se puede importar una hoja de cálculo de Excel en forma directa con File > Open Worksheet En carpeta DATA se encuentran 18 . guardar e imprimir archivos Para proyectos donde se incluye todo. sesiones.Curso básico de Minitab 1.

Click en Look in Minitab Sample Data folder. Click Open 19 . Meet Minitab 3.XLS de Excel: 1.XLS 4. Click en Look in Minitab Sample Data folder. Click en WESTERN.MTW 4.Click en CENTRAL.MTW 1. Click en EASTERN. OK Meet Minitab Para combinar este archivo con datos de otro CENTRAL. Click Open Para agregar datos desde un archivo de texto a esta hoja de trabajo 1. 3. File Open worksheet 2.Curso básico de Minitab Cargar datos en hoja de trabajo desde diferentes fuentes Inciar con EASTERN. Click en Look in Minitab Sample Data folder. Seleccionar Merge Pone los datos en la misma hoja 5. File Open worksheet 2. File Open worksheet 2. Seleccionar Merge Pone los datos en la misma hoja 5. Meet Minitab 3.TXT 4.

4 En fila 105 de columna C10. anotar 105. Seleccionar Editor > Go to 2 En Enter column number or name.txt Para reemplazar un valor perdido en renglón C105 de columna C10 1. Editor > Go to 1. anotar C10 3 En Enter row number.xls Western.Curso básico de Minitab Eastern. Seleccionar la ventana de datos. Click OK.mtw Central. Poner un * ∗. anotar un 2. 2. 20 .

Order_1(Central). Order_2 (Western) como etiquetas para indicar de cual centro de distribución se originan los datos MY_SHIPPINGDATA. Data ➤ Stack ➤ Blocks of columns Efectuar las operaciones siguientes: Las variables para los centros de embarque están en las mismas columnas Order (Eastern).MTW Subscripts Order 3/3/2006 8:34 3/7/2006 15:21 Order 3/3/2006 8:35 3/6/2006 17:05 Order 3/3/2006 8:38 * Order 3/3/2006 8:40 3/7/2006 15:52 Order 3/3/2006 8:42 3/9/2006 14:48 On time On time Back order On time Late 255 196 299 205 250 21 .Curso básico de Minitab Para apilar grupos de columnas de datos para ciertos comandos de Minitab 1.

Poner Days.Order Poner nombres a las columnas MY_SHIPPINGDATA.MTW Center Order Arrival Order 3/3/2006 8:34 3/7/2006 15:21 Order 3/3/2006 8:35 3/6/2006 17:05 Order 3/3/2006 8:38 * Order 3/3/2006 8:40 3/7/2006 15:52 Order 3/3/2006 8:42 3/9/2006 14:48 Status On time On time Back order On time Late Distance 255 196 299 205 250 Insertar una columna entre Arrival y Status 1 Click en cualquier celda en C4 para activarla 2 Click en botón derecho del ratón y seleccionar Insert Columns. y enter Center Eastern Eastern Eastern Eastern Eastern Order Arrival Days 3/3/2006 8:34 3/7/2006 15:21 3/3/2006 8:35 3/6/2006 17:05 3/3/2006 8:38 * 3/3/2006 8:40 3/7/2006 15:52 3/3/2006 8:42 3/9/2006 14:48 Status On time On time Back order On time Late Distance 255 196 299 205 250 22 .Curso básico de Minitab Para agregar una columna calculada en Días = Arrival . 3 Click en el nombre de C4.

2 En Store result in variable. Center Eastern Eastern Eastern Eastern Eastern Order Arrival Days 4. Cambia la información de días automáticamente Antes 2.98125 Central 3/3/2006 9:44 3/7/2006 9:17 3.25 3/3/2006 8:34 3/7/2006 15:21 3/3/2006 8:35 3/6/2006 17:05 3/3/2006 8:38 * 3/3/2006 8:40 3/7/2006 15:52 3/3/2006 8:42 3/9/2006 14:48 Status On time On time Back order On time Late Distance 255 196 299 205 250 Actualizar la fecha Arrival date en fila 127 de 3/6/2006 a 3/7/2006. poner Arrival .Curso básico de Minitab Calcular los nuevos datos para la columna Days 1 Calc ➤ Calculator. 5 Click OK. poner Days 3 En Expression.98125 On time 306 23 .Order 4 Seleccionar Assign as a formula.35 4.28 3.30 6.

MTW Peso_antes Peso_despues 64 88 58 70 62 76 66 78 64 80 74 84 84 84 68 72 62 75 76 118 90 94 80 96 92 84 68 76 60 76 62 58 66 82 70 72 68 76 72 80 24 .Curso básico de Minitab Ejemplo: Para calcular el incremento de peso en un cierto periodo de tiempo Incremento 24 12 14 12 16 10 0 4 13 42 4 16 -8 8 16 -4 16 2 8 8 ARCHIVOS PESOS.

Curso básico de Minitab

b) Otra forma de realizar operaciones en columnas o renglones es a través de

Calc > Column o Row Statistics respectivamente:

Cálculos disponibles

Columna (s) sobre la que se hará el cálculo Peso_despues Constante opcional (K1, K2, etc.) en la que se desea almacenar el resultado

La constante se muestra con Data > Display Data > selecc. K2

25

Curso básico de Minitab
Contador de eventos
Se usa para mostrar cuenta, cuenta acumulada, porcentajes, y porcentajes acumulados para cada variable especificada Suponiendo que se está estudiando la influencia de la actividad de paciente en el desempeño de una droga nueva. Después de colectar los datos, se examina la distribución de la actividad del paciente. 1 File > Open worksheet EXH_TABL.MTW Activity Moderate Moderate A lot Slight Moderate Slight A lot Moderate Moderate Etc. 2 3 4 5

Repetir con GENDER y HEIGHT
Los resultados son los siguientes: Tally for Discrete Variables: Activity

Activity Count CumCnt Percent CumPct A lot 21 21 23.08 23.08 Moderate 61 82 67.03 90.11 Slight 9 91 9.89 100.00 N= 91 La actividad ligera tiene un 9.89%, la actividad moderada Stat > Tables > Tally Individual Variables. un 67.03% y alta 23.08%

En Variables, poner Activity . En Display, seleccionar Counts, Percents, Cumulative counts, y Cumulative percents Click OK

26

Curso básico de Minitab
Desarrollo del Reporte
Las gráficas se pueden agregar a un reporte seleccionándolas
Boxplot of Caja A, Caja B, Caja C
17.5

15.0

12.5

Data

10.0

7.5

5.0 Caja A Caja B Caja C

Para visualizar el reporte se utilizan las instrucciones siguientes:

después botón derecho y Append Graph to Report
Para agregar resultados de la pantalla de Sesión, se selecciona el texto y se agrega al reporte.

El reporte se puede salvar como texto enriquecido RTF

27

Curso básico de Minitab Herramientas para la calidad 28 .

su peso. Se coleccionan datos de 92 estudiantes. File > Open Worksheet > Pulse. Todos tiran una moneda y los que les salío sol corren durante un minuto.MTW de la carpeta DATA de Minitab o arhivo anexo. después se vuelve a tomar su pulso.Mtw Graph > Bar chart Graph > Bar chart: Count of unique values.1 Gráficos de barras y línea Se utiliza el archivo de hoja de trabajo PULSE. si fuma o no. nivel de actividad física y pulso en reposo. estatura. peso.Curso básico de Minitab 2. Simple Categorical variables: Activity Sex Chart of Activity 60 50 40 biar todas barras Count 30 20 10 0 0 1 Activity 2 3 29 . sexo.

Sex 60 50 40 Sex 2 1 Count 30 20 10 0 Activity 0 1 2 3 30 .Mtw Graph > Bar chart Se muestran distintas opciones para representar las barras. Stack Categorical variables: Activity Sex Chart of Activity.Curso básico de Minitab Para gráficas de barras: File > Open Worksheet > Pulse. Para el caso de hombres y mujeres según su actividad se tiene: Graph > Bar chart: Count of unique values.

también se puede seleccionar un tipo de trama por barra dando Click en la gráfica. poner trama en Type. click en la sección específica y doble click.Curso básico de Minitab Para cambiar la apariencia de las barras: Colocarse en las barras y dar doble click. en Fill Pattern marque Custom y seleccionar blanco en Background color. aparece el cuadro de diálogo Edit Bars Attributes. 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 gráfica se actualiza en forma automática colocándose en la gráfica y con botón derecho del ratón seleccionar Update Graph Now El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo 31 . Para poner nombres a los valores codificados de sexo y actividad.

Sex 60 50 40 Sex Mujer Hombre Count 30 20 10 0 Activity 0 1 2 3 32 .Curso básico de Minitab Chart of Activity.

Chart values from a table Pie Chart of Activity C ategory 0 1 2 3 Para separar un sector: Click sobre la gráfica. click sobre el sector y doble click y en Explode indicar Explode Slice 33 .Curso básico de Minitab Graph > Pie chart Se muestran distintas opciones para los datos fuente ya sea Chart Raw Data en cuyo caso se establece una variable categórica en este caso Activity La otra opción es que los valores ya estén tabulados previamente.

Frequency. seleccionar la gráfica con doble click e ir a add Slice Labels y marcar: Category name.Curso básico de Minitab Cambiar el número de actividad por su nombre con: Data > Code > Numeric to text Code data. Activity Store data … Activity 0 1 2 3 Nula Baja Media Alta Reemplaza los números por los nombres EQUIPO TIEMPO M CALDERA 20 ELEVADOR 45 COMPRESOR 15 FILTROS 60 BOMBAS 33 Con botón derecho seleccionar Update Graph Automatically Para indicar el nombre de la categoría y su frecuencia en cada uno de las partes de la gráfica de pastel. seleccionar la gráfica con un click: Editor > Annotation > Graph annotation tools Para agregar texto Seleccionar el botón T Marcar la zona donde debe aparecer el texto Escribir el texto Confirmar Para agregar figuras Seleccionar el botón de la figura e insertarla 34 .. Para agregar texto y figuras a la gráfica.

Curso básico de Minitab Pie Chart of Activity Gráfica de ejemplo Category Alta Baja Media Nula 35 .

Curso básico de Minitab Diagrama de Pareto Para el diagrama de Pareto se tienen dos opciones de entrada de datos: Chart defects Data in Se indica la columna donde se encuentran los defectos se tiene la opción de una categoría By Variable Chart defects table Por ejemplo: Los defectos ya se tienen tabulados en una columna donde aparecen los nombre y en otra para las frecuencias Clientes Comercio Industria Consumo Gobierno Educacion Monto 40 70 25 120 10 Stat > Quality Tools > Pareto Chart Seleccionar Charts Defect Table Labels in: Clientes Frequencies in: Monto OK 36 .

1 86.4 71.8 100.8 Consumo 25 9.2 Other 10 3.3 Industria 70 26.3 45.0 Percent Monto 37 .4 96.7 Comercio 40 15.Curso básico de Minitab Pareto Chart of Clientes 300 250 200 100 80 60 40 20 0 150 100 50 0 Clientes Monto Percent Cum % Gobierno 120 45.

