Está en la página 1de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

CURSO TALLER DE APLICACIN DE MINITAB VERSIN 15

Elabor: Dr. Primitivo Reyes Aguilar Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12 Mail: primitivo_reyes@yahoo,com

Pgina 1 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

CONTENIDO
Pgina

MDULO 1. INTRODUCCIN 1.1Caractersticas generales del Minitab 1.2Pantallas y mens 1.3Abrir, guardar e imprimir archivos 1.4Clculos con columnas y renglones 1.5Aplicaciones MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS 2.1Grficos de barras, lnea y pastel 2.2 Diagrama de Pareo y de Causa Efecto 2.2Grficas de dispersin de dos variables 2.4Grficas de dispersin tridimensionales 2.5Aplicaciones MDULO 3. ESTADSTICA DESCRIPTIVA 3.1Estadsticos de una muestra 3.2Histogramas 3.3Diagramas de caja y diagramas de tallo y hojas 3.4Distribucin normal estndar y distribucin normal 3.5Prueba de normalidad 3.6Aplicaciones MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL 4.1Clculo de probabilidades 4.2Pruebas de hiptesis de una poblacin 4.3Pruebas de hiptesis de dos poblaciones 4.4Tamao de muestra y potencia 4.5Anlisis de varianza (ANOVA) 4.6Correlacin y Regresin lineal y cuadrtica simple 4.7Regresin Mltiple - Matriz de Correlaciones 4.8Aplicaciones MDULO 5. ESTADSTICA NO PARAMTRICA 1. Prueba de rachas de normalidad 2.Prueba de los signos de una mediana 3.Prueba de Wilconox de una mediana 4.Prueba de rangos de dos muestras de Mann Whitney 5.Prueba de Kruskal Wallis varias poblaciones 6.Prueba de medianas de Mood varias poblaciones (ANOVA) 7.Experimentos aleatorizados bloqueados (ANOVA 2 vas) 8. Tablas de Contingencia.
Pgina 2 de 308

4 4 4 5 6 6 7 7 8 10 16 18 19 19

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

9.Aplicaciones MDULO 6. CONTROL ESTADSTICO DEL PROCESO 6.1Cartas de control por variables: I-MR, Xmedia R 6.2Estudios de capacidad de equipos de medicin R&R 3.3Estudios de capacidad de procesos normales 6.4Estudios de capacidad de procesos no normales 6.5Cartas de control por atributos: p, np, c, u 6.6Estudios de capacidad de proceso por atributos 6.7Cartas de control especiales (EWMA, CuSum) 6.8Muestreo por atributos (AQL, AOQL, LTPD, Z1.4) 6.9 Aplicaciones

MDULO 7. DISEO DE EXPERIMENTOS 7.1 Cartas Multivari 7.2Diseo de experimentos factoriales completos 7.3Diseo de experimentos factoriales completos de dos niveles 7.4Diseo de experimentos fraccionales (1/2) de dos niveles 7.5Aplicaciones MDULO 8. TPICOS ESPECIALES 8.1Series de tiempo 8.2Anlisis multivariado 8.3Confiabilidad 8.4.Operaciones especiales 8.5Aplicaciones

Anexos: Archivos de datos para los Mdulos 1 al 6 Archivos de ejercicios y ejemplos de aplicacin de Mdulos 2 al 6.

Bibliografa: Texto: Estadstica Prctica con Minitab Webster, Estadstica para administracin y economa,McGraw Hill, Mxico, 2002. Montgomery, D. Control Estadstico de la Calidad, Ed. LIMUSA Wiley, 3th. ed., Mxico. 2005. Montgomery, Douglas C., Diseo y anlisis de experimentos, Limusa Wiley,2a. edicin Mxico, 2002. Grant, E. L., Leavenworth, R.S. Control Estadstico de Calidad, 2 ed., CECSA, Mxico. Duncan, A.J. Quality Control and Industrial Statistics, 4 ed., Irwin, Homewood, ILL. 1974. Manual de Mediciones (MSA ) y de Control Estadstico del Proceso de la AIAG.

Pgina 3 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

1.1Caractersticas generales del Minitab


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

Data > Change Data Type > Numeric to Text. 1.2Pantallas y mens
Las pantallas y menus principales del Minitab se muestran a continuacin: Mens de comandos e conos

Ventana Session (Lleva el registro de rdenes y resultados)


Direccin de escritura

Zona de ttulos de columnas

Ventana Data (Parecido a una de Excel)

Captura de datos File > New


Hoja de trabajo nueva Pgina 4 de 308 Proyecto nuevo,

CURSO TALLER DE MINITAB 15 manteniendo lo que ya se ha procesado como grficas sesiones, etc.

P. Reyes / Agosto 2007 borra toda la informacin que exista en el proyecto abierto.

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

Data > Change Data Type > Numeric to Text.


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

M15

Para buscar archivos de Prueba

Pgina 5 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Se tiene este cono para facilitar la bsqueda

Para cambiar el Folder de default de Minitab

Tools > Options > General

1.3Abrir, guardar e imprimir archivos

Para proyectos donde se incluye todo, datos grficas, sesiones.

Para hojas de trabajo (worksheets) slo la parte de hoja tipo Excel

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

File > Open Worksheet


En carpeta DATA se encuentran

M15/14

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, 3. Doble click en EASTERN.MTW 4. OK

Meet Minitab

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. Doble 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


Pgina 6 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2. Click en Look in Minitab Sample Data folder, Meet Minitab 3. Doble click en WESTERN.XLS 4. Seleccionar Merge Pone los datos en la misma hoja 5. Click Open
Estos mismos datos se encuentran en archivo SHIPPINGDATA.MTW de la carpeta Meet Minitab Order 38779.356944 38779.357639 38779.359722 38779.361111 38779.3625 Arrival Status 38783.6395833 On time 38782.7118056 On time Back order 38783.6611111 On time 38785.6166667 Late Distance 255 196 299 205 250 Order_1 38779.3652778 38779.3694444 38779.3715278 38779.3736111 38779.3777778 Arrival_1 38781.7055555556 38782.6333333333 38783.6319444444 38782.6243055556 38784.425

Para reemplazar un valor perdido en rengln C105 de columna 1 C10 Click the Data window to make it active, 1. Editor > Go to then choose Editor Go To. 2 In Enter column number or name, type C10. 3 In Enter row number, type 105. Click OK. 4 In row 105 of column C10, type an asterisk ().

2. Poner un * 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 estn las mismas columnas con Order (Eastern), Order_1(Central) Order_2 (Western) como etiquetas para indicar de cual centro de distribucin se originan los datos MY_SHIPPINGDATA.MTW Subscripts Order 3/3/2006 8:34 Order 3/3/2006 8:35 Order 3/3/2006 8:38 Order 3/3/2006 8:40 Order 3/3/2006 8:42

3/7/2006 15:21 3/6/2006 17:05 * 3/7/2006 15:52 3/9/2006 14:48

On time On time Back order On time Late

255 196 299 205 250

Pgina 7 de 308

CURSO TALLER DE MINITAB 15 Codificar datos de centros de distribucin

P. Reyes / Agosto 2007

1. Data Code Text to Text.


Order Order_1 Order_2

Para agregar una columna calculada en Das = Arrival - Order 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 Insertar una columna entre Arrival y Status

Status On time On time Back order On time Late

Distance

Poner nombres a 255 las columnas 196 299 205 250

1 Click en cualquier celda en C4 para activarla 2 Click en botn derecho del ratn y seleccionar Insert Columns. 3 Click en el nombre de C4. Poner Days, 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

1.4Clculos con columnas y renglones


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

Calc > Calculator


Columna donde aparecer el resultado Expresin a calcular

Columnas que contienen los datos

Ejemplo: Velocidad por tiempo

Pgina 8 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Store result in C3 Usar las columnas de Peso_antes y Peso_despues del archivo de Datos Modulo 1 Expresion: C2-C1 o Peso_despues - Peso_antes M15/14 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 Eastern Eastern Eastern Eastern Eastern Order Arrival Days 3/3/2006 8:34 3/7/2006 15:21 4.28 3/3/2006 8:35 3/6/2006 17:05 3.35 3/3/2006 8:38 * 3/3/2006 8:40 3/7/2006 15:52 4.30 3/3/2006 8:42 3/9/2006 14:48 6.25 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. Cambia la informacin de das automticamente Antes 2.98125 Central 3/3/2006 9:44 3/7/2006 9:17 3.98125 On time

306

b) Otra forma de realizar operaciones en columnas o renglones es a travs de Calc > Column o Row Statistics respectivamente:

Clculos disponibles

Columna (s) sobre la que se har el clculo 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 c) Otra forma de realizar operaciones en columnas o renglones es a travs de

Editor > Enable commands


MTB > Let C4 = C1 + C2 + C3 o

(Disable commands para terminar)

Edit > Command line editor


Escribir la expresin Let C4 = C1 + C2 + C3 Submit commnads Minitab 15 Contador de eventos Se usa para mostrar cuenta, cuenta acumulada, porcentajes, y porcentajes acumulados para cada variable especificada Suponiendo que se est estudiando la influencia de la actividad de paciente en el desempeo de una Pgina 9 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

droga nueva. Despus de colectar los datos, se examina la distribucin 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 Stat > Tables > Tally Individual Variables. En Variables, poner Activity. En Display, seleccionar Counts, Percents, Cumulative counts, y Cumulative percents Click OK

Los resultados son los siguientes: Tally for Discrete Variables: Activity Activity A lot Moderate Slight N= Count 21 61 9 91 CumCnt 21 82 91 Percent 23.08 67.03 9.89 CumPct 23.08 90.11 100.00

La actividad ligera tiene un 9.89%, la actividad moderada un 67.03% y alta 23.08%

1.5Aplicaciones
Ejercicios con renglones y columnas con datos del Archivo Datos Mdulo 1 Obtener un promedio de renglones para Peso_antes y Peso_despues

MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS


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

2.1Grficos de barras y lnea


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 fsica y pulso en reposo. Todos tiran una moneda y los que les salo sol corren durante un minuto, despus se vuelve a tomar su pulso. Se puede obtener informacin sobre los archivos de Minitab con: Help > Help > Data Sets Pulse.Mtw (dar doble click) Para grficas de barras:

File > Open Worksheet > Pulse.Mtw Graph > Bar chart
Se muestran distintas opciones para representar las barras, Para el caso de hombres y mujeres segn su actividad se tiene: Pgina 10 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Graph > Bar chart: Count of unique values, Stack Categorical variables: Activity Sex
Chart of Activity, Sex
60 50 40 Count 30 20 10 0 Activity
Sex 1 2

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

Type.

Data > Code > Numeric to text

o Sex

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

Una vez cambiados los valores la grfica se actualiza en forma automtica colocndose en la grfica y con botn derecho del ratn seleccionar Update Graph Now El marco de la grfica se puede quitar seleccionndolo con doble click y modificndolo Para grficas de Pastel:

Graph > Pie chart


Se muestran distintas opciones para los datos fuente ya sea Chart caso se establece una variable categrica en este caso Activity La otra opcin es que los valores ya estn tabulados previamente, Chart values from a table
Pie Chart of Activity
Category 0 1 2 3

Raw Data en cuyo

Pgina 11 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

Data > Code > Numeric to text


0 1 2 3 Nula Baja Media Alta

Para indicar el nombre de la categora y su frecuencia en cada uno de las partes de la grfica de pastel, seleccionar la grfica con doble click e ir a Slice Labels y marcar:

Category name, Frequency.


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

Editor > Annotation > Graph annotation tools


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

Diagrama de Pareto y de Causa Efecto


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

Stat > Quality Tools > Pareto Chart


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 opcin de una categora 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 de la primera opcin colocando en Chart defects Data in Defectos se tiene:
Pareto Chart of Defectos
200 100 80 Percent

La segunda opcin consiste en seleccionar

150 Count

Charts Defect Table


Labels in: Tipo de defectos Frequencies in: No. de defectos OK Con el mismo resultado

60 100 40 50

20 0 Pgina 12 de 308 Other 4 2.1 100.0

0 Defectos Count Percent Cum %

Rayas 124 63.6 63.6

Sopladura 42 21.5 85.1

Forma 19 9.7 94.9

Terminacin 6 3.1 97.9

40 50

CURSO TALLER DE MINITAB 15


20 0

P. Reyes / Agosto 2007

0 Defectos Count Percent Cum %

Rayas 124 63.6 63.6

Sopladura 42 21.5 85.1

Forma 19 9.7 94.9

Terminacin 6 3.1 97.9

Other 4 2.1 100.0

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

Variable in se obtiene el diagrama estratificado siguiente:

Pareto Chart of Defectos by Operario


s ya Ra r du pla a a rm Fo n i ac in er rm th e T O

So

Operario = A

Operario = B

80 60 40

Count

20 80 60 40 20 0
s ya Ra ur ad pl a a i n rm ac Fo in rm Te O er th

Defectos Rayas Sopladura Forma Terminacin Other

Operario = C

Operario = D

So

Defectos

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 grfica, click en la barra especfica, doble click y seleccionar la trama. Minitab 14/15

Stat > Quality Tools > Pareto Chart Options

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 Polvo Vibraciones Humedad Temperatura Causas secundarias: FORMA Dimetro Curvatura

MATLS. Forma Dureza Amacen

PERSONAL MTODO Salud Ajuste Habilidad Velocidad Humor

MAQUINAS Mantto. Deformacin Abrasin Herramental

ALMACEN Tiempo Ambiente

HABILIDAD HUMOR Seleccin Horas Formacin Moral Experiencia Cansancio Pgina 13 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Cause-and-Effect Diagram
Measurem ents Material Personnel

Salud
ia nc ie er xp in E ac rm F o cin c le Se

Forma Dureza

Habilidad

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

Environm ent

Minitab 15

1 Open worksheet SURFACEFLAWS.MTW.


C1 Man Shifts Supervisors Training Operators C7 Training Mentors Testing C2 Machine Sockets Bits Lathes Speed C8 Speed Too slow Erratic C3 Material Alloys Lubricants Suppliers C4 Method Angle Engager Brake C5 Measure Micrometers Microscopes Inspectors C6 Enviro Moisture% Condensation

2 Stat > Quality Tools > Cause-and-Effect. 3 En Causes, seleccionar columnas para filas 1-6. 4 Poner Man, Machine, Material, Method, Measure, y Enviro en filas 1 a 6, respectivamente. 5 En Effect, Suface Flaws. Click OK.

Measurements

Environment

6 Seleccionar Editor > Graph Options. 7 En fila 7, en Causes, poner Handling Alignment. En Label, poner Testing. Pgina 14 de 308

ro et m i D

v ur a ur at A e nt bie m as or H

o ci an ns l C a ora M

Humedad Vibraciones Polvo

Micrometers Microscopes I nspectors

po m Tie

Amacen

Humor

Temperatura V elocidad

Herramental Abrasin Deformacin Mantto.

A juste

Methods

Machines

C9 Micrometers Accuracy Condition

Cause-and-Effect Diagram
Material Personnel

A lloys Lubricants

Shifts Superv isors Training

Suppliers

O perators

Surface Flaws
Brake Condensation Engager Moisture% A ngle Bits Sockets Speed Lathes

Methods

Machines

CURSO TALLER DE MINITAB 15 8 9 En fila 8, en Causes, poner Forklift Conveyor. En Label, poner Shipping. Click OK.
Cause-and-Effect Diagram
Te sti Me as Material Personnel

P. Reyes / Agosto 2007

Micrometers Ha ndli ong Microscopes ali gm ent I nspectors

A lloys Lubricants

Shifts Supervisors Training

Suppliers

O perators

Surface Flaws
Brake conv Condensation eyo r F ork Moisture% lift Engager Bits A ngle Sockets Speed Lathes

Shi ppi

En vir

Methods

Machines

Acomodando los ltimos conceptos queda como:


Cause-and-Effect Diagram
Testing Measurem ents Material Personnel

Micrometers Handliong Microscopes aligment I nspectors

A lloys

Shifts Supervisors

Lubricants Training Suppliers O perators

Surface Flaws
Brake conveyor Condensation Engager F orklift Moisture% A ngle Bits Sockets Speed Lathes

Shipping

Environme nt

Methods

Machines

2.2Grficas de dispersin de dos variables


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

File > Open Worksheet > Pulse.mtw o Copiar los datos de Archivos Datos Mdulo 2 a Minitab Graph > Scatterplot > Simple Indicar en Y variable Weight y en X variable Height
La grfica de dispersin simple se muestra a continuacin:
Scatterplot of Weight vs Height
220 200 180 Weight 160 140

Pgina 15 de 308

200 180 Weight 160 140 120 100 60 62 64 66

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

68 Height

70

72

74

76

Grfica de dispersin Simple con una variable categrica: Se puede agregar otra variable para estratificar haciendo doble click en cualquiera de los puntos y seleccionando la pestaa Groups e indicando la variable categrica Sex.
Scatterplot of Weight vs Height
220 200 180 Weight 160 140 120 100 60 62 64 66 68 Height 70 72 74 76
Sex 1 2

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

Grfica de dispersin con estratificacin por grupos:

Graph > Scatterplot > With Groups Indicar en Y variable Weight y en X variable Height Indicar en Categorical variables for Grouping Sex

Pgina 16 de 308

CURSO TALLER DE MINITAB 15 La grfica obtenida es similar a la mostrada arriba. Identificacin de puntos en una grfica Se utiliza el archivo de datos COCHES.MTW anexo: Copiar los datos del Archivo Datos Mdulo 2 COCHES Graficando Potencia (CV) vs Precio de venta (pesetas) PVP se tiene:

P. Reyes / Agosto 2007

Scatterplot of PVP vs Pot.(CV)


50000000

40000000

30000000 PVP 20000000 10000000

0 0 100 200 Pot.(CV) 300 400 500

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

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

Pgina 17 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para poner la marca a cada punto se usa:

Graph > Scatter plot: With Groups Labels > Data Labels > seleccionar Use Labels from Column Marca
Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mnimo y mximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados. Eje X Eje Y Minimum Minimum 50 Maximum 1500000 Maximum 100 2000000

Scatterplot of PVP vs Pot.(CV)


2000000
VOLKSWAGEN SEAT NISSAN CI TROEN RENAULT FIAT PEUGEOT SEAT FORD PEUGEOT SEAT FI AT SEAT CI TROEN MAZDA FORD SEAT ROVER VOLKSWAGEN HYUNDAI CI TROEN SUZUKI Alfa Romeo FI AT SEAT HYUNDAI NI SSAN OPEL FIAT SEAT

1900000

LANCI A

1800000 PVP

FORD VOLKSWAGEN RENAULT OPEL

1700000

PEUGEOT SEAT VOLKSWAGEN OPEL PEUGEOT FORD

1600000

1500000 50

60

70 Pot.(CV)

80

90

100

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

Editor > Crosshair


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

Grficas de dispersin Bivariantes con pneles: Se utiliza el archivo REHEAT.MTW de Minitab localizado en la carpeta DATA o el archivo anexo. File > Open Worksheet > Reheat.Mtw o copiar los datos del archivo anexo

Graph > Scatter plot: With Connect Line para unir los puntos Y variable Quality X variables Time Multiple graphs > By Variables > En By variables in separate panels Temp

Pgina 18 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para modificar la apariencia de la grfica, seleccionarla y :

Editor > Panel > Options Seleccionar Dont alternate panels Seleccionar Group information: Both variable names and levels
Scatterplot of Quality vs Time
Temp = 350 8 6 4 2 Temp = 375 Temp = 400

Quality

0 Temp = 425 8 6 4 2 0 25 30 35 25 30 35 25 30 35 Temp = 450 Temp = 475

Tim e

Graficas bivariantes con distribuciones de frecuencia adicionales


Con los datos del Archivo Datos Modulo 2 - COCHES

Graph > Marginal Plot


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

50000000 40000000 30000000 20000000 10000000 0 0 100 200 300 Pot.(CV) 400 500

Marginal Plot of PVP vs Pot.(CV)


Marginal Plot of PVP vs Pot.(CV)

50000000 40000000 PVP 30000000 20000000 10000000 0 0 100 200 300 Pot.(CV) 400 500
PVP 50000000 40000000 30000000 20000000

Pgina 19 de10000000 308


0 0 100 200 300 Pot.(CV) 400 500

PVP

40000000 PVP 30000000 20000000 10000000

50000000

CURSO TALLER DE 40000000 MINITAB 15


PVP 30000000 20000000 10000000

P. Reyes / Agosto 2007

0 0 100 200 300 Pot.(CV) 400 500

0 0 100 200 300 Pot.(CV) 400 500

Matrices de Graficas bivariantes

Graph > Matrix Plot


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

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

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


4 40000000 8 12

20000000

PVP

12

8 Num.Cil. 4

400

200

Pot.(CV)

0 0 20000000 40000000 0 200 400

Matriz bivariante solo entre las variables seleccionadas:

En este caso se seleccionan:

Pgina 20 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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


0 200 400 40000000 30000000 PVP 20000000 10000000 0 12 10 Consumo 8 6 4 0 2500 5000 Cil.(cc) 160 Pot.(CV) 240 Velo.max 320

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

2.4Grficas de dispersin tridimensionales


Grafica bivariada en tres dimensiones

Graph > 3D Scatter Plot


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

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

45000000 30000000 PVP 15000000 450 0 0 2000 Cil.(cc) 150 4000 6000 0 300 Pot.(CV)

Pgina 21 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

Girar grfica

Zoom

Posicin inicial

Sobre la grfica de 3 dimensiones se pueden usar tambin las opciones Brush, modificar ejes, puntos, etc. haciendo doble click sobre ellos. En algunos casos se desea tener los lneas verticales para los puntos, esto se hace en el menu de:

Graph > 3D Scatter Plot Data View Seleccionar en Data Display Projected lines Grafica bivariada en tres dimensiones estratificada por una variable categrica

Graph > 3D Scatter Plot


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

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


Num.Cil. 2 4 5 6 8 12
45000000 30000000 PVP 15000000 0 0 2000 Cil.(cc) 150 4000 6000 0 450 300 Pot.( CV)

Graph > 3D Scatter Plot


Superficie mallada (Wireframe) o superificie con textura (surface) Pgina 22 de 308

CURSO TALLER DE MINITAB 15 Generar datos para la superficie por medio de una funcin ya establecida con:

P. Reyes / Agosto 2007

Calc > Make Mesh Data

Columnas donde se guardan los datos generados

Datos para un sombrero vaquero

Obtener la grfica con:

Graph > 3D Surface Plot


Columnas de datos para Z, Y y X de Mesh Se tienen dos opciones, mallada o superficie

Surface Plot of C3 vs C2, C1

C3

5 -1 -5 C1 0 5 -5 0 C2

Contour Plot of C3 vs C2, C1


5.0
-0.4 -0.4 -0.8 -0.4 -0.8

Curvas de nivel (Contour Plots)

Graph > Contour Plot


Columnas de datos para Z, Y y X de Mesh
C2

2.5

0.4

0.4

0.0
0.8 0.8 0.0 -0.4 -0.8 -0.8 -0.4 -0.8

-2.5

-5.0 -5.0

-2.5

0.0 C1

2.5

5.0

Pgina 23 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2.5Aplicaciones
Realizar los ejercicios del Mdulo 2 incluidos en el archivo CursoTallerMinitabEjercicios

MDULO 3. ESTADSTICA DESCRIPTIVA


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

Stat > Basic statistics > Display descriptive statistics


Variables y variable categrica Grficas de los datos

Seleccin de estadsticos especficos

Pgina 24 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

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

SE Mean 3.14 3.32

StDev 49.6 52.5

Minimum 3877.0 3954.0

Q1 3967.8 4048.8

Median 3999.5 4087.0

Las grficas obtenidas de la estadstica descriptiva son las siguientes:


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

50 40 F requency 30 20 10 0

2
Mean StDev N

1 4000 49.60 250 2 Mean StDev N 4086 52.51 250

3900 3960 4020 4080 4140 4200

Peso en gr Panel variable: Lnea de llenado

I ndividual Value Plot of Peso en gr vs Lnea de llenado


4200 4150 4100 Peso en gr 4050 4000 3950 3900 1 Lnea de llenado 2

Boxplot of Peso en gr by Lnea de llenado


4200 4150 4100 Peso en gr 4050 4000 3950 3900 1 Lnea de llenado 2

Pgina 25 de 308

3900 1

CURSO TALLER DE MINITAB 15


2 Lnea de llenado

P. Reyes / Agosto 2007

3.2Diagrama de caja y diagrama de tallo y hojas


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

Graph > Boxplot


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

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

90

80 Pulse1

70

60

50

Grfica de caja por grupos

Boxplot of Incremento vs Ran, Sex


50 40 30 Increm ento 20 10

Pgina 26 de 308

40 30 Increm ento 20 10 0 -10 -20 Sex Ran

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

1 1

1 2

El diagrama de caja muestra los cuartiles Q1, Q2 (mediana) y Q3, el rango intercuartlico es Q3 - Q1 y los bigotes se encuentran en Q1 + 1.5RIC y Q3 - 1.5RIC. Los valores que exceden estos rangos se muestran en asteriscos. Los valores similares se desplazan horizontalmente para que se puedan apreciar. Diagrama de tallo y hojas

Graph > Stem and Leaf


o Stat > EDA > Stem and Leaf

Variable Estratificacin opcional por otra variable Destacar valores que exceden 1.5 RIC de Q1 y Q3 Definicin del ancho de la "celda" de nmeros Stem-and-Leaf Display: Weight Stem-and-leaf of Weight N = 92 Tallo Hojas 1 9 5 4 10 288 13 11 002556688 24 12 00012355555 37 13 0000013555688 (11) 14 00002555558 44 15 0000000000355555555557 22 16 000045 16 17 000055 10 18 0005 6 19 00005 HI 215 Diagrama de puntos

Leaf Unit = 1.0 Con Increment = 20 Leaf Unit = 10 Tallo Hojas 1 0 9 13 1 000111111111 37 1 222222222223333333333333 (33) 1 444444444445555555555555555555555 22 1 666666777777 10 1 888899999 HI 21 Valor anmalo destacado

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

Graph > Dotplot


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

Pgina 27 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Dotplot of Incremento vs Ran, Sex

Ran 1

Sex 1 2

1 2

-9

18 Increm ento

27

36

45

Minitab 15

Grfica de valores individuales

1. Open worksheet Shippingdata.mtw en carpeta Minitab Sample Data / Meet Minitab 2. Graph > Individual value plot 3. One Y with groups OK 4. Variable Day 5. Categorical variable Center 6. Data View Mean connect 7. OK
Individual Value Plot of Days
8 7 6 5 Days 4 3 2 1 0 Central Eastern Center Western

3.3Histogramas o distribuciones de frecuencia


Pgina 28 de 308

CURSO TALLER DE MINITAB 15 Se usa el archivo PULSE.MTW anexo en Archivo Datos Mdulo 3: Existen diferentes opciones para esta herramienta: Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25

P. Reyes / Agosto 2007

20

F requency

15

10

50

60

70 Pulse1

80

90

100

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

Se definen los intervalos a travs de sus puntos de corte

Se indica el nuevo nmero de intervalos

Histogram of Pulse1
30 25 20 F requency 15 10 5 0

48.00

56.66

65.33

74.00 Pulse1

82.66

91.33

100.00

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

Pgina 29 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

Editor > Make Similar Graph

Histogram of Pulse2
30 25 20 15 10 5 0

F requency

60

80

100 Pulse2

120

140

Para comparar los histogramas segn 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

Histogram of Pulse1
50 16 14 12 F requency 10 8 6 4 2 0 50 60 70 80 90 100 Pulse1 1 60 70 2 80 90 100

Panel variable: Ran

Pgina 30 de 308

2 0 50 60 70 80 90

CURSO TALLER DE MINITAB 15


100 Pulse1

P. Reyes / Agosto 2007

Panel variable: Ran

Minitab 15

Histogramas por grupo

1. Open worksheet Shippingdata.mtw en carpeta Minitab Sample Data / Meet Minitab 2. Graph >Histogram 3. With fits and groups 4. Graph Variable Day 5. Categorical variable Center 6. Data View Mean connect 7. OK
Histogram of Days
Normal 0.4
Center Central Eastern Western Mean StDev N 3.984 1.280 99 4.452 1.252 101 2.981 1.090 102

0.3 Density

0.2

0.1

0.0

4 Days

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
Histogram of Days
Normal
1 Central 2 3 4 Eastern 5 6 7 20 15 10
Central Mean 3.984 StDev 1.280 N 99 Eastern Mean 4.452 StDev 1.252 N 101 Western Mean 2.981 StDev 1.090 N 102

F requency

5 Western 0

20 15 10 5 0 1 2 3

Days Panel variable: Center

Grfica de dispersin entre dos variables Day y Distance Pgina 31 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

1. Graph Scatterplot > with regression 2. Y var Day X var Distance 3. Multiple graphs 4. By variables 5. By variable with groups en separate panels Center 6 OK
Scatterplot of Days vs Distance
0 Central 120 240 Eastern 360 480 8 6 4 2

Days

8 6 4 2 0 0 120

Western

240

360

480

Distance Panel variable: Center

Arreglo del Layout

1. Editor Layout Tool

Pgina 32 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

3.4Distribucin normal estndar y distribucin normal


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

Distribucin Normal.doc

Calc > Probability distributions > Normal


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

El rea total de probabilidad es de 1.0 La media es de cero y la desv. Estandar 1 Ejemplos: Densidad de probabilidad

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 Pgina 33 de 308

CURSO TALLER DE MINITAB 15 P( X <= x ) 0.9332 x 1.50006

P. Reyes / Agosto 2007

Dibujo de la grfica de densidad normal (entre -4 a +4 con incrementos de 0.1)

Calc > Make Patterned data > Simple set of numbers


Store patterned data in C1

Columna para guardar los datos Primer valor ltimo valor Incremento Listar cada valor Listar toda la lista

Calc > Probability distributions > Normal

Columna de datos fuente Columna de datos distribuidos normalmente

Graph > Scatter plot (With connect line)


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

0.3

C2

0.2

0.1

0.0 -5 -4 -3 -2 -1 C1 0 1 2 3 4

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

Editor > Annotation > Graph annotation tools


Seleccionar para el interior el color gris

Pgina 34 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Scatterplot of C2 vs C1
0.4

0.3

C2

0.2

0.1

0.0 -5 -4 -3 -2 -1 C1 0 1 2 3 4

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

Calc > Make Patterned data > Simple set of numbers


Store patterned data in C1

Calc > Probability distributions > Weibull


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

Graph > Scatterplot (With connect Line)


En la grfica seleccionar los puntos con doble click

Attributes, Symbols, Custom, Type None, Color Black Con Editor > Annotation > Graph annotation tools
Con T escribir el texto de las opciones de las grficas de Weibull

Scatterplot of C2, C3, C4, C5 vs C1


1.6 1.4 1.2 1.0 Y-Data 0.8 0.6 0.4 0.2 0.0 0 1 2 C1 3 4 a = 1, a = 1, a = 1, a = 1, b =1 b =2 b =3 b =4
Variable C2 C3 C4 C5

Areas bajo la curva normal Excel =Distr.norm.estand( valor de Z) Pgina 35 de 308

CURSO TALLER DE MINITAB 15 Minitab

P. Reyes / Agosto 2007

Calc > Probablity distributions > Normal Cumulative probability, Mean 0, standar deviation 1 Input constant (valor de Z)
Media = 0 Optional storage (K1 o K2) Data> Display data K1 K2 Calc > Calculator Store result in C1 Expresion K2 - K1 Minitab K2 0.933193 0.97725 0.99865 Excel rea 0.8663855975 0.9544997361 0.9973002039 0.0668072013 0.2118553986

K2 K1 rea entre Z = 1 sigmas rea entre Z = 2 sigmas rea entre Z = 3 sigmas rea antes de Z = -1.5 rea despus de Z = 0.8 Restar a 1 o dar - Z rea entre Z=-1.5 y Z=0.6

K1 0.0668072 0.0227501 0.0013499 0.0668072 0.211855

rea 0.8663858 0.9544999 0.9973001 0.0668072 0.211855

0.725747

0.0668072

0.6589398

0.658939681

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

Editor > Format column > Numeric


Minitab 15 FUNCIONES DE PROBABILIDAD 1. Funcin de densidad de probabilidad

Fixed decimal with 8 u otro

Se tiene un paquete de 4 baterias, cada una dura al menos 100 horas con una probabilidad del 95% Cul es la probabilidad de que 4 baterias duren al menos 100 horas, 3 baterias, 2 y 1 baterias? Este es un problema de distribucin binomial: 1 En la columna Data poner 1, 2, 3, and 4 en la Worksheet 2 Calc > Probability Distributions > Binomial. 3 Probability. 4 En Number of trials, poner 4. In Event probability, poner 0.95. 5 Seleccionar Input column Data. Click OK. Probability Density Function Binomial with n = 4 and p = 0.95 x P( X = x ) Esto representa la probabilidad de que 1, 2, 3, o 4 baterias duren 1 0.000475 al menos 100 horas 2 0.013538 3 0.171475 4 0.814506 2. Funcin de distribucin normal acumulada (obtener el rea bajo la curva en funcin de un estadstico) Calc > Probability Distributions > Normal Calcula la densidad de probabilidad, probabilidades acumuladas, probabilidades acumuladas inversas para la distribucin normal.

Pgina 36 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para el caso de una probabilidad o rea bajo la curva normal, con media de 28 y desviacin estndar de 1 Si se quiere el rea entre 0 y 27 se tiene: 1 2 3 4 Calc > Probability Distributions > Normal . Seleccionar Cumulative probability. En Mean, poner 28. En Standard deviation, poner 1. Seleccionar Input constant y poner 27. Click OK.

Si se selecciona una columna para guardar los resultados, solo con la instruccin: Display > Display Data Cumulative Distribution Function Normal with mean = 28 and standard deviation = 1 x P( X <= x ) 27 0.158655 Suponiendo que se quiere el valor P del estadstico F de un anlisis de regresin con grados de libertad de la regresin de 3 y grados de libertad del error de 2, y un estadstico F de 4.86 El valor P es igual a 1 - Funcin acumulada de F 1 Calc > Probability Distributions > F. 2 Seleccionar Cumulative probability. 3 En Numerator degrees of freedom, poner 3. En Denominator degrees of freedom, poner 2. 4 Seleccionar Input constant and enter 4.86. 5 En Optional storage, poner K1. Click OK. K1 contiene la funcin de distribucin acumulada. Usar la Calculator para restar el valor P de 1. 6 Calc > Calculator. 7 En Store result in variable, poner P-value. 8 En Expression, 1K1. Click OK. P_Value 0.1753693045

No es significativo a un 0.05 de nivel de significancia.

3. Clculo de la probabilidad acumulada inversa (se da el rea y se obtiene el estadstico). En el inciso 2 se encontr que el re abajo la curva en X = 27 es de 0.1587, en base a esto se quiere determinar al revs el estadstico normal que genera el rea de 0.1587. 1 Calc > Probability Distributions > Normal. 2 Seleccionar Inverse cumulative probability. 3 En Mean, poner 28. En Standard deviation, poner 1. 4 Seleccionar Input constant y poner 0.1587, click OK. Inverse Cumulative Distribution Function Normal with mean = 28 and standard deviation = 1 P( X <= x ) x 0.1587 27.0002 4. Determinacin de valores crticos (que definen zonas de rechazo) para pruebas de hiptesis Por ejemplo para una distribucin Chi cuadrada con alfa = 0.02 y 12 grados de libertad. El valor alfa de 0.02 corresponde a una distribucin acumulada de 0.98. 1 2 Calc > Probability Distributions > Chi-Square . Seleccionar Inverse cumulative probability. En Degrees of freedom, poner 12. Pgina 37 de 308

CURSO TALLER DE MINITAB 15 3 Seleccionar Input constant y poner 0.98. Click OK.

P. Reyes / Agosto 2007

Inverse Cumulative Distribution Function Chi-Square with 12 DF Si el estadstico de prueba con datos de la muestra es mayor que este P( X <= x ) x valor, se rechaza la hiptesis nula. 0.98 24.0540 Minitab 15 Graficas de probabilidad 1. Obtener la distribucin lognormal con una localizacin de 8, escala de 0.5, y un threshold de 0. 1 Graph > Probability Distribution Plot. 2 Seleccionar View Single, y click OK. 3 De la Distribution, seleccionar Lognormal. 4 En Location, poner 8. 5 En Scale, poner 0.5. 6 Click OK.
Distribution Plot
Lognormal, Loc=8, Scale=0.5, Thresh=0 0.00030 0.00025 0.00020 Density 0.00015 0.00010 0.00005 0.00000

2000

4000

6000 X

8000

10000

12000

2. Suponer que se est analizando la tasa en el cual los bulbos de una mquina tiended a quemarse, se asume que la distribucin de Weibull modela este proceso. 1 2 3 4 5 6 7 8 Graph > Probability Distribution Plot. Seleccionar Vary Parameters, click OK. De la Distribution, seleccionar Weibull. En Shape, teclear 1 1.5 2 2.5 3 3.5. En Scale, poner 1. Click Multiple Graphs. En Show Distributions, seleccionar In separate panels of the same graph. Click OK en cada cuadro de dilogo

Distribution Plot
Weibull, Scale=1, Thresh=0
0 Shape=1 2 Shape=1.5 4 Shape=2 1.5 1.0

0.5

Density

1.5

Shape=2.5

Shape=3

Shape=3.5

0.0

1.0

0.5

0.0 0 2 4 0 2 4

Pgina 38 de 308

0.0 0 2 4

0 2 CURSO TALLER DE4 MINITAB 15

P. Reyes / Agosto 2007

Para el caso de distribuciones normales con medias 100 130 150 180 y desv.estndar 20 1 2 3 4 5 6 7 8 Graph > Probability Distribution Plot. Seleccionar Vary Parameters, click OK. De la Distribution, seleccionar Normal. En Means, teclear 100 130 150 180 En Estndar deviation, poner 20. Click Multiple Graphs. En Show Distributions, seleccionar Overlaid in the same graph Click OK en cada cuadro de dilogo
Distribution Plot
Normal, StDev=20 0.020
Mean 100 130 150 180

0.015 Density

0.010

0.005

0.000

50

100 X

150

200

250

Para el caso de distribuciones de Poisson con medias 2 4 6 8 10 15 20 25 1 2 3 4 5 6 7 Graph > Probability Distribution Plot. Seleccionar Vary Parameters, click OK. De la Distribution, seleccionar Poisson En Means, teclear 2 4 6 8 10 15 20 25 Click Multiple Graphs. En Show Distributions, seleccionar In separate panels of the same graph. Click OK en cada cuadro de dilogo

Distribution Plot
Poisson
0 Mean=2 0.2 0.1 0.0 Mean=8 Mean=10 Mean=15 0.2 0.1 Mean=20 0.2 0.1 0.0 0 20 40 Mean=25 0.0 0 20 40 20 Mean=4 40 Mean=6

Probability

3. Comparar dos distribuciones El nmero de llamadas de clientes a un Call center es modelada por una distribucin de Poisson con una media de 25.75, se quiere comparar si sigue una distribucin normal con parmetros estimados Pgina 39 de 308

CURSO TALLER DE MINITAB 15 de la muestra. 1 2 3 4 5 6 7 8 Graph > Probability Distribution Plot. Seleccionar Two Distributions, click OK. De la Distribution 1, seleccionar Poisson. En Mean, poner 25.75. De la Distribution 2, seleccionar Normal. En Mean, poner 25.75. En Standard Deviation, poner 4.95. Click OK.

P. Reyes / Agosto 2007

Distribution Plot
0.09 0.08 0.07 0.06 Density 0.05 0.04 0.03 0.02 0.01 0.00 10 15 20 25 X 30 35 40 45
Distribution Mean Poisson 25.75 Distribution Mean StDev Normal 25.75 4.95

La distribucin normal casi aproxima a la de Poisson 4. Mostrar reas bajo la curva de probabilidad Se trata de ver el rea que incluye al 10% de los alumnos que obtuvieron las calificaciones ms altas a partir del 90%, con una media de 1211 y una desviacin estndar de 320, y ver si la calificacin de 1738 entra en esta zona. 1 2 3 4 5 6 7 Seleccionar Graph > Probability Distribution Plot. Seleccionar View Probability, click OK. De la Distribution, Seleccionar Normal. En Mean, poner 1211. En Standard deviation, poner 320. Click en Shaded area. En Define Shaded Area By, seleccionar X Value. Click Left Tail. En X value, poner 1738. Click OK en cada cuadro de dilogo

Distribution Plot
Normal, Mean=1211, StDev=320 0.0014 0.0012 0.0010 Density 0.0008 0.0006 0.0004 0.0002 0.0498 0.0000 1211 X 1738

Pgina 40 de 308

0.0002 0.0000 0.0498 CURSO TALLER DE MINITAB 15 1211 X 1738

P. Reyes / Agosto 2007

O para un 10% del rea: 5 Click en Shaded area. En Define Shaded Area By, seleccionar Probab., Right Tail, 0.10.

Distribution Plot
Normal, Mean=1211, StDev=320 0.0014 0.0012 0.0010 Density 0.0008 0.0006 0.0004 0.0002 0.0000 0.1 1211 X 1621

El valor de 1738 si entra en la zona. Solo como demostracin para el caso de dos colas: 5 Click en Shaded area. En Define Shaded Area By, seleccionar Probab., Both Tails, 0.10.
Distribution Plot
Normal, Mean=1211, StDev=320 0.0014 0.0012 0.0010 Density 0.0008 0.0006 0.0004 0.0002 0.05 0.0000 685 1211 X 1737 0.05

3.5Prueba de normalidad
Es una prueba de hiptesis de una poblacin para determinar si la muestra se extrae de una poblacin normal, que es la hiptesis nula. La hiptesis alterna es que no es normal. Se puede hacer por diversos mtodos:

1. Mtodo grfico
Se trata de probar la flamabilidad de una fibra y ver si sigue una distribucin normal, adems se quiere observar su valor en el percentll 87avo. 1 2 File > Open worksheet FLAMERTD.MTW. Graph > Probability Plot. Pgina 41 de 308

CURSO TALLER DE MINITAB 15 3 4 5 6 Seleccionar Single, click OK. En Graph variables,seleccionar Fabric. Click Scale, y click el Percentile Lines .

P. Reyes / Agosto 2007

En Show percentile lines at Y values, teclear 87. Click OK en cada cuadro de dilogo.
Probability Plot of Fabric
Normal - 95% CI
99 Mean StDev N AD P-Value 3.573 0.5700 15 0.310 0.517

95 90 80

Percent

70 60 50 40 30 20 10 5

4 F abric

Los puntos no salen del intervalo de confianza del 95% El IC del 87% se encuentra entre los valores 3.84295 y 4.58790

2. Prueba de hiptesis con prueba de Anderson Darling


Esta prueba compara la funcin de distribucion acumulada empirica de los datos de la muestra con la distribucin esperada si los datos fueran normales Si la diferencia observada es suficientemente grande, se rechaza la hiptesis nula de normalidad de la poblacin. Utilizando el archivo de datos de DETERGENTE.MTW anexo Copiar los datos del archivo a Minitab Las hiptesis son las siguientes: Ho: Los datos SI provienen de una poblacin distribuida normalmente Ha: Los datos NO provienen de una poblacin distribuida normalmente Pvalue de prueba >0.05 Pvalue de prueba <= 0.05

Stat > Basic statistics > Normality Test en Variable indicar la columna de Pesos Seleccionar la prueba de Anderson Darling
Probability Plot of Peso en gr
Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N AD P-Value 4043 66.76 500 0.426 0.314

AD - El estadstico de Anderson Darling est en funcin de las distancias entre los puntos y la recta es mejor un valor menor P Value indica la probabilidad de equivocarnos al rechazar el supuesto de normalidad cierto Un valor P de menos de 0.05 indica que los datos no son normales, en este caso si lo son.

Percent

3800

3900

4000 4100 Peso en gr

4200

4300

Otra forma de hacerlo es con: Pgina 42 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Graph > Probability Plot: Single en Graph Variable indicar la columna de Pesos
Probability Plot of Peso en gr
Normal - 95% CI
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N AD P-Value 4043 66.76 500 0.426 0.314

Percent

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

3800

3900

4000 4100 Peso en gr

4200

4300

Minitab 15

Ejemplo con el archivo CRANKSH.MTW

Probability Plot of AtoBDist


Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N AD P-Value 0.4417 3.491 125 0.891 0.022

AtoBDist -0.44025 5.90038 2.08965 0.09998 2.01594 4.83012 Etc.

El valor P es menor a 0.05 por tanto los datos no siguen una distribucin normal

Percent

1 2 3

File > Open worksheet CRANKSH.MTW. Stat > Basic Statistics > Normality Test. En Variable, seleccionar AtoBDist. Click OK.

-10

-5

0 AtoBDist

10

3. Con otras pruebas de hiptesis Prueba de normalidad de Ryan Joiner


Esta prueba evala la normalidad calculando la correlacin entre los datos de la muestra y datos normales. Si el coeficiente de correlacin es cercano a uno, la poblacin es normal. Es similar a la prueba de Shafiro Wilk. Se compara el coeficiente de correlacin con el valor crtico, si es menor se rechaza la normalidad.

Prueba de normalidad de Kolmogorov Smirnov


Esta prueba compara la funcin de distribucin acumulada de la muestra con la distribucin esperada de los datos si fueran normales. Si la diferencia obervada es suficientemente grande, la prueba rechaza la hiptesis nula de normalidad. Si el valor P se esta prueba es menor al alfa seleccionado se rechaza la hiptesis nula de normalidad.

Prueba del lpiz grueso


Es una prueba informal de normalidad, aplicando la punta de un lapiz grueso a la lnea de datos en la grfica normal, si cubre todos los puntos, la grfica es probable que sea normal. Minitab 15 Prueba de Bondad de ajuste de datos con la Distribucin de Poisson Sirve para determinar si un modelo estadstico se ajusta a los datos, analizando las diferencias entre los valores observados y los valores esperados en el modelo. Para datos continuos, se puede visualizar con una grfica de probabilidad, o cuantitativamente con una prueba de hiptesis tal como la de Anderson Darling, para datos categricos, se puede usar la prueba Chi cuadrada o con Minitab la prueba de bondad de ajuste para datos de Poisson o logstica.

Pgina 43 de 308

CURSO TALLER DE MINITAB 15 Las hiptesis son: Ho: El modelo adecuadamente describe los datos Ha: El modelo no describe adecuadamente los datos.

P. Reyes / Agosto 2007

Para el caso de Poisson: 1. File > Open Worksheet ACCIDENT.MTW


Accidents 2 0 2 2 4 1 4 0 4 2 3 0 3 3 1 2 3 0 1 2 3 1 3 2 4 4 3 4 2 3 4 4 3 2 4 1 2 0 1 3 4 0 4 1 0 2 2 4 1 2

2 3 4

Stat > Basic Statistics > Goodness-of-Fit Test for Poisson . En Variable, seleccionar Accidents. Click OK.

V alu e

Goodness-of-Fit Test for Poisson Distribution Data column: Accidents Poisson mean for Accidents = 2.24 Poisson Contribution Accidents Observed Probability Expected to Chi-Sq No se rechaza Ho, los datos si siguen 0 7 0.106459 5.3229 0.52839 la Distribucin de Poisson 1 8 0.238467 11.9234 1.29097 2 13 0.267083 13.3542 0.00939 Chart of Observed and Expected Values 14 3 10 0.199422 9.9711 0.00008 >=4 12 0.188569 9.4285 0.70136 12 N N* DF Chi-Sq P-Value 10 50 0 3 2.53020 0.470 8
6 4 2 0 Accidents

Expected Observed

>=4

3.6Aplicaciones
Realizar los ejercicios del Mdulo 3 incluidos en el archivo CursoTallerMinitabEjercicios

MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL


4.1Clculo de probabilidades
Distribucin t de Student (para nmero de muestras menor a 30 o sigma desconocida) Se usa para pruebas de hiptesis sobre medias de una y dos poblaciones Requiere un parmetro adicional de Grados de Libertad (gl) = n -1 Pgina 44 de 308

CURSO TALLER DE MINITAB 15 Excel =Distr.t( valor de t, gl, colas) =Distr.t.inv( valor de probabilidad, gl) rea bajo la curva

P. Reyes / Agosto 2007

Estadstico t para una cierta rea El rea siempre se divide entre 2

Minitab

Calc > Probablity distributions > t Inverse Cumulative probability, Degrees of freedom Input constant (valor de la probabilidad alfa o rea bajo la curva)
Estadstico t (valor a partir del cual inicia el rea bajo la curva alfa) Probabilidad alfa (valor del rea bajo la curva corresp. A t) Media = 0

Datos 10 10

Alfa 0.05 0.1

1- Alfa Estadstico t Minitab en Minitab 0.95 1.83311 0.9 1.38303

Estadstico t Excel 1.8331129327 1.3830287384

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

Minitab

Calc > Probablity distributions > F Inverse Cumulative probability


Numerator Degrees of freedom; Denominator Degrees of Freedom

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


Estadstico F (valor a partir del cual inicia el rea bajo la curva alfa)
2 S1

Fc =
0 Slo valores positivos en eje horizontal curva no simtrica Datos de la muestra 1 10 10 Datos de la muestra 2 10 10

S2 2

S1 debe ser mayor a S2

Alfa 0.05 0.1

1- Alfa Minitab 0.95 0.9

Estadstico F en Minitab 3.17889 2.44034

Excel 3.1788931045 2.4403404377

Distribucin Chi Cuadrada (para probar hiptesis de la varianza de una poblacin) Requiere un parmetro adicional de Grados de Libertad (gl) = n -1 Excel =Distr.Chi( valor de Chi, gl) =Prueba.Chi.inv( valor de probabilidad, gl)

Minitab

Calc > Probablity distributions > Chi Square


Pgina 45 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Inverse Cumulative probability


Degrees of freedom

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


Estadstico Chi (valor a partir del cual inicia el rea bajo la curva alfa) 2

0 Slo valores positivos en eje horizontal curva no simtrica

Datos de la muestra 10 10

Alfa 0.05 0.1

1- Alfa Minitab 0.95 0.9

Estadstico Chi Cuadrado en Minitab Excel 16.919 16.9189776046 14.6837 14.6836565733

4.2Pruebas de hiptesis de una poblacin


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

Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman 20 muestras y se pesan en gramos: Usar el archivo Pesos.mtw de la hoja Archivos Datos Mdulo 4 La desviacin estndar histrica es de 25 g. Se puede afirmar que el peso promedio es diferente a 4000 g.? Ho: Media = 4000 Ha: Media 4000

Se introducen los valores en una sola columna C1 titulada Pesos del archivo Pesos.mtw anexo:

Stat > Basic Statistics > 1 - Sample Z

Indicar columna de datos

Esta seccin se usa cuando hay Pgina 46 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

datos de media y muestras

Desviacin estndar histrica Media a probar

Nivel de confianza

Hiptesis alternativa, tambin se puede probar "Menor que" o "Mayor que"

Permite seleccionar varios tipos de grficas

Individual Value Plot of Pesos


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

_ X Ho

3920

3940

3960

3980 Pesos

4000

4020

4040

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

One-Sample Z: Pesos Test of mu = 4000 vs not = 4000 The assumed standard deviation = 25 Variable Pesos N 20 Mean 3985.70 StDev 28.18 SE Mean 5.59 95% CI (3974.74, 3996.66) Z -2.56 P 0.011

Este es el intervalo de confianza del 95% donde se encuentra la media del proceso de llenado (poblacin). El 4000 no se encuentra en el intervalo por tanto el promedio difiere de lo que se afirma

l valor P es menor a 0.05 por tanto se rechaza la Ho y se acepta la alterna en este caso el

Pgina 47 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007 promedio difiere de los 4000 g.

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

Stat > Basic Statistics > 1 - Sample t


Similar al anterior sin requerir el valor de la desviacin estndar One-Sample T: Pesos Test of mu = 4000 vs not = 4000 Variable N Mean StDev SE Mean Pesos 20 3985.70 28.18 6.30 Las conclusiones son iguales que en el caso 1

95% CI (3972.51, 3998.89)

T -2.27

P 0.035

Caso 3. Prueba de hiptesis para una proporcin Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta a 200 usuarios y 17 si usan los accesorios. Para un 95% de confianza se confirma la sospecha de que menos del 10% de usuarios usan estos accesorios? Ho: Proporcin >= 0.10 Ha: Proporcin < 0.10

Stat > Basic Statistics > 1 - Proportion


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

Test and CI for One Proportion Test of p = 0.1 vs p < 0.1 Sample 1 X 17 N 200 Sample p 0.085000 Upper Bound 0.124771 Exact P-Value 0.285

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

Pgina 48 de 308

CURSO TALLER DE MINITAB 15 Minitab 15 Caso 4. Prueba de hipotesis para una varianza

P. Reyes / Agosto 2007

Un Pin debe medir 15" en promedio. Su varianza no debe exceder 0.001"2. Su proceso es normal. Se miden 100 pines y se prueba la hiptesis de que su varianza no excede la especificacin. 1 File > Open worksheet AIRPLANEPIN.MTW. 2 Stat > Basic Statistics > 1 Variance. 3 En la primera lnea del menu, seleccionar Enter variance. 3 En Samples en columns, seleccionar 'Pin length '. 4 Seleccionar Perform hypothesis test. En Hypothesized variance, poner 0.001. 5 Click Options. En Alternative, seleccionar less than. Click OK. 6 Click OK. Test and CI for One Variance: Pin length Pin length Method 14.99 Null hypothesis Sigma-squared = 0.001 15.01 Alternative hypothesis Sigma-squared < 0.001 14.96 The standard method is only for the normal distribution. 15.00 The adjusted method is for any continuous distribution. 15.03 Statistics 14.96 Variable N StDev Variance Etc. Pin length 100 0.0267 0.000715 95% One-Sided Confidence Intervals Upper Bound Upper Bound Seleccionar el Mtodo Variable Method for StDev for Variance estndar ya que los datos Pin length Standard 0.0303 0.000919 siguen la distribucin normal Adjusted 0.0295 0.000869 Tests Variable Pin length

Method Standard Adjusted

Chi-Square 70.77 112.64

DF 99.00 157.57

P-Value 0.014 0.003

Como el valor de la varianza de la hiptesis (0.001 no se encuentra en el intervalo de confianza y el valor P value es menor a 0.05, se acepta la hiptesis Ha de que la varianza es menor a 0.001")

4.3Pruebas de hiptesis de dos poblaciones


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

Ejemplo: 10 pieles son curtidas usando el mtodo A y 10 usando el mtodo B, las resistencias a la traccin son las siguientes: Mtodo A Mtodo B 24.3 24.4 25.6 21.5 26.7 25.1 22.7 22.8 24.8 25.2 23.8 23.5 25.9 22.2 26.4 23.5 25.8 23.3 25.4 24.7 Se puede decir que los dos mtodos producen resistencias a la traccin diferentes? Usar un nivel de confianza del 95%. Pgina 49 de 308

CURSO TALLER DE MINITAB 15 Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B Paso 1. Se realiza un anlisis de comparacin de varianzas poblacionales: Ho: Varianza A = Varianza B Ha: Varianza A Varianza B

P. Reyes / Agosto 2007

Stat > Basic Statistics > 2 Variances

Test for Equal 95% Bonferroni F-Test (normal Test statistic

Variances: Mtodo A, Mtodo B confidence intervals for standard deviations distribution) = 1.01, p-value = 0.991

Como el P value es mayor a 0.05 no se rechaza la Hiptesis nula de igualdad de varianzas, por tanto se asume que son iguales. Esta inf. se usar a continuacin: Paso 2. Se realiza un anlisis de comparacin de medias poblacionales H: Media A - Media B = 0 Ha: Media A - Media B 0

Stat > Basic Statistics > 2 - Sample t

La grfica de puntos individuales indica diferencia entre las muestras


Individual Value Plot of Mtodo A, Mtodo B
27

26 25 Data

24

23

22

21 Mtodo A Mtodo B

Pgina 50 de 308

Da

24

23

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

22

21 Mtodo A Mtodo B

Y los resultados de la prueba estadstica lo confirman: Two-sample T for Mtodo A vs Mtodo B N Mean StDev SE Mean Mtodo A 10 25.14 1.24 0.39 Mtodo B 10 23.62 1.24 0.39 Difference = mu (Mtodo A) - mu (Mtodo B) Estimate for difference: 1.52000 95% CI for difference: (0.35037, 2.68963) T-Test of difference = 0 (vs not =): T-Value = 2.74

P-Value = 0.014

DF = 17

Como el cero no se encuentra en el intervalo de confianza de la diferencia de las dos medias y el valor P value es menor a 0.05 se rechaza la hiptesis nula de igualdad de medias y se acepta la alterna afirmando que son diferentes Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales. Ho: Media de diferencias = 0 Ha: Media de diferencias 0

Se utilizan cuando se trata de comparar el efecto de dos tratamientos a los mismos sujetos u objetos, por ejemplo el peso de individuos antes y despus de una rutina. Tambin se aplica cuando cuando antes de comparar se hacen parejas de sujetos por ejemplo para comparar los promedios de alumos de dos universidades, primero se forman parejas (dos ingenieros, dos administradores, dos arquitectos, etc.) Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B, se seleccionan 10 personas a las que se les instala uno de esos lentes en cualquier lado al azar. Despus de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente: Persona 1 2 3 4 5 6 7 8 9 10 Lente A 6.7 5.0 3.6 6.2 5.9 4.0 5.2 4.5 4.4 4.1 Lente B 6.9 5.8 4.1 7.0 7.0 4.6 5.5 5.0 4.3 4.8

A un 95% de nivel de confianza Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes? Se colocan los datos en las columnas C1 y C2 para los Lentes A y B. Ho: Diferencia de medias = 0 Ha: Diferencia de medias 0

Stat > Basic Statistics > Paired t

Pgina 51 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Individual Value Plot of Differences


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

_ X Ho

-1.2

-1.0

-0.8

-0.6 -0.4 Differences

-0.2

0.0

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

Paired T-Test and CI: Lente A, Lente B Paired T for Lente A - Lente B N Mean StDev Lente A 10 4.96000 1.02978 Lente B 10 5.50000 1.13039 Difference 10 -0.540000 0.343835

SE Mean 0.32564 0.35746 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 hiptesis nula de igualdad de medias y se acepta la alterna afirmando que los tratamientos producen deterioros diferentes. Caso 3. Comparacin de dos proporciones Ejemplo: En una encuesta a 300 clientes de la zona A, 33 estan descontentos En otra zona B se encuestaron a 250 clientes y 22 se mostraron descontentos. A un 95% de nivel de confianza o 5% de nivel de sigfinicancia, Hay diferencia en las proporciones de clientes descontentos en las dos zonas? Ho: Proporcin A = Proporcin B Ha: Proporcin A Proporcin B

Stat > Basic Statistics > 2 - Proportions

Se usa la seccin de datos resumidos Como Opciones NC = 95% Alternate = Not equal, Test Dif = 0 Use Pooled estimate p for test Pgina 52 de 308

CURSO TALLER DE MINITAB 15 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. Reyes / Agosto 2007

P-Value = 0.392

Como el cero si se encuentra en el intervalo de confianza de la diferencia de las dos proporciones y el valor P value es mayor a 0.05 no se rechaza la hiptesis nula de igualdad de proporciones o sea que no hay razn para decir que las proporciones sean diferentes. Minitab 15 Prueba de una muestra por Poisson Calcula el intervalo de confianza para la tasa de ocurrencia y el nmero medio de ocurencias de eventos en una muestra en un proceso de Poisson, y prueba la hiptesis de que la tasa de ocurrencias es igual a un valor especificado. Un proceso de Poisson describe el nmero de ocurrencias de un evento en un cierto periodo de tiempo rea, volumen, etc. Por ejemplo: El nmero de llamadas telefnicas diarias a un centro de servicio a clientes El nmero de defectos en un tramo de alambre Por ejemplo: La empresa A de receptores de TV cuenta el nmero de unidades con pantallas defectivas que se producen cada trimestre durante los ltimos 10 aos. Los directivos establecen que 20 defectivos por cuatrimestre es el mximo aceptable, y quieren determinar si la produccin actual cumple este requerimiento.

1 File > Open the worksheet TVDEFECT.MTW. 2 Stat > Basic Statistics > 1-Sample Poisson Rate. 3 En Samples in columns, Seleccionar 'Defective A '. 4 Seleccionar Perform hypothesis test. En Hypothesized rate, poner 20. 5 Click Options. En Alternative, seleccionar less than. 6 Click OK en cada cuadro de dilogo
Defective A 18 18 21 14 19 14 Etc. Defective B 20 35 19 30 26 22 Etc.

Resultados: Test and CI for One-Sample Poisson Rate: Defective A Test of rate = 20 vs rate < 20 Total Rate of 95% Upper Exact Variable Occurrences N Occurrence Bound P-ValueComo P value es menor Defective A 713 40 17.8250 18.9628 0.001a 0.05, se rechaza Ho y se acepta Ha donde la tasa de Length of observation = 1. defectos es menor a 20 Se puede probar si la empresa A tiene una tasa mayor de defectos que la Pgina 53 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

empresa B. La empresa A mide cada tres meses sus defectos y la empresa B cada seis meses. Se trata de probar cual empresa tiene la menor tasa de defectos mensual.

1 File > Open the worksheet TVDEFECT.MTW. 2 Stat > Basic Statistics > 2-Sample Poisson Rate. 3 Samples in different columns, Seleccionar 'Defective A '. 4 First 'Defective A' 5 Second 'Defective B' 6 Click Options. En "Length" of observation [time, items, area, volume, etc], poner '3 6' 7 Click OK en cada cuadro de dilogo
Test and CI for Two-Sample Poisson Rates: Defective A, Defective B Total "Length" of Rate of Mean Variable Occurrences N Observation Occurrence Occurrence Defective A 713 40 3 5.94167 17.825 Defective B 515 20 6 4.29167 25.750 Difference = rate(Defective A) - rate(Defective B) Estimate for difference: 1.65 Como el valor P value 95% CI for difference: (1.07764, 2.22236) es menor a 0.05, se Test for difference = 0 (vs not = 0): Z = 5.65 P-Value = 0.000 acepta la hiptesis alterna Exact Test: P-Value = 0.000 que A y B son diferentes donde B tiene la menor Difference = mu (Defective A) - mu (Defective B) tasa de ocurrencia Estimate for difference: -7.925 95% CI for difference: (-10.5053, -5.34474) Test for difference = 0 (vs not = 0): Z = -6.02 P-Value = 0.000 Exact Test: P-Value = 0.000

4.4Tamao de muestra y potencia


Potencia: Es la capacidad de una prueba para detectar una diferencia cuando realmente existe. Hiptesis Nula Desicin Verdadera Falsa No rechazar Desicin correcta Error tipo II p=1- p= Rechazar Error tipo I Desicin correcta p= p=1- Potencia La potencia de la prueba es la probabilidad de de rechazar correctamente la hiptesis nula siendo que en realidad es falsa. El anlisis de potencia puede ayudar a contestar preguntas como: * Cuntas muestras se deben tomar para el anlisis? * Es suficiente el tamao de muestra? * Qu tan grande es la diferencia que la prueba puede detectar? * Son realmente valiosos los resultados de la prueba? Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros: * Tamaos de muestra * Diferencias - un corrimiento significativo de la media que se desea detectar * Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa

Pgina 54 de 308

CURSO TALLER DE MINITAB 15 Caso 1. Prueba t de una media poblacional Ejemplo: Se tiene una poblacin normal con media de 365 y lmites de especificacin de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el nmero de defectos sera inaceptable, la desviacin estndar histrica es de 2.403:

P. Reyes / Agosto 2007

CORRI DA DE 2.5 GRS. EN PROMEDI O


0.18 0.16 0.14 0.12 Y-Data 0.10 0.08 0.06 0.04 0.02 0.00 355 360 365 C1 370 375 LIE 360 Ho: Meta 365 Ha: Corrida 367.5 LIE 370
Variable Original Corrida

Stat > Power and Sample Size > 1 - Sample t


Completar el dilogo como sigue:

Los resultados se muestran a continuacin: Power and Sample Size 1-Sample t Test Testing mean = null (versus not = null) Calculating power for mean = null + difference Alpha = 0.05 Assumed standard deviation = 2.403 Sample Size 6 Se tiene un 53.76% de Potencia para detectar una diferencia de 2.5 si se usan 6 muestras O sea que hay una probabilidad del 46.24% que no se rechaze Ho y se concluya que no hay diferencia significativa.

Difference 2.5

Power 0.537662

Pgina 55 de 308

CURSO TALLER DE MINITAB 15 cuntas muestras se requieren para tener un 80% de probabilidad de detectar el corrimiento, y para 85%, 90% y 95%?

P. Reyes / Agosto 2007

Stat > Power and Sample Size > 1 - Sample t

Se cambia este parmetro

Los resultados se muestran a continuacin: Sample Size 10 11 12 15 Target Power 0.80 0.85 0.90 0.95

Difference 2.5 2.5 2.5 2.5

Actual Power 0.832695 0.873928 0.905836 0.962487

Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias que realmente no son significativas. Caso 2. Prueba t de comparacin de dos medias poblacionales Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar respecto a la desviacin estndar, para una sigma poner 1 en diferencia y desviacin estndar, con valores deseados de Potencia de 0.8 y 0.9.

Stat > Power and Sample Size > 2 - Sample t


Power and Sample Size 2-Sample t Test

Testing mean 1 = mean 2 (versus not =) Calculating power for mean 1 = mean 2 + difference Alpha = 0.05 Assumed standard deviation = 1 Sample Size 17 23 Target Power 0.8 0.9

Difference 1 1

Actual Power 0.807037 0.912498

Se requieren tamaos de muestra de entre 17 y 23 Caso 3. Prueba de 1 proporcin Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros: * Tamaos de muestra * La proporcin - una proporcin que se desea detectar con alta probabilidad Pgina 56 de 308

CURSO TALLER DE MINITAB 15 * Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa Suponiendo que se desea detectar una proporcin de 0.04 con el 0.8 y 0.9 de niveles de Potencia:

P. Reyes / Agosto 2007

Proporcin que se desea detectar con alta probabilidad (0.80, 0.90)

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

Stat > Power and Sample Size > 2 - Proportions


Proportion 1 value 0.02 Sample sizes = 500 Alternative values of p = 0.04 Options: Greater Than Significance Level = 0.05 Test for One Proportion Testing proportion = 0.02 (versus > 0.02) Alpha = 0.05 Alternative Sample Proportion Size Power 0.04 500 0.5828 Por tanto con un tamao de muestra de 500, la potencia de la prueba para detectar un corrimiento de 2% a 4% es del 86.6%

4.5Anlisis de varianza (ANOVA)


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

H 0= 1 = 2 = 3= . . . .= k

H 1 : Al menos dos medias son diferentes .