MTW Stat > Quality Tools > Pareto Chart Seleccionar Charts Defects Data in Damage OK Pareto Chart of Damage 9 8 7 6 80 60 40 20 0 100 Count 5 4 3 2 1 0 Damage Count Percent Cum % Scratch 4 50.0 Chip 2 25.5 87.0 Bend 1 12.0 50.0 75.MTW File > Open worksheet > EXH_QC.0 Miniatab coloca nombre en las barras hasta que se cumple el % acumulado. Percent 38 . después acumula todos los demás conceptos y los agrupa en la barra de otros.Curso básico de Minitab Ejemplo con datos no agrupados Se utiliza el archivo EXH_QC.5 100.5 Dent 1 12.

4 100.2 54.2 RA TE L SO 125 16.6 90.6 8.1 93.8 96.8 81.8 2.Curso básico de Minitab Estado Cívil SOLTERO SOLTERO 800 700 600 Pareto Chart of Estado Cívil 100 80 60 40 20 0 UNION LIBRE SOLTERO CASADO Count SOLTERO SOLTERO CASADO SOLTERO UNION LIBRE CASADO SOLTERO SOLTERO UNION LIBRE SOLTERO SOLTERO SOLTERO 400 300 200 100 Estado Cívil 0 RO TE L SO 404 54.5 3.6 E BR LI DO IA DA SA O er th 25 3.0 S CA O AD Count Percent Cum % N RC CA IO VO N I U D 79 63 28 21 10.8 71.0 Percent 500 39 .

Curso básico de Minitab
Ejemplo con datos agrupados por categoría
Se utiliza el archivo EXH_QC.MTW

File > Open worksheet > EXH_QC.MTW Stat > Quality Tools > Pareto Chart Seleccionar Charts Defects Data in Flaws Usando Period en By Variable in se obtiene el diagrama estratificado siguiente:
OK
Pareto Chart of Flaws by Period
Peel Period = Day Scratch Other Smudge 20 15 10 5
Flaws Peel Scratch Other Smudge

Period = Evening

Count

20 15 10 5 0

Period = Night

Period = Weekend

0

Peel

Scratch

Other

Smudge

Flaws

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

Attributes: 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 gráfica, click en la barra específica, doble click y seleccionar la trama.

40

Curso básico de Minitab
Con gráficas independientes
Se utiliza el archivo EXH_QC.MTW

File > Open worksheet > EXH_QC.MTW Stat > Quality Tools > Pareto Chart Seleccionar Charts Defects Data in Flaws Usando Period en By Variable in
OK Se obtienen 4 gráficas que se pueden unir en una sola como sigue: Seleccionar una gráfica

41

Curso básico de Minitab
Zona donde pasará la gráfica Matriz de gráficas Pasar gráfica Quitar gráfica

Gráficas disponibles

Cuando hayan pasado todas las gráficas pulsar Finish Gráfica que es candidato a pasar

42

4 Other 1 14.0 100.0 Pareto Chart of Flaws by Period Period = Night 100 16 16 Pareto Chart of Flaws by Period Period = Weekend 80 Percent Count 8 Count 60 40 8 100 80 60 40 20 4 20 0 4 0 Flaws Count Percent Cum % Scratch 8 42.1 57.6 71.6 73.0 Percent 12 12 Percent Count Count 12 12 43 .9 Peel 2 28.1 Scratch 2 28.8 89.0 0 Flaws Count Percent Cum % 0 Peel 4 57.5 100.7 Other 1 14.3 100.6 85.7 Smudge 1 14.1 Peel 6 31.3 85.9 85.0 100.9 Smudge 3 42.7 Other 3 15.9 42.3 100.5 Smudge 2 10.0 Others 0 0.0 0 Flaws Count Percent Cum % 0 Peel 3 42.0 Others 0 0.7 Other 1 14.1 42.Curso básico de Minitab La gráfica múltiple resultante es: Pareto Chart of Flaws by Period Period = Day Pareto Chart of Flaws by Period Period = Evening 16 16 Percent 8 100 80 60 40 20 8 100 80 60 40 20 4 4 0 Flaws Count Percent Cum % 0 Scratch 3 42.3 100.9 42.

Deformación Abrasión Herramental HABILIDAD HUMOR Selección Horas Formación Moral Experiencia Cansancio 44 . Los datos se colocan como sigue: Causas primarias: AMBIENTE MATLS. Polvo Forma Vibraciones Dureza Humedad Amacen Temperatura Causas secundarias: FORMA ALMACEN Diámetro Tiempo Curvatura Ambiente PERSONAL MÉTODO Salud Ajuste Habilidad Velocidad Humor MAQUINAS Mantto.Curso básico de Minitab 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.

En Effect. Machine . 45 . y Enviro en filas 1 a 6. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp. Asignar las diferentes columnas de Causas primarias Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente sel. Material .Curso básico de Minitab Stat > Quality Tools > Cause-and-Effect. respectivamente. seleccionar columnas de datos para las variables de filas 1-6. En Label traducir Man . Method . describir el problema como Rechazos Click OK. En Causes. Measure .

Curso básico de Minitab La gráfica resultante es la siguiente: Cause-and-Effect Diagram Medio ambiente Material Personal Para cambiar el Polvo Salud ia nc ie er xp i ón E ac rm F o ció n c le Se tamaño de letra hacer doble click en los títulos y seleccionar otro tamaño de letra Humor Rechazos ra tu va ur C ro et m iá A m T m ie Vibracion Humedad Temperat D Forma Dureza te en bi Habilidad o ci an ns l C a or a M as or H Métodos po Amacen La gráfica se puede Herramental Velocidad Ajuste Abrasión Deformación Mantto. Maquinas editar 46 .

En Effect. En Causes. Material . Asignar las diferentes columnas de Causas primarias Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente sel. Cause-and-Effect Diagram 47 . seleccionar columnas de datos para las variables de filas 1-6. Machine . Measure . Method . En Label traducir Man .Curso básico de Minitab Otro ejemplo: Mala atención al cliente Personas Materiales Equipos Metodos Medio ambiente Descuido Inadecuados Sistema lento Proceso incompleto Calor Capacitación Faltantes Falla de PCs Proceso complejo Humedad Motivación Con errores Falla de equipos Proceso no actual Estres Responsabilidad Paros menores Estrés Cansancio Alimentos Supervisión Problemas Stat > Quality Tools > Cause-and-Effect. respectivamente. describir el problema como Mala atención al cliente Click OK. y Enviro en filas 1 a 6. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp.

Curso básico de Minitab Cause-and-Effect Diagram Medio ambiente C alor Humedad Material Personal Inadecuados F altantes Descuido C apacitación M otiv ación as m le ob Pr ón isi rv pe Su Ca a ns A li m io nc C on errores E stres Responsabilidad s to en Mala atencion al cliente P roceso no actual P roceso complejo F alla de P C s P roceso incompleto S istema lento P aros menores F alla de equipos Métodos Equipos 48 .

varianza. etc.Curso básico de Minitab ESTADÍSTICA BÁSICA Población: es la colección de todos los elementos (piezas. o sea una muestra de mediciones de las características. mediciones.). desviación estándar. personas. Muestra: es una parte o subconjunto representativo de la población. coeficiente de variación Distribuciones de frecuencia (histogramas) Funciones acumulativas de distribución 49 • • . mediana • Medidas de dispersión • rango. moda. Incluye: • Medidas de tendencia central • media.

74. 1. xi 19 x     1.73.70.1.60.79.1.1. una muestra de estaturas de sus integrantes son las siguientes: 1.79.1.67.Curso básico de Minitab Medidas de tendencia central  Representan las diferentes formas de caracterizar el valor central de un conjunto de datos Media muestral poblacional xi x n Media xi   n Ejemplo 1: En un equipo de fútbol.1.1.73 n 11 50 .1.65.1. Calcule la media.84.1.82.67.

1.73.Curso básico de Minitab Medidas de tendencia central  ~  n 2  n 2  1 X 2 Mediana: es el valor medio cuando los datos se arreglan en orden ascendente o descendente.74.1.65.1.82.1.1.73 x 51 .60.79. como tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6.67.1. buscando el número que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana ~  1. para n par.67.1.84.79.1.1. la mediana es la media de los valores intermedios Ejemplo 2: Para el ejemplo anterior cual es la mediana? Ordenando los datos de mayor a menor se obtiene: 1.70.1.

4.3.72.6.2.87.2.7.4.87.3.72.54.9.2. Como tenemos 11 datos.73.7.54.31. por lo cual eliminamos 2 datos el más bajo y el más alto.4 y 97. calculando la media de los datos restantes obtenemos x .68.97.3.5.82.2.1.7.34. los valores a eliminar son: 8.Curso básico de Minitab Medidas de tendencia central Moda: Valor que más se repite.71.7.6.97. se calcula la media para los valores restantes.9.71.82.2.9.42. puede haber más de una  Media acotada (Truncated Mean): Se elimina cierto porcentaje de los valores más altos y bajos de un conjunto dado de datos (tomando números enteros).33.9.34.33.9.97.3.80.1. el 20% de 11 es 2.4.42.73..20   63 . ordenado los datos obtenemos: 8. Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:  68.80.4.2.6.6.82 52 .2.97.8.5.31.

Curso básico de Minitab

Medidas de dispersión

Rango: Es el valor mayor menos el valor menor de un conjunto de datos

Por ejemplo para el conjunto de datos siguiente: 2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0 Su rango es R = 4.0 – 2.0 = 2.0

Varianza: es el promedio de las desviaciones al cuadrado respecto a la media (n para población y n-1 para muestra para eliminar el sesgo)

( xi  x )   n
2

2

( xi  x ) s  n 1
2

2

53

Curso básico de Minitab

Medidas de dispersión

Desviación estándar: es la raíz cuadrada de la varianza ya sea poblacional  o muestral S

( xi  x ) 2 s2   n 1

( xi  x ) 2 s  n 1

Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente: Muestra 1: 230 250 245 258 265 240 Muestra 2: 190 228 305 240 265 260
7510 s= = 38.75 5
790 s= = 12.56 5

54

Curso básico de Minitab

Medidas de dispersión

Coeficiente de variación: es igual a la desviación estándar dividida por la media y se expresa en porcentaje
Coeficiente.de. var iación  CV  s (100) X

Por ejemplo si la media de tiempos de espera es de 78.7 y su desviación estándar es 12.14, el CVt: 12.14 CVt  (100)  12.05% 78.7 Por otra parte si la media de salarios es de 10 y su desviación estándar de 2, el CVs de salarios es: 2 CVs  (100)  20% 10 Por tanto la dispersión de los salarios es mayor que la de los tiempos de espera, es posible comparar estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente disímbolos.
55

mtw Stat > Basic statistics > Display descriptive statistics Variables Yield by variable (opcional) Variables y variable categórica (opcional) Gráficas de los datos .Curso básico de Minitab Estadísticos de una muestra Estudio estadístico básico: File > Open worksheet > Yield.