Requiere que las poblaciones sean normales y con varianza similar. Pgina 57 de 308

CURSO TALLER DE MINITAB 15 ANOVA de una va con datos de tratamientos en diferentes columnas: Ejemplo: Los tcnicos de una fbrica de papel hacen un experimento de un factor para ver que variedad de rbol produce menos fenoles en los desechos de pasta de papel. Se colectan los siguientes datos en porcentajes:

P. Reyes / Agosto 2007

C 1.3 1.6 1.8 1.1 1.5 1.1 A un 95% de nivel de confianza, hay alguna variedad que produzca ms fenoles que otra? Se colocan los datos en tres columnas distintas C1, C2 y C3:

A 1.9 1.8 2.1 1.8

B 1.6 1.1 1.3 1.4 1.1

Stat > ANOVA > One Way (Unstacked)

Residual Plots for A, B, C


Normal Probability Plot of the Residuals
99 90 50 10 1 -0.50 -0.25 0.00 Residual 0.25 0.50 Residual Percent 0.4 0.2 0.0 -0.2 -0.4

Residuals Versus the Fitted Values

1.4

1.6 Fitted Value

1.8

Histogram of the Residuals


3 Frequency 2 1 0

-0.3 -0.2 -0.1 0.0 0.1 Residual

0.2

0.3

0.4

Los residuos deben mostrar un comportamiento normal y aleatorio alrededor de la media para que el anlisis sea vlido Los resultados se muestran a continuacin: One-way ANOVA: A, B, C Source Factor Error Total DF 2 12 14 SS 0.9000 0.6400 1.5400 MS 0.4500 0.0533 F 8.44 P 0.005 Como el valor P value es menor a 0.05 existe una diferencia significativa entre algunas medias

S = 0.2309

R-Sq = 58.44%

R-Sq(adj) = 51.52% Individual 95% CIs For Mean Based on A produce ms fenoles que B,C Pooled StDev ----+---------+---------+---------+----(-------*--------) Pgina 58 de 308

Level A

N 4

Mean 1.9000

StDev 0.1414

CURSO TALLER DE MINITAB 15 B C 5 6 1.3000 1.4000 0.2121 0.2828

P. Reyes / Agosto 2007

La media de A es (------*-------) diferentes a A y B (------*------) ----+---------+---------+---------+----1.20 1.50 1.80 2.10 Las medias B y C Pooled StDev = 0.2309 Desviacin estndar poblacional son similares Tukey 95% Simultaneous Confidence Intervals All Pairwise Comparisons Individual confidence level = 97.94% A subtracted from: Lower Center B -1.0130 -0.6000 C -0.8974 -0.5000 Como el cero no est en el intervalo de la diferencia B-A o C-A, A es diferente de B y C -----+---------+---------+---------+---(---------*---------) (---------*--------) -----+---------+---------+---------+----0.80 -0.40 -0.00 0.40

Upper -0.1870 -0.1026

B subtracted from: Lower Center C -0.2728 0.1000

Upper 0.4728

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

ANOVA de una va con datos de tratamientos en una sola columna Los datos del ejemplo anterior arreglados en una sola columna se muestran a continuacin:

Respuesta 1.9 1.8 2.1 1.8 1.6 1.1 1.3 1.4 1.1 1.3 1.6 1.8 1.1 1.5 1.1

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

Stat > ANOVA > One Way

Pgina 59 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Los resultados son similares a los anteriores excepto que se obtiene una grafica de 4 en uno en vez de 3 en uno.
Residual Plots for Respuesta
Normal Probability Plot of the Residuals
99 90 50 10 1 -0.50 -0.25 0.00 Residual 0.25 0.50 Residual Percent 0.4 0.2 0.0 -0.2 -0.4

Residuals Versus the F itted Values

1.4

1.6 Fitted Value

1.8

Histogram of the Residuals


3 Frequency Residual -0.3 -0.2 -0.1 0.0 0.1 Residual 0.2 0.3 0.4 2 1 0

Residuals Versus the Order of the Data


0.4 0.2 0.0 -0.2 -0.4

9 10 11 12 13 14 15

Observation Order

Mintab 15

Tamao de muestra en ANOVA Se usa para calcular uno de las pruebas siguientes en prueba de igualdad de medias poblacionales potencia tamao de muestra diferencia mnima detectable entre la media menor y la mayor (diferencia mxima) Se requiere como dato dos de estos valores, Minitab calcula el tercero.

Suppose you are about to undertake an investigation to determine whether or not 4 treatments affect the yield of a product us

1 2 3 4 5

Stat > Power and Sample Size > One-way ANOVA. En Number of levels, poner 4. En Sample sizes, poner 5. En Values of the maximum difference between means , poner 4. En Standard deviation, poner 1.64. Click OK.

Los resultados son los siguientes: Power and Sample Size One-way ANOVA Alpha = 0.05 Assumed standard deviation = 1.64 SS Sample Maximum Means Size Power Difference 8 5 0.826860 4 The sample size is for each level.

Number of Levels = 4

Por tanto si se asignan cinco unidades a cada nivel de tratamiento, se tendr una potencia de 0.83 para detectar una diferencia de 4 o ms unidades entre las medias de los tratamientos.

Minitab 15

Anlisis de varianza de dos vas Prueba la igualdad de medias poblacionales cuando la clasificacin de tratamientos es por variables Pgina 60 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

o factores, las celdas deben estar balanceadas con el mismo nimero de observaciones y los factores deben ser fijos. Para mostrar las medias en las celdas y sus desviaciones estndar utilizar la opcin Cross Tabulation and Chi Square. Si se desea que ciertos factores sean aleatorios, usar ANOVA balanceado o el Modelo lineal general si se desea comparar medias usando comparaciones mltiples. Por ejemplo: Se estudia el plancton en dos lagos. Se preparan doce tanques en el laboratorio, seis con agua de cada uno de los lagos, se agrega uno de tres nutrientes en cada tanque y al mes se cuenta el plancton en cada unidad de volumen de agua. Se utiliza el ANOVA de dos vas para este experimento. 1 File > Open worksheet EXH_AOV.MTW. Zooplankton Supplement Lake 34 1 Rose 43 1 Rose 57 1 Dennison 40 1 Dennison 85 2 Rose 68 2 Rose 67 2 Dennison 53 2 Dennison 41 3 Rose 24 3 Rose 42 3 Dennison 52 3 Dennison 2 Stat > ANOVA > Two-Way. 3 En Response, seleccionar Zooplankton. 4 En Row factor, seleccionar Supplement. Seleccionar Display means. 5 En Column factor, seleccionar Lake. seleccionar Display means. Click OK. Los resultados se muestran a continuacin: Two-way ANOVA: Zooplankton versus Supplement, Lake Source Supplement Lake Interaction Error Total S = 10.18 DF 2 1 2 6 11 SS 1918.50 21.33 561.17 622.00 3123.00 MS 959.250 21.333 280.583 103.667 F 9.25 0.21 2.71 P 0.015 0.666 0.145

R-Sq = 80.08%

R-Sq(adj) = 63.49%

Supplement 1 2 3

Mean 43.50 68.25 39.75

Individual 95% CIs For Mean Based on Pooled StDev --+---------+---------+---------+------(-------*-------) (--------*-------) (--------*-------) --+---------+---------+---------+------30 45 60 75

Pgina 61 de 308

CURSO TALLER DE MINITAB 15 Individual 95% CIs For Mean Based on Pooled StDev -----+---------+---------+---------+---(----------------*----------------) (----------------*----------------) -----+---------+---------+---------+---42.0 48.0 54.0 60.0

P. Reyes / Agosto 2007

Lake Dennison Rose

Mean 51.8333 49.1667

De la tabla de ANOVA se ve que no hay una interaccin significativa entre Supplement*Lake o por Lake. Hay evidencia significativa de que el Supplement afecta al crecimiento para un alfa de 0.05. De la grfica de medias parece que el Supplement 2 es mejor para el crecimiento del plancton. Para examinar comparaciones mltiples de medias, utilizar el modelo lineal general. Minitab 15 Anlisis de medias Sirve para realizar un anlisis de medias (ANOM) para datos normales, binomiales o de Poisson y opcionalmente imprime una tabla resumen para datos normales o binomiales. Por ejemplo para datos normales: Se evala el efecto de tres tiempos de nvieles de proceso y tres niveles de resitencia en la densidad. Se analizan las medias y un diseo de dos vas para identificar interacciones o efectos principales significativos. 1 File > Open worksheet EXH_AOV.MTW. Density Minutes Strength 7 10 3 8 10 3 10 10 3 7 10 3 1 15 1 4 15 1 3 15 1 2 15 1 6 15 2 7 15 2 8 15 2 Etctera En Response, seleccionar Density. Seleccionar Normal. En Factor 1, seleccionar Minutes. En Factor 2, seleccionar Strength. Click OK.

3 4 5

Los resultados se muestran a continuacin:


Two-Way Normal ANOM for Density
Alpha = 0.05
Interaction Effects
2 Effect 0 -2 Strength Minutes 1.578 0 -1.578 1 10 2 3 1 15 2 3 1 18 2 3

Main Effects for Minutes


7 Mean 6 5 7.145 Mean 6.222 5.300 10 15 Minutes 18 8 6 4 2

Main Effects for Strength

7.145 6.222 5.300

2 Strength

Pgina 62 de 308

6 5

6.222 5.300

5.300 4 2

CURSO TALLER DE MINITAB 15


10 15 Minutes 18 1 2 Strength 3

P. Reyes / Agosto 2007

Se muestra una grfica de interaccin y de efectos principales para los dos factores. La grfica ANOM tiene una lnea central y lmites de decisin, si un punto cae fuera de estos lmites es evidente que es diferente de la gran media. Si la interaccin fuera significativa, ya no se consideran los efectos principales por separado, dado que unos dependen de otros. En este caso no es significat. El punto que representa la media del nivel 3 del factor Minutes se muestra con un asterisco en rojo, indicando que hay evidencia al nivel de alfa = 0.05 de que difiera significativamente de la media gral. En el caso de Strenght, hay evidencia de que los efectos principales para los niveles 1 y 3 estn fuera de los lmites de decisin y son diferentes de la media general. Los puntos que estn fuera se pueden investigar. Ejemplos con datos binomiales Se cuenta el nmero de soldaduara rechazadas en muestras de tamao 80 para identificar que proporciones estn fuera de la lnea con las otras muestras. Como las muestras tienen dos resultados, la proporcin de xitos es constante y son independientes se usa el anlisis de medias para datos binomiales. 1 File > Open worksheet EXH_AOV.MTW. WeldRejects 3 6 8 14 6 1 8 1 8 10 1 2 3 4 Stat > ANOVA > Analysis of Means. En Response, seleccionar WeldRejects. Seleccionar Binomial y poner 80 en Sample size. Click OK.

Los resultados se muestran a continuacin:


One-Way Binomial ANOM for WeldRejects
Alpha = 0.05
0.20

0.15

0.1547

Proportion

0.10 0.075 0.05

0.00

6 Sample

10

11

Pgina 63 de 308

0.00

CURSO TALLER DE MINITAB 15


1 2 3 4 5 6 Sample 7 8 9 10 11

P. Reyes / Agosto 2007

La grfica muestra la proporcin de defectos para cada muestra, la lnea central representando la proporcin promedio, y los lmites superior e inferior. En este caso la muestra cuatro sale de los lmites de decisin y es anormal. Ejemplo con datos de Poisson Una fbrica de juguetes, quiere monitorear el nmero de defectos de carros de juguete. Se toman 20 muestras de carros y se crea una carta de medias para examinar el nmero de defectos en cada muestra. 1 File > Open worksheet TOYS.MTW. Defects Defects 9 4 11 4 2 2 5 5 15 5 13 2 8 3 7 2 5 1 2 6 Stat > ANOVA > Analysis of Means. En Response, seleccionar Defects Seleccionar Poisson . Click OK.

2 3 4

One-Way Poisson ANOM for Defects


Alpha = 0.05

16

12 Defects

12.49

8 5.55 4

10 11 12 13 14 15 16 17 18 19 20 Sample

La grfica muestra el nmero de defectos en cada muestra, la lnea central representando el promedio de defectos, y los lmites de decisin superior e inferior. En este caso, el nmero de defectos de los carros cinco y seis son anormales ya que caen fuera de los lmites de decisin. Mintab 15 ANOVA Balanceado Se usa para realizar anlisis univariado de varianza para cada una de las variables de respuesta. Pgina 64 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

El diseo debe ser balanceado, con las mismas observaciones por celda. Los factores pueden ser cruzados o anidados, fijos o aleatorios. Se pueden incluir hasta 50 variables de respuesta con hasta 31 factores al mismo tiempo. Los factores son predictores (independientes) que se seleccionan a que varien durante el experimento para determinar su efecto en la variable de respuesta (variable dependiente). Por ejemplo, si se quiere evaluar el acabado superficial de partes metlicas producidas por varias mquinas y se miden por varios operadores. Tanto "Mquina" como "Operador" son factores en este experimento. Los factores pueden ser cruzados o anidados, dependiendo de cmo se colecten los datos. Factores cruzados: Dos factores son cruzados cuando cada nivel de un factor ocurre en combinacin con cada nivel del otro factor. Por ejemplo, los mismos tres operadores evalan el acabado superficial de las 2 mquinas. Factores anidados: Dos factores son anidados cuando los niveles de un factor son similares pero no idnticos, y cada uno ocurre en combinacin con diferentes niveles de otro factor. En este caso, si la mquina 1 est una ciudad y la otra en otra diferente, cada una tendr diferentes operadores. Modelo: En la caja de Model solo se especifican las X's no la Y. La opcin Make Patterned data, single set of numbers puede ayudar a cargar los nmeros de niveles de un factor. Las reglas para expresar modelos son: 1 * indica un trmino de interaccin, por ejemplo A*B. 2 () indica anidado, cuando B est anidado dentro de A, poner B(A). Si C est anidado dentro de A y B poner C(A B). Los trminos entre parntesis son factores del modelo y se separan con espacio. 3 Abreviar el modelo con | o ! Para indicar factores cruzados o - para remover trminos. Por ejemplo: Dos factores cruzados: A B A*B Tres factores cruzados: A B C A*B A*C B*C A*B*C Tres factores anidados: A B(A) C(A B) B anidado dentro de A, y ambos cruzados con C: A B(A) A*C B*C(A) Para introducir nmeros de niveles para un conjunto de datos: Por ejemplo para un diseo cruzado de tres vas con niveles a, b y c de factores A, B, C, con n observaciones por celda, se tiene: 1 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults). Poner A en Store patterned data in. Poner 1 en From first value, niveles de A en To last value. Poner el producto bcn en List the whole sequence. Clik OK 2 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults). Poner B en Store patterned data in. Poner 1 en From first value, niveles de B en To last value. Niveles de A en List each value. Poner el producto cn en List the whole sequence. Clik OK 3 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults). Poner C en Store patterned data in. Poner 1 en From first value, niveles de C en To last value. Producto ab en List each value. Poner el tamao de muestra n en List the whole sequence. Clik OK Ejemplo de ANOVA con dos factores cruzados Se quiere probar cuanto toma usar una calculadora nueva y una antigua. Seis ingenieros trabajan en ambos un problema estadstico y uno de ingeniera usando cada modelo de calculadora y se toma el tiempo en minutos que toma resolver el problema. Pgina 65 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Los ingenieros se pueden considerar como bloques del diseo experimental. Hay dos factores Tipo de problema y modelo de calculadora, cada uno con dos niveles. Como cada nivel del factor ocurre en combinacin con cada nivel del otro factor, los factores son cruzados. 1 SolveTime 3.1 7.5 2.5 5.1 3.8 8.1 2.8 5.3 3 7.6 2 4.9 3.4 7.8 2.7 5.5 3.3 6.9 2.5 5.4 3.6 7.8 2.4 4.8 File > Open worksheet EXH_AOV.MTW. Engineer ProbType Calculator Jones Stat New Jones Stat Old Jones Eng New Jones Eng Old Williams Stat New Williams Stat Old Williams Eng New Williams Eng Old Adams Stat New Adams Stat Old Adams Eng New Adams Eng Old

Engineer Dixon Dixon Dixon Dixon Erickson Erickson Erickson Erickson Maynes Maynes Maynes Maynes

ProbType Stat Stat Eng Eng Stat Stat Eng Eng Stat Stat Eng Eng

Calculator New Old New Old New Old New Old New Old New Old

2 3 4 5 6 7

Stat > ANOVA > Balanced ANOVA. En Responses, seleccionar SolveTime. En Model, seleccionar Engineer ProbType | Calculator. En Random Factors, seleccionar Engineer. Click Results. En Display means corresponding to the terms, poner ProbType | Calculator. Click OK en cada cuadro de dilogo.

Los resultados se muestran a continuacin: ANOVA: SolveTime versus Engineer, ProbType, Calculator Factor Engineer ProbType Calculator Type random fixed fixed Levels 6 2 2 Values Adams, Dixon, Erickson, Jones, Maynes, Williams Eng, Stat New, Old

Analysis of Variance for SolveTime Source Engineer ProbType Calculator ProbType*Calculator Error Total DF 5 1 1 1 15 23 SS 1.053 16.667 72.107 3.682 1.010 94.518 MS 0.211 16.667 72.107 3.682 0.067 F 3.13 247.52 1070.89 54.68 P 0.039 0.000 0.000 0.000

S = 0.259487

R-Sq = 98.93%

R-Sq(adj) = 98.36%

Means ProbType Eng Stat N 12 12 SolveTime 3.8250 5.4917

Calculator New

N 12

SolveTime 2.9250 Pgina 66 de 308

CURSO TALLER DE MINITAB 15 Old 12 6.3917

P. Reyes / Agosto 2007

ProbType Eng Eng Stat Stat

Calculator New Old New Old

N 6 6 6 6

SolveTime 2.4833 5.1667 3.3667 7.6167

Se muestran los factores con su tipo (fijos o aleatorios), nmero de niveles y valores. Despus se muestra la tabla de ANOVA, indicando una interaccin significativa entre tipo de problema y calculadora. Tambin se muestran las medias de todos los factores y sus combinaciones como efectos principales. Donde se puede observar que el tiempo se reduce al cambiar de la calculadora antigua a la nueva. Ejemplo de ANOVA con diseo de mediciones repetidas Se corre un experimento para ver como afectan los factores la exactitud de ajuste de indicadores. Tres personas realizan las pruebas en uno de dos niveles de ruido. En cada uno de los tres periodos de tiempo, las personas monitorean tres diferentes indicadores y realizan ajustes conforme se requiere La respuesta es una medida de la exactitud. El ruido, tiempo e indicadores son factores fijos y cruzados La persona en un factor aleatorio, anidado dentro del ruido. El ruido es un factor entre personas, el tiempo e indicadores estan dentro de las personas. 1 File > Open worksheet EXH_AOV.MTW. Score Noise Subject 45 1 1 53 1 1 60 1 1 40 1 1 52 1 1 57 1 1 28 1 1 37 1 1 46 1 1 35 1 2 41 1 2 50 1 2

ETime 1 1 1 2 2 2 3 3 3 1 1 1

Dial 1 2 3 1 2 3 1 2 3 1 2 3

2 3 4 5 6 7 8 9

Stat > ANOVA > Balanced ANOVA. En Responses, seleccionar Score En Model, seleccionar Noise Subject(Noise) Etime Noise*ETime ETime*Subject Dial Noise*Dial Dial*Subject ETime*Dial Noise*ETime*Dial . En Random Factors, seleccionar Subject Click Options. Seleccionar Use the restricted form of the mixed model , y click OK. Click Results. Seleccionar Display expected mean squares and variance components . Click OK en dilogos.

Los resultados se muestran a continuacin: ANOVA: Score versus Noise, ETime, Dial, Subject Factor Noise Subject(Noise) ETime Dial Type fixed random fixed fixed Levels 2 3 3 3 Values 1, 2 1, 2, 3 1, 2, 3 1, 2, 3

Pgina 67 de 308

CURSO TALLER DE MINITAB 15 Analysis of Variance for Score Source Noise Subject(Noise) ETime Noise*ETime ETime*Subject(Noise) Dial Noise*Dial Dial*Subject(Noise) ETime*Dial Noise*ETime*Dial Error Total DF 1 4 2 2 8 2 2 8 4 4 16 53 SS 468.17 2491.11 3722.33 333.00 234.89 2370.33 50.33 105.56 10.67 11.33 127.11 9924.83 MS 468.17 622.78 1861.17 166.50 29.36 1185.17 25.17 13.19 2.67 2.83 7.94 F 0.75 78.39 63.39 5.67 3.70 89.82 1.91 1.66 0.34 0.36 P 0.435 0.000 0.000 0.029 0.013 0.000 0.210 0.184 0.850 0.836

P. Reyes / Agosto 2007

S = 2.81859

R-Sq = 98.72%

R-Sq(adj) = 95.76%

1 2 3 4 5 6 7 8 9 10 11

Source Noise Subject(Noise) ETime Noise*ETime ETime*Subject(Noise) Dial Noise*Dial Dial*Subject(Noise) ETime*Dial Noise*ETime*Dial Error

Variance component 68.315

7.139

1.750

Error term 2 11 5 5 11 8 8 11 11 11

7.944

Expected Mean Square for Each Term (using restricted model) (11) + 9 (2) + 27 Q[1] (11) + 9 (2) (11) + 3 (5) + 18 Q[3] (11) + 3 (5) + 9 Q[4] (11) + 3 (5) (11) + 3 (8) + 18 Q[6] (11) + 3 (8) + 9 Q[7] (11) + 3 (8) (11) + 6 Q[9] (11) + 3 Q[10] (11)

Se muestra la tabla de niveles de factores, la tabla de ANOVA y los cuadrados medios esperados. Esto ltimo permite ver los componentes estimados de la varianza y descubrir cul trmino de error es usado para probar los diferentes trminos del modelo. El trmino de error est en fila 11 de la tabla de cuadrados medios esperados. La columna Error Term" indica que el trmino 11 se usa para probar los trminos 2, 5, 8 y 10. Dial*Subject se numera como 8 y se usa para probar el sexto y sptimo trminos. Se puede seguir el patrn para otros trminos. Se puede tener alguna idea de cmo afecta el diseo la sensibilidad de las pruebas F observando los componentes de la varianza. Los componentes para probar los factores dentro de las personas son ms pequeos (7.139, 1.750, 7.994) que la varianza entre personas (68.315). Es tpico que para el modelo de mediciones repetidas, pueda detectar diferencias ms pequeas en medias dentro de personas cuando se compara a la varianza entre personas. De las cuatro interacciones entre los factores fijos, la interaccin de Noise*Etime fue la nica significativa P-value = 0.029. Implica que la sensibilidad al ruido de las personas cambia en el tiempo. Tambien es significativo el efecto del indicador Dial P value < 0.0005. Entre trminos aleatorios, hay evidencia significativa para tiempo por persona (Etime*Subject con P value = 0.013) y persona (Subject P value < 0.0005).

Modelo de ANOVA mezclado Una empresa corre experimentos para como diversas condiciones afectyan el espesor de un recubrimiento que fabrican. El experimento se corre en la maana y en la noche. Se seleccionan Pgina 68 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

tres operadores al azar. El proceso de manufactura se ajusta en tres puntos 35, 44, y 52. Se hace dos determinaciones de espesor para cada operadoren cada tiempo y punto de ajuste. As los tres factores son cruzados, un factor "Operator" es aleatorio y los otros dos son fijos. El modelo estadstico y sus trminos se muestran a continuacin:

Paso 1. Encontrar la forma del modelo restringido 1 File > Open worksheet EXH_AOV.MTW. Thickness Time Operator 38 1 1 40 1 1 63 1 1 59 1 1 76 1 1 78 1 1 39 1 2 42 1 2 72 1 2 70 1 2 95 1 2 96 1 2

Setting 35 35 44 44 52 52 35 35 44 44 52 52

2 3 4 5 6 7 8

Stat > ANOVA > Balanced ANOVA. En Responses, seleccionar Thickness. En Model, seleccionar Time | Operator | Setting. En Random Factors, seleccionar Operator. Click Options. Seleccionar Use the restricted form of the mixed model. Click OK. Click Results. Seleccionar Display expected mean squares and variance components . Click OK en cada cuadro de dilogo

Paso 1. Encontrar la forma del modelo no restringido 1 Repetir pasos 1-8 excepto que, en 6, no seleccionar Use the restricted form of the mixed model . Los resultados se muestran a continuacin: Modelo restringido ANOVA: Thickness versus Time, Operator, Setting

Pgina 69 de 308

CURSO TALLER DE MINITAB 15 Factor Time Operator Setting Type fixed random fixed Levels 2 3 3 Values 1, 2 1, 2, 3 35, 44, 52

P. Reyes / Agosto 2007

Analysis of Variance for Thickness Source Time Operator Setting Time*Operator Time*Setting Operator*Setting Time*Operator*Setting Error Total DF 1 2 2 2 2 4 4 18 35 SS 9.0 1120.9 15676.4 62.0 114.5 428.4 96.0 61.0 17568.2 MS 9.0 560.4 7838.2 31.0 57.3 107.1 24.0 3.4 F 0.29 165.38 73.18 9.15 2.39 31.61 7.08 P 0.644 0.000 0.001 0.002 0.208 0.000 0.001

S = 1.84089

R-Sq = 99.65%

R-Sq(adj) = 99.32%

1 2 3 4 5 6 7 8

Source Time Operator Setting Time*Operator Time*Setting Operator*Setting Time*Operator*Setting Error

Variance component 46.421 4.602 25.931 10.306 3.389

Error term 4 8 6 8 7 8 8

Expected Mean Square for Each Term (using restricted model) (8) + 6 (4) + 18 Q[1] (8) + 12 (2) (8) + 4 (6) + 12 Q[3] (8) + 6 (4) (8) + 2 (7) + 6 Q[5] (8) + 4 (6) (8) + 2 (7) (8)

Modelo no restringido ANOVA: Thickness versus Time, Operator, Setting Factor Time Operator Setting Type fixed random fixed Levels 2 3 3 Values 1, 2 1, 2, 3 35, 44, 52

Analysis of Variance for Thickness Source Time Operator Setting Time*Operator Time*Setting Operator*Setting Time*Operator*Setting Error Total DF 1 2 2 2 2 4 4 18 35 SS 9.0 1120.9 15676.4 62.0 114.5 428.4 96.0 61.0 17568.2 MS 9.0 560.4 7838.2 31.0 57.3 107.1 24.0 3.4 F 0.29 4.91 73.18 1.29 2.39 4.46 7.08 P 0.644 0.090 x 0.001 0.369 0.208 0.088 0.001

Pgina 70 de 308

CURSO TALLER DE MINITAB 15 x Not an exact F-test.

P. Reyes / Agosto 2007

S = 1.84089

R-Sq = 99.65%

R-Sq(adj) = 99.32%

1 2 3 4 5 6 7 8

Source Time Operator -2 Setting Time*Operator Time*Setting Operator*Setting Time*Operator*Setting Error

Variance component 37.194

Error term 4 * 6 7 7 7 8

Expected Mean Square for Each Term (using unrestricted model) (8) + 2 (7) + 6 (4) + Q[1,5] (8) + 2 (7) + 4 (6) + 6 (4) + 12 (8) (8) (8) (8) (8) (8) + + + + + 2 2 2 2 2 (7) (7) (7) (7) (7) + + + + 4 (6) + Q[3,5] 6 (4) Q[5] 4 (6)

1.167 20.778 10.306 3.389

* Synthesized Test.

Error Terms for Synthesized Tests Synthesis of Error MS (4) + (6) - (7)

Source 2 Operator

Error DF 3.73

Error MS 114.1

La organizacin de la salida es la misma para el modelo restringido o no restringido: - Una tabla de niveles de factores, la tabla ANOVA, y como se requiri, los cuadrados medios esperados. Las diferencias en la salida se encuentran en los cuadrados medios esperados, y las pruebas F para algunos trminos del modelo. En este caso la prueba F para el operador se sintetiza para el Operator en el modelo no restringido dado que no puede ser calculada exactamente. Al examinar la interaccin de los tres factores Time*Operator*Setting, la prueba F es la misma en ambos modelos con un P value de 0.001, por tanto el espesor depende de la combinacin de tiempo, operador y ajuste. En algunos casos aqu termina este anlisis, no siguiendo con los factores. En los casos donde los modelos dan diferente salida es en: La prueba F para Operator*Setting es diferente, asi como Time*Operator*Setting, Time*Operator, Operator, Time*Operator, Oper*Setting.

Modelo Lineal general (GLM)


Se usa para hacer anlisis univariados de varianza con diseos balanceados y no balanceados, anlisis de covarianza y regresin, para cada una de las variables de respuesta. Los clculos se realizan con el mtodo de regresin para lo caul se requiere un arreglo completo de factores y covariados para hacer una regresin con cada variable de respuesta. Se puede especificar un modelo jerrquico, si se incluye un trmino de interaccin todas las interacciones de menor orden y los factores que comprende la interaccin deben aparecer en el modelo. Los factores pueden ser cruzados, o anidados, fijos o aleatorios. Los covariados pueden ser cruzados entre s o con los factores, o anidados dentro de los factores. Se pueden analizar hasta 50 variables de respuesta con hasta 31 factores y 50 covariados al mismo tiempo. Los modelos de ANOVA balanceado y modelo lineal general (GLM) son procedimientos de ANOVA para analizar datos colectados con diversos diseos experimentales. La seleccin de estos procedimientos depende del diseo experimental y las opciones disponibles. El diseo experimental se refiere a la seleccin de unidades o sujetos a medir, la asignacin de tratamientos a esas unidades o sujetos, y la Pgina 71 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

secuencia de las mediciones tomadas en las unidades o sujetos. Ambos modelos pueden ajustar modelos univariados para datos balanceados con hasta 31 factores. Algunas opciones son las siguientes: ANOVA balanceado No Si

Puede ajustar datos no balanceados Puede especificar factores como aleatorios y obtener cuadrados medios esperados Ajusta covariados Realiza comparaciones mltiples Ajusta modelos mezclados restringidos y no restringidos

GLM Si Si

No No Si

Si Si Solo no restringidos

Se puede usar el ANOVA balanceado para analizar datos de diseos balanceados. Se usa GLM para analizar datos de diseos balanceados, a pesar de que no se puede seleccionar el ajuste para el caso restringido del modelo mezclado, el cual solo el ANOVA balanceado puede ajustarlo. Para clasificar las variables, determianr si los factores son: - Cruzados o anidados: cruzados cuando cada nivel de un factor ocurre combinado con cada nivel del otro. Anidados cuando los niveles de un factor son similares pero no idnticos y cada uno ocurre en combinacin con diferentes niveles de otro factor. - Fijos o aleatorios: son fijos si se controla su nivel; son aleatorios si se seleccionan aleatoriamente de los niveles de un factor de una poblacin (por ejemplo seleccionar tres operadores de una poblacin). - Covariados es un predictor continuo, que puede ser controlable o no controlable. Por ejemplo se puede estar interesado en el efecto del covariado edad en los ingresos de ventas por Internet. En un DOE es una variable que es observable pero dficil de controlar. Se introduce al modelo para reducir la varianza del error. Por ejemplo, se tiene intenrs en el efecto del covariado temperatura en el tiempo de secado de dos diferentes tipos de pintura. Especificacin del modelo:

Para especificar los covariados:

Pgina 72 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para especificar modelos abreviados:

Ejemplo de ajuste de efectos lineales y cuadrticos Se realiza un experimento para probar el efecto de la temperatura y tipo de vidrio en la luminosidad de un osciloscopio. Hay tres niveles en tipos de vidrio y temperatura: 100, 125 y 150 F. Son factores fijos (Montgomery 252). Cuando un factor es cuantitativo con tres o ms niveles, es adecuado particionar la suma de cuadrados de ese factor en efectos de rdenes polinomiales. Si hay k niveles del factor, se puede particionar en k-1 rdenes de polinomios. Es este ejemplo, el efecto de la temperatura se puede particionar en efectos lineales y efectos cuadrticos, de la misma forma se puede hacer con la interaccin. Para esto se debe codificar la variable cuantitativa con los valores del tratamiento real (o sea, cdigos de niveles de temperatura en 100, 125, y 150F), usar el GLM para analizar los datos, y declarar la variable cuantitativa a ser una covariable. 1 File > Open worksheet EXH_AOV.MTW. LightOutput Temperature GlassType 580 100 1 1090 125 1 1392 150 1 568 100 1 1087 125 1 1380 150 1 570 100 1 1085 125 1 1386 150 1 550 100 2 1070 125 2 1328 150 2 530 100 2 1035 125 2

LightOutput 1312 579 1000 1299 546 1045 867 575 1053 904 599 1066 889

Temperature 150 100 125 150 100 125 150 100 125 150 100 125 150

GlassType 2 2 2 2 3 3 3 3 3 3 3 3 3

2 3 4 5 6

Stat > ANOVA > General Linear Model. En Responses, seleccionar LightOutput. En Model, poner Temperature Temperature Temperature GlassType GlassType *Temperature GlassType * Temperature *Temperature. Click Covariates. En Covariates, seleccionar Temperature. Click OK en cada cuadro de dilogo. Pgina 73 de 308

CURSO TALLER DE MINITAB 15 Los resultados se muestran a continuacin: General Linear Model: LightOutput versus GlassType Factor GlassType Type fixed Levels 3 Values 1, 2, 3

P. Reyes / Agosto 2007

Analysis of Variance for LightOutput, using Adjusted SS for Tests Source Temperature Temperature*Temperature GlassType GlassType*Temperature GlassType*Temperature*Temperature Error Total DF 1 1 2 2 2 18 26 Seq SS 1779756 190579 150865 226178 64374 6579 2418330 Adj SS 262884 190579 41416 51126 64374 6579 Adj MS 262884 190579 20708 25563 32187 366 F 719.21 521.39 56.65 69.94 88.06 P 0.000 0.000 0.000 0.000 0.000

S = 19.1185

R-Sq = 99.73%

R-Sq(adj) = 99.61%

Term Constant Temperature Temperature*Temperature Temperature*GlassType 1 2 Temperature*Temperature*GlassType 1 2

Coef -4968.8 83.867 -0.28516 -24.400 -27.867 0.11236 0.12196

SE Coef 191.3 3.127 0.01249 4.423 4.423 0.01766 0.01766

T -25.97 26.82 -22.83 -5.52 -6.30 6.36 6.91

P 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Unusual Observations for LightOutput Obs 11 17 LightOutput 1070.00 1000.00 Fit 1035.00 1035.00 SE Fit 11.04 11.04 Residual 35.00 -35.00 St Resid 2.24 R -2.24 R

R denotes an observation with a large standardized residual. Se muestra la tabla de factores con sus niveles y valores. La segunda tabla da una tabla de ANOVA, seguida por una tabla de coeficientes y una tabla de observaciones no normales. La suma secuencial de cuadrados se calculan dependiendo de que trminos se puedieron primero en el modelo, o sea que depende del orden del modelo. La suma ajustada de cuadrados son las sumas de cuadrados dado que todos los otros trminos estn en el modelo. Estos valores no dependen del orden en el modelo. Si se selecciona la opcin de suma secuencial de cuadrados, estos se usan para la determinacin de los valores F. En el ejemplo, todos los valores P fueron ceo, indicando que hay evidencia significativa de que afectan los factores de vidrio y temperatura en el brillo as como su interaccin lineal y cuadrtica. El valor de R2 indica que el modelo explica el 99.73% de la varianza de la salidad de luz, muy bueno. Las siguientes tablas dan los coeficientes estimados para la covariada, temperatura, y las interacciones, Pgina 74 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

el error estndar, estadsticos t, y valores p. Despus se muestran los valores atpicos, con valor estandarizado mayor a 2.

Minitab 15

Ejemplo de comparaciones mltiples con diseos anidados


Cuatro empresas qumicas producen insecticidas para mosquitos, pero la composicin difiere de empresa a empresa. Se hace un experimento poniendo 400 mosquitos en un contenedor de vidrio y contando los mosquitos vivos cuatro horas despus. Se realizan tres rplicas para cada producto. La meta es comparar la efectividad del producto de las diferentes empresas. Los factores son fijos. Los factores estn anidados dado que cada uno de los insecticidas de cada empresa es nico. Se usa el GLM dado que el diseo no es balanceado y se usan comparaciones mltiples para comparar las respuesta media de cada empresa. 1 File > Open worksheet EXH_AOV.MTW. NMosquito Company Product 151 A A1 135 A A1 137 A A1 118 A A2 132 A A2 135 A A2 131 A A3 137 A A3 121 A A3 140 B B1 Stat > ANOVA > General Linear Model. En Responses, seleccionar NMosquito. En Model, seleccionar Company Product(Company). Click Comparisons. En Pairwise Comparisons, seleccionar Company en Terms. En Method, seleccionar Tukey. Click OK en cada cuadro de dilogo.

2 3 4 5 6

Los resultados se muestran a continuacin: General Linear Model: NMosquito versus Company, Product Factor Company Product(Company) Type fixed fixed Levels 4 11 Values A, B, C, D A1, A2, A3, B1, B2, C1, C2, D1, D2, D3, D4

Analysis of Variance for NMosquito, using Adjusted SS for Tests Source Company Product(Company) Error Total DF 3 7 22 32 Seq SS 22813.3 1500.6 1260.0 25573.9 Adj SS 22813.3 1500.6 1260.0 Adj MS 7604.4 214.4 57.3 F 132.78 3.74 P 0.000 0.008

S = 7.56787

R-Sq = 95.07%

R-Sq(adj) = 92.83%

Tukey 95.0% Simultaneous Confidence Intervals Response Variable NMosquito All Pairwise Comparisons among Levels of Company Company = A subtracted from: Pgina 75 de 308

CURSO TALLER DE MINITAB 15 Company B C D Lower -2.92 -52.25 -61.69 Center 8.17 -41.17 -52.42 Upper 19.25 -30.08 -43.14

P. Reyes / Agosto 2007

--------+---------+---------+-------(---*----) (----*---) (---*---) --------+---------+---------+--------50 -25 0

Company = B Company C D

subtracted from: Center -49.33 -60.58 Upper -37.19 -50.07 --------+---------+---------+-------(----*----) (---*---) --------+---------+---------+--------50 -25 0

Lower -61.48 -71.10

Company = C Company D

subtracted from: Center -11.25 Upper -0.7347 --------+---------+---------+-------(----*---) --------+---------+---------+--------50 -25 0

Lower -21.77

Tukey Simultaneous Tests Response Variable NMosquito All Pairwise Comparisons among Levels of Company Company = A subtracted from: Difference of Means 8.17 -41.17 -52.42 SE of Difference 3.989 3.989 3.337 Adjusted P-Value 0.2016 0.0000 0.0000

Company B C D

T-Value 2.05 -10.32 -15.71

Company = B

subtracted from: SE of Difference 4.369 3.784 Adjusted P-Value 0.0000 0.0000

Company C D

Difference of Means -49.33 -60.58

T-Value -11.29 -16.01

Company = C

subtracted from: SE of Difference 3.784 Adjusted P-Value 0.0329

Company D

Difference of Means -11.25

T-Value -2.973

Se muestra una tabla de niveles de factores, tabla de ANOVA, comparaciones mltiples de Tukey para diferencias entre empresas y las pruebas de hiptesis correspondientes. La prueba F indica que la empresa es significativa. El valor de R2 indica que el modelo explica el 95.07% de la varianza en el nmero de mosquitos vivos, siendo adecuado el modelo.

Pgina 76 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

De la comparacin de diferencias se observa que las empresas A y B son similares (cero incluido), y ambas diferentes de C y D (cero no incluido).

Minitab 15

ANOVA completamente anidado


Se usa para realizar un ANOVA completamente anidado (jerrquico) y para estimar los componentes de la varianza para cada variable de respuesta. Todos los factores se asumen como aleatorios, Minitab usa sumas secuenciales de cuadrados para los clculos. Se pueden analizar hasta 50 variables de respuesta con hasta 9 factores a un tiempo. Si el diseo no est anidado jerrquicamente o si se tienen factores fijos, usar ANOVA balanceado o GLM Si el diseo no est completamente balanceado, no se calcularn ni los valores F ni los P. Por ejemplo: Se intenta comprender la variabilidad en la fabricacin de jarras de vidrio. El proceso de hacer vidrio requiere mezclar materiales en hornos pequeos para lo cual se ajusta la temperatura a 475C. La empresa tiene varias plantas de jarras, de las cuales se seleccionan cuatro como muestra aleatoria. Se realiza el experimento y se mide la temperatura del horno para cuatro operadores de cuatro turnos diferentes. Se toman tres mediciones del lote durante cada turno. 1 File > Open worksheet FURNTEMP.MTW. Temp Plant Operator 481 1 4 477 1 4 475 1 4 470 1 4 475 1 4 474 1 4 484 2 1 477 2 1 481 2 1 477 2 1 482 2 1 Stat > ANOVA > Fully Nested ANOVA. En Responses, seleccionar Temp. En Factors, seleccionar Plant - Batch. Click OK.

Shift 3 3 3 4 4 4 1 1 1 2 2

Batch 1 2 3 1 2 3 1 2 3 1 2

Etctera

2 3 4

Los resultados se muestran a continuacin: Nested ANOVA: Temp versus Plant, Operator, Shift, Batch Analysis of Variance for Temp Source Plant Operator Shift Batch Total DF 3 12 48 128 191 SS 731.5156 499.8125 1534.9167 1588.0000 4354.2448 MS 243.8385 41.6510 31.9774 12.4062 F 5.854 1.303 2.578 P 0.011 0.248 0.000

Variance Components % of Total 17.59

Source Plant

Var Comp. 4.212

StDev 2.052 Pgina 77 de 308

CURSO TALLER DE MINITAB 15 Operator Shift Batch Total 0.806 6.524 12.406 23.948 3.37 27.24 51.80 0.898 2.554 3.522 4.894

P. Reyes / Agosto 2007

Expected Mean Squares 1 2 3 4 Plant Operator Shift Batch 1.00(4) + 1.00(4) + 1.00(4) + 1.00(4) 3.00(3) + 12.00(2) + 48.00(1) 3.00(3) + 12.00(2) 3.00(3)

Se muestran tres tablas: 1) ANOVA; 2) Componentes estimados de la varianza; 3) cuadrados medios esprados. Hay cuatro fuentes secuenciales anidadas de variabilidad: Planta, operador, turno y lote. La tabla ANOVA indica que que hay evidencia significativa de planta y turno para alfa de 0.05. Los estimados de los componentes de la varianza indican que la variabilidad atribuible a lotes, turnos y plantas fue de 52, 27, y 18 porciento resp. De la varianza total. Si el estimado de un componente de varianza es menor que cero, Minitab lo toma como cero en clculos.

Minitab 15

Grficas de intervalos
Se usan las grficas por intervalos para graficar medias, intervalos de confianza o barras de errores para una o ms variables. La grfica de intervalos muestra tanto la tendencia central como la variabilidad de los datos. Nota: Por default Minitan muestra los intervalos de confianza para el 95%. Para cambiar el tipo de despliegue para una grfica especfica, usar el Editor > Edit Interval Bar > Options. Para cambiarlo en todas las grficas futuras usar Tools > Options > Individual Graphs > Interval Plots. Las opciones son las siguientes:

Ejemplo de grfica para un intervalo simple: Se quiere examinar la durabilidad de alfombras. Se instalan muestras en cuatro casas y se mide la durabilidad promedio despus de 60 das. 1 File > Open worksheet CARPET.MTW. Durability Carpet Composition 18.95 1 A 12.62 1 B

Durability 10.92 13.28

Carpet 3 3

Composition A B

Pgina 78 de 308

CURSO TALLER DE MINITAB 15 11.94 14.42 10.06 7.19 7.03 14.66 2 3 4 1 1 2 2 2 2 A B A B A B 14.52 12.51 10.46 21.4 18.1 22.5 3 3 4 4 4 4

P. Reyes / Agosto 2007 A B A B A B

Graph > Interval Plot or Stat > ANOVA > Interval Plot. En One Y, seleccionar Simple. Click OK. En Graph variables, seleccionar Durability. Click OK.

Los resultados se muestran a continuacin:

Interval Plot of Durability


95% CI for the Mean 16

15

Durability

14

13

12

11

La media se observa colocando el cursor en el punto central y es de 13.785 el intervalo de confianza se extiende de 11.3632 to 16.2068 Ejemplo de grfica de intervalos por grupos Se quiere examinar la durabilidad de alfombras. Se instalan muestras en cuatro casas y se mide la durabilidad promedio despus de 60 das. Incluir etiquetas de datos para los proimedios. 1 2 3 4 5 6 7 File > Open worksheet CARPET.MTW. Graph > Interval Plot or Stat > ANOVA > Interval Plot. En One Y, seleccionar With Groups. Click OK. En Graph variables, seleccionar Durability. En Categorical variables for grouping (1-4, outermost first), seleccionar Carpet. Click Labels, y click en la ceja de Data Labels. En Label, seleccionar Means. Click OK en cada cuadro de dilogo.

Los resultados se muestran a continuacin:

I nterval Plot of Durability


95% CI for the Mean 30

25

Durability

20
18.115

15

14.4825 12.8075

10

9.735

Pgina 79 de 308
5 1 2 3 4

Dur

15

14.4825 12.8075 CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

10

9.735

5 1 2 Carpet 3 4

La media ms grande es para la alfombra 4, y todas se traslapan sugieriendo que no son diferentes. El intervalo de confianza corresponde al 95%, se puede cambiar con: Editor > Edit Interval Bar > Options.

Ejemplo de grfica de intervalos para Y mltiple Se usa para mostrar grficas de intervalo de mltiples variables en la misma grfica. Una empresa hace tubos de plstico y est preocupada por la consistencia de sus dimetros. Se miden 10 tubos cada semana durante tres semanas, y se crea una grfica de intervalo para ver las distribuciones. 1 File > Open worksheet PIPE.MTW. Week 1 Week 2 Week 3 5.19 5.57 8.73 5.53 5.11 5.01 4.78 5.76 7.59 5.44 5.65 4.73 4.47 4.99 4.93 4.78 5.25 5.19 4.26 7 6.77 5.7 5.2 5.66 4.4 5.3 6.48 5.64 4.91 5.2

Machine 1 2 1 2 1 2 1 2 1 2

Operator A B A B A A B B A B

2 3 4

Graph > Interval Plot or Stat > ANOVA > Interval Plot. En Multiple Y's, seleccionar Simple. Click OK. En Graph variables, seleccionar 'Week 1' 'Week 2' 'Week 3'. Click OK.

Los resultados se muestran a continuacin

Interval Plot of Week 1, Week 2, Week 3


95% CI for the Mean 7.0

6.5

Data

6.0

5.5

5.0

4.5 Week 1 Week 2 Week 3

En la semana 4 se observa una mayor media y variabilidad. Acercando el cursor se ven los valores.

Ejemplo de grfica de intervalos para Y mltiple Se usa para mostrar grficas de intervalos para variables mltiples en grupos.

Pgina 80 de 308

CURSO TALLER DE MINITAB 15 1 2 3 4 5 6 7

P. Reyes / Agosto 2007

File > Open worksheet PIPE.MTW. Graph > Interval Plot or Stat > ANOVA > Interval Plot. En Multiple Y's, seleccionar With Groups. Click OK. En Graph variables, seleccionar 'Week 1' 'Week 2' 'Week 3'. En Categorical variables for grouping (1-3, outermost first), seleccionar Machine. En Scale Level for Graph Variables, seleccionar Graph variables displayed innermost on scale . Click OK.

Los resultados se muestran a continuacin:

I nterval Plot of Week 1, Week 2, Week 3


95% CI for the Mean 9

7 Data

4 Week 1 Machine Week 2 1 Week 3 Week 1 Week 2 2 Week 3

Se observa que: - Para la mquina 1, las medias e intervalos de confianza tienen tendencia creceinte cada semana - Para la mquina 2, las medias e intervalos de confianza son consistentes durante las semanas

Minitab 15

Grfica de medias de Efectos Principales para factores mltiples


Se usa para comparar las magnitudes de los efectos principales. Los puntos en la grfica son las medias de la variable de respuesta en los diferentes niveles del factor. Se muestra una lnea de referencia dibujada como la gran media de la respuesta. Por ejemplo: Se siembran seis variedades de alfalfa dentro de cuatro campos diferentes, y se pesa el rendimiento de los cortes. Se tiene inters en comparar los diferentes rendimientos de las diferentes variedades, y se considera a los campos como bloques. Se quiere revisar los datos y examinar el rendimiento por variedad y campo usando la grfica de efectos principales. 1 File > Open worksheet ALFALFA.MTW. Yield Variety Field 3.22 1 1 3.04 2 1 3.06 3 1 2.64 4 1 3.19 5 1 2.49 6 1 3.31 1 2 2.99 2 2 3.17 3 2 2.75 4 2 3.4 5 2

Yield 3.26 3.27 2.93 2.59 3.11 2.38 3.25 3.2 3.09 2.62 3.23

Variety 1 2 3 4 5 6 1 2 3 4 5

Field 3 3 3 3 3 3 4 4 4 4 4

Pgina 81 de 308

CURSO TALLER DE MINITAB 15 2.37 6 2 2.37 6

P. Reyes / Agosto 2007 4

2 Stat > ANOVA > Main Effects Plot. 3 En Responses, seleccionar Yield. 4 En Factors, seleccionar Variety Field. Click OK. Los resultados se muestran a continuacin:

Main Effects Plot for Yield


Data Means 3.3 3.2 3.1 3.0 M ean 2.9 2.8 2.7 2.6 2.5 2.4 1 2 3 4 5 6 1 2 3 4 Variety Field

Se muestra la media de la respuesta para cada uno de los niveles de los factores en orden si los factores son numricos o en formato de fecha fecha/hora o en orden alfabtico si es texto. Se muestra una lnea horizontal como la gran media. Los efectos son las diferencias entre las medias y la lnea de referencia. En este ejemplo los efectos de Variety sobre el rendimiento son grnades comparados con los efectos del factor Field (la variable de bloqueo):

Minitab 15

Grfica de interacciones
Crea una grfica simple de interaccin de dos factores, o una matriz de grficas de interaccin para tres a nueve factores. Una interaccin se presenta cuando la respuesta en el nivel de un factor, depende de los niveles de otros factores. Las lneas paralelas indican que no hay interaccin; entre menos paralelas sean las lneas mayor ser el grado de interaccin. Ejemplo de grfica de interacciones para dos factores Se realiza un experimento para probar el efecto de la temperatura y el tipo de vidrio en la luminosidad de un osciloscopio. Hay tres niveles para tipo de vidrio y para temperatura, 100, 125, y 150 grados farenheit. 1 File > Open worksheet EXH_AOV. LightOutput Temperature GlassType 580 100 1 1090 125 1 1392 150 1 568 100 1 1087 125 1 2 3 4

Etctera

Stat > ANOVA > Interactions Plot. En Responses, seleccionar LightOutput. En Factors, seleccionar GlassType Temperature. Click OK. Pgina 82 de 308

CURSO TALLER DE MINITAB 15 Los resultados se muestran a continuacin:

P. Reyes / Agosto 2007

I nteraction Plot for LightOutput


Data Means 1400 1300 1200 1100 Mean 1000 900 800 700 600 500 100 125 Tem perature 150
GlassType 1 2 3

Se muestra una posible interaccin entre el tipo de vidrio y la temperatura del lado superior (150C).

Minitab 15

MANOVA balanceado
Se usa para realizar anlisis multivariado de varianza (MANOVA) para diseos balanceados. Se puede tomar ventaja de la estructura de la covarianza de los datos para probar al mismo tiempo la igualdad de medias de diferentes respuestas. Por ejemplo: Se quieren determinar las condiciones ptimas para extruir capa de plstico. Se miden tres respuestas resistencia, gloss, y opacidad - cinco veces cada combinacin de dos factores - tasa de extrusin y cantidad de aditivo -- cada uno es puesto en niveles bajos y altos. Se usa MANOVA dado que el diseo est balanceado. 1 File > Open worksheet EXH_MVAR.MTW. Tear Gloss Opacity 6.5 9.5 4.4 6.2 9.9 6.4 5.8 9.6 3 6.5 9.6 4.1 6.5 9.2 0.8 6.9 9.1 5.7 7.2 10 2 6.9 9.9 3.9 6.1 9.5 1.9 6.3 9.4 5.7

Extrusion 1 1 1 1 1 1 1 1 1 1

Additive 1 1 1 1 1 2 2 2 2 2

Etctera.

2 Stat > ANOVA > Balanced MANOVA. 3 En Responses, seleccionar Tear Gloss Opacity. 4 En Model, seleccionar Extrusion | Additive. 5 Click Results. En Display of Results, sel. Matrices (hypot., error, partial corr.) y Eigen analysis. 6 Click OK en cada cuadro de dilogo Los resultados son los siguientes:

Pgina 83 de 308

CURSO TALLER DE MINITAB 15 ANOVA: Tear, Gloss, Opacity versus Extrusion, Additive MANOVA for Extrusion s = 1 m = 0.5 n = 6.0 Test Statistic 0.38186 1.61877 0.61814 1.61877 DF Denom 14 14 14

P. Reyes / Agosto 2007

Criterion Wilks' Lawley-Hotelling Pillai's Roy's

F 7.554 7.554 7.554

Num 3 3 3

P 0.003 0.003 0.003

SSCP Matrix for Extrusion Tear 1.740 -1.504 0.855 Gloss -1.504 1.301 -0.739 Opacity 0.8555 -0.7395 0.4205

Tear Gloss Opacity

SS Extrusin para las tres respuestas

SSCP Matrix for Error Tear 1.764 0.020 -3.070 Gloss 0.0200 2.6280 -0.5520 Opacity -3.070 SSE para las tres respuestas -0.552 64.924

Tear Gloss Opacity

Partial Correlations for the Error SSCP Matrix Tear 1.00000 0.00929 -0.28687 Gloss 0.00929 1.00000 -0.04226 Las correlaciones entre respuestas son dbiles y se Opacity pudo haber corrido un ANOVA por separado para cada -0.28687 una de las respuestas. -0.04226 1.00000

Tear Gloss Opacity

EIGEN Analysis for Extrusion

Eigenvalue Proportion Cumulative

1.619 1.000 1.000

0.00000 0.00000 1.00000

0.00000 0.00000 1.00000

Eigenvector Tear Gloss Opacity

1 0.6541 -0.3385 0.0359

2 0.4315 0.5163 0.0302

3 Aqu la mayor diferencia entre niveles de factores 0.0604 es para Tear, despus Gloss y al ltimo Opacity 0.0012 -0.1209

MANOVA for Additive s = 1 m = 0.5 n = 6.0 Test Statistic 0.52303 0.91192 DF Denom 14 14

Criterion Wilks' Lawley-Hotelling

F 4.256 4.256

Num 3 3

P 0.025 0.025

Pgina 84 de 308

CURSO TALLER DE MINITAB 15 Pillai's Roy's 0.47697 0.91192 4.256 3 14 0.025

P. Reyes / Agosto 2007

SSCP Matrix for Additive Tear 0.7605 0.6825 1.9305 Gloss 0.6825 0.6125 1.7325 Opacity 1.931 1.732 4.901

Tear Gloss Opacity

SS Aditivo para las tres respuestas

EIGEN Analysis for Additive

Eigenvalue Proportion Cumulative

0.9119 1.0000 1.0000

0.00000 0.00000 1.00000

0.00000 0.00000 1.00000

Eigenvector Tear Gloss Opacity

1 -0.6330 -0.3214 -0.0684

2 0.4480 -0.4992 0.0000

3 -0.1276 -0.1694 0.1102

MANOVA for Extrusion*Additive s = 1 m = 0.5 n = 6.0 Test Statistic 0.77711 0.28683 0.22289 0.28683 DF Denom 14 14 14

Criterion Wilks' Lawley-Hotelling Pillai's Roy's

F 1.339 1.339 1.339

Num 3 3 3

P 0.302 0.302 0.302

SSCP Matrix for Extrusion*Additive Tear 0.000500 0.016500 0.044500 Gloss 0.01650 0.54450 1.46850 Opacity 0.04450 1.46850 3.96050

Tear Gloss Opacity

EIGEN Analysis for Extrusion*Additive

Eigenvalue Proportion Cumulative

0.2868 1.0000 1.0000

0.00000 0.00000 1.00000

0.00000 0.00000 1.00000

Eigenvector Tear Gloss Opacity

1 -0.1364 -0.5376 -0.0683

2 0.1806 -0.3028 0.1102

3 0.7527 -0.0228 -0.0000

Pgina 85 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Se observa que el factor extrusin y el factor aditivo son significativos, con P value < 0.05 Aqu la mayor diferencia entre niveles de factores es para Tear, despus Gloss y al ltimo Opacity

Minitab 15

MANOVA general
Se usa para realizar anlisis multivariado de varianza (MANOVA) para diseos balanceados y no balanceados si se tienen covariados. Se puede tomar ventaja de la estructura de la covarianza de los datos para probar al mismo tiempo la igualdad de medias de diferentes respuestas. Los clculos se hacen por el mtodo de regresin, para lo que es necesaria una mtriz de rango completo formada de factores y covariados donde para cada variable se hace una regresin. Los factores pueden ser cruzados o anidados, pero no pueden ser declarados aleatorios. Los covariados pueden ser cruzados entre ellos o con los factores, o anidados dentro de los factores. Se pueden analizar hasta 50 variables de respuesta con hasta 31 factores y 50 covariados a un tiempo

4.6Correlacin y Regresin lineal y cuadrtica simple


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

Ejemplo: Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height) Pgina 86 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

File > Open Worksheet > Pulse.Mtw

o copiar los datos del archivo anexo

Antes de calcular el coeficiente de correlacin se sugiere hacer un diagrama bivariante para identificar posibles valores anmalos, relaciones no lineales, etc.

Graph > Scatterplot: Simple


220 200 180 Weight 160 140 120 100 60 62 64 66

Y = Weight y X = Height

Scatterplot of Weight vs Height

68 Height

70

72

74

76

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

Stat > Basic Statistics > Correlation Seleccionar en Variables Weight Height Seleccionar Display P values
Los resultados son los siguientes: Correlations: Weight, Height Coeficiente de correlacin Pearson correlation of Weight and Height = 0.785 P-Value = 0.000 Como el P value es menor a 0.05, la correlacin si es significativa Si se agrega la variable

"Pulse1":

Correlations: Weight, Height, Pulse1 Weight Height Correlaciones Height 0.785 P values 0 -0.202 -0.212 Correlaciones 0.053 0.043 P values Cell Contents: Pearson correlation P-Value Pulse1 Minitab 15 Se trata de investigar la correlacin entre calificacion de habilidades verbales y de matemticas

1 2 3

File > Open worksheet GRADES.MTW. Seleccionar Stat > Basic Statistics > Correlation. En Variables, poner Verbal Math GPA. Click OK.
Verbal 623 454 643 Math 509 471 700 GPA 2.6 2.3 2.4 Pgina 87 de 308

CURSO TALLER DE MINITAB 15 585 719 693 Etc. 719 710 643 Etc. 3 3.1 2.9 Etc.

P. Reyes / Agosto 2007

Correlations: Verbal, Math, GPA Verbal Math Math 0.275 0 GPA 0.322 0.194 0.000 0.006 Cell Contents: Pearson correlation Todas las correlaciones son significativas, ya que su P value es menor a 0.05 Mintab 15 Covarianza entre cada par de variables Calcula la covarinaza para todos los pares de columnas. Mide la relacin entre dos variables, sin embargo la covarianza no ha sido estandarizada como sucede con el coeficiente de correlacin. El coeficiente de correlacin se estandariza dividiendo por la desviacin estndar de las dos variables.

1 2 3

File > Open worksheet GRADES.MTW. Seleccionar Stat > Basic Statistics > Covariance. En Variables, poner Verbal Math GPA. Click OK.

Results for: Grades.MTW Covariances: Verbal, Math, GPA Verbal 5359.6859 1333.9704 13.6995 Math 4401.9388 7.4790 GPA

Verbal Math GPA

0.3368

Regresin simple por medio de grfica:

File > Open Worksheet > Pulse.Mtw Stat > Regression > Fitted line Plot Seleccionar en Response (Y) Weight y en Predictor (X) Height Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Fitted Line Plot
Weight = - 204.7 + 5.092 Height 220 200 180 Weight 160 140 120 100 60 62 64 66 68 Height 70 72 74 76 S R-Sq R-Sq(adj) 14.7920 61.6% 61.2%

Ecuacin de Regresin S Desv. Estandar de los residuos (valor real-estimado por la regresin) R-Sq Coeficiente de Determinacin en porcentaje de variacin explicada por la ecuacin de regresin

R-Sq (Adj) - Slo para regresin mltiple Regression Analysis: Weight versus Height The regression equation is Pgina 88 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

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

Stat > Regression > Regression Seleccionar en Response Weight y en Predictors Height
Regression Analysis: Weight versus Height The regression equation is Weight = - 205 + 5.09 Height Predictor Constant Height S = 14.7920 Coef -204.74 5.0918 SE Coef 29.16 0.4237 T -7.02 12.02 P 0.000 0.000

Ecuacin de regresin

R-Sq = 61.6% R-Sq(adj) = 61.2% Coef. De determinacin Analysis of Variance Source Regression Residual Error Total DF 1 90 91 SS 31592 19692 51284 MS 31592 219 F 144.38 P 0.000Regresin significativa

Unusual Observations Obs 9 25 40 84 Height 72.0 61.0 72.0 68.0 Weight 195.00 140.00 215.00 110.00 Fit 161.87 105.86 161.87 141.50 SE Fit 2.08 3.62 2.08 1.57 Residual 33.13 34.14 53.13 -31.50 St Resid 2.26R 2.38R 3.63R -2.14R

Puntos con un residuo estndar mayor a 2

R denotes an observation with a large standardized residual. En algunos casos hay puntos que estn muy alejados de la mayora de los puntos se marcan con X y pueden sesgar los resultados, se sugiere investigarlos. Por ejemplo: Usando el archivo PUNTOS_RX.MTW anexo: Copiar los datos del archivo a Minitab
70 60 50 40 30 20 10

Fitted Line Plot


Y = 14.16 + 4.075 X
S R-Sq R-Sq(adj) 3.47429 86.6% 86.3%

Graph > Scatterplot: Simple

Y=yyX=x
Y

Pgina 89 de 308 0

6 X

10

12

30

CURSO TALLER DE MINITAB 15 20


10 0 2 4 6 X 8

P. Reyes / Agosto 2007

10

12

Stat > Regression > Regression Seleccionar en Response Y y en Predictors X


Unusual Observations Obs 51 52 X 2.5 12.0 Y 40.000 60.000 Fit 24.343 63.056 SE Fit 0.483 2.178 Residual 15.657 -3.056 St Resid 4.55R -1.13 X

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influenc Regresin simple con datos transformados: En algunos casos el ajuste se mejora mucho si se transforman los datos: Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos del cerebro y los pesos del cuerpo en 62 especies de mamferos se tiene: Copiar los datos del archivo a Minitab Haciendo una grfica de dispersin bivariada se tiene:

Graph > Scatterplot: Simple


6000 5000 Peso cerebro (g) 4000 3000 2000 1000 0 0 1000 2000 3000 4000 Peso total (kg)

Y = Peso cerebro y X = Peso total

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

5000

6000

7000

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

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

Pgina 90 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Como resultado se obtiene una grfica mucho ms uniforme:


Fitted Line Plot
logten(Peso cerebro (g)) = 0.9271 + 0.7517 logten(Peso total (kg)) 100000.00 10000.00 Peso cerebro (g) 1000.00 100.00 10.00 1.00 0.10 0.01
1 00 0. 0 01 0. 0 10 0. 0 00 1. 00 .0 10 0 0 00 00 00 .0 0. 0. 00 10 00 10 0 1
Regression 95% CI 95% PI S R-Sq R-Sq(adj) 0.301528 92.1% 91.9%

Intervalos de
confianza de Ymedia

en base a una X Intervalo de


prediccin de Y para

valores individuales en base a una X Coeficiente de determinacin muy cercano a uno

Peso total (kg)

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

Stat > Regression > Fitted line Plot Seleccionar en Response (Y) Y, Predictor (X) X Seleccionar modelo Linear En Options seleccionar Display Confidence Interval y Prediction Interval: En Graphs seleccionar Residuals vs Fits
Aparece la grfica siguiente de residuos que no varian aleatoriamente alrededor de la media, sino ms bien con un patrn que sugiere un modelo cuadrtico:
Residuals Versus the Fitted Values
(response is Y) 1.0

0.5

Residual

0.0

-0.5

-1.0 15 20 25 F itted Value 30 35

Repitiendo las instrucciones anteriores pero para modelo


Fitted Line Plot
Y = 15.12 + 2.829 X + 0.2355 X* * 2 35
Regression 95% CI 95% PI S R-Sq R-Sq(adj) 0.228822 99.9% 99.9%

Quadratic se tiene:

30

25

20

15 0 1 2 X 3 4 5

Pgina 91 de 308

20

15 0 1 2 X 3

CURSO TALLER DE MINITAB 15


4 5

P. Reyes / Agosto 2007

Residuals Versus the Fitted Values


(response is Y) 0.50

0.25 Residual

0.00

-0.25

-0.50 15 20 25 F itted Value 30 35

Los residuos aparecen en forma aleatoria indicando un modelo adecuado.

4.7 Regresin mltiple - Matriz de correlaciones


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

Stat > Matrix Plot: Simple


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

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


0 2500 5000 160 240 320 12 8 Num.Cil. 4

5000 2500 0 400 Cil.(cc)

Pot.(CV)

200

320 240 Velo.max 160 4 8 12 0 200 400

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

Pgina 92 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Stat > Basic statistics > Correlation


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

Regresin mltiple

Stat > Regression > Regression


Response Velo.max Predictors Num.Cil, Cil.(cc), Pot.(CV)

Residuals versus variables Graphs: Four in One Options: Prediction intervals for new observations 4 1124 100

Pot.(CV)

Se obtienen los siguientes resultados: Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV) The regression equation is Velo.max = 157 - 5.72 Num.Cil. - 0.00218 Cil.(cc) + 0.521 Pot.(CV) 244 cases used, 3 cases contain missing values Predictor Coef SE Coef T P Constant 157.178 2.562 61.34 0.000 Significativo (P value < 0.05) Num.Cil. -5.7177 0.9893 -5.78 0.000 No significativo (Pvalue > 0.05) Cil.(cc) -0.002178 0.001610 -1.35 0.177 Significativo (P value < 0.05) Pot.(CV) 0.52092 0.01927 27.03 0.000 S = 9.76245 R-Sq = 89.1% Analysis of Variance Source DF SS Regression 3 187887 Residual Error 240 22873 Total 243 210760 Source Num.Cil. Cil.(cc) Pot.(CV) DF 1 1 1 Seq SS 98419 19841 69627 R-Sq(adj) = 89.0% Coef. De determinacin MS 62629 95 F 657.14 P 0.000

R residuos con ms de 2 sigmas X residuos muy alejados del grupo normal Fit 195.351 189.259 218.470 291.719 218.470 274.371 301.772 306.890 160.358 248.215 274.250 SE Fit 1.123 0.705 2.254 2.707 2.254 3.822 3.109 3.838 1.396 2.335 2.646 Residual 26.649 21.741 16.530 -41.719 16.530 -24.371 -6.772 -4.890 -33.358 -16.215 -4.250 St Resid 2.75R 2.23R 1.74 X -4.45RX 1.74 X -2.71RX -0.73 X -0.54 X -3.45R -1.71 X -0.45 X

Unusual Observations Obs Num.Cil. Velo.max 10 6.0 222.000 22 4.0 211.000 24 8.0 235.000 25 6.0 250.000 26 8.0 235.000 28 12.0 250.000 46 8.0 295.000 47 12.0 302.000 48 2.0 127.000 76 4.0 232.000 102 8.0 270.000

Pgina 93 de 308

CURSO TALLER DE MINITAB 15 106 117 118 129 130 144 164 165 179 180 6.0 8.0 12.0 4.0 4.0 6.0 4.0 6.0 8.0 8.0 216.000 250.000 250.000 150.000 170.000 233.000 252.000 280.000 210.000 200.000 194.581 267.300 280.769 181.879 195.591 205.988 252.816 302.562 213.943 213.943 1.514 2.249 3.738 0.697 0.820 1.059 2.499 3.060 5.300 5.300 21.419 -17.300 -30.769 -31.879 -25.591 27.012 -0.816 -22.562 -3.943 -13.943 2.22R -1.82 X -3.41RX -3.27R -2.63R 2.78R -0.09 X -2.43RX -0.48 X -1.70 X

P. Reyes / Agosto 2007

R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Predicted Values for New Observations Obs Fit SE Fit 95% CI 95% PI 1 183.951 1.161 (181.663, 186.239) (164.584, 203.318) Values of Predictors for New Observations Obs 1 Num.Cil. 4.00 Cil.(cc) 1124 Pot.(CV) 100

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


Residual Plots for Velo.max
Normal Probability Plot of the Residuals
99.9 99

Residuals Versus the Fitted Values


20 Residual 0 -20 -40

Percent

90 50 10 1 0.1

-40

-20

0 Residual

20

40

150

200

250 Fitted Value

300

Histogram of the Residuals


80

Residuals Versus the Order of the Data


20

Frequency

Residual

60 40 20 0

0 -20 -40

-40

-30

-20

-10 0 Residual

10

20

20

40

60

80 100 120 140 160 180 200 220 240

Observation Order Residuals Versus Pot.(CV)


(response is Velo.max)

R e s i d u a l

El comportamiento de los residuos vs Potencia sugiere que es necesaria una transformacin de variables por ejemplo sacarle raz cuadrada.