Curso básico de Minitab Selección de estadísticos específicos Seleccionar adicionalmente VARIANZA.750 SE Mean 0.204 * 0 CoefVar 4.559 Q3 47.73 Minimum 42.764 Q1 43.722 Boxplot of Yield 50 49 57 .651 N for Maximum Mode Mode 49. COEFICIENTE DE VARIACIÓN.539 Median 45.157 4. MODA Los resultados son los siguientes: NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER Descriptive Statistics: Yield Variable Yield Variable Yield N 16 N* 0 Mean 45.173 StDev Variance 2.

Curso básico de Minitab Boxplot of Yield 50 49 48 47 Máximo Q3 = Tercer Cuartil Yield 46 45 44 43 42 Q2 = Mediana Q1 = Primer cuartil Mínimo Otra forma de obtener esta gráfica por separado y en forma individual es: File > Open worksheet > Yield.mtw Graph > Boxplot > Simple Graph variables Yield OK 58 .

Curso básico de Minitab Histogram (with Normal Curve) of Yield 6 5 4 3 2 1 0 Mean StDev N 45.mtw Graph > Histogram > Simple Graph variables Yield OK 59 .157 16 Frequency 42 44 46 Yield 48 50 Otra forma de obtener esta gráfica por separado y en forma individual es: File > Open worksheet > Yield.56 2.

Curso básico de Minitab Para cambiar el número de celdas. doble click en las barras y seleccionar BINNING Para cambiar números al inicio de celdas o en el centro de las mismas Cambiar el número de intervalos a 5 60 .

962 Variance 0.967 SE Mean 0.5 N for Mode 3 0 2 61 .300 5.900 4.685 0.926 CoefVar 15.700 Mode 3.900 6.950 Q3 4.278 5.469 0.600 5.457 0.Curso básico de Minitab Ejemplo: Estadísticos de una muestra con variable categórica Estudio estadístico básico: File > Open worksheet > Wine.300 3.300 Variable Aroma Region 1 2 3 Q1 3.225 0.900 3.9 * 5.650 5.300 4.200 Median 4.200 7.13 Minimum 3.mtw Stat > Basic statistics > Display descriptive statistics Variables Aroma by variable Region Seleccionar Graphs Histogram of data with normal curve Dot plot of data. Boxplot of data Variance Coefficient of variation Mode (adicionales a los ya seleccionados) Seleccionar Statistics OK Los resultados son los siguientes: Descriptive Statistics: Aroma Variable Aroma Region 1 2 3 N 17 9 12 N* 0 0 0 Mean 4.359 4.700 Maximum 5.166 0.80 16.71 15.300 4.278 StDev 0.676 0.

Curso básico de Minitab Histogram (with Normal Curve) of Aroma by Region 3 1 4 5 2 4.6 2.6847 17 Frequency 1.359 0.4 1.2 0.2 3 4.8 3.967 0.4 Mean StDev N 2 Mean StDev N 3 Mean StDev N 5.9623 12 4.0 Aroma Panel variable: Region Boxplot of Aroma 8 7 Aroma 6 5 4 3 1 2 Region 3 62 .0 3 4 5 6 7 8 0.8 3.278 0.6760 9 6 7 8 1 4.6 2.

Curso básico de Minitab Se desea conocer la durabilidad de 4 alfombras. seleccionar Use y-value labels. se analiza con gráficas de caja. Boxplot of Durability 22. 8 Click Data View. poner Carpet . Click OK. para lo cual se instalan en cuatro casas y se evalúan después de 60 días de uso. 9 En Categorical variables for attribute assignment.5 19. poner Carpet . se analiza con gráficas de caja. 7 En Label. Ejemplo con cajas múltiples Se desea conocer la durabilidad de 4 alfombras. 4 En Graph variables. Click OK en cada caja de diálogo.MTW.0 17.75 Carpet 1 2 3 4 ty 63 . 1 File > Open worksheet CARPET. seleccionar Medians. 3 En One Y. choose With Groups. 5 En Categorical variables for grouping (1-4. poner Durability . outermost first). 2 Seleccionar Graph > Boxplot o Stat > EDA > Boxplot. 6 Click Labels. Click OK. para lo cual se instalan en cuatro casas y se evalúan después de 60 días de uso. y click the Data Labels tab.5 20.

625 12. pero la 3 tiene menos variación 64 .75 Carpet 1 2 3 4 Durability 15.0 17. la alfombra 2 tiene poca durabilidad.0 1 2 Carpet 3 4 La alfombra 3 tienen mayor durabilidad.Curso básico de Minitab Boxplot of Durability 22.0 8.895 7. Entre las alfombras 1 y 3 casi se tiene la misma mediana de durabilidad.5 19.5 5.0 13.5 10. pero tiene mucha variabilidad.52 12.5 20.

MTW anexo en Archivo Datos Módulo 3: Existen diferentes opciones para esta herramienta: Indicando como variable Pulse1 se tiene: Histogram of Pulse1 25 20 Frequency 15 10 5 0 50 60 70 Pulse1 80 90 100 Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click sobre estos.2 Histogramas o distribuciones de frecuencia Se usa el archivo PULSE. La apariencia de las barras se puede cambiar haciendo clcik en estas.Curso básico de Minitab 3. de la misma forma para el marco del histograma. 65 .

66 65. se da doble click sobre la escala horizontal del histograma y se selecciona la pestaña Binning Se definen los intervalos a través de sus puntos de corte Se indica el nuevo número de intervalos Histogram of Pulse1 30 25 20 Frequency 15 10 5 0 48.00 Pulse1 82.33 100.33 74.Curso básico de Minitab Para cambiar los intervalos del histograma.00 Con doble click en la escala horizontal se puede modificar la escala de valores 66 .66 91.00 56.

por ejemplo para Pulse2: Editor > Make Similar Graph Histogram of Pulse2 30 25 20 15 10 5 0 Frequency 60 80 100 Pulse2 120 140 Para comparar los histogramas según se haya corrido o no se tiene: 67 .Curso básico de Minitab Una vez creada esta gráfica. se puede hacer otra muy similar dejando el histograma original como ventana activa.

Y By Variable: Ran Histogram of Pulse1 50 16 14 12 Frequency 60 70 2 80 90 100 1 10 8 6 4 2 0 50 60 70 80 90 100 Pulse1 Panel variable: Ran 68 .Curso básico de Minitab Para comparar los histogramas según se haya corrido o no se tiene: Graph > Histogram: Simple Multiple Graphs: Multiple Variable: In separate panels of the same graph. Same scales for graphs X.

Graph Variable Day 5. OK Histogram of Days Normal 1 Central 2 3 4 Eastern 5 6 7 20 15 10 Central Mean 3.090 N 102 Frequency 5 Western 0 20 15 10 5 0 1 2 3 4 5 6 7 Days Panel variable: Center 69 .452 StDev 1. Multiple graphs 6.mtw en carpeta Minitab Sample Data / Meet Minitab 2.252 N 101 Western Mean 2.Curso básico de Minitab Histogramas por grupo 1. Open worksheet Shippingdata. With fit 4.280 N 99 Eastern Mean 4.981 StDev 1.984 StDev 1. Graph > Histogram 3. By variables With groups in separate panels Center 7.

mtw Graph > Stem and Leaf o Stat > EDA > Stem and Leaf Variable Estratificación opcional por otra variable Destacar valores que exceden  1.5 RIC de Q1 y Q3 Definir ancho de la "celda" de números 70 .Curso básico de Minitab Diagrama de tallo y hojas File > Open worksheet > Pulse.

0 = 92 Tallo Hojas 1 9 5 Con Increment = 20 4 10 288 Leaf Unit = 10 13 11 002556688 Tallo Hojas 24 12 00012355555 1 0 9 37 13 0000013555688 13 1 000111111111 (11) 14 00002555558 37 1 222222222223333333333333 44 15 0000000000355555555557 (33) 1 444444444445555555555555555555555 22 16 000045 22 1 666666777777 16 17 000055 10 1 888899999 10 18 0005 6 19 00005 HI 21 HI 215 Línea de profundidad (frec. Acumulada hasta la mediana () ) 71 .Curso básico de Minitab Stem-and-Leaf Display: Weight Stem-and-leaf of Weight N Leaf Unit = 1.

3 Distribución normal estándar y distribución normal La teoria se puede consultar en el archivo de Word anexo: Distribución Normal.Curso básico de Minitab 3.doc Calc > Probability distributions > Normal Da la ordenada de probabilidad en un punto del eje horizontal Da la probabilidad acumulada o área 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. Estandar 1 72 .0 La media es de cero y la desv. con otros valores se trata de la distribución normal El área total de probabilidad es de 1. Estándar uno indica una distribución normal estándar.

9332 Normal with mean = 0 and standard deviation = 1 P( X <= x ) x 0.5 0.933193 Probabilidad acumulada inversa Calc > Probability distributions > Normal Seleccionar Inverse Cumulative Probability En Input Constant poner 0.50006 73 .5 0.5 Normal with mean = 0 and standard deviation = 1 x f( x ) 1.5 Normal with mean = 0 and standard deviation = 1 x P( X <= x ) 1.Curso básico de Minitab Ejemplos: Densidad de probabilidad Calc > Probability distributions > Normal Seleccionar Probability Density En Input Constant poner 1.9332 1.129518 Probabilidad acumulada Calc > Probability distributions > Normal Seleccionar Cumulative Probability En Input Constant poner 1.

poner 1211 . Click Right Tail. De la Distribution.0498 0. y ver si la calificación de 1738 entra en esta zona. En Standard deviation.0000 1211 X 1738 74 .0014 0. Click OK en cada cuadro de diálogo Normal.Curso básico de Minitab Mostrar áreas bajo la curva de probabilidad Se trata de ver el área que incluye al 10% de los alumnos que obtuvieron las calificaciones más altas a partir del 90%. poner 320 .0004 0.0008 0. En Define Shaded Area By. Click en Shaded area.0012 0.0006 0. Seleccionar View Probability. En Mean. click OK. poner 1738 . Mean=1211. StDev=320 0. con una media de 1211 y una desviación estándar de 320.0002 0. Seleccionar Normal. En X value. 1 2 3 4 5 6 7 Seleccionar Graph > Probability Distribution Plot.0010 Distribution Plot Density 0. seleccionar X Value.

0006 0. seleccionar Probab. 75 . 0. Mean=1211.0002 0. StDev=320 0.0008 0.Curso básico de Minitab O para un 10% del área: 5 Click en Shaded area.0000 1211 X 1621 0.0010 Density 0.1 El valor de 1738 si entra en la zona.0014 0. En Define Shaded Area By. Right Tail.0012 0. Distribution Plot Normal..0004 0.10.