30 20 10 0 -10 -20 -30 -40 -50 0 100 200 Pot.(CV) 300 400 500

Transformando la variable Pot.(CV) por Pot2 = raiz cuadrada de Pot.(CV) se tiene: Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot2

Pgina 94 de 308

CURSO TALLER DE MINITAB 15 The regression equation is Velo.max = 73.5 - 1.42 Num.Cil. - 0.00699 Cil.(cc) + 12.8 Pot2 Predictor Constant Num.Cil. Cil.(cc) Pot2 S = 7.03547 Coef 73.502 -1.4201 -0.006988 12.8232 SE Coef 2.258 0.6770 0.001202 0.3177 T 32.56 -2.10 -5.82 40.36 P 0.000 0.037 0.000 0.000

P. Reyes / Agosto 2007

Significativo

(P value < 0.05)

R-Sq = 94.4%

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

Predicted Values for New Observations Obs Fit SE Fit 95% CI 95% PI 1 1342.286 29.024 (1285.111, 1399.461) (1283.455, 1401.117)XX XX denotes a point that is an extreme outlier in the predictors. Values of Predictors for New Observations Obs Num.Cil. Cil.(cc) Pot2 1 4.00 1124 100
Residual Plots for Velo.max
Normal Probability Plot of the Residuals
99.9 99

Residuals Versus the Fitted Values


20 Residual 0 -20 -40

Percent

90 50 10 1 0.1

-40

-20 Residual

20

150

200 250 Fitted Value

300

Histogram of the Residuals


40 Frequency 30 20 10 0 Residual

Residuals Versus the Order of the Data


20 0 -20 -40

-30.0 -22.5 -15.0 -7.5 0.0 Residual

7.5

15.0

20

40

60

80 100 120 140 160 180 200 220 240

Observation Order

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


Residuals Versus Pot2
(response is Velo.max) 20 10 0 Residual -10 -20 -30 -40 5.0 7.5 10.0 12.5 Pot2 15.0 17.5 20.0 22.5

Seleccin de la mejor ecuacin: Best Subsets Permite obtener un "buen modelo" en funcin de su sencillez o facilidad de interpretacin.

Stat > Regression > Stepwise


Pgina 95 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Variables candidatas a entrar en el modelo Variables forzadas a entrar en los modelos

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

Los resultados son los siguientes: Best Subsets Regression: Velo.max versus Num.Cil., Cil.(cc), ... Response is Velo.max 244 cases used, 3 cases contain missing values N C P u i o m l t . . . C ( ( P i c C o Mallows l c V t Vars R-Sq R-Sq(adj) C-p S . ) ) 2 1 92.5 92.5 109.0 8.0783 XBuenos modelos 1 86.6 86.5 385.3 10.813 X 2 94.3 94.2 29.3 7.0849 X XIncluye slo Cil.(cc) y Pot2 2 93.6 93.6 58.0 7.4544 X X 3 94.8 94.8 3.9 6.7261 X X X 3 94.4 94.3 26.5 7.0355 X X XIncluye Num.Cil, Cil.(Cc), Pot2 4 94.9 94.8 5.0 6.7269 X X X X Seleccin de la mejor ecuacin: Stepwise Se usa cuando el nmero de variables es muy grande mayor a 31, antes da los mismos resultados que el mtodo anterior:

Variable de respuesta

Variables candidatas a entrar en ls modelos

Pgina 96 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Criterio para la entrada y salida de variables El mtodo implica que las variables puedan ir entrando o saliendo. Iniciando con ninguna. Las variables van entrando pero ya no salen Las variables van saliendo a partir de tomar todas y no vuelven a entrar Permite mostrar en cada paso las mejores opciones adems de la seleccionada y el nmero de pasos entre pausas.

Los resultados obtenidos son los siguientes: Stepwise Regression: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV), Pot2 Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is Velo.max on 4 predictors, with N = 244 N(cases with missing observations) = 3 N(all cases) = 247 Variables que entran en cada Step 1 2 3 paso y su calidad de ajuste Constant 78.97 71.48 43.58 Pot2 10.41 12.69 17.41 T-Value 54.66 40.50 18.33 P-Value 0.000 0.000 0.000 Cil.(cc) -0.00845 -0.00722 T-Value -8.58 -7.48 P-Value 0.000 0.000 Pot.(CV) -0.206 T-Value -5.23 P-Value 0.000 S 8.08 7.08 6.73 R-Sq 92.51 94.26 94.85 Modelo adecuado R-Sq(adj) 92.48 94.21 94.78 Mallows C-p 109.0 29.3 3.9

4.8Aplicaciones
Realizar los ejercicios del Mdulo 4 incluidos en el archivo CursoTallerMinitabEjercicios

MDULO 5. ESTADSTICA NO PARAMTRICA


Pgina 97 de 308

CURSO TALLER DE MINITAB 15 Acciones a tomar sobre los datos normales antes de optar por estas pruebas: Revise y asegrese de que los datos no siguen una distribucin normal.

P. Reyes / Agosto 2007

Desarrollar una Prueba de normalidad. Para la prueba de Bartlet el valor de p debe ser < 0.05) Desarrollar una Prueba de Corridas (para verificar que no existen sucesos no aleatorios que puedan haber distorsionado la informacin) Revisar la informacin para detectar errores (tipogrficos, etc.). Investiguar los valores atpicos. Una muestra pequea (n < 30) proveniente de un universo normal, se mostrar algunas veces como anormal. Intentar transformar los datos. Las transformaciones comunes incluyen:

- Raz cuadrada de todos los datos - Logaritmo de todos los datos - Cuadrado de todos los datos

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

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

Prueba de Hiptesis Variables No Normales


Varianzas
Homogeneidad de Varianzas de Levene

Atributos
Tablas de Contingencia de Correlacin

Medianas
Correlacin 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 Variacin de Bartlett

ANOVA
Una va Dos vas

Residuos distribuidos normalmente

Correlacin Regresin

Pgina 98 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Se tienen las pruebas siguientes como ms comunes: Pruebas de normalidad o aleatioriedad de los datos Prueba de Rachas: Calcula la probabilidad de que un X nmero de puntos o rachas de referencia, estn por encima o por debajo del promedio aleatoriamente. Se tiene pruebas paramtricas y no paramtricas. Pruebas de igualdad de varianzas Pruebas de Varianzas Homogeneidad de la varianza de Levene: Compara dos o ms varianzas de muestras de la misma poblacin. Pruebas no paramtricas con la medianas o medianas Pruebas de la Mediana Prueba de signos: Prueba si el promedio de la mediana de la muestra es igual a un valor conocido o a un valor a alcanzar. Prueba Wilcoxon: Prueba si la mediana de la muestra es igual a un valor conocido o a un valor hipottico. Prueba de dos o ms Medianas Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales. Comprueba el rango de dos muestras, por diferencia entre dos medianas del universo. Prueba Kruskal-Wallis: Prueba si ms de dos medianas de muestras son iguales. Asume que todas las distribuciones tienen la misma forma. Pruebas de dos Medianas Prueba de la mediana de Mood: Otra prueba para ms de dos medianas. Prueba ms firme para los valores atpicos contenidos en la informacin. Prueba de Friedman: Prueba si las medianas de las muestras, clasificadas bajo dos categoras, son iguales. Correlacin: Prueba la relacin lineal entre dos variables Minitab 15 Prueba de simetra de la distribucin Esta prueba es relevante ya que las pruebas no paramtricas consideran que las distribuciones son simtricas. 1 File > Open worksheet EXH_QC.MTW. 2 3 Seleccionar Stat > Quality Tools > Symmetry Plot. En Variables, poner Faults. Click OK. Pgina 99 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Symmetry Plot for Faults


3.0

20

10

2.5

-2

-1

Lower Distance to Median

2.0

1.5

1.0

0.5

0.0 0.0 0.5 1.0 1.5 2.0 Upper Distance to Median 2.5 3.0

Se observan algunos puntos en el extremo derecho que salen de la simetra de la distribucin. Prueba de igualdad de varianzas de Levene Sirve para probar igualdad de varianzas en varias muestras Por ejemplo para el caso de Papas: 1 2 3 4 File > Open worksheet EXH_AOV.MTW. Stat > ANOVA > Test for Equal Variances. En Response, poner Rot. En Factors, seleccionar Temp Oxygen. Click OK.

Test for Equal Variances: Rot versus Temp, Oxygen 95% Bonferroni confidence intervals for standard deviations Temp 1 1 1 2 2 2 Oxygen 1 2 3 1 2 3 N 9 9 9 9 9 9 Lower 2.20968 2.39053 3.01528 4.27469 4.66786 4.32078 StDev 3.70060 4.00347 5.04975 7.15891 7.81736 7.23610 Upper 9.2662 10.0246 12.6444 17.9257 19.5744 18.1190

Bartlett's Test (Normal Distribution) Test statistic = 7.42, p-value = 0.191 Levene's Test (Any Continuous Distribution) Test statistic = 1.86, p-value = 0.119 Se genera un grupo de intervalos de confianza de Bonferroni (simultaneos) para la desviacin estndar en cada nivel del factor. Utilizar los resultados de Bartlett cuando los datos vengan de una distribucin normal y la de Levene cuando los datos vengan de una distribucin continua pero no necesariamente normal. El nivel de confianza del 95% se aplica a la familia de intervalos y la asimetra de los intervalos se debe al sesgo de la distribucin Chi cuadrada. En este caso los P values son de 0.744 y 0.858 son mayores a alfa de 0.05 Pgina 100 de 308

CURSO TALLER DE MINITAB 15 por lo que no se rechaza la Hiptesis nula indicando varianzas iguales.

P. Reyes / Agosto 2007

Test for Equal Variances for Rot


Temp 1 Oxygen
Bartlett's Test

1 2 3

Test Statistic P-Value Test Statistic P-Value

7.42 0.191 1.86 0.119

Levene's Test

1 2 3 0 5 10 15 20 95% Bonferroni Confidence Intervals for StDevs

5.1 Prueba de Rachas


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

Stat > Quality Tools > Run Chart


En Single column, seleccionar Membrane. En Subgroup size, poner 2. Click OK.

Run Chart of Membrane


45 40 Mem brane 35 30 25 20 1 2 3
3 6.00000 5 0.02209

5 6 Sam ple

7 8 9 308 10 Pgina 101 de


5 6.33333 3 0.13455

Number of runs about median: Expected number of runs: Longest run about median: Approx P-Value for Clustering:

Number of runs up or down: Expected number of runs: Longest run up or down: Approx P-Value for Trends:

30 25 20 1 2 3
3 6.00000 5 0.02209 0.97791

CURSO TALLER DE MINITAB 15


4 5 6 Sam ple 7 8
5 6.33333 3 0.13455 0.86545

P. Reyes / Agosto 2007

10

Number of runs about median: Expected number of runs: Longest run about median: Approx P-Value for Clustering: Approx P-Value for Mixtures:

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

Interpretacin de resultados Como el P value de Clustering es menor a 0.05 indica que este patrn no es aleatorio y se deben investigar las posibles causas. Prueba de rachas no paramtrica H0: Las rachas son aleatorias H1: Las rachas siguen un patrn no aleatorio

Un entrevistador encuesta a 30 personas al azar y les hace una pregunta con 4 posibles respuestas (0, 1, 2 y 3). Se quiere probar si hay una respuesta aleatoria en el orden de las respuestas o que no haya sesgo en el entrevistado. Usar el archivo EXH_STAT.MTW.

Stat > Nonparametrics > Runs Test.


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

5.2 Puebas de signos de la mediana


H0: mediana = mediana hipotetizada versus H 1: mediana mediana hipotetizada

Ejemplo: Se evaluan los ndices de precios de 29 casas. Los datos histricos indican que el ndice ha sido de 115. Probar a un alfa de 0.10 si el alfa se ha incrementado. Copiar los datos del archivo EXH_STAT.MTW anexo

Stat > Nonparametrics > 1-Sample Sign.


En Variables, seleccionar PriceIndex. Seleccionar Test median y poner 115 en el cuadro En Alternative, Seleccionar greater than. Click OK.

Pgina 102 de 308

CURSO TALLER DE MINITAB 15 Los resultados son los siguientes: Sign Test for Median: PriceIndex Sign test of median = 115.0 versus > 115.0 N Below Equal Above P PriceIndex 29 12 0 17 0.2291 Interpretacin de resultados:

P. Reyes / Agosto 2007

Median 144.0

Como el valor P de la prueba es >0.05 no hay evidencia suficiente para rechazar Ho y la mediana no es mayor a 115.

5.3 Prueba de una mediana de Wilconox


H0: mediana = mediana hipotetizada versus H1: mediana mediana hipotetizada

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

Stat > Nonparametrics > 1-Sample Wilconox


En Variables, seleccionar Achievement Seleccionar Test median y poner 77 en el cuadro En Alternative, Seleccionar Not equal. Click OK. Los resultados son los siguientes: Wilcoxon Signed Rank Test: Achievement Test of median = 77.00 versus median not = 77.00 N for N Achievement 9 Test 8 Wilcoxon Statistic 19.5 P 0.889 Estimated Median 77.50

Interpretacin de resultados:

Como el valor P de la prueba es >0.05 no hay evidencia suficiente para rechazar Ho y la mediana no es estadsticamente diferente de 77.

5.4 Prueba de rangos de dos muestras de Mann Whitney


H0: 1 = 2 versus H1: 1 2 , donde es mediana de la poblacin.

Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza Ejemplo: Se compara la presin diastlica de dos muestras extraidas de dos poblaciones Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas. Usar el archivo de datos 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. Los resultados son los siguientes: Mann-Whitney Test and CI: DBP1, DBP2 Pgina 103 de 308

CURSO TALLER DE MINITAB 15 N DBP1 DBP2 8 9 Median 69.50 78.00

P. Reyes / Agosto 2007

Point estimate for ETA1-ETA2 is -7.50 95.1 Percent CI for ETA1-ETA2 is (-18.00,4.00) W = 60.0 Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.2685 The test is significant at 0.2679 (adjusted for ties) Interpretacin de resultados: Como el valor P de la prueba es >0.05 no hay evidencia suficiente para rechazar Ho y las medianas no son diferentes estadsticamente.

5.5 Prueba de igualdad de medianas de Kruskal Wallis


H0: Las medianas poblacionales son todas iguales versus Esta es una generalizacin de la prueba de Mann Whitney Ejemplo: Se quiere probar si el efecto de tres tratamientos diferentes influyen en el crecimiento de bacterias a un 5% de nivel de significancia Usando el archivo EXH_STAT-MTW H 1: Al menos hay una diferente

Stat > Nonparametrics > Kruskal-Wallis.


En Response, seleccionar Growth. En Factor, seleccionar Treatment. Click OK. Los resultados son los siguientes: Kruskal-Wallis Test: Growth versus Treatment Kruskal-Wallis Test on Growth Treatment 1 2 3 Overall H = 8.63 H = 8.64 N 5 5 6 16 DF = 2 DF = 2 P = 0.013 P = 0.013 (adjusted for ties) Median 13.20 12.90 15.60 Ave Rank 7.7 4.3 12.7 8.5 Z -0.45 -2.38 2.71

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

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


Prueba similar a la anterior:

Pgina 104 de 308

P. Reyes / Agosto 2007 H0: 1 = 2 = 3, versus H1: no todas las 's son iguales con 's medianas poblacionales . de OTIS para los tres niveles educacionales. Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras despus se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia significativa entre el nivel de educacin 0 - Preprofesionales 1 -Profesionales 2 - Preparatoria Usar el archivo de datos CARTOON.MTW Copiar los datos a Minitab

CURSO TALLER DE MINITAB 15

Stat > Nonparametrics > Moods Median Test


En Response, seleccionar OTIS. En Factor, seleccionar ED. Click OK. Los resultados son los siguientes: Mood Median Test: Otis versus ED Interpretacin de resultados: Mood median test for Otis Chi-Square = 49.08 DF = 2 Como el valor P es menor a 0.05 P = 0.000indica que las medianas no son iguales Individual 95.0% CIs ED 0 1 2 N<= 47 29 15 N> 9 24 55 Median 97.5 106.0 116.5 Q3-Q1 17.3 21.5 16.3 ----+---------+---------+---------+-(-----*-----) (------*------) (----*----) ----+---------+---------+---------+-96.0 104.0 112.0 120.0

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


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

Stat > Nonparametrics > Friedman.


En Response, seleccionar EnzymeActivity. En Treatment, selecionar Therapy. En Blocks, seleccionar Litter. Click OK. Los resultados son los siguientes: Friedman Test: EnzymeActivity versus Therapy blocked by Litter S = 2.38 S = 3.80 DF = 2 DF = 2 P = 0.305 P = 0.150 (adjusted for ties) Sum of Los valores P son mayores a 0.10 por tanto no hay evidencia para Pgina 105 de 308

CURSO TALLER DE MINITAB 15 Therapy 1 2 3 N 4 4 4 Est Median 0.2450 0.3117 0.5783 Ranks 6.5 7.0 10.5 decir que el efecto de los tratamientos sea diferente de cero

P. Reyes / Agosto 2007

Grand median = 0.3783

5.8 Tablas de Contingencia


Para la teora ver artculo Tablas de Contingencia.doc anexo La Tabla de contingencia es una prueba de independencia entre variables. Ho: La variable de rengln es independiente de la variable de columna Las proporciones en todas las columnas de cada rengln son iguales Ha: La variable de rengln tiene dependencia de la variable de columna Las proporciones en las columnas de cada rengln son diferentes Ejemplo: Se tiene inters de probar si la afiliacin poltica depende del sexo y del partdo poltico, para lo cual se encuestan a 100 personas. Del Archivo EXH_TABL.MTW de la carpeta de Minitab o anexo se toman los datos siguientes: Democrat Hombres Mujeres 28 22 Republican 18 27 Other 4 1

Las instrucciones son las siguientes: Open worksheet EXH_TABL.MTW.

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


En Columns que contiene la tabla, indicar Democrat, Republican y Other. Click OK. Los resultados son los siguientes: Chi-Square Test: Democrat, Republican, Other Expected counts are printed below observed counts Chi-Square contributions are printed below expected counts Democrat 1 28 25.00 0.360 Republican 18 22.50 0.900 Other 4 2.50 0.900 Total 50 NOTA: Las frecuencias esperadas deberan ser mayores a 5.

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 2 cells with expected counts less than 5.

El valor P es mayor a 0.05 y no se rechaza Ho por tanto el tipo de partido es independiente del sexo de los votantes.

Pgina 106 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

5.9 Aplicaciones
Realizar los ejercicios del Mdulo 5 incluidos en el archivo CursoTallerMinitabAvEjercicios

MDULO 6. CONTROL ESTADSTICO DEL PROCESO


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

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


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

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2. Existe otra alternativa Observations for a subgroup are in a row of columns En Subgroup sizes, poner 5. Click OK. Usar (Chart) Options si se desea algo de lo siguiente: Parameters Para lmites de la media o rango en base a datos histricos de la Mean y/o Standar Deviation Estimate Para omitir subrupos con los que el proceso sale de control Omit the following subroup when est. parameters (2 14) Method for estimating standar deviation seleccionar R bar Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma Display Control Limts at These multiples of std. Dev. (2 3) Definir las pruebas estadsticas 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 Para mostrar diferentes etapas de desempeo 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; Std Dev; Point Plotted; Center line; Control limits

S limits

Tests

Stages

Box Cox

Display

Store

Pgina 107 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

En este caso:
Xbar-R Chart of Supp2
1 1

UCL=602.474 Sample Mean 602 _ _ X=600.23

600

598 2 4 6 8 10 Sample 12 14 16 18 20

LC L=597.986

8 Sample Range 6 4 2 0 2 4 6 8 10 Sample 12 14 16 18 20

UCL=8.225

_ R=3.890

LC L=0

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

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2. En Subgroup sizes, poner 5. En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar (Recalcula limites) En Data Options seleccionar Specify which rows to exclude row numbers 6:10 66:70 (quita puntos) Click OK OK. El proceso ahora est dentro de control
Xbar-R Chart of Supp2
602 Sample Mean 601 600 599 598 2 4 6 8 10 Sample 12 14 16 18 20 _ _ X=599.938 UCL=602.247

LCL=597.629

8 Sample Range 6 4 2 0 2 4 6 8 10 Sample 12 14 16 18 20

UCL=8.465

Se pueden eliminar fsicamente los datos de los puntos que salen de control con Delete Cells en Minitab iniciando por los ltimos y al final los primeros

_ R=4.003

LCL=0

Pgina 108 de 308

CURSO TALLER DE MINITAB 15 Carta de Control X-R usando el archivo VITA_C. MTW que contiene pesos de comprimidos tomando 5 muestras cada 15 minutos durante un periodo de 10 horas (200 datos).

P. Reyes / Agosto 2007

Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el nmero que identifique al operario de la mquina.

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

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

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

Editor > Enable Commands

En C3 poner 125 unos 75 doces fin

. E Intro

Editor > Enable Commands

El nombre de la columna se pone a mano OPERARIO Carta de control de medias usando archivo VITA_C.MTW

Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso En Subgroup sizes, poner 5. Seleccionar las opciones siguientes: Scale > Time: marcar Stamp y poner como variable Hora Xbar Options > Tests: Marcar Perform all tests for special causes Xbar Options > Stages: Define stages: Operario Click OK OK. La carta obtenida es la siguiente:
Xbar Chart of Peso by Operario
3.30 1 2 UCL=3.2939

3.28 Sam ple M ean

_ _ X=3.2671

3.26
6

3.24 3.22

LCL=3.2402

3.20
1

Pgina 109 de 308

8:00

9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00

Hora

Sam pl

3.24 3.22

LCL=3.2402

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

3.20
1

8:00

9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00

Hora

Los patrones anormales detectados son: Test Results for Xbar Chart of Peso by Operario TEST 1. One point more than 3.00 standard deviations from center line. Test Failed at points: 22, 23 TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on one side of CL). Test Failed at points: 23 TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on one side of CL). Test Failed at points: 5 Carta de control de rangos usando archivo VITA_C.MTW

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

0.08 Sam ple Range

0.06 _ R=0.0483 0.04

0.02

0.00 4 8 12 16 20 24 Sam ple 28 32 36 40

LCL=0

Carta de control de Desviacin estndar S de archivo

VITA_C.MTW

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

0.03 Sam ple StD ev

0.02

_ S=0.01950

0.01

0.00 4 8 12 16 20 24 Sam ple 28 32 36 40

LCL=0

Pgina 110 de 308

0.00

LCL=0 4 8 12 16 20 24 Sam ple 28 32 36 40

CURSO TALLER DE MINITAB 15 Carta de control de lecturas individuales de archivo CAMSHAFT.MTW

P. Reyes / Agosto 2007

Utilizando los datos del archivo CAMSHAFT Se copian o se carga el archivo Worksheet de Minitab CAMSHAFT.MTW

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

601 I ndividual Value

UCL=601.176

600

_ X=599.548

599

598
1

LCL=597.920 1 10 20 30 40 50 60 Observation
1

70

80

90

100

2.4 Moving Range


1

1.8 1.2 0.6 0.0 1 10 20 30 40 50 60 Observation 70 80 90 100

UCL=2.000

__ MR=0.612 LCL=0

Varios puntos salen de control por lo que el proceso no es estable: Test TEST Test Test TEST Test Results for I Chart of Supp1 1. One point more than 3.00 standard deviations from center line. Failed at points: 39, 55, 82 Results for MR Chart of Supp1 1. One point more than 3.00 standard deviations from center line. Failed at points: 34, 56

Excluyendo los puntos PARA LOS CLCULOS que salen de control se tiene:

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

I -MR Chart of Supp1


UC L=600.943

600

_ X=599.531

599

598

LC L=598.118
1

10

20

30

40

50 60 Observation

70

80

90

100

2.0 Moving Range 1.5 1.0 0.5 0.0

UC L=1.735

__ MR=0.531 LC L=0 1 10 20 30 40 50 60 Observation 70 80 90 100

Pgina 111 de 308

CURSO TALLER DE MINITAB 15 Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene: Seleccionar Row Numbers 1 21 36 34 39 55 56 82
I-MR Chart of Supp1
UCL=600.822 I ndividual Value 600.5 600.0 599.5 599.0 598.5
1 1

P. Reyes / Agosto 2007

_ X=599.536

Otra alternativa es eliminar fsicamente los puntos que salen de control con la opcin Delete Cells de Minitab

LCL=598.251 40 50 60 Observation 70 80 90 100

10

20

30

1.6 Moving Range 1.2 0.8 0.4 0.0 1 10 20 30 40 50 60 Observation 70 80 90 100

UCL=1.579

__ MR=0.483

LCL=0

El proceso es bastante estable Carta de lecturas individuales usando el archivo CLORO.MTW

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

Data > Copy > Columns to Columns


Copy from columns Hora pH Cl Nota: Nombrar las columnas C5, C6 y C7 con Hora V, pH V y Cl V respectivamente Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V' Quitar seleccin de Name the columns containing the copied data Seleccionar Subset the Data Seleccionar Rows that Match Condition Fecha = DATE("08/11/2002") funcin seleccionada Date (From text) OK OK Obteniendo la carta de control de lecturas individuales se tiene:

Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V Scale > Time: Stamp 'Hora V' 'Cl V' OK
In d i v i d u a lV a l u e

I Chart of pH V
14 13 12 11 10 9 8 7 6 5
Hora V Cl V 6:45 21 7:30 21 8:15 20 9:00 19 9:45 20 10:30 11:15 12:00 12:45 13:30 18 19 18 20 20
1

UCL=12.843

_ X= 9.128

Uso de la funcin Stamp

LCL=5.413

Como hay un punto que se sale de control se puede omitir como sigue: Pgina 112 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V Scale > Time: Stamp 'Hora V' 'Cl V' Data Options seleccionar Specify wich rows to exclude Row numbers 25 I Chart Options en S limits seleccionar These multiples of the standar deviation poner 1 2 3 OK
I Chart of pH V
13 12 11 Individual Value 10 9 8 7 6 5
Hora V Cl V 6:45 21 7:30 21 8:15 20 9:00 19 9:45 10:30 11:15 12:00 12:45 13:30 20 18 19 18 20 20

+ 3SL=12.366 + 2SL=11.244 + 1SL=10.122 _ X=9 -1SL=7.878 -2SL=6.756 -3SL=5.634

Excluye el punto fuera de control y muestra los lmites de control a una, dos y tres sigmas

Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para mejor claridad (quitar todas las selecciones anteriores)

Stat > Control Charts > Variable charts for individual > I-MR
Variable pH Original I Chart Options: Define stages (historical group) within this variable Fecha When to start a new value seleccionar With each new value Display seleccionar Each Segment Contains 80 Subgroups OK

I Chart of pH by Fecha
14 12 10 8 Individual Value 6
Hora V 6:15 8:00 Cl V 19 20 10:00 12:00 14:00 21 18 20

04/11/2002

05/11/2002

06/11/2002 UCL=12.370 _ X=8.981 LCL=5.592

14 12 10 8 6
Hora V Cl V

07/11/2002

08/11/2002
1

UCL=12.843 _ X=9.128 LCL=5.413

Carta deRangos Mviles usando el archivo

CLORO.MTW

Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V' Pgina 113 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Moving Range Chart of pH V


5 UCL=4.564 4 Moving Range

2 __ MR=1.397 1

0 3 6 9 12 15 18 21 Observation 24 27 30

LCL=0

Carta de control de valores individuales y rangos mviles usando archivo

CLORO.MTW

Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V'
14 In d iv id u a lV a lu e 12 10 8 6 3 6 9 12 15 18 Observation 21 24 27 30 _ X=9.128

OK
I -MR Chart of pH V
1

UCL=12.843

LCL=5.413

UCL=4.564 4 M o v in gR a n g e 3 2 1 0 3 6 9 12 15 18 Observation 21 24 27 30 __ MR=1.397

LCL=0

Carta de control X-S usando el archivo

CAMSHAFT.MTW

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

Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2. Existe otra alternativa Observations for a subgroup are in a row of columns

En Subgroup sizes, poner 10. Click OK.

Pgina 114 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Xbar-S Chart of Supp2


602
1

UCL=601.908

Sample Mean

601 _ _ X=600.23

600

599 LCL=598.552 1 2 3 4 5 Sample 3 Sample StDev UCL=2.952 6 7 8 9 10

_ S=1.720

1 LCL=0.488 1 2 3 4 5 Sample 6 7 8 9 10

Como hay un punto fuera de control, se excluyen los valores 61 a 70: En Data Options seleccionar Specify which rows to exclude Rows 61:70.
Xbar-S Chart of Supp2
602 601 600 599 LCL=598.349 598 1 2 3 4 5 Sample 3 Sample StDev UCL=2.979 6 7 8 9 10 _ _ X=600.042 UCL=601.735

Sample Mean

_ S=1.736

1 LCL=0.492 1 2 3 4 5 Sample 6 7 8 9 10

Mintab 15

Grficas Mltiples

... > Multiple Graphs > Multiple Variables


Se usa para controlar la posicin y escalas de cartas de control mltiples creadas en el cuadro de dilogo de las cartas Ejemplo: Se trata de comparar a dos proveedores de levas con cartas de rangos mviles en la I-MR: 1 File > Open worksheet CAMSHAFT.MTW. 2 Stat > Control Charts > Variables Charts for Individuals > Moving Range . 3 En Variables, seleccionar Supp1 Supp2. 4 Click Multiple Graphs. Enr Scales for Different Variables, seleccionar Same Y. 5 Click OK.
Moving Range Chart of Supp1
7 6 5 M oving Range 4 3 2
1 1

Pgina 115 de 308


UCL=2.000

6 5 M oving Range 4 3 2 1 0 1 11 21 31 41 51 61 Observation 71 81 91


1 1

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

UCL=2.000 __ MR=0.612 LCL=0

Moving Range Chart of Supp2


7 6 5 M oving Range 4 3 2 1 0 1 11 21 31 41 51 61 Observation 71 81 91 LCL=0 __ MR=1.923
1

UCL=6.284

En general el proveedor 2 tiene un mayor variabilidad que el proveedor 1.

6.2 Estudios del sistema de medicin R&R


Revisar la teora de estudios en sistemas de medicin en articulo en archivo R&R.doc anexo En las mediciones se presentan dos tipos de errores: Error por el equipo mismo se denomina error de repetibilidad Se obtiene al repetir la misma medicin en el mismo ambiente de trabajo y tambin por la misma persona, usando el mismo equipo. Error de reproducibilidad Causado por diferencias entre operadores al revisar las mediciones Minitab ofrece varias alternativas de estudios a realizar: 1. Gage study - Tipo 1: Se usa para evaluar error de sesgo y repetibilidad previo a un estudio de R&R 2. Gage Run Chart: Anlisis grfico de los resultados como primeras conclusiones 3. Gage Linearity and Bias Study: es igual el error en todo el rango de magnitudes a medir? 4. Gage R&R Study (Crossed): Estudios de repetibilidad y reproducibilidad (R&R) para estudios cruzados (ms comunes). Todos los operadores miden todas las piezas varias veces, utilizados principlamente para caractersticas dimensionales. 5 Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R). Para estudios anidados (pruebas destructivas). Un operario mide varias piezas en lugar de una lo ms parecidas posible (con variabilidad mnima) de forma que parezca una sola pieza. En este caso cada operario mide solo una parte de las piezas. Pgina 116 de 308

CURSO TALLER DE MINITAB 15 6. Attribute agreement analysis: para estudios de R&R por atributos comparativos.