Curso básico de Minitab Solo como demostración para el caso de dos colas: 5 Click en Shaded area. 0. Mean=1211.10. Probab.0004 0. StDev=320 0.0002 0. En Define Shaded Area By. sel.0000 685 1211 X 1737 0.0008 0.0014 0..05 76 . Both Tails.05 0.0012 0. Distribution Plot Normal.0010 Density 0.0006 0.

además se quiere observar su valor en el percentll 87avo. La hipótesis alterna es que no es normal. Click Scale.seleccionar Fabric . Se puede hacer por diversos métodos: 1. Click OK en cada cuadro de diálogo.MTW. que es la hipótesis nula. En Show percentile lines at Y values. teclear 87 . click OK. y click el Percentile Lines . Graph > Probability Plot. 1 2 3 4 5 6 File > Open worksheet FLAMERTD. 77 . Método gráfico Se trata de probar la flamabilidad de una fibra y ver si sigue una distribución normal. En Graph variables.Curso básico de Minitab Prueba de normalidad Es una prueba de hipótesis de una población para determinar si la muestra se extrae de una población normal. Seleccionar Single.

Curso básico de Minitab Probability Plot of Fabric Normal .517 95 90 80 87 Percent 70 60 50 40 30 20 10 1 2 3 4 Fabric 4.05 por tanto los datos de la muestra siguen una distribución normal.95% CI 99 Mean StDev N AD P-Value 3.84295 y 4.573 0.5700 15 0.58790 78 .215 5 5 6 Los puntos no salen del intervalo de confianza del 95% y el P value es menor de 0.310 0. El IC del 87% se encuentra entre los valores 3.

se rechaza la hipótesis nula de normalidad de la población. Prueba de hipótesis con prueba de Anderson Darling (n > 15) Esta prueba compara la función de distribucion acumulada empirica de los datos de la muestra con la distribución esperada si los datos fueran normales Si la diferencia observada es suficientemente grande. Las hipótesis son las siguientes: Ho: Los datos SI provienen de una población distribuida normalmente Ha: Los datos NO provienen de una población distribuida normalmente Pvalue >0. 79 .05 Pvalue <= 0. Si la diferencia obervada es suficientemente grande.05 Prueba de normalidad de Kolmogorov Smirnov (n<=15) Esta prueba compara la función de distribución acumulada de la muestra con la distribución esperada de los datos si fueran normales.Curso básico de Minitab 2. la prueba rechaza la hipótesis nula de normalidad. Si el valor P se esta prueba es menor al alfa seleccionado se rechaza la hipótesis nula de normalidad.

MTW 1 File > Open worksheet CRANKSH.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.01594 4.83012 Etc. 2 Stat > Basic Statistics > Normality Test. seleccionar AtoBDist . 3 En Variable. El valor P es menor a 0.44025 5.08965 0.491 N 125 AD 0.1 Mean 0.4417 StDev 3.MTW. Click OK.891 P-Value 0.09998 2.90038 2.05 por tanto los datos no siguen una distribución normal Percent Probability Plot of AtoBDist Normal 99.022 -10 -5 0 AtoBDist 5 10 80 . AtoBDist -0.Curso básico de Minitab Ejemplo de prueba de normalidad Ejemplo con el archivo CRANKSH.

MTW donde las especificaciones son Límite Inferior de Especificación LIE = 596 y el Límite Superior de Especificación LSE = 604.mtw Stat > Quality tools > Capability analysis > Normal Data area arranged as: Single column Supp2 Subgroup size 1 Lower Spec 596 Upper spec 604 Estimate > R bar Options > Percents OK 81 .Curso básico de Minitab Capacidad del proceso con histogramas Las áreas bajo la curva se pueden aplicar al cálculo de la capacidad de los procesos para cumplir especificaciones o requisitos. por ejemplo para el cso de los datos de SUPP2 del archivo CAMSHAFT. se tiene: File > Open worksheet > Camshaft.

Curso básico de Minitab .

20 % > U S L 2.87388 USL W ithin Ov erall P otential (Within) C apability Cp 0.74 O v erall C apability Pp PPL PPU P pk C pm 0.0 O bserv ed P erformance % < LS L 0.41 Fracción defectiva fuera de especificaciones debe ser menor a 3.74 C pk 0.000 34 %) 83 .Curso básico de Minitab Los resultados se muestran a continuación Process Capability of Supp2 LSL P rocess D ata LS L 596 Target * USL 604 S ample M ean 600.5 603.70499 S tD ev (O v erall) 1.67 0.0 604.78 C P L 0. Within P erformance % < LS L 0.00 % > U S L 2.33 para que el proceso sea capaz E xp.01 E xp.5 600.00 598.67 * Media Desviación estándar 597.83 C P U 0.21 % Total 3.23 S ample N 100 S tD ev (Within) 1.00 % Total 2. O v erall P erformance % < LS L 1.0 601.66 % > U S L 1.4 ppm (0.5 Índice de capacidad potencial (Cp) y real del proceso (Cpk) deben ser mayores a 1.75 0.35 % Total 2.71 0.

Curso básico de Minitab Estadística inferencial Pruebas de hipótesis 84 .

Curso básico de Minitab
IC = Estadístico +- error muestral

Población, total de productos y servicios (N)
Inferencia estadística de los parámetros: m= media s= desviación estándar 2= varianza =proporción

Intervalo de confianza (95%) , rango de valores para estimar los parámetros , , 2, 

Muestra (n)

Estadísticos X, s, p

85

Curso básico de Minitab
Distribución normal o de Gauss

Estadístico Z Inferencia estadística de los parámetros: m= media Cuando n >= 30 y/o (de datos históricos) m=proporción Cuando n >= 30 es conocida

Estadístico t Inferencia estadística del parámetro: m= media
Cuando n < 30 y desconocida (sin historial del proceso o prov.)

86

Curso básico de Minitab
Estadístico 2 Inferencia estadística del parámetro: = desviación estándar Comprobar normalidad del proceso

Estadístico F Inferencia estadística del parámetro: 12/ 22 relación de varianzas
Revisar normalidad de muestras

87

. 2. s. Z o t =proporción Intervalo de confianza (95%) . total de productos y servicios (N) Estadísticos utilizados: m= media. 2 12/ 22 Rel. de varianzas Estadísticos X.error muestral Población.Curso básico de Minitab IC = Estadístico +.  Muestra (n) s= desviación estándar. p 88 . rango de valores para estimar los parámetros .

con los datos en el archivo Wine.04 Se utiliza el estadístico Z por ser n > 30 File > Open worskeet > Wine.04) _ X Intervalo donde se encuentra La media poblacional 7 8 9 10 11 12 Quality 13 14 15 16 . con los datos tomados del índice de calidad del vino.Mtw Stat > Basic statistics > 1-Sample-Z (Test and confidence interval) Samples in columns seleccionar columna Quality Estándar deviation 2. Estándar = 2.04 Options Confidence level 95% OK Individual Value Plot of Quality Graphs seleccionar Individual value plot OK OK (with 95% Z-confidence interval for the Mean.Mtw.Curso básico de Minitab Intervalos de confianza para la media Determinar el intervalo de confianza para la media poblacional . Desv. and StDev = 2.

788 a 13. el intervalo que contiene al índice promedio de calidad para toda la producción de vino es: (11.045 0. con los datos obtenidos de la muestra del ínidice de calidad del vino (Quality).Curso básico de Minitab Se obtienen los resultados siguientes: One-Sample Z: Quality The assumed standard deviation = 2.085) La gráfica de puntos que muestra la distribución de los valores del índice de calidad y el Intervalo de confianza correspondiente.04 Variable N Mean StDev SE Mean 95% CI Quality 38 12. para un nivel de confianza del 95% es: (with 95% Z-confidence interval for the Mean.331 (11.437 2. 13. and S tDev = 2.788.04) Individual Value Plot of Quality _ X 7 8 9 10 11 12 Quality 13 14 15 16 90 .085) Conclusión: para un 95% de nivel de confianza.

<=) se establece primero la hipótesis nula Ho Si la afirmación contiene los signos (<. 2.05) 91 . . >=. >. normalmente 95% (o alfa de 1-NC = 0. <> o se establece primero la hipótesis alterna Ha )    Es necesario establecer el nivel de confianza de la prueba.  Si la afirmación contiene el signo igual (=.Curso básico de Minitab Prueba de hipótesis  Una prueba de hipótesis es una afirmación sobre el valor que se estima tiene un parámetro poblacional .

Curso básico de Minitab Prueba de hipótesis para la media Cuando no se conoce la desviación estándar y la muestra n es menor a 30. Por ejemplo. se afirma que las ventas promedio diarias son mayores a 100 unidades: Se toma una muestra de 20 días y se determina que el promedio es 110 y la desviación estandar de la muestra es 5 Establecimiento de hipótesis Ha: m 100 > Ho: m 100 <= En Minitab: Stat > Basic statistics > 1-sample t 92 .

66.12 95% CI (107.34) no contiene a la media de la hipótesis (100) y P value es menor a 0.05.Curso básico de Minitab Los resultados se muestran a continuación One-Sample T * NOTE * Graphs cannot be made with summarized data.00 SE Mean 1.94 P 0. 112. 93 .34) T 8. se rechaza Ho y se acepta Ha.000 Conclusión: El intervalo de confianza donde se encuentra el promedio de las ventas con base en una muestra tomada es (107. Test of mu = 100 vs not = 100 N 20 Mean 110. El Intervalo de confianza de (107.66 a 112. 112.34) para un 95% de nivel de confianza. ya subió el promedio de ventas.66.00 StDev 5.

Mtw se trata de probar la afirmación de que el aroma es mayor o igual a 4. a un 95% de nivel de confianza. Para el caso de los datos del archivo Wine. Establecimiento de hipótesis < > Ha: m 4 Ho: m = 4 En Minitab: Stat > Basic statistics > 1-Sample-Z (Test and confidence interval) Samples in columns seleccionar columna Aroma Standard deviation 4.Curso básico de Minitab Cuando se conoce la desviación estándar y la muestra n es mayor a 30.847 Perform hypothesis test Hypothesized mean 4 Options Confidence level 95% Alternative Less Than OK Graphs seleccionar Individual value plot OK OK 94 .

Curso básico de Minitab 95 .

05.Curso básico de Minitab Los resultados se muestran a continuación: One-Sample Z: Aroma Test of mu = 4 vs < 4 The assumed standard deviation = 4. 6. (with Ho and 95% Z-confidence interval for the Mean.847 95% Upper Bound 6.. 6.08 P 0.141) para un 95% de nivel de confianza. NO se rechaza Ho..859 Conclusión: El intervalo de confianza donde se encuentra el promedio de Aroma con base en una muestra tomada es (….847 StDev 1.786 Z 1. and StDev = 4..847) Individual Value Plot of Aroma _ X Ho 3 4 5 A roma 6 7 8 96 . El Intervalo de confianza de (….082 SE Mean 0.141 Variable Aroma N 38 Mean 4.141) SI contiene a la media de la hipótesis (4) y P value es mayor a 0. el Aroma tiene un promedio >= 4.