P. Reyes / Agosto 2007

7. Atribute Gage Study (Analytical Method): Estudios R&R para atributos (caractersticas no medibles) Diseos Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces normalmente caractersticas dimensionales Diseos anidados (Nested): Cada pieza es medida por un solo operador para el caso de pruebas destructivas, debe medir varias piezas muy parecidas entre si (normalmente piezas producidas en forma consecutiva) casi sin variabilidad. Mintab 15 Estudio del Gage tipo 1 (Type 1 Gage Study) Se usa para evaluar la capacidad del sistema de medicin, evalua el efecto combinado de sesgo y repetibilidad con base en mediciones mltiples de una sola parte. Este estudio debe hacerse previo a cualquier otro estudio de R&R, para determinar cuanta variabilidad de la variacin del proceso se debe a la variacin del sistema de medicin. Se requiere al menos 10 mediciones para este estudio, aunque se sugieren al menos 25 mediciones para un estudio adecuado. Medir la parte con un equipo de referencia, idealmente el valor debe estar cerca del centro de la tolerancia (o una de las especificaciones). Ejemplo: se quiere evaluar el sistema de medicin para medir los dimetros externos de flechas, y ver si es adecuado para la tolerancia de 0.05mm Un operador mide una flecha de referencia con dimetro conocido de 12.305 mm 50 veces. 1 File > Open worksheet SHAFT.MTW. Diameter 12.3057 12.3009 12.3037 12.2975 12.3056 12.3033 Etc. Stat > Quality Tools > Gage Study > Type 1 Gage Study . En Measurement data, poner Diameter. En Reference, poner 12.305. En Tolerance, seleccionar Upper spec - lower spec y poner 0.05. Click OK.
Type 1 G age Study for Diameter
Gage name: Date of study: Reported by: Tolerance: Misc: 0.05

2 3 4 5

Run Chart of Diameter


12.310 Ref + 0.10 * Tol

Diameter

12.305

Ref

12.300

Ref - 0.10 * Tol

12.295 1 6 11 16 21 26 Observation 31 36 41 46

Basic Statistics Reference 12.305 Mean 12.30269 StDev 0.003631 6 * StDev (SV) 0.021783 Tolerance (Tol) 0.05

Bias Bias -0.00231 T 4.506892 PValue 0.000 (Test Bias = 0)

Pgina 117 de 308 Cgk

Cg

Capability 0.46 0.25

% Var(Repeatability) 43.57% % Var(Repeatability and Bias) 81.10%

12.295 1 6 11 16 21 26 Observation Bias Bias T PValue (Test Bias = 0) -0.00231 4.506892 0.000 36 41 MINITAB 46 CURSO 31 TALLER DE 15

P. Reyes / Agosto 2007

Basic Statistics Reference 12.305 Mean 12.30269 StDev 0.003631 6 * StDev (SV) 0.021783 Tolerance (Tol) 0.05

Capability Cg 0.46 Cgk 0.25 % Var(Repeatability) 43.57% % Var(Repeatability and Bias) 81.10%

El sesgo del sistema de medicin es de -0.00231, significativamente diferente de cero (T = 4.5, p = 0.00). Muchas de las observaciones estn por debajo de 12.305. Cg compara la tolerancia con la variacin en la medicin. Cgk compara la tolerancia contra la variacin de la medicin y el sesgo. Valores grandes de ambos indican que la variacin del sistema de medicin comparada al rango de tolerancia. Referencia 1.33. En este caso Cg = 0.46 y Cgk = 0.25, indicando que la variacin del sistema de medicin es grande. %Var (repetibilidad) se determina por Cg y %Var (repetibilidad y sesgo) determinado por Cgk. Un valor pequeo de %Var indica una variacin pequea del sistema de medicin respecto a la tolerancia. La referencia de los ndices de 1.33 corresponde a un % Var de 15%. En este caso, % Var (repetibilidad) = 43.49% y %Var (repetibilidad y sesgo) = 81%, valores mucho mayores a 15%, lo que sugiere que la variacin debida al sistema de medicin es grande. Los resultados anteriores indican que el sisema de medicin no puede medir partes de manera consistente y exacta, por lo que debe ser mejorado. Gage Run Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.

Anlisis grfico (Gage Run Chart):

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

5 16

Operario 1 2 3

Mean

12

Las piezas son diferentes ver pieza 2 y 3 versus la 8y9 El operario 2 tiene ms variabilidad en sus mediciones y adems tiende a tener valores por debajo de los otros 2

Medicion

8 6 16 7 8 9 10

12

Mean

Operario Panel variable: Pieza

Minitab 15

1. Llenado de columnas con datos con datos uniformes Para crear una columna denominada ID que contiene los nmeros 1,2 3, 100, usar estos pasos: 1 Calc > Make Patterned Data > Simple Set of Numbers . 2 En Store patterned data in, teclear ID. Pgina 118 de 308

CURSO TALLER DE MINITAB 15 3 En From first value, teclear 1. En To last value, teclear 100. Click OK.

P. Reyes / Agosto 2007

2. Llenado de columnas con datos arbitrarios Para llenar una columna denominada PSI con los numeros 10, 10, 20, 20, 50, 50 seguir estos pasos: AA AA 1 Calc > Make Patterned Data > Arbitrary Set of Numbers . AA 2 En Store patterned data in, poner PSI. BB 3 En Arbitrary set of numbers, poner 10 20 50. BB 4 En Number of times to list each value , type 2. BB 5 En Number of times to list the sequence, type 3. Click OK. AA AA 3. Llenado de columnas con patrones de texto AA Calc > Make Patterned Data > Text Values BB Store patterned data in: Columna a llenar BB Text values (e.g., AA BB "C D"): Teclear el patrn base para el texto, BB Si en el texto se encuentra un espacio, encerrar entre comillas el texto. Number of times to list each value: Indicar nmero de veces a repetir el texto en la secuencia.. Number of times to list the sequence: Nmero de veces a repetir la secuencia. 3. Llenado de datos en columna con fechas y horas Para llenar una columna Enero con fechas 1/1/03, 1/2/03, ..., 1/31/03, seguir estos pasos: 1 Calc > Make Patterned Data > Simple Set of Date/Time Values . 2 En Store patterned data in, poner Enero. 3 En From first date/time, poner 1/1/2007. En To last date/time, poner 31/1/2007 4 Click OK NOTA: Los formatos de fecha y tiempo se pueden cambiar en los Defaults de Windows. 4. Llenado de columnas con datos de fechas y hora arbitrarios Para llenar la columna FECHAS con las fechas 8/26/96 "8/26/96 19:58" seguir estos pasos: 1 Calc > Make Patterned Data > Arbitrary Set of Date/Time Values 2 Date/Time values (e.g., 8/26/96 "8/26/96 19:58"): Enter the pattern of dates/times. 3 En Number of times to list each value , type 2. 4 En Number of times to list the sequence, type 3. Click OK. Minitab 15 Generacin de una hoja de trabajo para captura de datos del estudio Para el caso de un estudio con las mediciones de dimetros externos de electrodos, se examinan 90 corridas de 15 partes, 3 operadores y 2 rplicas.

1 2 3 4

Stat > Quality Tools > Gage Study > Create Gage R&R Study Worksheet . En Number of parts, poner 15. En Number of operators, poner 3. En Number of replicates, poner 2. Click OK.
Pgina 119 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

5 En Options seleccionar Randomize run with operators


StdOrder 34 28 1 37 25 43 Etc. RunOrder 1 2 3 4 5 6 Etc. Parts 12 10 1 13 9 15 Etc. Operators 1 1 1 1 1 1 Etc.

Cada operador mide las 15 partes de manera aleatoria, en rondas poesteriores se completan los otros intentos Estudio R&R (Crossed)

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

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

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

Two-Way ANOVA Table Without Interaction Source DF SS MS F Pieza 9 286.033 31.7814 23.2814 Operario 2 45.635 22.8173 16.7147 Repeatability 78 106.478 1.3651 Total 89 438.145 Tabla de componentes de la Varianza (informativa) Varianza Source Total Gage R&R Repeatability Reproducibility Operario Part-To-Part Total Variation Tabla de anlisis de la Variacin raiz (Varianza) StdDev (SD)

P 0.000 0.000

VarComp 2.08017 1.36510 0.71507 0.71507 3.37959 5.45976

%Contribution (of VarComp) 38.10 Varianza relevante debida al equipo 25.00 Menor varianza debida al operador 13.10 13.10 61.90 100.00 Usada cuando el equipo es para control del proceso Usada cuando el equipo es para liberar producto Study Var %Study Var %Tolerance (5.15 * SD) (%SV) (SV/Toler) Pgina 120 de 308

Source

CURSO TALLER DE MINITAB 15 Total Gage R&R Repeatability Reproducibility Operario Part-To-Part Total Variation 1.44228 1.16838 0.84562 0.84562 1.83837 2.33661 7.4277 6.0171 4.3549 4.3549 9.4676 12.0336 61.73 50.00 36.19 36.19 78.68 100.00

P. Reyes / Agosto 2007 49.52 40.11 29.03 29.03 63.12 80.22

El % de error total debe ser de cuando ms el Number of Distinct Categories = 1 10% o hasta 30% si la caracterstica no es crtica. En algunas industrias se toma 25% como aceptable Este nmero debe ser de al menos 4 indicando que el equipo discrimina las partes Se tiene las siguientes variaciones:

Repetibilidad: Variacin debida al aparato o equipo de medicin Reproducibilidad: Variacin introducida por los operarios

Parte a parte: Variacin entre las partes real Variacin total: Combinacin de las anteriores Ventana de grficas Error R&R <10% crtica <30% no crtica
Gage R&R (ANOVA) for Medicion
Gage name: Date of study:
Components of Variation
80 Percent
% Contribution %StudyVar % Tolerance

Lo que fue medido

Reported by: Tolerance: Misc:


Medicion by Pieza
18

40

12

6 Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 Pieza 7 8 9 10

R Chart by Operario
1 Sample Range 4 2 0 _ R=2.042 LCL=0 12 2 3 UCL=5.257 18

Medicion by Operario

Operario 2 tiene una Media ms baja


1 2 Operario 3

Xbar Chart by Operario


1 15.0 Sample Mean Average 12.5 10.0 UCL=13.383 _ _ X=11.293 LCL=9.204 1 2 3 4 2 3 15.0 12.5 10.0

Operario * Pieza I nteraction


Operario 1 2 3

5 6 Pieza

10

Si no hay interaccin significativa, estas lneas son paralelas

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

Gageaiag.Mtw

File > Open worksheet > Gageaiag (en carpeta DATA)


Realizar el estudio R&R de acuerdo a lo siguiente: Pgina 121 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data Seleccionar Method of Analysis ANOVA En gage info introducir la informacin general del equipo y del estudio En options introducir lo siguiente: Study variation 5.15 (estndar industrial, corresp. al 99% de NC) Process Tolerance 2 a) si hay dos especs. inferior y superior, introducir el rango b) si solo hay una espec. superior introducirla en Upper spec c) si solo hay una espec. inferior introducirla en Lower spec. OK Los resultados son los siguientes: Two-Way ANOVA Table With Interaction Source Part Operator Part * Operator Repeatability Total Gage R&R Source Total Gage R&R Repeatability Reproducibility Operator Operator*Part Part-To-Part Total Variation VarComp 0.0044375 0.0012917 0.0031458 0.0009120 0.0022338 0.0371644 0.0416019 %Contribution (of VarComp) 10.67 3.10 7.56 2.19 5.37 89.33 100.00 Study Var (5.15 * SD) 0.34306 0.18509 0.28885 0.15553 0.24340 0.99282 1.05042 DF 9 2 18 30 59 SS 2.05871 0.04800 0.10367 0.03875 2.24913 MS 0.228745 0.024000 0.005759 0.001292 F P 39.7178 0.000 4.1672 0.033 interaccin si es 4.4588La 0.000 significativa, el operador tiene interaccin con las partes

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

StdDev (SD) 0.066615 0.035940 0.056088 0.030200 0.047263 0.192781 0.203965

Debe ser menor al 10% (AIAG) o menores al 25% (otras industrias) %Study Var %Tolerance (%SV) (SV/Toler) 32.66 17.15 17.62 9.25 27.50 14.44 14.81 7.78 23.17 12.17 94.52 49.64 100.00 52.52

Number of Distinct Categories = 4 Es adecuado mnimo 4


G age R&R (AN OVA) for Response
Gage name: Date of study:
Components of Variation
100 Percent
% Contribution %Study Var % Tolerance

Reported by: Tolerance: Misc:


Response by Part
1.00 0.75 0.50

50

Gage R&R

Repeat

Reprod

Part-to-Part

5 Part

10

R Chart by Operator
1 Sample Range 0.10 0.05 0.00 _ R=0.0383 LCL=0 2 3 UCL=0.1252 1.00 0.75 0.50 1

Response by Operator

Xbar Chart by Operator


1 Sample Mean 1.00 Average 0.75 0.50 _ UCL=0.8796 _ X=0.8075 LCL=0.7354 2 3 1.00 0.75 0.50 1 2 3 4

2 Operator

Operator * Part I nteraction

Pgina 122 de 308


5 6 Part 7 8 9 10

Operator 1 2 3

Sample

0.75 0.05 0.00 _ R=0.0383 LCL=0

CURSO TALLER DE MINITAB 15


1 2 Operator 3

0.50

P. Reyes / Agosto 2007

Xbar Chart by Operator


1 Sample Mean 1.00 Average 0.75 0.50 _ _ UCL=0.8796 X=0.8075 LCL=0.7354 2 3 1.00 0.75 0.50 1 2 3 4

Operator * Part I nteraction


Operator 1 2 3

5 6 Part

10

La carta R esta dentro de control

Si hay interaccin entre operadores y partes, debe revisarse el mtodo de medicin

La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado Minitab 15 Con el archivo GAGE2.MTW Se miden tres partes represntando el rango esperado de variacin. Tres operadores miden las tres partes, tres veces cada parte, de manera aleatoria.

1 File > Open worksheet GAGE2.MTW.


Part 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 Operator 3 3 3 2 2 2 1 1 1 3 3 3 2 2 2 1 1 1 3 3 3 2 2 2 1 1 1 Response 413.75 268.75 420.00 426.25 471.25 432.50 368.75 270.00 398.75 386.25 478.75 436.25 406.25 531.25 435.00 408.75 608.75 443.75 383.75 373.75 446.25 388.75 157.50 456.25 405.00 273.75 476.25 Trial 3 2 1 3 2 1 3 2 1 3 2 1 3 2 1 3 2 1 3 2 1 3 2 1 3 2 1

2 3 4 5 6 7

Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed) . En Part numbers, seleccionar Part. En Operators, seleccionar Operator. En Measurement data, seleccionar Response. En Method of Analysis, seleccionar ANOVA Click OK.

Results for: Gage2.MTW Gage R&R Study - ANOVA Method Two-Way ANOVA Table With Interaction Source DF SS MS Part 2 38990 19495.2 Operator 2 529 264.3

F 2.90650 0.03940

P 0.166 0.962

Pgina 123 de 308

CURSO TALLER DE MINITAB 15 Part * Operator 4 26830 6707.4 0.90185 Repeatability 18 133873 7437.4 Total 26 200222 Alpha to remove interaction term = 0.25 Two-Way ANOVA Table Without Interaction Source DF SS MS F Part 2 38990 19495.2 2.66887 Operator 2 529 264.3 0.03618 Repeatability 22 160703 7304.7 Total 26 200222 Gage R&R %Contribution %Contribution Source VarComp (of VarComp) Total Gage R&R 7304.67 84.36 Repeatability 7304.67 84.36 Reproducibility 0.00 0.00 Operator 0.00 0.00 Part-To-Part 1354.50 15.64 Total Variation 8659.17 100.00 Study Var Source StdDev (SD) (6 * SD) Total Gage R&R 85.4673 512.804 Repeatability 85.4673 512.804 Reproducibility 0.0000 0.000 Operator 0.0000 0.000 Part-To-Part 36.8036 220.821 Total Variation 93.0547 558.328 Number of Distinct Categories = 1

P. Reyes / Agosto 2007

Si el P value de la interaccin es mayor a 0.484 0.25 se hace otra corrida de ANOVA sin interaccin.

P 0.092 0.965

Porcentaje de contribucin a la varianza total observada por el R&R es del 84.36%

Porcentaje de contribucin por la varianza de las partes 15.64% %Study Var (%SV) El error total R&R es de 91.85% lo que es 91.85 inadecuado para el sistema de medicin 91.85 0.00 0.00 39.55 100.00 Una categora de 1 quiere decir que no puede distinguir diferencia entre partes

G age R&R (AN OVA) for Response


Gage name: Date of study:
Components of Variation
100 Percent
% Contribution % Study Var

Reported by: Tolerance: Misc:


Response by Part
600 400 200

50

Gage R&R

Repeat

Reprod

Part-to-Part

2 Part

R Chart by Operator
400 Sample Range 1 2 3 UCL=376.5 600 400 200 0 LCL=0 1

Response by Operator

200

_ R=146.3

Xbar Chart by Operator


1 Sample Mean 500 400 300 LCL=256.5 _ X=406.2 2 3 UCL=555.8 Average 450 400 350 1

2 Operator

Operator * Part I nteraction


Operator 1 2 3

2 Part

Carta X inadecuada, solo hay variacin aleatoria Estudio R&R (Nested) para pruebas destructivas Se usa el archivo RR_ANID.MTW con datos de medicin de 12 piezas realizadas por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo Pgina 124 de 308

CURSO TALLER DE MINITAB 15 Se trata de un diseo anidado ya que cada operador solo mide una parte de las piezas.

P. Reyes / Agosto 2007

Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data En gage info introducir la informacin general del equipo y del estudio En options introducir lo siguiente: Study variation 5.15 Process Tolerance 10 Errores mayores a lo permitido OK Study Var (5.15 * SD) 7.07181 5.84676 3.97818 1.46644 7.22225 %Study Var (%SV) 97.92 80.95 55.08 20.30 100.00 %Tolerance (SV/Toler) 70.72 58.47 39.78 14.66 72.22 Variacin de partes muy pequea vesus la de operario y equipo, el sistema de medicin no es adecuado
Medicion By Pieza ( Operario )
% Contribution % Study Var % Tolerance

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

StdDev (SD) 1.37317 1.13529 0.77246 0.28475 1.40238

Number of Distinct Categories = 1


G age R&R (N ested) for Medicion
Gage name: Date of study:
Components of Variation
100 Percent 24 22 20 0 Gage R&R Repeat Reprod Part-to-Part Pieza Operario 1 2 A 3 4 5 6 B 7 8 9 10 11 12 C

Reported by: Tolerance: Misc:

50

R Chart by Operario
A Sample Range 4 2 0 _ R=2.008 LCL=0 22 20 A B C UCL=5.170 24

Medicion by Operario

Xbar Chart by Operario


A 24 Sample Mean B C UCL=24.196 _ _ X=22.142

B Operario

22

20

LCL=20.087

Mintab 15

En este ejemplo, tres operadores cada uno mide cinco partes, para un total de 30 mediciones. Cada parte es nica a cada operador; nunca miden dos operadores la misma parte. Se decide realizar un estudio R&R (anidado) para determinar cuanta variacin de la observada en el proceso se debe a la variacin del sistema de medicin. Part 1 1 2 2 3 3 4 4 5 5 6 6 Operator Steve Steve Steve Steve Steve Steve Steve Steve Steve Steve Billie Billie Response 15.4257 16.8677 15.5018 15.1628 15.7251 12.8191 15.1429 13.8563 14.1119 16.5675 13.1025 15.5494 Part 8 9 9 10 10 11 11 12 12 13 13 14 Operator Billie Billie Billie Billie Billie Nathan Nathan Nathan Nathan Nathan Nathan Nathan Response 14.325 15.1448 14.5478 16.3736 17.5779 14.0156 16.0597 14.7948 14.8448 14.2155 13.7057 16.4566

Pgina 125 de 308

CURSO TALLER DE MINITAB 15 7 7 8 1 2 3 4 5 6 7 Billie Billie Billie 13.8316 14.2388 16.8403 14 15 15 Nathan Nathan Nathan

P. Reyes / Agosto 2007 16.2174 15.0697 16.3231

File > Open worksheet GAGENEST.MTW. Stat > Quality Tools > Gage Study > Gage R&R Study (Nested). En Part or batch numbers, poner Part. En Operators, poner Operator. En Measurement data, poner Response. Click Options. En Process tolerance, seleccionar Upper spec - Lower spec, poner 10. Click OK en cada cuadro de dilogo.

Results for: Gagenest.MTW Gage R&R Study - Nested ANOVA Gage R&R (Nested) for Response Source DF SS MS Operator 2 0.0142 0.00708 Part (Operator) 12 22.0552 1.83794 Repeatability 15 19.3400 1.28933 Total 29 41.4094 Gage R&R Source Total Gage R&R Repeatability Reproducibility Part-To-Part Total Variation %Contribution VarComp (of VarComp) 1.28933 82.46 1.28933 82.46 0.00000 0.00 0.27430 17.54 1.56364 100.00

F 0.00385 1.42549

P 0.996 0.255

Error de R&R muy alto

Process tolerance = 10 Study Var (6 * SD) 6.81293 6.81293 0.00000 3.14243 7.50273 %Study Var (%SV) 90.81 90.81 0.00 41.88 100.00 %Tolerance (SV/Toler) El error de R&R es muy 68.13 alto 68.13 0.00 31.42 75.03

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

StdDev (SD) 1.13549 1.13549 0.00000 0.52374 1.25045

Number of Distinct Categories = 1


G age R&R (N ested) for Response
Gage name: Date of study:
Components of Variation
100 Percent
% Contribution % Study Var % Tolerance

Reported by: Tolerance: Misc:


Response By Part ( Operator )
18 16 14

50

Gage R&R

Repeat

Reprod

Part-to- Part

Part Operator

8 9 10 Billie

11 12 13 14 15 Nathan

3 4 Steve

R Chart by Operator
Billie Sample Range 4 Nathan Steve UCL=4.290 18 16 2 _ R=1.313 LCL=0 14 Billie

Response by Operator

Xbar Chart by Operator


18 Sample Mean 16 14 LCL=12.678 Billie Nathan Steve UCL=17.617 _ _ X=15.147

Nathan Operator

Steve

Pgina 126 de 308

LCL=0

Billie

Xbar Chart by Operator


18 Sample Mean 16 14 Billie Nathan Steve

CURSO TALLER DE MINITAB 15


UCL=17.617 _ _ X=15.147

Nathan Operator

Steve

P. Reyes / Agosto 2007

LCL=12.678

El sistema no distingue diferencias entre las partes Estudios de linealidad La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala Se usa el archivo GAGELIN.MTW anexo En este archivo se muestran las mediciones hechas con el patrn (Master) y con el sistema en estudio (Response), en distintos niveles de la escala Se puede obtener una ecuacin de regresin de la dif. De Resp. - Master vs Master Stat>Regression>Fitted line plot
Fitted Line Plot
Dif = 0.7367 - 0.1317 Master 1.0
S R-Sq R-Sq(adj) 0.239540 71.4% 70.9%

0.5 Dif

Amplitud de la variabilidad del proceso

0.0

-0.5

-1.0 1 2 3 4 5 6 Master 7 8 9 10

G age Linearity and Bias Study for Response


Gage name: Date of study: Reported by: Tolerance: Misc: Gage Linearity Coef SECoef 0.73667 0.07252 -0.13167 0.01093 0.23954 1.86889 R-Sq % Linearity

1.0

Regression 95% CI Data Avg Bias

Predictor Constant Slope S Linearity

P 0.000 0.000 71.4% 13.2

Ecuacin

0.5

0.0

Reference Av erage 2 4 6 8 10

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

P 0.040 0.000 0.293 0.688 0.000 0.000

Datos de promedios

Bias

-0.5

Percent of Process Variation


Percent 10 5 0 Linearity Bias

-1.0 2 4 6 Reference Value 8 10

La ecuacin de regresin es Diferencia = 0.7367 - 0.1317 Master Linealidad = Pendiente * Ancho de variacin del proceso = 0.1317*14.1941 = 1.8689 % De linealidad = Pendiente de la recta * 100 = 0.1317*100 = 13.17% del rango de magnitudes a medir Sesgo (Bias) = Promedio de diferencias entre el valor real y el valor patrn % De sesgo = |Sesgo| / Ancho del proceso * 100 = (-0.053/14.1941)*100 = 0.3757

Pgina 127 de 308

CURSO TALLER DE MINITAB 15 El sesgo introducido por el sistema de medida es aprox. del 0.4% de la variacin total Minitab 15 Anlisis de concordancia por atributos

P. Reyes / Agosto 2007

Se usa para evaluar la concordancia de calificaciones nominales u ordinales dadas por diversos evaluadores. Las mediciones son evaluaciones subjetivas dadas por las personas ms que mediciones directas. Por ejemplo: - Evaluacin de desempeo de automoviles - Clasificacin de calidad de fibras como "buena" o "mala" - Evaluacin del color del vino, su aroma, y sabor en una escala del 1 al 10. En estas situaciones, las caractersticas de calidad son difciles de definir y evaluar. Para obtener clasificaciones significativas, se utiliza ms de un evaluador para clasificar la medicin de la respuesta. Si los evaluadores concuerdan, existe la posibilidad de que las calificaciones sean exactas. Si no hay acuerdo, la utilidad de las calificaciones es limitada. Por ejemplo: Una institucin evaluadora est capacitando a cinco nuevos evaluadores de la parte escrita de una prueba. La habilidad de los evaluadores para calificar la prueba y que sea consistente con estndares debe evaluarse. Cada evaluador califica quince reactivos en una escala de cinco puntos (-2, -1, 0, 1, 2)

File > Open Worksheet ESSAY.MTW.


Sample 1 1 1 1 1 2 2 2 2 Etc. Rating 2 2 2 1 2 -1 -1 -1 -2 Etc. Attribute 2 2 2 2 2 -1 -1 -1 -1 Etc.

Appraiser Simpson Montgomery Holmes Duncan Hayes Simpson Montgomery Holmes Duncan Etc. 2 3 4 5 6 7

Stat > Quality Tools > Attribute Agreement Analysis . En Attribute column, seleccionar Rating. En Samples, seleccionar Sample. En Appraisers, seleccionar Appraiser. En Known standard/attribute, seleccionar Attribute. Seleccionar Categories of the attribute data are ordered y click OK.

Los resultados son los siguientes: Results for: Essay.MTW Attribute Agreement Analysis for Rating Each Appraiser vs Standard Assessment Agreement Appraiser # Inspected # Matched Percent 95 % CI Duncan 15 8 53.33 (26.59, 78.73) Hayes 15 13 86.67 (59.54, 98.34) Holmes 15 15 100.00 (81.90, 100.00) Montgomery 15 15 100.00 (81.90, 100.00) Simpson 15 14 93.33 (68.05, 99.83) # Matched: Appraiser's assessment across trials agrees with the known standard.

Pgina 128 de 308

CURSO TALLER DE MINITAB 15 Fleiss' Kappa Statistics Appraiser Response Kappa Duncan -2 0.58333 -1 0.16667 0 0.44099 1 0.44099 2 0.42308 Overall 0.41176 Hayes -2 0.62963 -1 0.81366 0 1.00000 1 0.76000 2 0.81366 Overall 0.82955 Holmes -2 1.00000 -1 1.00000 0 1.00000 1 1.00000 2 1.00000 Overall 1.00000 Montgomery -2 1.00000 -1 1.00000 0 1.00000 1 1.00000 2 1.00000 Overall 1.00000 Simpson -2 1.00000 -1 1.00000 0 0.81366 1 0.81366 2 1.00000 Overall 0.91597 SE Kappa 0.258199 0.258199 0.258199 0.258199 0.258199 0.130924 0.258199 0.258199 0.258199 0.258199 0.258199 0.134164 0.258199 0.258199 0.258199 0.258199 0.258199 0.131305 0.258199 0.258199 0.258199 0.258199 0.258199 0.131305 0.258199 0.258199 0.258199 0.258199 0.258199 0.130924 Z 2.25924 0.64550 1.70796 1.70796 1.63857 3.14508 2.43855 3.15131 3.87298 2.94347 3.15131 6.18307 3.87298 3.87298 3.87298 3.87298 3.87298 7.61584 3.87298 3.87298 3.87298 3.87298 3.87298 7.61584 3.87298 3.87298 3.15131 3.15131 3.87298 6.99619 P(vs > 0) 0.0119 0.2593 0.0438 0.0438 0.0507 0.0008 0.0074 0.0008 0.0001 0.0016 0.0008 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000 0.0001 0.0001 0.0008 0.0008 0.0001 0.0000

P. Reyes / Agosto 2007

Kendall's Correlation Coefficient Appraiser Coef SE Coef Z Duncan 0.87506 0.192450 4.49744 Hayes 0.94871 0.192450 4.88016 Holmes 1.00000 0.192450 5.14667 Montgomery 1.00000 0.192450 5.14667 Simpson 0.96629 0.192450 4.97151

P 0.0000 0.0000 0.0000 0.0000 0.0000

Between Appraisers Assessment Agreement # Inspected # Matched Percent 95 % CI 15 6 40.00 (16.34, 67.71) # Matched: All appraisers' assessments agree with each other. Fleiss' Kappa Statistics Response Kappa SE Kappa Z P(vs > 0) -2 0.680398 0.0816497 8.3331 0.0000 -1 0.602754 0.0816497 7.3822 0.0000 0 0.707602 0.0816497 8.6663 0.0000 1 0.642479 0.0816497 7.8687 0.0000 2 0.736534 0.0816497 9.0207 0.0000 Overall 0.672965 0.0412331 16.3210 0.0000 Kendall's Coefficient of Concordance Coef Chi - Sq DF P 0.966317 67.6422 14 0.0000 Pgina 129 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

All Appraisers vs Standard Assessment Agreement # Inspected # Matched Percent 95 % CI 15 6 40.00 (16.34, 67.71) # Matched: All appraisers' assessments agree with the known standard. Fleiss' Kappa Statistics Response Kappa SE Kappa -2 0.842593 0.115470 -1 0.796066 0.115470 0 0.850932 0.115470 1 0.802932 0.115470 2 0.847348 0.115470 Overall 0.831455 0.058911

Z 7.2971 6.8941 7.3693 6.9536 7.3383 14.1136

P(vs > 0) 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Kendall's Correlation Coefficient Coef SE Coef Z P 0.958012 0.0860663 11.1090 0.0000 NOTE * Single trial within each appraiser. No percentage of assessment agreement within appraiser is plotted.
Assessment Agreement
Date of study: Reported by: Name of product: Misc:

Appraiser vs Standard
100
95.0% CI Percent

80

Percent

60

40

20

0 Duncan Hayes Holm es Appraiser Montgom ery Sim pson

Se muestran tres tablas de concordancia: Cada evaluador contra el Estndar, entre evaluadores, y todos los evaluadores contra el estndar. Se incluyen las estadsticas de Kappa y Kendall en cada una. En general los estadsticos sugieren un buen acuerdo. El coeficiente de Kendall entre evaluadores es 0.966317 (p=0.0000). El coeficiente de Kendall para todos los evaluadores contra el estndar es 0.958012 (p=0.0000). La tabla de cada evaluador contra el estndar indica que Duncan y Hayes tienen baja concordancia contra el estndar, Holmes y Montgomery concordaron en 15 de 15. La grfica de evaluadores contra el estndar proporciona una vista de la tabla de concordancias de cada uno de los evaluadores contra el estndar. Con base en esto, Duncan, Hayes y Simpson requieren capaciacin adicional. Minitab 15 Estudio de sistemas de medicin por atributos (mtodo analtico) Los estudios de gages por atributos calculan la cantidad de sesgo y repetibilidad de un sistema Pgina 130 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

de medicin cuando la respuesta es una variable binaria por atributos. Para obtener una buena estimacin del sesgo y la repetibilidad, se deben seguir las reglas para seleccionar las partes con valores de referencia conocidos. El valor de referencia es la medicin continua conocida y correcta asociada con cada parte. Por ejemplo: un fabricante quiere medir el sesgo y la repetibilidad de un sistema de medicin por atributos. El sistema tiene un lmitge inferior de tolerancia de -0.020 y un lmite superior de tolerancia de 0.020. El fabricante mide 10 partes, con valores de referencia en intervalos desde -0.050 a -0.005, a travs del gage 20 veces. 1 File > Open worksheet AUTOGAGE.MTW. Partnumber 1 2 3 4 5 6 7 8 9 10 2 3 4 5 6 Reference Acceptances -0.050 0 -0.045 1 -0.040 2 -0.035 5 -0.030 8 -0.025 12 -0.020 17 -0.015 20 -0.010 20 -0.005 20

Stat > Quality Tools > Gage Study > Attribute Gage Study (Analytic Method) . En Part numbers, seleccionar Part number. En Reference values, seleccionar Reference. Click Summarized counts y seleccionar Acceptances. En Number of trials, poner 20. Click Lower limit and poner -0.020. Click OK.

Los resultados son los siguientes:

Attribute Gage Study (Analytic Method) for Acceptances


Gage name: Date of study: Reported by: Tolerance: Misc: Bias: Pre-adjusted Repeatability: Repeatability: 0.0097955 0.0494705 0.0458060

99

95

F itted Line: 3.10279 + 104.136 * Reference R - sq for F itted Line: 0.969376


Percent of Acceptance 80

50

A I AG Test of Bias = 0 vs not = 0 T DF P-Value 6.70123 19 0.0000021

20

Probability of Acceptance

L Limit 1.0

0.5

-0.05

-0.04 -0.03 -0.02 Reference Value of Measured Part

-0.01

0.0 -0.050 -0.025 0.000 Reference Value of Measured Part

El sesgo del sistema de medicin es 0.0097955, y la repetibilidad ajustada es 0.0458060. La prueba del sesgo indica que es significativamente diferente de cero (t = 6.70123, df=19, p=0.00) lo anterior sugiere que hay sesgo presente en el sistema de medicin por atributos.

6.3 Estudios de capacidad de procesos para variables normales


Pgina 131 de 308

CURSO TALLER DE MINITAB 15 Capacidad de procesos en base a carta X media - R Para la teora revisar el artculo Capacidad de proceso.doc anexo Se usa el archivo de datos VITA_C.MTW de pesos de comprimidos anexo. La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una vez que muestra estabilidad o esta dentro de control estadstico.