10 Instrucciones de Minitab Stat > Basic Statistics > 1 . se hace una encuesta a 200 usuarios y 17 si usan los accesorios.Curso básico de Minitab Prueba de hipótesis para una proporción Ejemplo: Un producto tiene accesorios que se piensa nadie usa.10 Ha: Proporción  < 0.Proportion Options Confidence level 95% Test Proportion 0.1 Alternative Less Than seleccionar Use test and interval based on normal distribution OK 97 . ¿Para un 95% de confianza se confirma la sospecha de que menos del 10% de usuarios usan estos accesorios? Establecer hipótesis: Ho: Proporción  >= 0.

no se acepta la hipótesis alterna.124771 Exact P-Value 0. Es válido decir que sólo el 10% de usuarios utilizan los accesorios 98 .Curso básico de Minitab Se obtuvieron los resultados siguientes: Test and CI for One Proportion Test of p = 0.285 No se rechaza Ho ya que la Proporción del 10% de la hipótesis se encuentra en el intervalo de confianza y el P value es mayor a 0.05.1 vs p < 0.085000 Upper Bound 0.1 Sample 1 X 17 N 200 Sample p 0.

7 25.7 22.8 23.8 23.2 26.8 24.2 23.3 24.5 25.4 23. A Metodos A y B 99 . En Minitab: Se colocan los valores en dos columnas diferentes C1 y C2 corresp.1 22.5 25.4 24.9 22.Muestras independientes Ho: Media A (m Media B (m = 0 A)B) Ha: Media A (m Media B (m 0 A)B) Ejemplo: 10 pieles son curtidas usando el método A y 10 usando el método B.3 25.6 21.4 25.7 ¿Se puede decir que los dos métodos producen resistencias a la tracción diferentes? Usar un nivel de confianza del 95%.Curso básico de Minitab Comparación de dos medias .5 26.8 25. las resistencias a la tracción son las siguientes: Método A Método B 24.

Se realiza un análisis de comparación de varianzas poblacionales: Ho: Varianza A = Varianza B Ha: Varianza A  Varianza B Stat > Basic Statistics > 2 Variances Samples in different columns First Método A Second Método B Options Confidence level 95% OK 100 .Curso básico de Minitab Paso 1.

991 Como el P value es mayor a 0. se usará a continuación: 101 .Curso básico de Minitab Los resultados son los siguientes: Test for Equal 95% Bonferroni F-Test (normal Test statistic Variances: Método A. Esta inf. Método B confidence intervals for standard deviations distribution) = 1.05 no se rechaza la Hipótesis nula de igualdad de varianzas. p-value = 0.01. por tanto se asume que son iguales.

Curso básico de Minitab Paso 2.Media B  0 Instrucciones de Minitab: Stat > Basic Statistics > 2 .Sample t Samples in different columns First Método A Second Método B seleccionar Assume equal variances Options Confidence level 95% Test difference 0.0 Alternative Not equal OK OK 102 . Se realiza un análisis de comparación de medias poblacionales Establecer hipótesis H: Media A .Media B = 0 Ha: Media A .

Método B 27 26 25 Data 24 23 22 21 Método A Método B 103 .Curso básico de Minitab La gráfica de caja parece indicar diferencia entre las medias de las muestras Boxplot of Método A.

05 se rechaza la hipótesis nula de igualdad de medias y se acepta Ha afirmando que las medias son diferentes 104 .52000 95% CI for difference: (0.24 0.685) T-Test of difference = 0 (vs not =): T-Value = 2.013 DF = 18 Conclusiones: 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 0.62 1.39 Método B 10 23.355.39 Difference = mu (Método A) .mu (Método B) Estimate for difference: 1. 2.14 1.74 P-Value = 0.24 0.Curso básico de Minitab Se obtienen los siguientes resultados: Two-sample T for Método A vs Método B N Mean StDev SE Mean Método A 10 25.

primero se forman parejas (dos ingenieros.Prueba si las diferencias entre sujetos son iguales. etc.) Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B. También se aplica cuando cuando antes de comparar se hacen parejas de sujetos por ejemplo para comparar los promedios de alumos de dos universidades.Curso básico de Minitab Muestras pareadas . Después de un periodo se mide el deterioro (rayas. 105 . dos administradores. desgaste. por ejemplo el peso de individuos antes y después de una rutina. Ho: Media de diferencias = 0 Ha: Media de diferencias  Se utilizan cuando se trata de comparar el efecto de dos tratamientos a los mismos sujetos u objetos. dos arquitectos. se seleccionan 10 personas a las que se les instala uno de esos lentes en cualquier lado al azar.) de cada lente: 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. etc.

5 5.0 5.6 6.0 3.1 7.2 5.9 5.8 4.0 4.6 5.0 7.5 4.9 4.Curso básico de Minitab Persona 1 2 3 4 5 6 7 8 9 10 Lente A 6.2 4.8 En Minitab colocar los datos de Lentes en dos columnas Establecer hipótesis Ho: Diferencia de medias = 0 Ha: Diferencia de medias  0 Instrucciones de Minitab Stat > Basic Statistics > Paired t Samples in different columns First Lente A Second Lente B Graphs Individual value plot Options Confidence level 95% Test mean 0.0 4.4 4.3 4.7 5.0 Alternative Not equal OK OK 106 .1 Lente B 6.

02978 Lente B 10 5.05 se rechaza la hipótesis nula de igualdad de medias y se acepta la alterna afirmando que los tratamientos dan deterioros diferentes.343835 SE Mean 0.97 P-Value = 0.Curso básico de Minitab Resultados Paired T-Test and CI: Lente A.Lente B N Mean StDev Lente A 10 4.32564 0.50000 1.001 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. 107 .540000 0.785964.108730 95% CI for mean difference: (-0.13039 Difference 10 -0.96000 1.294036) T-Test of mean difference = 0 (vs not = 0): T-Value = -4. -0.35746 0. Lente B Paired T for Lente A .

6 -0. 108 .4 Differences -0.Curso básico de Minitab (with Ho and 95% t-confidence interval for the mean) Individual Value Plot of Differences _ X Ho -1.2 -1.8 -0.0 -0.0 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 métodos.2 0.

Curso básico de Minitab Comparación de dos proporciones Ejemplo: En una encuesta a 300 clientes de la zona A.Proportions Options Confidence level 95% Alternative Not equal. Test Difference = 0 Seleccionar Use Pooled estimate p for test OK 109 . ¿Hay diferencia en las proporciones de clientes descontentos en las dos zonas? Establecer hipótesis: Ho: Proporción A = Proporción B Ha: Proporción A  Proporción B Instrucciones de Minitab (datos resumidos): Stat > Basic Statistics > 2 . 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.

Curso básico de Minitab Los resultados son los siguientes: Test and CI for Two Proportions Sample X N Sample p 1 33 300 0.0278678. 110 .86 P-Value = 0.022 95% CI for difference: (-0.05 no se rechaza la hipótesis nula de igualdad de proporciones o sea que no hay razón para decir que las proporciones son diferentes. 0.0718678) Test for difference = 0 (vs not = 0): Z = 0.110000 2 22 250 0.088000 Difference = p (1) .392 Como el cero SI se encuentra en el intervalo de confianza de la diferencia de las 2 proporciones y el valor P value es mayor a 0.p (2) Estimate for difference: 0.

.Curso básico de Minitab Análisis de varianza (ANOVA) El Análisis de Varianza es una prueba de hipótesis que trata de probar la igualdad de varias medias al mismo tiempo: H 0  1   2   3  . Requiere que las poblaciones sean normales y con varianza similar. ¿hay alguna variedad que produzca más fenoles que otra? Se colocan los datos en tres columnas distintas: 111 .   k H 1 : Al menos dos medias son diferentes .. ANOVA de una vía con datos de tratamientos en diferentes columnas: Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factor para ver que variedad de árbol produce menos fenoles en los desechos de pasta de papel.. Se colectan los siguientes datos en porcentajes: A un 95% de nivel de confianza.

family error rate: 5 Graphs: Residual plots Box plot of data Normal plot of residuals OK 112 .Curso básico de Minitab Instrucciones de Minitab: Stat > ANOVA > One Way (Unstacked) Responses in separate columns A B C Confidence Level 95 Comparisons Tukey's.

4000 StDev 0.C ----+---------+---------+---------+----(-------*--------) (------*-------) (------*------) ----+---------+---------+---------+----1.4500 0. B.80 2.0533 1.44 Como el valor P value es menor a 0.Curso básico de Minitab Los resultados se muestran a continuación: One-way ANOVA: A.44% F 8.10 Las medias B y C son similares La media de A es diferente a B y C Pooled StDev = 0.1414 0. C Source DF Factor 2 Error 12 Total 14 S = 0.6400 0.2121 0.5400 R-Sq = 58.50 1.9000 0.005 R-Sq(adj) = 51.3000 1.2828 Individual 95% CIs For Mean Based on Pooled StDev A produce más fenoles que B.9000 1.2309 Desviación estándar poblacional 113 .05 existe una diferencia significativa entre algunas medias P 0.20 1.52% Level A B C N 4 5 6 Mean 1.2309 SS MS 0.

40 -0.4728 -----+---------+---------+---------+---(---------*--------) -----+---------+---------+---------+----0.6000 C -0.80 -0.1026 B subtracted from: Lower Center C -0.40 El intervalo de la diferencia C-B si incluye el cero por tanto B no es diferentes de C 114 .1870 -0.5000 Como el cero no está en el intervalo de la diferencia B-A o C-A.Curso básico de Minitab Tukey 95% Simultaneous Confidence Intervals All Pairwise Comparisons Individual confidence level = 97.94% A subtracted from: Lower Center B -1.80 -0.40 -0.00 0. A es diferente de B y C -----+---------+---------+---------+---(---------*---------) (---------*--------) -----+---------+---------+---------+----0.0130 -0.8974 -0.2728 0.40 Upper -0.1000 Upper 0.00 0.

B. C 2.6 1.0 A B C Se observa que la media de A es diferente a las medias de B y C (si se superpone B y C tienen elementos comunes y son iguales) Los árboles B y C producen menos cantidad de fenoles.2 1.8 Data 1. 115 .4 1.2 2.Curso básico de Minitab Los resultados gráficos son los siguientes: Boxplot of A.0 1.

B. C) 99 95 90 80 Percent 70 60 50 40 30 20 10 5 1 -0.50 Los residuos o errores se apegan a la recta normal.25 0.50 -0.00 Residual 0.25 0.Curso básico de Minitab Los resultados gráficos son los siguientes: Normal Probability Plot (responses are A. por tanto el modelo ANOVA es un modelo adecuado para los datos 116 .

8 1.4 1.3 1.8 2.3 1.9 1.1 Fenoles 1.6 1.4 1.5 1.8 1.9 1.3 1.3 1.1 1.6 1.1 1.1 1.6 1.6 1.8 1.8 2.1 1.1 1.5 1.1 Árbol A A A A B B B B B C C C C C C 117 .1 1.8 B 1.1 1.1 C 1.Curso básico de Minitab ANOVA de una vía con datos de tratamientos en una sola columna Los datos del ejemplo anterior se arreglan en dos columnas como se muestran a continuación: A 1.

Curso básico de Minitab Instrucciones de Minitab: Stat > ANOVA > One Way Response Fenoles Factor Árbol Confidence Level 95 Comparisons Tukey's. 118 . family error rate: 5 Graphs: Residual plots Box plot of data Normal plot of residuals OK Los resultados que se obtienen son iguales a los ejemplo anterior.

DEPARTAMENTO Depto_A Depto_B 8 7 7 8 8 7 6 7 7 6 8 8 Arreglados en dos columnas quedan como: Calificaciones Depto 8 Depto_A 7 Depto_A 8 Depto_A 6 Depto_A 7 Depto_A 8 Depto_A 7 Depto_B 8 Depto_B 7 Depto_B 7 Depto_B 6 Depto_B 8 Depto_B 5 Depto_C 6 Depto_C 6 Depto_C 7 Depto_C 7 Depto_C 6 Depto_C Depto_C 5 6 6 7 7 6 119 .Curso básico de Minitab Ejercicios: Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes departamentos fueron las mostradas en la tabla siguiente. Probar a un 95% de nivel de confianza o 5% de nivel de significancia si el aprovechamiento fue similar en los tres departamentos o en su caso cuál fue el peor.

se concluye que El peor aprovechamiento lo tuvo el departamento De las gráficas de diferencias de Tukey.Curso básico de Minitab a) Con datos en tres columnas Instrucciones de Minitab: Stat > ANOVA > One Way (Unstacked) Responses in separate columns Depto_A Depto_B Depto_C Confidence Level 95 Comparisons Tukey's. family error rate: 5 Graphs: Residual plots Box plot of data Normal plot of residuals OK Como el valor P de es que 0. family error rate: 5 Graphs: Residual plots Box plot of data Normal plot of residuals OK Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo 120 .05. las medias de los procesos que son diferentes son (dado que el cero no se encuentra en el intervalo de confianza de la diferencia de medias – Pairwise comparisons): b) Otra opción con datos en una sola columna Instrucciones de Minitab: Stat > ANOVA > One Way Response Calificación Factor Depto Confidence Level 95 Comparisons Tukey's.

Curso básico de Minitab b) Otra opción con datos en una sola columna Con Minitab: Stat > ANOVA One way Response Calificaciones Factor Depto Comparisons: Tukey’s. COMPARACIONES: TUKEY. 121 . family error rate 5 Graphs: Box polot of data OK ESTADÍSTICAS > ANOVA UN FACTOR RESPUESTA CALIF FACTOR DEPTO. TASA DE ERROR DE LA FAMILIA 5 GRÁFICAS: DIAGRAMA DE CAJA DE DATOS OK Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo de confianza de la diferencia de medias entre cada dos tratamientos Depto).

Curso básico de Minitab Estadística no paramétrica 122 .

• Desarrollar una Prueba de normalidad.Raíz cuadrada de todos los datos •. Las transformaciones comunes incluyen: •.05) • Revisar la información para detectar errores (tipográficos.). • Intentar transformar los datos. se mostrará algunas veces como anormal.Curso básico de Minitab ESTADÍSTICA NO PARAMÉTRICA Acciones a tomar sobre los datos normales antes de optar por estas pruebas: Revise y asegúrese de que los datos no siguen una distribución normal. Investiguar los valores atípicos. Para la prueba de Bartlet (P value <0. entonces usar estas herramientas no paramétricas Se utilizan cuando no interesa la forma de la distribución o los datos no son normales 123 .Logaritmo de todos los datos •. • Una muestra pequeña (n < 30) proveniente de un universo normal. etc.Cuadrado de todos los datos • Si la información es todavía anormal.

Curso básico de Minitab Prueba de Hipótesis Variables No Normales Varianzas Homogeneidad de Varianzas de Levene Atributos Tablas de Contingencia de Correlación Medianas Correlación Prueba de signos Wilcoxon MannWhitney KruskalWallis Prueba de Mood Friedman Normal Variancia Chi Medias Pruebas de t Muestra-1 Muestra-2 Prueba-F Homogeneidad de la Variación de Bartlett ANOVA Una vía Dos vías Residuos distribuidos normalmente Correlación Regresión 124 .

por dif. Pruebas de dos Medianas Prueba de la mediana de Mood: Otra prueba para más de dos medianas. Prueba Kruskal-Wallis: Prueba igualdad de dos o más medianas de muestras Asume que todas las distribuciones tienen la misma forma. clasificadas bajo dos categorías. Prueba de Friedman: Prueba si las medianas de las muestras. entre dos medianas del universo. Prueba de dos o más Medianas Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales. Prueba Wilcoxon: Prueba si la mediana de la muestra es igual a un valor conocido o a un valor hipotético. Correlación: Prueba la relación lineal entre dos variables 125 . Comprueba el rango de dos muestras. Prueba más firme para los valores atípicos contenidos en la inf. son iguales.Curso básico de Minitab Pruebas no paramétricas 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.

10 si el índice se ha incrementado. Los datos históricos indican que el índice ha sido de 115.Mtw Stat > Nonparametrics > 1-Sample Sign.0 N Below Equal Above P PriceIndex 29 12 0 17 0.2291 Interpretación de resultados: Median 144. Seleccionar greater than. 126 . Los resultados son los siguientes: Sign Test for Median: PriceIndex Sign test of median = 115.0 Como el valor P de la prueba es >0. Nivel de confianza = 1 . seleccionar PriceIndex Confidence interval level 90 Seleccionar Test median y poner 115 en el cuadro En Alternative. Probar a un alfa de 0.0 versus > 115.1 no hay evidencia suficiente para rechazar Ho y la mediana no es mayor a 115.alfa = 90% File > Open worksheet > Exh_Stat. Click OK. En Variables.Curso básico de Minitab Puebas de signos de la mediana Ho: mediana = mediana hipotetizada versus Ha: mediana ≠ mediana hipotetizada Ejemplo: Se evaluan los índices de precios de 29 casas.

Curso básico de Minitab Prueba de una mediana de Wilconox Ho: mediana = mediana hipotetizada versus Ha: mediana ≠ mediana hipotetizada Se registran los resultados de examenes en ciencias para 9 estudiantes. Seleccionar less Than.05.05 no hay evidencia suficiente para rechazar Ho y la mediana no es estadísticamentemenor a 77.00 versus median < 77.alfa = 95% File > Open worksheet > Exh_Stat. seleccionar Achievement Confidence interval level 95 Seleccionar Test median y poner 77 en el cuadro En Alternative.Mtw Stat > Nonparametrics > 1-Sample Wilconox En Variables. Nivel de confianza = 1 . Los resultados son los siguientes: Wilcoxon Signed Rank Test: Achievement Test of median = 77. Click OK.00 N for Test 8 Wilcoxon Statistic 19.50 Achievement N 9 P 0. Se quiere probar si hay suficiente evidencia de que la mediana sea menor a 77 con alfa = 0. 127 .5 Estimated Median 77.610 Interpretación de resultados: Como el valor P de la prueba es >0.

Nivel de confianza = 1 . Seleccionar Not equal.alfa = 90% File > Open worksheet > Exh_Stat. 128 . donde h es mediana de la población. seleccionar DBP2.Curso básico de Minitab Prueba de rangos de dos muestras de Mann Whitney H0: h1 = h2 versus H1: h1 ≠h2 . sleccionar DBP1. En Confidence level 95 y en Alternative. Click OK. En Second Sample. Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza Ejemplo: Se compara la presión diastólica de dos muestras extraidas de dos poblaciones Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas. Click OK.Mtw Stat > Nonparametrics > Mann-Whitney En First Sample.

00.1 Percent CI for ETA1-ETA2 is (-18.05 no hay evidencia suficiente para rechazar Ho y las medianas no son diferentes estadísticamente.0 Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.4. DBP2 N Median DBP1 8 69.2685 The test is significant at 0.50 DBP2 9 78.2679 (adjusted for ties) Interpretación de resultados: Como el valor P de la prueba es >0.00) W = 60.50 95.00 Point estimate for ETA1-ETA2 is -7. 129 .Curso básico de Minitab Los resultados son los siguientes: Mann-Whitney Test and CI: DBP1.

90 4.71 La mediana 3 difiere menos de la mediana general 8. En Factor.013 (adjusted for ties) 130 .7 -0. Los resultados son los siguientes: Kruskal-Wallis Kruskal-Wallis Treatment N 1 5 2 5 3 6 Overall 16 H = 8.20 7.7 2.64 DF = Test: Growth versus Treatment Test on Growth Median Ave Rank Z Interpretación de resultados: 13.alfa = 90% File > Open worksheet > Exh_Stat.5 Las medianas 1 y 2 tienen una mayor diferencia respecto a la mediana general.013 2 P = 0. Click OK.05 hay evidencia suficiente para rechazar Ho y las 12.38 medianas son diferentes estadísticamente. seleccionar Growth .60 12.45 Como el valor P de la prueba es < 0. seleccionar Treatment .3 -2. 15. 2 P = 0.Mtw Stat > Nonparametrics > Kruskal-Wallis.63 DF = H = 8. En Response.Curso básico de Minitab Prueba de igualdad de medianas de Kruskal Wallis H0: Las medianas poblacionales son todas iguales vs H1: Al menos hay una diferente Esta es una generalización 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 Nivel de confianza = 1 .

Curso básico de Minitab Prueba de igualdad de medianas de Mood Prueba similar a la anterior: H0: h1 = h2 = h3. 131 . Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras después se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia significativa entre el nivel de educación 0 . versus H1: no todas las h's son iguales con h's medianas poblacionales .Preparatoria Nivel de confianza = 1 . seleccionar OTIS. Click OK. de OTIS para los tres niveles educacionales.alfa = 90% File > Open worksheet > Cartoon.Mtw Stat > Nonparametrics > Mood´s Median Test En Response.Preprofesionales 1 -Profesionales 2 . seleccionar ED. En Factor.

0 112.5 106.5 Q3-Q1 17.3 Individual 95.Curso básico de Minitab Los resultados son los siguientes: Mood Median Test: Otis versus ED Mood median test for Otis Chi-Square = 49.0 116.5 16.000 ED 0 1 2 N<= 47 29 15 N> 9 24 55 Median 97.0 104.0% CIs ----+---------+---------+---------+-(-----*-----) (------*------) (----*----) ----+---------+---------+---------+-96.08 DF = 2 Interpretación de resultados: Como el valor P es menor a 0.3 21.0 120.05 indica que las medianas no son iguales P = 0.0 132 .