P. Reyes / Agosto 2007

Stat > Quality Tools > Capability Anlisis > Normal


Seleccionar R bar

Especificaciones Boundary se usa cuando es imposible tener piezas fuera de este lmite Los resultados se muestran a continuacin: Variabilidad dentro de subgrupos (Within) Variabilidad global (Overall)
Process Capability of Peso
LSL
Process Data LSL 3.08750 Target * USL 3.41250 Sample Mean 3.24312 SampleN 200 StDev(Within) 0.02136 StDev(O verall) 0.02917

Sigma = R medio / d2 (constante) El proceso debe estar en control Sigma = Desv. Estandar / c4 (cte.) No importa si el proceso est fuera de control estadstico
Within Overall
Potential (Within) C apability Cp 2.54 CPL 2.43 CPU 2.64 Cpk 2.43 CC pk 2.54 O verall Capability Pp PPL PPU Ppk Cpm 1.86 1.78 1.94 1.78 *

USL

Cp y Cpk a partir de Std. Dev. Within Pp y Ppk a partir de Std. Dev. Overall

Tanto el Cpk como Ppk deben ser mayores a O bserved Performance Exp. Within Performance Exp. O verall Performance uno para que el proceso PPM<LSL 0.00 P PM<LSL 0.00 PPM<LSL 0.05 PPM>USL 0.00 P PM>USL 0.00 PPM>USL 0.00 sea capz, de otra PPMTotal 0.00 P PMTotal 0.00 PPMTotal 0.05 forma deben investigarse las causas especiales Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
3.10 3.15 3.20 3.25 3.30 3.35 3.40

Visualizacin de las variaciones: Con una grfica Scatterplot se tiene: Medidas 2 4 5 6 12 13 14 Subgrupo 1 1 1 1 2 2 2
20

Scatterplot of Medidas vs Subgrupo

15

Medidas

10

5 Pgina 132 de 308

0 1.0 1.5 2.0 2.5 3.0

10 CURSO TALLER DE MINITAB 15

Medidas

P. Reyes / Agosto 2007

15 6 7 8 10 C4 = 4(n - 1) / (4n - 3)

2 3 3 3 3

0 1.0 1.5 2.0 Subgrupo 2.5 3.0

Var 1=2.92 Desv. Std. Overall = raiz (17.91) = 4.23 Se aplica una constante de correccin C4 que en este caso es 0.9776 Capacidad de procesos en base a carta I-MR

Var 2=1.67

Var 3 = 2.92

Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5 Desv. Std. Within = raiz (2.5) = 1.58

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

Stat > Quality Tools > Capability Anlisis > Normal


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

Estimate seleccionar R bar


OK
Process Capability of % Humedad
LSL
Process Data LSL 6.00000 Target * USL 12.00000 Sample Mean 10.85938 SampleN 32 StDev(Within) 1.16392 StDev(Overall) 1.43526

USL Within Overall


Potential (Within) Capability Cp 0.86 CPL 1.39 CPU 0.33 Cpk 0.33 CCpk 0.86 Overall Capability Pp PPL PPU Ppk Cpm 0.70 1.13 0.26 0.26 *

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

6.4
Observed Performance PPM<LSL 0.00 PPM>USL 156250.00 PPMTotal 156250.00

8.0

9.6

11.2

12.8

Exp. Within Performance PPM<LSL 14.90 PPM>USL 163546.85 PPMTotal 163561.75

Exp. Overall Performance PPM<LSL 354.96 PPM>USL 213388.49 PPMTotal 213743.45

El proceso no tiene una capacidad suficiente de Cpk >1 Opcin Six Pack para una informacin resumida:

Stat > Quality Tools > Capability Sixpack > Normal


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

Estimate sel. R bar


OK
15 I ndividual Value 12 9 3 6 9
1

Process Capability Sixpack of % Humedad


I Chart
UCL=14.351 _ X=10.859

Capability Histogram

LCL=7.368 12 15 18 21 24 27 30 8.0 9.6 11.2 12.8

Moving Range Chart


Moving Range 4 UCL=4.290

Normal Prob Plot A D: 0.315, P: 0.527

Pgina 133 de 308


0 3 6 9 12 15 18 21 24 27 30

__ MR=1.313 LCL=0 8 10 12 14

Last 2 5 Observations Within

Capability Plot
Within

Overall

12

15

18

21

24

27

30

8.0

9.6

11.2

12.8

Moving Range

CURSO TALLER DE MINITAB 15 UCL=4.290


__ MR=1.313 LCL=0 3 6 9 12 15 18 21 24 27 30 8

Moving Range Chart

Normal Prob Plot A D: 0.315, P: 0.527

P. Reyes / Agosto 2007

10

12

14

Last 2 5 Observations
12 10 8 10 15 20 Observation 25 30

Capability Plot Within StDev 1.16392 Cp 0.86 Cpk 0.33 CCpk 0.86
Within

Overall

Overall StDev 1.43526 Pp 0.70 Ppk 0.26 Cpm *

Values

Specs

Identificando posibles causas con una grfica de serie de tiempo se tiene:

Stat > Time series > Trend Analysis


Variables %Humedad seleccionar Linear OK
%H u m ed ad 14 13 12 11 10 9 8 7 3 6

Trend Analysis Plot for % Hum edad


LinearTrendModel Yt = 9.42198 + 0.0871151* t
Variable Actual Fits AccuracyMeasures MAPE 8.53237 MAD 0.88705 MSD 1.31670

Se observa que el % ha ido aumentando con el tiempo por alguna razn a lo largo del da Minitab 15

12

15 18 Index

21

24

27

30

Capacidad de proceso considerando la variabilidad dentro y entre subgrupos Cuando la variabilidad dentro de los subgrupos puede ser significativa, es mejor utilizar esta opcin Por ejemplo si toman 3 muestras de 25 rollos consecutivos y se mide el espesor de su recubrimiento. que debe ser de 50 +- 3 mm para cumplir especificaciones: 1 2 3 4 File > Open worksheet BWCAPA.MTW. Stat > Quality Tools > Capability Analysis > Between/Within . En Single column, seleccionar Coating. En Subgroup size, seleccionar Roll. En Lower spec, poner 47. En Upper spec, poner 53. Click OK
Between/ Within Capability of Coating
LSL
Process Data LSL 47 Target * USL 53 Sample Mean 49.8829 Sample N 75 StDev(Between) 0.685488 StDev(Within) 0.40608 StDev(B/W) 0.79674 StDev(O verall) 0.838488

USL B/W Overall


B/W Capability Cp 1.26 CPL 1.21 CPU 1.30 Cpk 1.21 Overall Capability Pp PPL PPU Ppk Cpm 1.19 1.15 1.24 1.15 *

47
O bserved Performance PPM < LSL 0.00 PPM > USL 0.00 PPM Total 0.00

48

49

50

51

52

53

Exp. B/W Performance PPM < LSL 148.20 PPM > USL 45.72 PPM Total 193.92

Exp. Overall Performance PPM < LSL 292.72 PPM > USL 100.61 PPM Total 393.34

El Cpk es de 1.21 indicando que el proceso es justamente capaz pero puede ser mejorado. El total de PPM es de 193.4 indicando que todava se puede mejorar el proceso. Capacidad de proceso para mltiples variables (normal) Por ejemplo se quiere evaluar el espesor durante la maana y tarde. Se miden 5 muestras de 10 cajas Pgina 134 de 308

CURSO TALLER DE MINITAB 15 producidas en cada turno. El espesor debe estar entre 10.44 y 10.96 mm. 1 2 3 4 5 6 File > Open worksheet MCAPA.MTW. Stat > Quality Tools > Capability Analysis > Multiple Variable (Normal) . En Variables, seleccionar Thickness. En Subgroup sizes, poner 5. Seleccionar By variables, y Shift. En Lower spec, poner 10.44. En Upper spec, poner 10.96. Click OK.

P. Reyes / Agosto 2007

Process Capability of Thickness by Shift Process Data Shift LSL Target USL Sample Mean Sample N StDev(Within) 1 10.44 * 10.96 10.8948 50 0.0234052 2 10.44 * 10.96 10.8892 50 0.0234052 Shift StDev(Overall) Capability Histograms of Thickness by Shift 1 0.0218753 Shift = 1 LSL USL 2 0.0225732 10.0 Within Within Overall Cp 3.703 Potential (Within) Capability 7.5 Overall CPL 6.477 Shift Cp CPL CPU Cpk CPU 0.929 5.0 Pp 3.962 PPL 6.930 1 3.703 6.477 0.929 0.929 Cpk 0.929 2.5 PPU 0.994 Ppk 0.994 2 3.703 6.397 1.008 1.008 0.0 10.495 10.565 10.635 10.705 10.775 10.845 10.915 Cpm * Overall Capability Shift = 2 Shift Pp PPL PPU Ppk Cpm LSL USL Within Within 1 3.962 6.930 0.994 0.994 * 10.0 Overall Cp 3.703 7.5 Overall 2 3.839 6.633 1.045 1.045 CPL *6.397 Pp 3.839 CPU 1.008 5.0 Observed Performance PPL 6.633 Cpk 1.008 2.5 PPU 1.045 Shift PPM < LSL PPM > USL PPM Total Ppk 1.045 0.0 10.495 10.565 10.635 10.705 10.775 10.845 10.915 1 0.00 0.00 0.00 Cpm * 2 0.00 0.00 0.00 Probability Plots of Thickness by Shift Exp. Within Performance Shift = 1 Shift PPM < LSL PPM > USL PPM Total Normal - 95% CI, AD: 0.527, P: 0.171 99 1 0.00 2670.58 2670.58 90 2 0.00 1243.30 1243.30 50 Exp. Overall Performance 10 Shift PPM < LSL PPM > USL PPM Total 1 10.82 10.84 10.86 10.88 10.90 10.92 10.94 10.96 1 0.00 1438.77 1438.77 Shift = 2 2 0.00 855.01 855.01
Normal - 95% CI, AD: 0.556, P: 0.144 99

Los Cpks y Ppks no cumplen con la referencia de la industria de 1.33

90 50 10 1 10.82 10.84 10.86 10.88 10.90 10.92 10.94 10.96

6.4 Estudios de capacidad de procesos para variables no normales


Minitab 15 Cuando los datos no son normales, se pueden intentar transformar con:

Transformacin de Box Cox (para datos agrupados en subgrupos de tamao n >1 y con valor positivo) Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribucin normal. Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran en el archivo TILES.MTW anexo. Se miden 10 ladrillos diarios por 10 das.

Histogram of Warping
14 12 10 F requency 8 6

Pgina 135 de 308

14 12 10 F requency 8 6 4 2 0

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

4 Warping

Se observa una distribucin no normal Haciendo una prueba de normalidad con:

Stat > Basic statistics > Normality test


Variable Warping Anderson Darling Se obtiene un valor P de 0.01 indicando que los datos no son normales. Ahora se transforman los datos por el mtodo de Box Cox: 1 2 3 File > Open worksheet TILES.MTW. Seleccionar Stat > Control Charts > Box-Cox Transformation. En Single column, seleccionar Warping. En Subgroup size, poner 10. Click OK.
Box-Cox Plot of Warping
40
Lower CL Upper CL Lambda (using 95.0% confidence) Estimate 0.43 0.20 0.65 0.50

30

Lower CL Upper CL Rounded Value

StDev

20

10

0 -2 -1 0 1 2 Lam bda 3 4 5

Limit

Por tanto el exponente al que hay que elevar los datos es 0.5 o sacar raz cuadrada. Haciendo el anlisis conisderando esta transformacin de datos se tiene:

1 Stat > Quality tools > Capability analysis > Normal


2 Single column - Warping Subgroup size - 10 Lower spec 0 Upper Spec 8 3 Seleccionar Box-Cox power transformation (W = Y**Lambda). Choose Lambda = 0.5 (raz cuadrada).
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5
LSL* Process Data LSL 0 Target * USL 8 Sample Mean 2.92307 Sample N 100 StDev(Within) 1.75687 StDev(O verall) 1.78597 A fter Transformation LSL* Target* USL* Sample Mean* StDev(Within)* StDev(O verall)* 0 * 2.82843 1.62374 0.52794 0.537984 USL*

transformed data

Within O verall Potential (Within) C apability Cp 0.89 C PL 1.03 C PU 0.76 C pk 0.76 O verall C apability Pp PPL PPU Ppk C pm 0.88 1.01 0.75 0.75 *

Cpk = 0.76 el proceso no es capaz de cumplir especificaciones, est por debajo de la referencia de 1.33. Ppk es igual a 0.75 el proceso dista mucho de estar por debajo de la

0.0
O bserved Performance PPM < LSL 0.00 PPM > USL 20000.00 PPM Total 20000.00

0.4

0.8

1.2

1.6

Exp. Within Performance PPM < LSL* 1050.35 PPM > USL* 11248.77 PPM Total 12299.11

Exp. O verall Performance PPM < LSL* 1271.42 PPM > USL* 12569.47 PPM Total 13840.90

Pgina 136 de 308

2.0

2.4

2.8

StDev(Within)* 0.52794 StDev(O verall)* 0.537984

C pm

CURSO TALLER DE MINITAB 15


0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8
Exp. O verall Performance PPM < LSL* 1271.42 PPM > USL* 12569.47 PPM Total 13840.90

P. Reyes / Agosto 2007 referencia de 1.33

O bserved Performance PPM < LSL 0.00 PPM > USL 20000.00 PPM Total 20000.00

Exp. Within Performance PPM < LSL* 1050.35 PPM > USL* 11248.77 PPM Total 12299.11

Transformacin de Jonhson (aplicable a datos individuales) alternativa de Box Cox Para datos no normales, esta transformacin selecciona una funcin de tres familias de distribuciones de una variable, que son fcilmente transformadas a una distribucin normal. Las distribuciones son Sb, Sl y Su, donde B, L y U se refieren a la variable que se acota, lognormal y no acotada. Minitab muestra los valores P para las distribuciones original y transformada para comparacin. No siempre se encuentra la funcin ptima. Para el ejemplo de los ladrillos: 1 File > Open worksheet TILES.MTW. 2 Seleccionar Stat > Quality Tools > Johnson Transformation. 3 En Data are arranged as, seleccionar Single column; seleccionar Warping. 4 En Store transformed data in, seleccionar Single column; seleccionar C2. 5 Click Options. 6 En P-Value to select best fit, poner 0.05. Click OK en cada cuadro de dilogo.
J ohnson Transformation for Warping
Probability Plot for Original Data Select a T ransformation

P-Value for AD test

99.9 99 90 Percent 50 10 1 0.1 -5 0 5 10

N 100 AD 1.028 P-Value 0.010

0.6 0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 1.0 1.2 Ref P

0.8 Z Value (P-Value = 0.005 means <= 0.005)

Probability Plot for Transformed Data

99.9 99 90 Percent 50 10 1 0.1 -2 0 2 4

N 100 AD 0.231 P-Value 0.799

P-V alue for Best Fit: 0.798895 Z for Best Fit: 0.6 Best Transformation Type: SB Transformation function equals 0.882908 + 0.987049 * Ln( ( X + 0.132606 ) / ( 9.31101 - X ) )

Los datos originales no siguen una distribucin normal: AD = 1.028, P = 0.01 Los datos transformados indican que siguen una distribucin normal: AD = 02310, P = 0.799 La grfica de dispersin de P vs Z indica que sobre el rango de 0.25 a 1.25 la funcin que mejor ajusta es la de Z = 0.6. La funcin de transformacin es: Y = 0.882908 + 0.987049*ln((X+0.132606)/(9.31101-X)) Identificacin de la funcin que mejor ajuste los datos, previo a la capacidad de datos no normales: Se puede seleccionar o identificar una funcion de entre 14 tipos parametricos: Por ejemplo para el caso de los ladrillos: 1 File > Open worksheet TILES.MTW. 2 Stat > Quality Tools > Individual Distribution Identification . 3 En Data are arranged as, seleccionar Single column, seleccionar Warping. 4 Seleccionar Use all distributions. Click OK. Distribution ID Plot for Warping Descriptive Statistics N N* Mean StDev Median

Minimum

Maximum

Skewness

Kurtosis

Pgina 137 de 308

CURSO TALLER DE MINITAB 15 100 0 2.92307 1.78597 2.60726 0.28186 8.09064 0.707725 Box-Cox transformation: Lambda = 0.5 Johnson transformation function: 0.882908 + 0.987049 * Ln( ( X + 0.132606 ) / ( 9.31101 - X ) ) Goodness of Fit Test Distribution Normal Box-Cox Transformation Lognormal 3-Parameter Lognormal Exponential 2-Parameter Exponential Weibull 3-Parameter Weibull Smallest Extreme Value Largest Extreme Value Gamma 3-Parameter Gamma Logistic Loglogistic 3-Parameter Loglogistic Johnson Transformation

P. Reyes / Agosto 2007 0.135236

P LRT P 0.010 0.574 <0.005 * 0.007 <0.003 <0.010 0.000 Cuando varias distribuciones ajustan los datos, hacer lo siguiente: >0.250 Seleccionar la distribucion con el valor 0.467 0.225 mas alto de P, o que se ha usado antes <0.010 con este tipo de datos o la que de la 0.213 capacidad de proceso mas conservadora. 0.238 * 0.763 Prueba P de mxima verosimilitud (ML R) para comparar si 0.013 con dos parmetros se <0.005 obtiene lo mismo que con * 0.085 tres parmetros para 0.799 diversas distribuciones ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 2.92307 1.78597 Box-Cox Transformation* 1.62374 0.53798 Lognormal* 0.84429 0.74444 3-Parameter Lognormal 1.37877 0.41843 -1.40015 Exponential 2.92307 2-Parameter Exponential 2.66788 0.25518 Esta distribucin ajusta mejor a los datos Weibull 1.69368 3.27812 por maxima verosimilitud 3-Parameter Weibull 1.50491 2.99693 0.20988 Smallest Extreme Value 3.86413 1.99241 Largest Extreme Value 2.09575 1.41965 Gamma 2.34280 1.24768 3-Parameter Gamma 2.12768 1.33208 0.08883 Logistic 2.79590 1.01616 Loglogistic 0.90969 0.42168 3-Parameter Loglogistic 1.30433 0.26997 -1.09399 Johnson Transformation* 0.01120 0.99495 * Scale: Adjusted ML estimate
Probability Plot for Warping
Exponential - 95% CI 99.9 90 50 Percent Percent 10 1 0.1 99.9 90 50 10 1 0.1 0.001 2-Parameter Exponential - 95% CI Goodness of Fit Test Exponential AD = 5.982 P-Value < 0.003 2-Parameter Exponential AD = 3.892 P-Value < 0.010 Weibull AD = 0.248 P-Value > 0.250 3-Parameter Weibull AD = 0.359 P-Value = 0.467

AD 1.028 0.301 1.477 0.523 5.982 3.892 0.248 0.359 3.410 0.504 0.489 0.547 0.879 1.239 0.692 0.231

0.001

0.010

0.100

1.000

10.000 100.000

Warping Weibull - 95% CI 99.9 90 50 Percent 10 1 0.1 0.01 Percent 99.9 90 50 10 1 0.1

0.010 0.100 1.000 10.000 Warping - T hreshold 3-Parameter Weibull - 95% CI

0.10

1.00 Warping

10.00

0.1

1.0 10.0 Warping - T hreshold

Pgina 138 de 308

50 Percent 10 1 0.1 0.01 Percent

50 10 1 0.1

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

0.10

1.00 Warping

10.00

0.1

1.0 10.0 Warping - T hreshold

Por lo anterior se seleccionar la Distribucin de Weibull de dos parmetros para el anlisis de capacidad con datos no normales Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha (es aplicable a otras distribuciones) 1 File > Open worksheet TILES.MTW. 2 Stat > Quality Tools > Capability Analysis > Nonnormal . 3 En Data are arranged as, seleccionar Single column, seleccionar Warping. 4 En Fit data with, seleccionar Distribution, seleccionar Weibull. 5 En Upper spec, poner 8. Click OK. Se pueden utilizar otras distribuciones que mejor ajusten
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LB
Process Data LB 0.00000 Target * USL 8.00000 Sample Mean 2.92307 SampleN 100 Shape 1.69368 Scale 3.27812 Observed Performance PPM<LB 0 PPM>USL 20000 PPMTotal 20000

USL
Overall Capability Pp * PPL * PPU 0.73 Ppk 0.73 Exp. Overall Performance PPM<LB * PPM>USL 10764.5 PPMTotal 10764.5

Ppk es igual a 0.73 el proceso dista mucho de estar por debajo de la referencia de 1.33

0.0

1.5

3.0

4.5

6.0

7.5

Capacidad de proceso para variables mltiples no normales Por ejemplo se trata de evaluar dos mquinas para empacar comida congelada con peso de 31 +- 4 onzas. Se seleccionan 50 muestras de 50 paquetes de cada mquina y se pesan: 1 File > Open worksheet MNCAPA.MTW. 2 Seleccionar Stat > Quality Tools > Capability Analysis > Multiple Variable (Nonnormal) . 3 En Variables, seleccionar Weight. 4 Seleccionar BY variables seleccionar Machine. 4 En Fit data with, seleccionar Distribution y seleccionar Largest extreme value. 5 EIn Lower spec, poner 27. En Upper spec, poner 35. 6 Click OK. Process Capability of Weight by Machine Distribution: Largest Extreme Value Process Data Machine LSL Target USL Sample Mean Sample N 1 27 * 35 30.5766 50 2 27 * 35 30.3686 50 Overall Capability Machine Pp PPL PPU Ppk 1 0.84 1.33 0.66 0.66 2 0.90 1.35 0.74 0.74 Observed Performance Machine PPM < LSL PPM > USL PPM Total 1 0.00 0.00 0.00 2 0.00 0.00 0.00 Pgina 139 de 308

Location 29.9409 29.7941

Scale 1.12097 1.04393

CURSO TALLER DE MINITAB 15 Exp. Overall Performance Machine PPM < LSL PPM > USL 1 1.03 10904.02 2 0.49 6803.71 PPM Total 10905.06 6804.19

P. Reyes / Agosto 2007

Capability Histograms of Weight by Machine


Machine = 1
LSL USL

10.0 7.5 5.0 2.5 0.0 26.75 28.25 29.75 31.25 Machine = 2
LSL USL

Overall Pp 0.84 PPL 1.33 PPU 0.66 Ppk 0.66

32.75

34.25

12 9 6 3 0 26.75 28.25 29.75 31.25 32.75 34.25

Overall Pp 0.90 PPL 1.35 PPU 0.74 Ppk 0.74

Probability Plots of Weight by Machine Machine = 1


Largest Extreme Value - 95% CI, AD: 0.335, P: > 0.250
99 90 50 10 0.1

26

28

30

32

34

36

Machine = 2
Largest Extreme Value - 95% CI, AD: 0.341, P: > 0.250
99 90 50 10 0.1

27

28

29

30

31

32

33

34

35

36

Tambin en este caso los Ppks no cumplen con el criterio de al menos 1.33.

6.5 Cartas de control por atributos


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

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos Subgroup sizes Produccin OK
P Chart of Defectuosos
0.055 0.050 0.045 oportion 0.040
1 1

UCL=0.05316

Se tienen lmites de

Pgina 140 de 308


_ P=0.03812

P Chart of Defectuosos
0.055 0.050 0.045 Proportion 0.040 0.035 0.030 0.025 0.020 3 6 9 12 15 18 Sample 21 24 27 30 _ P=0.03812
1 1 CURSO TALLER DE MINITAB 15

UCL=0.05316

P. Reyes / Agosto 2007

control variables por ser el tamao de muestra variable

LCL=0.02308

Tests performed with unequal sample sizes

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

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos Subgroup sizes 1350 OK
P Chart of Defectuosos
0.055 0.050 0.045 Proportion 0.040 0.035 0.030 0.025 LCL=0.02292 0.020 3 6 9 12 15 18 Sample 21 24 27 30 _ P=0.03867 UCL=0.05441

Carta de control NP para el nmero de defectuosos o no conformes Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura. Carta de Control np usando el archivo CATETER.MTW

Stat > Control Charts > Attributes chart > NP


Variables Defectuosos Subgroup sizes 100 OK

NP Chart of Defectuosos
14 12 10 Sam ple Count 8 6 4 2 0 1 7 14 21 28 35 42 Sam ple 49 56 63 70 __ NP=5.39
1

UCL=12.16

Pgina 141 de 308


LCL=0

Sam

6 4 2 0 1 7 14 21 28 35 42 Sam ple 49 56 63 70

__ NP=5.39

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

LCL=0

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

Stat > Control Charts > Attributes chart > NP


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

NP Chart of Defectuosos
12 10 8 6 4 2 0 1 7 14 21 28 35 42 Sam ple 49 56 63 70 LCL=0 __ NP=5.28 UCL=11.98

Carta de control C para defectos por unidad de inspeccin constante Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe el nmero de visitas recibidas en una pgina Web durante octubre y noviembre 2002 indicando tambin la fecha y da de la semana Carta de control C usando el archivo VISITAS_WEB.MTW

Stat > Control Charts > Attributes chart > C


Variables Visitas OK

Sam ple Count

C Chart of Visitas
160
1

140 120 Sam ple Count 100 80 60 40


1 1

UCL=87.3 _ C=63.4

1 1

Pgina 142 de 308LCL=39.5


11 11

20 1

12

18

24

30 36 Sam ple

42

48

54

60

Sa

80 60 40
1

C=63.415 CURSO TALLER DE MINITAB LCL=39.5


11 1 11

P. Reyes / Agosto 2007

20 1

12

18

24

30 36 Sam ple

42

48

54

60

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

Stat > Control Charts > Attributes chart > C


Variables Visitas Data Options C Chart OptionsData Options

Omitir los puntos 10 y 11 en el reclculo de lmites

C Chart of Visitas
120 110 100 Sam ple Count UCL=94.20 90 80 70 60 50 40 1 6 12 18 24 30 36 Sample 42 48 54 60 LCL=44.28 _ C=69.24
1

Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002") Pgina 143 de 308

CURSO TALLER DE MINITAB 15 18 rows excluded Minitab 15 Leave gaps for excluded points: Seleccionar para dejar un espacio en la grfica para los puntos excluidos

P. Reyes / Agosto 2007

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

Stat > Control Charts > Attributes chart > U


Variables Numero Manchas Subgroup size Superficie OK
U Chart of Num ero manchas
20 Sam ple Count Per U nit

UCL=19.44

15 _ U=9.87

Los lmites de control son variables debido a que el tamao de muestra es variable

10

0 3 6 9 12 15 18 Sam ple 21 24 27 30

LCL=0.30

Tests performed with unequal sample sizes

El proceso est en control estadstico

6.6 Estudios de capacidad por atributos


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

Stat > Quality tools > Capability Analysis > Binomial Defectives Descontentos
Sample size seleccionar Constant size 50 Target 0 OK Test Results for P Chart of Descontentos TEST 1. One point more than 3.00 standard deviations from center line. Test Failed at points: 3 puntos fuera de control
Binomial Process Capability Analysis of Descontentos
0.6 Proportion 0.4 0.2 0.0 3 6 9
1 1

6, 13, 28

Expected Defectives

P Chart 30 20 10 0 0

Binomial Plot

UCL=0.3983 _ P=0.222 LCL=0.0457

Puntos fuera de control


15 30 Observed Defectives Dist of % Defective

12 15 18 21 24 27 30 Sample

Cumulative % Defective Summary Stats 30.0 fective 27.5 25.0 % Defective: Lower CI : Upper CI :

Pgina 144 de 308 Tar


16 12

(using 95.0% confidence) 22.20 20.12 24.39

Pr

0.0 3 6 9

LCL=0.0457

12 15 18 21 24 27 30 Sample

0 CURSO TALLER DE MINITAB 15 0 15 30 Observed Defectives Dist of % Defective

Expect

0.2

P=0.222

10

P. Reyes / Agosto 2007

Cumulative % Defective Summary Stats 30.0 % Defective 27.5 25.0 22.5 20.0 5 10 15 20 Sample 25 30 (using 95.0% confidence) % Defective: Lower CI : Upper CI : Target: PPM Def: Lower CI : Upper CI : Process Z: Lower CI : Upper CI : 22.20 20.12 24.39 0.00 222000 201196 243898 0.7655 0.6938 0.8374 16 12 8 4 0 Tar

0 10 20 30 40 50 60 70

Meta 0 defectuosos La grfica acumulativa debe acabar estabilizandose cerca del valor medio para indicar que el tamao de muestra es representativo La Z del proceso es 0.75 que es muy baja, debe mejorarse Intervalos de confianza y ppm de defectuosos

Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia se identifican las agencias 112 y 212 como las que ms influyen en las quejas. Colocando asteriscos en los datos de estas agencias se tiene: Asi el porcentaje de clientes insatisfechos por agencia se encuentra entre el 18 al 22% para un nivel de confianza del 95%. Es importante identificar las causas asignables que distinguen a las agencias.
Binom ial Process Capability An alysis of Descontentos
P Chart UC L=0.3602 P r o p o r t io n 0.3 0.2 0.1 0.0 3 6 9 12 15 18 Sample 21 24
1

Binomial Plot E x p e c t e dD e f e c t i v e s 15 10 5 0

_ P =0.1929

LC L =0.0255 30

27

10 Obser ved Defectives Dist of % Defective

20

Cumulative % Defective 24.0 % D e f e c t i v e 22.5 21.0 19.5 18.0 5 10 15 20 Sample 25 30 Summary S tats (using 95.0% confidence) % Defectiv e: Low er C I : Upper C I : Target: P P M Def: Low er C I : Upper C I : P rocess Z: Low er C I : Upper C I : 19.29 17.25 21.45 0.00 192857 172495 214517 0.8674 0.7908 0.9444 Tar 10.0 7.5 5.0 2.5 0.0

10 15 20 25 30 35

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

Stat > Quality tools > Capability Analysis > poisson Defects Nmero de defectos
Constant size 1 Target 0 OK El proceso es estable en torno a 3 defectos por unidad.
Poisson Capability Analysis of Num. defectos
Sample Count Per Unit U Chart 7.5 5.0 2.5 0.0 Expected Defects UCL=8.474 6 Poisson Plot

_ U=3.15

Pgina 145 de 308 4


2 0

LCL=0

Poisson Capability Analysis of Num. defectos


Sample Count Per Unit U Chart 7.5 5.0 2.5 0.0 4 8 12 16 20 24 Sample 28 32 36 40

CURSO TALLER DE MINITAB 15 Poisson Plot


Expected Defects UCL=8.474 6 4 2 0 0.0 2.5 5.0 Observed Defects Dist of DPU Summary Stats (using 95.0% confidence) Mean Def: Lower CI : Upper CI : Mean DPU: Lower CI : Upper CI : Min DPU: Max DPU: Targ DPU: 3.1500 2.6240 3.7505 3.1500 2.6240 3.7505 0.0000 6.0000 0.0000 16 12 8 4 0 Tar

P. Reyes / Agosto 2007

_ U=3.15

LCL=0

Cumulative DPU 4

3 DPU 2 1 10 20 Sample 30 40

El nmero de muestras es suficiente

Los valores siguen una distribucin de Poisson

6.7 Cartas de control especiales (EWMA y CuSum)


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

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

Stat > Control Charts > Variables Charts for Subgroups > Xbar
En Subgroup sizes, poner 5. OK
Xbar-R Chart of AtoBDist
5.0 2.5 0.0 -2.5 LC L=-3.82 -5.0 UCL=4.70

No se observa que el

Sample Mean

Pgina 146 de _ 308 _


X=0.44

Xbar-R Chart of AtoBDist CURSO


5.0 2.5 0.0 -2.5

TALLER DE MINITAB 15
UCL=4.70 _ _ X=0.44

P. Reyes / Agosto 2007

Sample Mean

proceso tenga corrimiento o est fuera de control

LC L=-3.82 -5.0 2 4 6 8 10 12 14 Sample 16 18 20 22 24

16 Sample Range 12 8 4 0 2 4 6 8 10 12 14 Sample 16 18 20 22 24

UCL=15.61

_ R=7.38

LC L=0

Carta de Sumas acumuladas con Lmites Superior e inferior

Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0 OK
CUSUM Chart of AtoBDist
10.0 7.5 Cum ulative Sum 5.0 2.5 0.0 -2.5 -5.0 2 4 6 8 10 12 14 Sample 16 18 20 22 24 0 UCL=5.68

Los puntos 4-10 estan fuera de lmite superior de control, el proceso est fuera de control Se tienen corridas por arriba del lmite superior de control, no visibles en la carta X-R anterior

LCL=-5.68

Test Results for CUSUM Chart of AtoBDist TEST. One point beyond control limits. Test Failed at points: 4, 5, 6, 7, 8, 9, 10 Carta de Sumas acumuladas con Mascara en V La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m. Si el proceso permanece centrado, la carta tender hacia el valor de la media 0 Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta. Su sensibilidad est determinada por los parmetros k y h. Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen se coloca en el ltimo punto de suma acumulada determinado y observando que ninguno de los puntos anteriores se salga, de otra forma tomar accin

Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0 en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8 OK
Vmask Chart of AtoBDist
25

Vmask Chart of AtoBDist


25
Cum ulative Sum 20

20 ve Sum

Pgina 147 de 308 15


10

15

25

Vmask Chart of AtoBDist CURSO


25
Cum ulative Sum

TALLER DE MINITAB 15

20

P. Reyes / Agosto 2007

20 Cum ulative Sum

15

15

10

10
0 Target=0 2 4 6 8 10 12 14 Sam ple 16 18 20 22 24

0 2 4 6 8 10 12 14 Sam ple 16 18 20 22 24

Target=0

Vmask Chart of AtoBDist


40

Indica situacin fuera de control en el punto de medicin actual

30 Cum ulative Sum

20

10

Target=0

-10 2 4 6 8 10 12 14 Sample 16 18 20 22 24

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

Stat > Control Charts > Time Weighted Charts > EWMA Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5. Weight of EWMA 0.2 OK Puntos fuera de control
EWMA Chart of AtoBDist
2.0 1.5 1.0 EWMA 0.5 0.0 -0.5 -1.0 2 4 6 8 10 12 14 Sam ple 16 18 20 22 24 LCL=-0.978 _ _ X=0.442 UCL=1.861

Pgina 148 de 308

-0.5 -1.0 2 4 6 8 10

CURSO TALLER DE MINITAB 15 LCL=-0.978


12 14 Sam ple 16 18 20 22 24

P. Reyes / Agosto 2007

Test Results for EWMA Chart of AtoBDist TEST. One point beyond control limits. Test Failed at points: Carta de promedios mviles Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA Stat > Control Charts > Time Weighted Charts Moving average Seleccionar All observations for a chart are in > one column , seleccionar AtoBDist En Subgroup sizes, poner 5. Lenght of MA 3 OK
Moving Average Chart of AtoBDist
5 4 3 Moving Average 2 1 0 -1 -2 -3 -4 2 4 6 8 10 12 14 Sam ple 16 18 20 22 24 LCL=-2.017 _ _ X=0.442 UCL=2.900

5, 6

TEST. One point beyond control limits. Test Failed at points: Minitab 15 5, 6 Fuera de control el punto 6

Cartas de control multivariadas


Se utilizan para el control simultaneo de varias caractersticas de un producto, una condicin es que haya una dependencia o correlacin entre estas variables:

Carta T2

Es una versin multivariada de la carta de Individuales y la carta de medias Xbarra En un hospital se encuestan a cinco clientes diarios sobre su satisfaccion y estancia en el hospital. Dado que ambas estn correlacionadas, se usa una carta de control multivariada. La satisfaccin se mide del 1 al 7 y la estancia en das. 1 2 3 4 File > Open worksheet HOSPITAL.MTW. Stat > Control Charts > Multivariate Charts > Tsquared. En Variables, seleccionar Stay Satisfaction. En Subgroup sizes, poner Departure, then click OK. Departure 1/01/01 1/01/01 1/01/01 Stay 1 2 4 Satisfaction Test Results for Tsquared Chart of Stay, Satisfaction 5 6.5 5.2 Pgina 149 de 308 Greater Than UCL Point 18 Variable Stay Satisfaction P-Value 0.0010 0.0002

CURSO TALLER DE MINITAB 15 1/01/01 1/01/01 1/02/01 Etc. 6 4 2 7 5 7 19

P. Reyes / Agosto 2007 Satisfaction 0.0000

Tsquared Chart of Stay, Satisfaction


20

15 Tsquared UCL=13.61 10

5 Median=1.36 0 1 4 7 10 13 16 19 Sam ple 22 25 28 31

Se observa que el da 18 ambas variables salieron de control, pero el da 19 solo se afect la satisfaccin, por lo que se debe investigar la causa.