Curso básico de Minitab Tablas de Contingencia La Tabla de contingencia es una prueba de independencia entre variables. Republican y Other. Ho: La variable de renglón es independiente de la variable de columna Las proporciones en todas las columnas de cada renglón son iguales Ha: La variable de renglón tiene dependencia de la variable de columna Las proporciones en las columnas de cada renglón son diferentes Ejemplo: Se tiene interés de probar si la afiliación política depende del sexo y del partído político. para lo cual se encuestan a 100 personas.Mtw. Click OK. En Columns que contiene la tabla. Stat > Tables > Chi-Square Test (Tabla en Worksheet). 133 . indicar Democrat. Democrat Republican Other Hombres Mujeres 28 22 18 27 4 1 Las instrucciones son las siguientes: File > Open worksheet Exh_Tabl.

P-Value = 0. Republican.900 esperadas deberían ser mayores a 5.900 0.900 0. Other Expected counts are printed below observed counts Chi-Square contributions are printed below expected counts Democrat Republican Other Total 1 28 18 4 50 25. 134 .360 0.50 0.05 y no 2 cells with expected counts less than 5.50 2.360 0.00 22. 2 22 27 1 50 25. DF = 2.50 2.320.00 22.Curso básico de Minitab Los resultados son los siguientes: Chi-Square Test: Democrat. se rechaza Ho por tanto el tipo de partido es independiente del sexo de los votantes.115 El valor P es mayor a 0.50 NOTA: Las frecuencias 0.900 Total 50 45 5 100 Chi-Sq = 4.

Los errores presentados en tres tipos de servicios cuando se prestan por tres regiones se muestran a continuación. Servicio 1 2 3 Region A Region B Region C 27 12 8 41 22 9 42 14 10 Ho: Los errores NO dependen en cada región del tipo de servicio. dependen del tipo de servicio. Con Minitab: Stat > Tables > Chi square test (two way table in worksheet) Columns containing the table Region A Region B Region C OK 135 .Curso básico de Minitab Ejercicios: 1. probar con una tabla de contingencia si los errores dependen del tipo de servicio y región para un 95% de nivel de confianza. Ha: Los errores en cada región.

Probar a una alfa de 0.05 si los errores que se cometen al facturar en diferentes ramos son similares. OK 136 . Nivel de confianza = 1 . Telecom. Telecom.alfa = 95% Orden Farmacia Consumo Comput.Curso básico de Minitab 2. Correcta 207 136 151 178 Incorrecta 3 4 9 12 Ho: El número de errores no depende del ramo industrial Ha: El número de errores depende del ramo industrial Con Minitab: Stat > Tables > Chi square test (two way table in worksheet) Columns containing the table Farmacia Consumo Comput.

Curso básico de Minitab Regresión lineal y cuadrática 137 .

138 . * Es una medida de la fuerza de la relación lineal entre dos variables x y y. La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la predicción. * Es un número entre -1 y 1 * Un valor positivo indica que cuando una variable aumenta.Curso básico de Minitab Correlación y Regresión lineal y cuadrática simple Coeficiente de Correlación Establece si existe una relación entre las variables y responde a la pregunta. la otra variable aumenta * Un valor negativo indica que cuando una variable aumenta. ”¿Qué tan evidente es esta relación?". el coeficiente de correlación tiende a 0. la otra disminuye * Si las dos variables no están relacionadas. para una respuesta dada.

8 139 .8 r = -0.Curso básico de Minitab Correlación Positiva Evidente 25 20 15 10 5 0 0 5 10 X 15 20 25 25 20 15 Y Y Correlación Negativa Evidente 25 20 15 10 5 0 0 5 10 X 15 20 25 Sin Correlación r= 1 Y r = -1 25 20 15 Y Correlación Positiva 10 5 0 0 5 10 X 15 20 r =250 25 20 15 Y Correlación Negativa 10 5 0 0 5 10 X 15 20 25 10 5 0 0 5 10 X 15 20 25 r = 0.

MTW campos Peso (Weight) y Altura (Height) File > Open Worksheet > Pulse.Curso básico de Minitab Ejemplo: Se utiliza el archivo PULSE. relaciones no lineales. Graph > Scatterplot: Simple 220 200 180 Y = Weight y X = Height Scatterplot of Weight vs Height Weight 160 140 120 100 60 62 64 66 68 Height 70 72 74 76 140 .Mtw o copiar los datos del archivo anexo Antes de calcular el coeficiente de correlación se sugiere hacer un diagrama bivariante para identificar posibles valores anómalos. etc.

000 Como el P value es menor a 0.Curso básico de Minitab Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe entre dos variables. Height Pearson correlation of Weight and Height Coeficiente de correlación = 0.785 P-Value = 0.05. la correlación si es significativa 141 . como sigue: Stat > Basic Statistics > Correlation Seleccionar en Variables Weight Height Seleccionar Display P values Los resultados son los siguientes: Correlations: Weight.

8 < r < 1. negativa 142 .0 < r < -0.0 0.3 -1.8 -0.3 < r < 0. positiva No existe Débil.8 Relación Fuerte. positiva Débil.3 -0.8 < r < -0.3 < r < 0. negativa Fuerte.Curso básico de Minitab Coeficiente de correlación Reglas empíricas Coeficiente de correlación 0.

y. Puede ser usado para analizar las relaciones entre: • Una sola “X” predictora y una sola “Y” • Múltiples predictores “X” y una sola “Y” • Varios predictores “X” entre sí 143 .Curso básico de Minitab Análisis de Regresión El análisis de regresión es un método estandarizado para localizar la correlación entre dos grupos de datos. crear un modelo de predicción. quizá más importante.

Curso básico de Minitab Modelo de regresión lineal simple Resultados de prueba (%) = 31.0% 74.6955 Tiempo de estudio (horas) 80 Resultados de prueba (%) S R-Sq R-Sq(adj) 4.21 + 0.47182 77.2% Fitted Line Plot 75 70 65 60 55 50 30 40 50 60 Tiempo de estudio (horas) 70 R^2 Coef. de determinación Mínimos cuadrados 144 .

Estandar de los residuos (valor real-estimado por la regresión) R-Sq Coeficiente de Determinación en porcentaje de variación explicada por la ecuación de regresión Weight 160 140 120 100 60 62 64 66 68 Height 70 72 74 76 S R-Sq R-Sq(adj) 14. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits OK Weight = .Mtw Stat > Regression > Fitted line Plot Seleccionar en Response (Y) Weight y en Predictor (X) Height Seleccionar modelo Type of Regression model Linear Sel.7 + 5.092 Height 220 200 180 Fitted Line Plot Ecuación de Regresión S Desv.Sólo para regresión múltiple 145 .204.2% R-Sq (Adj) .6% 61.Curso básico de Minitab Regresión simple por medio de gráfica: File > Open Worksheet > Pulse.7920 61.

000 Error 90 19692.6 31591.2 218.6 144.Curso básico de Minitab Regression Analysis: Weight versus Height The regression equation is Weight = .8 Total 91 51283.05 indica que SI es significativa la Correlación de Y y X.38 0.7920 R-Sq = 61. 146 .9 El valor p menor a 0.6% R-Sq(adj) = 61.2% Analysis of Variance Source DF SS MS F P Regression 1 31591.7 + 5.092 Height S = 14.204.

Curso básico de Minitab Análisis de los residuos (response is Weight) 4 3 Standardized Residual Versus Fits Normal Probability Plot (response is Weight) 99.1 100 110 120 130 140 150 Fitted Value 160 170 180 -4 -3 -2 -1 0 1 Standardized Residual 2 3 4 Los residuos muestran aleatoriedad Los residuos siguen una distribución normal 147 .9 99 95 2 1 0 -1 -2 Percent 90 80 70 60 50 40 30 20 10 5 1 0.

Estandar de los residuos (valor real-estimado por la regresión) R-Sq Coeficiente de Determinación en porcentaje de variación explicada por la ecuación de regresión EnergyConsumption 30 20 10 0 10 15 20 MachineSetting 25 30 R-Sq (Adj) .8 .Sólo para regresión múltiple 148 .4% Fitted Line Plot Ecuación de Regresión S Desv.Mtw Stat > Regression > Fitted line Plot Seleccionar en Response (Y) EnergyConsumption y en Predictor (X) MachineSetting Seleccionar modelo Type of Regression Model Quadratic Sel.13. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits OK EnergyConsumption = 128.3% 73.3289 MachineSetting**2 40 S R-Sq R-Sq(adj) 6.Curso básico de Minitab Regresión cuadrática por medio de gráfica: File > Open Worksheet > Exh_Reg.11 MachineSetting + 0.00002 79.

3% R-Sq(adj) = 73.673 25.000 El valor p menor a 0.Curso básico de Minitab Resultados Polynomial Regression Analysis: EnergyConsumption versus Machin The regression equation is EnergyConsumption = 128.81 Error 7 252.00 Total 9 1215.3289 MachineSe S = 6. Variance F P 0.004 36.001 149 .11 MachineSetting+0.81 Sequential Analysis of Source DF SS Linear 1 28.4% Analysis of Variance Source DF SS Regression 2 963.05 indica que SI es significativa la Correlación de Y y X.98 0.904 13.19 0.308 MS F P 481.8-13.500 Quadratic 1 935.39 0.00002 R-Sq = 79.

Curso básico de Minitab Análisis de los residuos (response is EnergyConsumption) 99 Normal Probability Plot 95 90 80 Percent 70 60 50 40 30 20 10 5 1 -3 -2 -1 0 1 Standardized Residual 2 3 Los residuos siguen una distribución normal 150 .

Curso básico de Minitab Cartas de control 151 .

.. denominadas “causas especiales o asignables de variación. Hacia donde se puede dirigir  Las cartas de control pueden reconocer cambios buenos y malos.” 152 .. ¿Qué tanto se ha mejorado? ¿Se ha hecho algo mal?  Las cartas de control detectan la variación anormal en un proceso. ¿donde ha estado? ¿En donde se encuentra? ..Curso básico de Minitab ¿Qué es una Carta de Control?  Una Carta de Control es como un historial del proceso.

El patrón anormal debido a eventos especiales se llama causa especial de variación.Curso básico de Minitab Variación observada en una Carta de Control  Una Carta de control registra datos secuenciales en el tiempo con límites de control superior e inferior. 153    . Los límites de control NO son de especificación. El patrón normal de un proceso se llama causas de variación comunes.

responsabilidad de la dirección  Fuentes de variación: Márgenes inadecuados de diseño. materiales de baja calidad. capacidad del proceso insuficiente  SEGÚN DEMING El 94% de las causas de la variación son causas comunes.Curso básico de Minitab Causas comunes o normales Siempre están presentes Sólo se reduce con acciones de mejora mayores. responsabilidad de la dirección 154 .

de especs.Curso básico de Minitab Variación – Causas comunes Límite inf. de especs. Objetivo El proceso es predecible 155 . Límite sup.

Curso básico de Minitab Causas Especiales  CAUSAS ESPECIALES  Ocurren esporádicamente y son ocasionadas por variaciones anormales (6Ms)  Medición. Maquinaria. Medio ambiente. Materiales Se reducen con acciones en el piso o línea. son responsabilidad del operador  SEGÚN DEMING  El 15% de las causas de la variación son causas especiales y es responsabilidad del operador 156 . Mano de obra. Método.

Curso básico de Minitab Límite sup. Objetivo El proceso es impredecible 157 . de especs. de especs.Variación – Causas especiales Límite inf.

5 11.5 7.5 8.5 0 10 20 30 158 Límite Superior de Control Línea Central Límite Inferior de Control .5 10.Curso básico de Minitab Cartas de control 12.5 9.

Curso básico de Minitab 9A5. captura la variación natural del proceso original LSC LIC Tendencia del proceso Causa Especial identifcada El proceso ha cambiado TIEMPO . Patrones de anormalidad en la carta de control “Escuche la Voz del Proceso” M E D I D A S C A L I D A D Región de control.

Puntos fuera de control 1 punto fuera de los límites de control a 3 sigmas en cualquier dirección (arriba o abajo). 160 . Tendencia ascendente o descendente 7 puntos consecutivos aumentando o disminuyendo.Curso básico de Minitab Patrones Fuera de Control Corridas 7 puntos consecutivos de un lado de X-media.

Otros 2 de 3 puntos fuera de los límites a dos sigma 161 .Curso básico de Minitab Patrones Fuera de Control Adhesión a la media 15 puntos consecutivos dentro de la banda de 1 sigma del centro.

Curso básico de Minitab Proceso de mejora con CEP http://support.sas.com/rnd/app/qc/qc/qcspc.html 162 .

Ejemplo: .  Las Cartas por variables se usan para característica con magnitud variable.Curso básico de Minitab Tipos de Cartas de control  Hay dos categorías.cartas por variables y atributos.Longitud. Ancho. Tiempo de ciclo o de respuesta  Las Cartas por atributos se usan para monitoreo de datos contables. Ejemplo: . errores en los servicios o defectos en los productos 163 .Servicios o productos no conformes. por el tipo de datos bajo estudio. Peso.

MR (partes o servicios individuales evaluados por periodo de tiempo)   1 6 4 .Curso básico de Minitab Cartas de Control por Variables  MEDIAS RANGOS X-R (subgrupos de 5 . para estabilizar procesos) MEDIAS DESVIACIONES ESTÁNDAR X –S (subgrupos 9 partes o servicios evaluados por periodo de tiempo) VALORES INDIVIDUALES I.9 partes o servicios evaluados por periodo de tiempo.

seleccionar Supp2.rangos. n <= 9) Se usa el archivo CAMSHAFT. Tamaño típico de subgrupo n = 5 File > Open worksheet > Camshaft Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.23 598 1 3 5 7 9 11 Sample 13 15 17 19 LC L=598.72 ¿Cuál gráfica se analiza primero? 1 3 5 7 9 11 Sample 13 15 17 19 ¿Cuál es su conclusión acerca del proceso ? 165 LC L=0 . En Xbar . Seleccionar All observations for a chart are in one column.084 8 U C L=7.866 Sample Range 6 4 2 0 _ R=3.Curso básico de Minitab Ejemplo de Carta de Control X-R (medias .MTW.R Options > Estimate > Rbar OK Xbar-R Chart of Supp2 1 1 Sample M ean 602 U C L=602.376 600 _ _ X=600.

Dev. Std Dev. From center line 7 points in a row all increasing and all decreasing 7 points in a row on same side of center line Para mostrar diferentes etapas de desempeño del proceso Define stages (historical groups) with this variable xxx Para transformar datos sin un comportamiento normal Optimal Lamda Si se quiere condicionar el despliegue de subgrupos Display all subgroups Display last xx subgroups Para guardar los datos mostrados en la carta de control Mean. Point Plotted. Dev. parameters (2 14) Method for estimating standar deviation seleccionar R bar Para mostrar límites en 2 y 3 (default) sigmas u en otra sigma Display Control Limts at These multiples of std.Curso básico de Minitab Usar (Chart) Options si se desea algo de lo siguiente: Parameters Para límites de la media o rango en base a datos históricos 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. Center line. Control limits S limits Tests Stages Box Cox Display Store 166 . (2 3) Definir las pruebas estadísticas fuera de control a ser indicadas 1 point > 3 std.

909 Sample StDev 2 _ S =1.S Options > Estimate > Sbar OK Xbar-S Chart of Supp2 602 1 U C L=601.Curso básico de Minitab Se usa el archivo CAMSHAFT.577 1 2 3 4 5 Sample 3 6 7 8 9 10 U C L=2.481 1 2 3 4 5 Sample 6 7 8 9 10 167 .23 600 599 LC L=598. seleccionar Supp2. Seleccionar All observations for a chart are in one column.883 Sample M ean 601 _ _ X=600.695 1 LC L=0.desviaciones estándar n >= 1 File > Open worksheet > Camshaft Stat > Control Charts > Variables Charts for Subgroups > Xbar-S. Tamaño típico del subgrupo n >10 Ejemplo de Carta de Control X-S (medias . En Xbar .MTW.

En I-MR Options > Estimate > Average moving range 2 OK I-MR Chart of Supp2 605. seleccionar Supp2.Curso básico de Minitab Ejemplo de Carta de Control I-MR (valores individuales -rangos n = 1) Se usa el archivo CAMSHAFT.0 1. Tamaño de muestra unitario n = 1 File > Open worksheet > Camshaft Stat > Control Charts > Variables Charts for Individuals > I-MR Seleccionar All observations for a chart are in one column.23 1 6.5 600.MTW.0 597.12 _ X=600.0 U C L=6.5 595.34 Individual V alue 602.5 3.0 1 11 21 31 41 51 O bser vation 61 71 81 91 __ M R=1.0 U C L=605.923 LC L=0 168 .5 0.0 1 11 21 31 41 51 O bser vation 61 71 81 91 LC L=595.284 M oving Range 4.

169 . Ordenar los datos del archivo por región en Excel (Datos y Ordenar) Tamaño de muestra unitario n = 1 File > Open worksheet > Wine. seleccionar Aroma En I-MR Options > Estimate > Average moving range 2 Seleccionar las opciones siguientes: I-MR Options > Tests: Marcar Perform all tests for special causes I-MR Options > Stages: Define stages: Region Click OK OK.MTW.Mtw Stat > Control Charts > Variables Charts for Individuals > I-MR Seleccionar All observations for a chart are in one column.Curso básico de Minitab Ejemplo de Carta de Control I-MR (para tres regiones de vino) Se usa el archivo WINE.

Curso básico de Minitab Estos son los patrones de anormalidad en las cartas de control 170 .

967 Individual V alue 1 3 3 U C L=3.699 8 6 4 LC L=3.Curso básico de Minitab Las cartas resultantes son las siguientes I-MR Chart of Aroma by Region 1 2 3 U C L=8.027 LC L=0 171 .235 2 1 5 9 13 17 21 O bser vation 2 25 29 33 37 _ X=5.356 M oving Range 2 1 0 1 5 9 13 17 21 O bser vation 25 29 33 37 __ M R=1.

bueno/malo o pasa/no pasa.  Número de productos defectuosos  Fracción de productos defectuosos  Numero de defectos por unidad de producto  Número de llamadas para servicio   Número de partes dañadas Pagos atrasados por mes .Curso básico de Minitab Cartas de control por atributos Miden características como aprobado/reprobado.

¿Tamaño de Muestra ? Constante o variable > 50 defectivas o no conformes (>4) np c Número de partes defectuosas Número de defectos o errores n e (n promedio +.20%) Constante > 50 Constante = 1 Unidad de inspección u Número de defectos por unidad o errores por unidad Constante o variable en unidades de inspección .Curso básico de Minitab Cartas de control para atributos Datos de Atributos Tipo p Medición Fracción de partes defectuosas.

MTW contiene datos de defectivos y defectos evaluados por atributos File > Open worksheet > EXH-QC Stat > Control Charts > Attributes chart > P En Variables. no conformes o defectivas El archivo EXH-QC.15 0.20 0.25 UCL=0.3324 1 0.3324 UCL=0.20 0. En Subgroup sizes.00 _ _ P=0.1685 Se tienen límites de control variables por ser el tamaño de muestra variable LCL=0. poner Rejects.10 0.0047 9 11 13 7 Sample 11 9 Sample Tests performed with unequal sample sizes Tests performed with unequal sample sizes 1 3 3 5 5 7 15 13 17 15 19 17 19 174 . poner Sampled.Curso básico de Minitab Carta P de fracción de unidades defectuosas.05 0.35 0. P Chart of Rejects P Chart of Rejects 0.05 0.1685 P=0.00 1 1 Proportion Proportion 0.15 0.10 0. Click OK.25 0.30 0.0047 LCL=0.30 0.35 0.

49 UCL=21.49 Los límites de control son constantes __ NP=12 __ NP=12 5 0 1 3 5 7 LCL=2.51 0 1 3 5 7 9 11 Sample 13 15 LCL=2.51 17 19 9 11 Sample 13 15 17 19 175 .Curso básico de Minitab Carta nP de número de unidades defectuosas. no conformes o defectivas El archivo EXH-QC. NP Chart of RejectsNP Chart of Rejects 30 25 20 15 10 5 1 30 25 20 15 10 1 Sample Count Sample Count UCL=21. En Subgroup sizes.MTW contiene datos de defectivos y defectos evaluados por atributos File > Open worksheet > EXH-QC Stat > Control Charts > Attributes chart > nP En Variables. poner Rejects. poner 72 Click OK.

MTW contiene datos de defectivos y defectos evaluados por atributos File > Open worksheet > EXH-QC Stat > Control Charts > Attributes chart > C En Variables. poner Blemish. Click OK.725 176 .Curso básico de Minitab Carta de control C para defectos por unidad de inspección constante El archivo EXH-QC.677 Los límites de control son constantes Sample Count 5 4 3 2 1 0 1 5 9 13 17 21 Sample 25 29 33 37 LCL=0 _ C=2. C Chart of Blemish 8 7 6 UCL=7.

poner Defects.08 0.04 0.00 1 LCL=0 3 5 7 11 7 Sample 9 9 13 15 17 19 LCL=0 1 3 5 Tests performed with unequal sample sizes 11 Sample 13 15 17 19 Tests performed with unequal sample sizes 177 .080.0546 Se tienen límites de control variables por ser el tamaño de muestra variable 0.100.1241 0.MTW contiene datos de defectivos y defectos evaluados por atributos File > Open worksheet > TOYS.00 _ _ U=0.04 0.14 1 1 1 U Chart of Defects 1 U Chart of Defects UCL=0.Curso básico de Minitab Carta de control u para defectos por unidad de inspección variable El archivo TOYS. 0.10 0. En Sample size.MTW Stat > Control Charts > Attributes chart > U En Variables.02 0.0546 U=0.06 0.1241 UCL=0.120.12 Sample Count Per Unit Sample Count Per Unit 0.060.14 0.02 0. poner Sample Click OK.

You're Reading a Free Preview

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