Carta T2 y varianza generalizada


Esta carta es la carta multivariada equivalente de la I-MR, X-R, y X-S al monitorear al mismo tiempo las medias y las varianzas de varias variables del proceso correlacionadas. Para el caso del hospital: 1 2 3 4 File > Open worksheet HOSPITAL.MTW. Stat > Control Charts > Multivariate Charts > Tsquared-Generalized Variance. En Variables, seleccionar Stay Satisfaction. En Subgroup sizes, poner Departure, then click OK.

Test Results for Tsquared Chart of Stay, Satisfaction Point Greater Than UCL 18 19 Variable Stay Satisfaction Satisfaction P-Value 0.0010 0.0002 0.0000

Tsquared-Generalized Variance Chart of Stay, Satisfaction


20 Tsquared 15 10 5 0 1 4 7 10 13 16 Sample 19 22 25 28 31 Median=1.36

UCL=13.61

20 Generalized Variance 15 10 5 0 1 4 7 10 13 16 Sample 19 22 25 28 31

UCL=19.71

Pgina 150 de 308

| S| =4.22 LCL=0

20 Generalized Variance 15 10 5 0 1 4 7 10 13 16 Sample 19 22 25 28 31

UCL=19.71

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

| S| =4.22 LCL=0

Se muestran situaciones anormales los das 18 y 19 en los valores medios de satisfaccin y estancia; la variabilidad conjunta de estancia y satisfaccin se mantiene en control durante los 30 das del mes Carta de varianza generalizada - sirve para monitorear la varianza conjunta de varias variables Se miden el pulso, presin sanguinea y peso de 5 pacientes cada semana durante tres meses. Se trata de investigar si se mantiene en control la variabilidad conjunta de las tres variables: 1 2 3 4 5 6 File > Open worksheet HEARTHDRUG.MTW. Stat > Control Charts > Multivariate Charts > Generalized Variance. En Variables, seleccionar HeartRate Systolic Diastolic Weight. En Subgroup sizes, poner Week, Click Labels. En Title, teclear Generalized Variance Chart for Effects of Heart Drug . Click OK en cada cuadro de dalogo.

Generalized Variance Chart of HeartRate, ..., Weight


20000000 UCL=20920973

G eneralized Variance

15000000

10000000

5000000 | S| =1711331 0 1 2 3 4 5 6 7 Sam ple 8 9 10 11 12 LCL=0

No hay puntos fuera de control, indicando que la variabilidad conjunta de los signos de las cinco personas est en control Carta MEWMA para monitoreo simultaneo de varias variables correlacionadas Por ejemplo en un secador por aspersin, para controlar el tamao de partcula, se puede monitorear la temperatura de alimnetacin y la temperatura en la cmara. Por ejemplo un fabricante de juguetes quiere monitorear el peso en gramos y la longitud en cms. de un juguete. Se colectan 4 muestras cada da por 20 das. Como estas variables estan correlacionadas, se quiere detectar pequeos corrimientos en estas variables. 1 2 File > Open worksheet TOYS.MTW. Seleccionar Stat > Control Charts > Multivariate Charts > Multivariate EWMA. Pgina 151 de 308

CURSO TALLER DE MINITAB 15 3 4 En Variables, seleccionar Weight Length. En Subgroup sizes, seleccionar Day. Click OK.
Multivariate EWMA Chart of Weight, Length
9 8 7 6 M EWMA 5 4 3 2 1 0 1 3 5 7 9 11 Sam ple 13 15 17 19 UCL=8.634

P. Reyes / Agosto 2007

El proceso se muestra en control.

6.8 Muestreo por atributos


Para la teora ver el documento Muestreo de Aceptacin.Doc anexo Clculo de la probabilidad de aceptacin -Curva caracterstica de operacin (OC) La probabilidad deaceptar lotes con una cierta fraccin defectiva p en base a un tamao de muestra n utilizando la distribucin Binomial es: Excel =distr.binom(x, n, p, 1) con x=Defectuosos aceptados, n -muestra, p -fraccin defectiva Minitab Calc > Probability distributions > Binomial seleccionar Cumulative Probability Poner en Trials n Prob. Success p En Input constant x (para cada una de las p's)

p 0.005 0.010 0.020 0.030 0.040 0.050 0.060 0.070 0.080 0.090 0.100

Pa =
0.98969 0.93969 0.73658 0.49848 0.30416 0.17208 0.09187 0.04682 0.02296 0.01089 0.00501 Pa

Curva OC con n = 89, c = 2

Pgina 152 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

0.110 0.120

0.00225 0.00098 Fraccin def. en lote - p

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

p 0.005 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 AOQ

Pa 0.98969 0.93969 0.73658 0.49848 0.30416 0.17208 0.09187 0.04682 0.02296

AOQ = Pa . P

0.00495 0.00940 0.01473 0.01495 0.01217 0.00860 0.00551 0.00328 0.00184

AOQL=1.55%

0.03

p p

Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de n = 89, aceptando hasta con c = x = 2 defectivos aceptables Lo anterior est plasmado en tablas de muestreo de aceptacin por Pgina 153 de 308

CURSO TALLER DE MINITAB 15 atributos indicadas en el artculo de Muestreo de Aceptacin.Doc Minitab 15

P. Reyes / Agosto 2007

Muestreo simple por atributos Permite crear un plan de aceptacin por atributos o comparar varios planes de muestreo especificados

a) Crear un plan de muestreo para determinar el tamao de muestra y hacer una decisin sobre si aceptar o rechazar el lote, con base en el nmero de defectivos o nmero de defectos encontrados en la muestra. b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o el nmero de aceptacin.
Por ejemplo: un proveedor enva un lote de 5000 productos con varios defectivos. Se implementa un plan de muestreo de modo que se acepte o rechace el lote completo. Se acuerda un AQL del 1.5% y RQL de 10%. Caso a) 1 Stat > Quality Tools > Acceptance Sampling by Attributes . 2 Create a sampling plan. 3 En Measurement type, seleccionar Go / no go (defective). 4 En Units for quality levels, seleccionar Percent defective. 5 En Acceptable quality level (AQL), poner 1.5. En Rejectable quality level (RQL or LTPD), poner 10. 6 EIn Producer's risk (Alpha), poner 0.05. En Consumer's risk (Beta), poner 0.10. 7 En Lot size, poner 5000. 8 Click OK. Acceptance Sampling by Attributes Measurement type: Go/no go Lot quality in percent defective Lot size: 5000 Use binomial distribution to calculate probability of acceptance Acceptable Quality Level (AQL) 1.5 Producer's Risk (Alpha) 0.05 Rejectable Quality Level (RQL or LTPD) 10 Consumer's Risk (Beta) 0.1 Generated Plan(s) Plan de muestreo Sample Size 52 Acceptance Number 2 Accept lot if defective items in 52 sampled <= 2; Otherwise reject. Percent Probability Probability Defective Accepting Rejecting AOQ ATI 1.5 0.957 0.043 1.420 266.2 10.0 0.097 0.903 0.956 4521.9 Average outgoing quality limit (AOQL) = 2.603 at 4.300 percent defective.
Average Outgoing Quality (AOQ) Curve AOQ (Percent Defective)

Operating Characteristic (OC) Curve

1.0

2.4 1.8 1.2 0.6 0.0 0 5 10 15 20


I ncoming Lot Percent Defective

0.8
Probability of Acceptance

0.6

0.4
Average Total Inspection

Average Total I nspection (ATI ) Curve

5000

0.2

3000

0.0 0 5 10 15 20
Lot Percent Defective

1000 10 15 20

0 5 Pgina 154 de 308

Lot Percent Defective

Sam ple Size = 52, Acceptance Num ber = 2

0.0 0 5 10 15

CURSO TALLER DE MINITAB 15 1000


20
Lot Percent Defective

Average Tot

P. Reyes / Agosto 2007


15 20

10

Lot Percent Defective

Sam ple Size = 52, Acceptance Num ber = 2

Caso b

Asumiendo que ya se implement un plan con n = 52 c = 2, AQL = 1.5%, LTPD = 10%. Comparar este plan con uno en n = 52, c = 0. 1 Stat > Quality Tools > Acceptance Sampling by Attributes . 2 Compare user defined sampling plans 3 En Measurement type, seleccionar Go / no go (defective). 4 En Units for quality levels, seleccionar Percent defective. 5 En Acceptable quality level (AQL), poner 1.5. En Rejectable quality level (RQL or LTPD), poner 10. 6 EI Sampe sizes, poner 52. En Cacceptance numbers, poner 0 2. 7 En Lot size, poner 5000. 8 Click OK. Los resultados son los siguientes: Acceptance Sampling by Attributes Measurement type: Go/no go Lot quality in percent defective Lot size: 5000 Use binomial distribution to calculate probability of acceptance Acceptable Quality Level (AQL) 1.5 Rejectable Quality Level (RQL or LTPD) 10 Compare User Defined Plan(s) Sample Size(n) 52 52 52 52 Sample Size(n) 52 52 Acceptance Number(c) 0 0 2 2 Acceptance Number(c) 0 2 Percent Defective 1.5 10.0 1.5 10.0 At Percent Defective 1.887 4.300 Otherwise reject. Probability Accepting 0.456 0.004 0.957 0.097 Probability Rejecting 0.544 0.996 0.043 0.903

AOQ 0.676 0.041 1.420 0.956

ATI 2745.2 4979.3 266.2 4521.9

AOQL 0.693 2.603

Accept lot if defective items in n sampled <= c;


Operating Characteristic ( OC) Curve A verage Outgoing Quality ( A OQ) Curve AOQ (Percent Defective)

1.0

2.4 1.8 1.2 0.6 0.0 0 10


I ncoming Lot Percent Defective A verage Total I nspection (A T I ) Curve

n c 52 0 52 2 n c sample size acceptance number

0.8

Probability of Acceptance

0.6

20

0.4
Average Total I nspection

5000

0.2

3000

0.0 0 10
Lot Percent Defective

1000

20

10
Lot Percent Defective

20

Pgina 155 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para cero defectos solo hay una probabilidad de aceptar de 45.6% lotes con un AQL de 1.5% defectivo en vez de una probabilidad de acepacin del 95% cuando el criterio es aceptar hasta con dos defectos. Minitab 15 Muestreo simple por variables Permite crear un plan de aceptacin por variables o comparar varios planes de muestreo especificados

a) Crear un plan de muestreo para determinar el tamalo de muestra y hacer una decisin sobre si aceptar o rechazar el lote, con base en las mediciones. b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o distancia crtica
Caso a) Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm RQL de 300 ppm o defectos por milln. 1 Stat > Quality Tools > Acceptance Sampling by Variables 2 Create a sampling plan. 3 En Units for quality levels, seleccionar Defectives per million 4 En Acceptable quality level (AQL), enter 100. En Rejectable quality level (RQL or LTPD), poner 300 5 En Producer's risk (Alpha), poner 0.05. En Consumer's risk (Beta), poner 0.10. 6 En Lower spec, poner 0.09 7 En Historical standard deviation, poner 0.025. 8 En Lot size, poner 5000. 9 Click OK. El plan generado es el siguiente: Acceptance Sampling by Variables - Create/Compare Lot quality in defectives per million Lower Specification Limit (LSL) 0.09 Historical Standard Deviation 0.025 Lot Size 2500 Acceptable Quality Level (AQL) 100 Producer's Risk (Alpha) 0.05 Rejectable Quality Level (RQL or LTPD) 300 Consumer's Risk (Beta) 0.1 Generated Plan(s) Sample Size Critical Distance (k Value) Plan de muestreo generado 104 3.55750

Z.LSL = (mean - lower spec)/historical standard deviation Accept lot if Z.LSL >= k; otherwise reject. Defectives Probability Probability Per Million Accepting Rejecting 100 0.950 0.050 300 0.100 0.900

AOQ 91.1 28.6

ATI 223.2 2261.4

Average outgoing quality limit (AOQL) = 104.6 at 140.0 defectives per million.

AOQ (Defectives Per Million)

Operating Characteristic (OC) Curve

Average Outgoing Quality (AOQ) Curve

1.0

100 75 50 25

0.8
ity of Acceptance

Pgina 156 de 308


0 0 150 300 450 600
I ncoming Lot Defectives Per Million Average Total I nspection (ATI ) Curve

0.6

1.0
AOQ (Defectives Per

CURSO TALLER DE MINITAB 15 50


0.8
Probability of Acceptance

75

P. Reyes / Agosto 2007

25 0 0 150 300 450 600


I ncoming Lot Defectives Per Million

0.6

0.4
Average Total Inspection

Average Total I nspection (ATI ) Curve

2200 1700 1200 700 200 0 150 300 450 600


Lot Defectives Per Million

0.2

0.0 0 150 300 450 600

Lot Defectives Per Million

Sam ple Size = 104, Critical Distance = 3.55750

Caso b)

Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm RQL de 300 ppm defectos por milln. Se quieren comparar los planes de muestreo con 50 75 100 104 1 Stat > Quality Tools > Acceptance Sampling by Variables > Create / Compare 2 Compare user defined sampling plans 3 En Units for quality levels, seleccionar Defectives per million 4 En Acceptable quality level (AQL), enter 100. En Rejectable quality level (RQL or LTPD), poner 300 5 En Sample sizes, poner 50 75 100 104. En Critical distance (k values), poner 3.55750. 6 En Lower spec, poner 0.09 7 En Historical standard deviation, poner 0.025. 8 En Lot size, poner 5000. 9 Click OK. Los resultados son los siguientes: Acceptance Sampling by Variables - Create/Compare Lot quality in defectives per million Lower Specification Limit (LSL) Historical Standard Deviation Lot Size Acceptable Quality Level (AQL) Rejectable Quality Level (RQL or LTPD) Compare User Defined Plan(s) Sample Size(n) 50 50 75 75 100 100 104 104 Sample Size Critical Distance(k) 3.5547 3.5547 3.5547 3.5547 3.5547 3.5547 3.5547 3.5547 Critical Distance(k) Defectives Per Million 100 300 100 300 100 300 100 300 At Defectives Per Million Pgina 157 de 308 Probability Accepting 0.877 0.192 0.923 0.143 0.950 0.109 0.953 0.105 Probability Rejecting 0.123 0.808 0.077 0.857 0.050 0.891 0.047 0.895

0.09 0.025 2500 100 300

AOQ 86.0 56.5 89.5 41.7 91.2 31.4 91.3 30.1

ATI 350.5 2029.5 262.6 2152.7 220.4 2237.9 216.4 2249.1

AOQL

CURSO TALLER DE MINITAB 15 50 75 100 104 3.5547 3.5547 3.5547 3.5547 97.9 102.1 105.3 105.8 149.9 143.4 141.6 141.5

P. Reyes / Agosto 2007

Z.LSL = (mean - lower spec)/historical standard deviation Accept lot if Z.LSL >= k; otherwise reject.
Operating Characteristic ( OC) Curve AOQ (Defectives Per Million) A verage Outgoing Quality ( A OQ) Curve

1.0

100 75 50 25 0 0 200 400 600


I ncoming Lot Defectives Per Million A verage T otal I nspection ( A T I ) Curve

n 50 75 100 104 n k

k 3.5547 3.5547 3.5547 3.5547

0.8

sample size critical distance

Probability of Acceptance

0.6

0.4
Average Total I nspection

2200 1700 1200 700 200 0 200 400 600

0.2

0.0 0 200 400 600

Lot Defectives Per Million

Lot Defectives Per Million

Se decide que un tamao de muestra de 50 no protege lo suficiente, ya que se tiene un 18.7% de probabilidad de aceptar un lote con un RQL de 300 ppm, lo cual es demasiado alto. Tambin se tiene un riesgo del 12.7% de rechazar un lote con 100 ppm, lo cual no es adecuado para el productor. Por lo que se selecciona un tamao de muestra de 75 o ms dependiendo de la experiencia que se vaya teniendo.

6.9 Aplicaciones
Realizar los ejercicios del Mdulo 5 incluidos en el archivo CursoTallerMinitabEjercicios

MDULO 7. DISEO DE EXPERIMENTOS


7.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el comportamiento de varias fuentes de variacin. Para la teora se anexa un archivo Cartas Multivari.doc. Carta Multivari con tres fuentes de variacin Ejemplo: Una empresa produce ejes para rotores elctricos con dimetros de 0.250 0.001 mm, sin embargo el Cp es de 0.8 lo que significa que el proceso tiene una variabilidad excesiva. La variabilidad considerada al tomar los datos se estima que proviene de las siguientes fuentes: Pgina 158 de 308

CURSO TALLER DE MINITAB 15 ** Diferencia de dimetros en los extremos del eje izquierdo y derecho. ** Diferencia de dimetro mximo y mnimo en una misma posicin que implica falta de redondez ** Variacin de una pieza a otra producidas en forma consecutiva ** Variacin a lo largo del tiempo (largo plazo) Las cartas Multivari nos permiten visualizar estas fuentes de variacin: Los datos del archivo ROTOR.MTW anexos indican lo siguiente: Hora: Hora de toma de muestra Eje : Nmero de eje Posicin: indica si se trata de dimetro mnimo o mximo medido Diametro: Valor del dimetro

P. Reyes / Agosto 2007

Stat > Quality tools > Multi Vari Chart


Response Diametro Factor 1 Posicin Factor 2 Eje Factor 3 Hora OK
Multi-Vari Chart for Diam etro by Posicion - Hora
1 08: 00 2.510 2 09:00 3 10:00 1 2 11:00 3 12:00 Posicion Max Der Max I zq Min Der Min I zq

2.505

D i a m e tr o

2.500

2.495

2.490

Eje Panel variable: Hora

Como se puede observar las variabilidades en orden de importancia son: *** Por el paso del tiempo ** Falta de redondez * Entre partes

Se pueden eliminar las lneas de conexin con Options y eliminando la marca en Connect Means for Factor 1

Multi-Vari Chart for Diam etro by Posicion - Hora


1 08:00 2.510 2 09:00 3 10:00 1 2 11:00 3 12:00 Posicion Max Der Max I zq Min Der Min I zq

2.505

D ia m e tro

2.500

2.495

2.490

Eje Panel variable: Hora

Pgina 159 de 308

2 3 2 3 CURSO TALLER DE1MINITAB 15

Eje

P. Reyes / Agosto 2007

Panel variable: Hora

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

Calc > Make Patterned Data > Text Values


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

Calc > Make Patterned Data > Text Values


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

Stat > Quality tools > Multi Vari Chart


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

Multi-Vari Chart for Diametro by Eje - Inclinacion


Max Der, 08:00 Min Der, 10:00 Max Min Der, 12:00 2.510 2.505 2.500 2.495 Der, 09:00 Der, 11:00

Eje 1 2 3

Diam etro

2.490 I zq, 08:00 2.510 2.505 2.500 2.495 2.490 Max Min Max Min Max Min Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00

Redondez Panel variables: Inclinacion, Hora

Pgina 160 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

7.2 Diseo de experimentos factoriales completos de ms de dos niveles


Ver el archivo Diseo de experimentos.doc para la teora. Se estudia el rendimiento de un proceso qumico (Y), donde se piensa que los factores que mayor influencia tienen son la temperatura y la presin (X1, X2). Se disea un experimento factorial completo con dos rplicas y tomando tres niveles en cada factor como se muestra en la tabla de rendimientos. Hacer los anlisis de la significancia de cada factor a un 5% de significancia. PRESION (psig) 215 90.7 90.6 90.5 90.6 90.8 90.9

TEMP. 150 160 170

200 90.4 90.2 90.1 90.3 90.5 90.7

230 90.2 90.4 89.9 90.1 90.4 90.1

PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO Stat > DOE > Factorial > Create Factorial Design Type of Design: General Full Factorial Design Number of factors 2 Designs: Factor A Name = Temp Levels = 3 Factor B Name = Presion Levels = 3 Number of Replicates 2 Options Seleccionar randomize runs OK Factors Introducir los niveles para TEMP. 200 215 230 RESIN 150 160 170 OK

NOTA: Si se introducen los nombres y valores reales de los factores en lugar de 1, 2 y 3 aparecen en la tabla los niveles reales. PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL DISEO O ARREGLO 1. Ver diseo con Stat > DOE > Display Design 2. Seleccionar Standard order for design Uncoded Units 3. OK NOTA: Coded units muestra 1, 2 y 3 RunOrder PtType Blocks Temp Presion 10 1 1 200 12 1 1 200 3 1 1 200 9 1 1 215 6 1 1 215 15 1 1 215 8 1 1 230 Pgina 161 de 308

Copiar columna de datos

StdOrder 1 2 3 4 5 6 7

150 160 170 150 160 170 150

Rendimiento 90.4 90.1 90.5 90.7 90.5 90.8 90.2

CURSO TALLER DE MINITAB 15 8 9 10 11 12 13 14 15 16 17 18 13 2 14 1 7 4 11 18 16 5 17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 230 230 200 200 200 215 215 215 230 230 230 160 170 150 160 170 150 160 170 150 160 170

P. Reyes / Agosto 2007 89.9 90.4 90.2 90.3 90.7 90.6 90.6 90.9 90.4 90.1 90.1

PASO 3. ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS FACTORIAL COMPLETO Stat > DOE > Factorial > Analyze Factorial Design Response Seleccionar la columna de Rendimiento Terms Pasar todos los trminos a Selected con >> OK Graphs Results OK Residuals for Plots Estandardized Seleccionar Residual plots: Normal y vs fits OK ANOVA table, Covariate, Unusual observations Seleccionar todos los trminos con >> OK

CONCLUSIONES EN RESIDUALES
Residual Plots for Rendimiento
Normal Probability Plot
90 Percent Standardized Residual 99 2 1 0 -1 -2

Versus Fits

Grfica Normal de residuales deben aproximarse a la lnea recta

50 10 1 -2 -1 0 1 Standardized Residual 2

90.0

90.2

90.4 90.6 Fitted Value

90.8

Histogram
4.8 Frequency 3.6 2.4 1.2 0.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 Standardized Residual 1.5 Standardized Residual 2 1 0 -1 -2

Versus Order

6 8 10 12 14 Observation Order

16

18

Residuales vs Y estimada Clculo de residuales deben ser aleatorios Y(i,j) estimada= Promedio de valores en cada celda (i,j) Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada Multilevel Factorial Design Factors: 2 Replicates: 2 Base runs: 9 Total runs: 18 Base blocks: 1 Total blocks: 1 Number of levels: 3, 3 General Linear Model: Rendimiento versus Temp, Presion Factor Type Levels Values Temp fixed 3 200, 215, 230 Presion fixed 3 150, 160, 170 Pgina 162 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Analysis of Variance for Rendimiento, using Adjusted SS for Tests Significativos a nivel de 0.05 Source DF Seq SS Adj SS Adj MS F P Temp 2 0.76778 0.76778 0.38389 21.59 0.000 Presion 2 0.30111 0.30111 0.15056 8.47 0.009 Temp*Presion 4 0.06889 0.06889 0.01722 0.97 0.470 Error 9 0.16000 0.16000 0.01778 Total 17 1.29778 No significativo a nivel 0.05 S = 0.133333 R-Sq = 87.67% R-Sq(adj) = 76.71%

PASO 4. OBTENER LAS GRFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES CONDICIONES DE OPERACIN Las grficas factoriales se obtienen de los promedios del rendimiento en cada nivel de cada factor Least Squares Means for Rendimiento Temp 200 215 230 Presion 150 160 170 Temp*Presion 200 150 200 160 200 170 215 150 215 160 215 170 230 150 230 160 230 170 Mean 90.37 90.68 90.18 90.42 90.25 90.57 90.30 90.20 90.60 90.65 90.55 90.85 90.30 90.00 90.25 SE Mean 0.05443 0.05443 0.05443 0.05443 0.05443 0.05443 0.09428 0.09428 0.09428 0.09428 0.09428 0.09428 0.09428 0.09428 0.09428

Stat > DOE > Factorial > Factorial Plots Seleccionar Main effects e Interaction Plots Setup para ambas: En Response seleccionar Rendimiento y con >> seleccionar todos los factores OK Seleccionar Data Means OK

De aqu se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interaccin es significativa, los mejores niveles se seleccionan de las grficas de interacciones, de otra forma se seleccionan de las grficas de efectos de los factores principales.
Main Effects Plot for Rendimiento
Data Means 90.7 Temp Presion

90.6

Para maximizar el Pgina 163 de 308

Mean

90.5

90.4

90.7

90.6

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007 rendimiento se selecciona: Presin = 170 psig Temperatura = 215C

Mean

90.5

90.4

90.3

90.2 200 215 230 150 160 170

Interaction Plot for Rendimiento


Data Means 90.9 90.8 90.7 90.6 Mean 90.5 90.4 90.3 90.2 90.1 90.0 150
Temp 200 215 230

Esta grfica no es utilizada debido a que la interaccin no fue significativa

Temp. Presion

160

170

Minitab 15

PASO 5. DISEO PTIMO Se usa para seleccionar puntos de diseo con base en algun criterio para obtener un diseo ptimo que es un subconjunto del diso factorial completo. Se usa el diseo ptimo para: - Seleccionar un conjunto de puntos de diseo "ptimo" - Aumentar (agregar puntos a) un diseo actual - Mejorar la Opimitalidad - D de un diseo actual - Evaluar y comparar diseos Para obtener el mejor diseo aumentando o disminuyendo los puntos originales en el diseo, que corresponden a las corridas experimentales individuales. Se pueden usar dos criterios para obtener el diseo ptimo: Optimalidad - D y optimalidad basada en la distancia. La optimalidad D minimiza la varianza en los coeficientes de la regresin del modelo del diseo, proporcionando el mejor estimado de los efectos. Si se especifica el modelo, Minitab selecciona los puntos de diseo que satisfacen este criterio desde un conjunto de candidatos de puntos. La optimalidad con base en la distancia dispersa uniformemente los puntos de diseo sobre el espacio de diseo. Este mtodo se usa cuando no es posible o deseable seleccionar un modelo previo. Por ejemplo, un constructor de casas verdes, quiere usar el DOE para encontrar la combinacin pitma de temperatura, iluminacin, suelo, y agua que maximize el crecimiento de plantas colgantes. Para esto crea un diseo de superficie de respuesta con cuatro factores y dos bloques (casas juntas) genera un diseo con 30 puntos (30 combianciones de niveles). Sin embargo para ahorrar dinero decide reducir el diseo original a 20 puntos, usando la optimalidad - D como criterio. Los mtodos anteriores se pueden utilizar para identificar un diseo ptimo factorial, de superficie de respuesta, o de mezclas. Si se usan estos criterios para reducir o para aumentar un diseo depende de los recursos disponibles, tales como tiempo, equipo, personal y dinero. Pgina 164 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Por ejemplo, del caso anterior: Si por alguna razn no se pudieran hacer todos los experimentos y de los 18 solo se pueden hacer 12: 1. Stat > DOE > Select Optimal Design 2. Number of points in the optimal design 12 3. Select Optimal Design 4. OK StdOrder 1 1 2 2 3 4 4 5 6 7 8 9 RunOrder 3 3 10 10 14 7 7 12 13 8 16 11 PtType 1 1 1 1 1 1 1 1 1 1 1 1 Blocks 1 1 1 1 1 1 1 1 1 1 1 1 Temp 200 200 200 200 200 215 215 215 215 230 230 230 Presion 150 150 160 160 170 150 150 160 170 150 160 170 Rendimiento 90.4 90.2 90.1 90.3 90.5 90.7 90.6 90.5 90.8 90.2 89.9 90.4

Analysis of Variance for Rendimiento, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Temp 2 0.46000 0.40743 0.20372 13.58 0.031 Presion 2 0.21225 0.22074 0.11037 7.36 0.070 Temp*Presion 4 0.01941 0.01941 0.00485 0.32 0.848 Error 3 0.04500 0.04500 0.01500 Total 11 0.73667 S = 0.122474 R-Sq = 93.89% R-Sq(adj) = 77.60%

Main Effects Plot for Rendimiento


Data Means 90.7 90.6 90.5 Mean 90.4 90.3 90.2 90.1 200 215 230 150 160 170 Temp Presion

Se seleccionan niveles similares para los factores como en el diseo factorial completo

I nteraction Plot for Rendimiento


Data Means 90.8
Temp 200 215 230

Esta grfica no se utiliza

90.6

M ean

90.4

90.2

90.0

Pgina 165 de 308


150 160 Presion 170

Mea

90.4

90.2

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

90.0

150

160 Presion

170

Aumentar / Mejorar el diseo En forma adicional a las columnas otiginales del diseo, se puede agregar otra columna que indique cuantas veces se incluir un punto de diseo en el diseo inicial, y si un punto debe ser protegido u omitido del diseo final. Columna indicadora del diseo Hay dos formas de definir el diseo original: usar todos los renglones que se generan del diseo; o usar una columna para "proteger" los puntos de diseo durante el proceso de optimizacin. Minitab no descarta este punto de diseo en el diseo final. La columna de indicadores puede tener nmeros negativos y positivos. - La magnitud de los indicadores determina el nmero de rplicar del punto correspondiente al diseo original, que se incluiran en el diseo final - El signo del indicador indica si el punto se proteger durante el proceso de optimizacin o no. Un signo positivo indica que el punto puede ser excluido del diseo, un signo negativo indica que el punto no puede ser excluido del diseo. Columna de evaluacin De forma adicional se puede agregar una columna adicional para evaluacin del diseo, con dgitos positivos, indicando cuantas veces se incluye un punto de diseo en la evaluacin.

7.3 Diseo de experimentos factoriales completos de dos niveles (2K)


Ejemplo: En un proceso de fabricacin de Mofles se desea mejorar el proceso de soldadura en un componente de acero inoxidable. Para lo cual se realiza un diseo de 2 factores y 3 niveles. Factor A. Caudal de gas (l/min.) B. Intensidad de Corriente (A) C. Vel. de Cadena (m/min.) Nivel bajo 8 230 0.6 Nivel Alto 12 240 1

Como respuesta se toma la calidad del componente en una escala de 0 a 30 entre mayor sea mejor calidad Paso 1. Generar diseo

Stat > DOE > Factorial > Create Factorial Design


Seleccionar 2-Level factorial (default generators); Number of factors 3 Designs: Seleccionar Full Factorial Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1 Options: Quitar bandera de Random

OK
Puede colocar la matriz del diseo en orden aleatorio o estndar con Stat > DOE > Display Design: Estndar order for design Para cambiar de unidades sin codificar a unidades codificadas: Stat > DOE > Display Design: Coded o Uncoded Units

Pgina 166 de 308

CURSO TALLER DE MINITAB 15 Paso 2. Introducir los datos en el diseo: StdOrder 1 2 3 4 5 6 7 8 Caudal 8 12 8 12 8 12 8 12 Intensidad 230 230 240 240 230 230 240 240 Velocidad 0.6 0.6 0.6 0.6 1 1 1 1 Y 10 26.5 15 17.5 11.5 26 17.5 20

P. Reyes / Agosto 2007

Paso 3. Analizar el diseo

Stat > DOE > Factorial > Analyze Factorial Design


Response Y Graphs: Seleccionar Normal Pareto Alpha = 0.05 Residual for Plots Standardized Seleccionar Normal Plot y Residuals vs Fits Results Seleccionar todos los trminos con >>

OK OK
Los resultados se muestran a continuacin. Como es una sola rplica no hay residuos

La ecuacin del modelo se puede formar a partir de los siguientes coeficientes: Estimated Coefficients for Y using data in uncoded units Term Constant Caudal Corriente Velocidad Caudal*Corriente Caudal*Velocidad Corriente*Velocidad Caudal*Corriente*Velocidad Coef -893.750 102.625 3.75000 186.250 -0.425000 -30.0000 -0.750000 0.125000

Pareto Chart of the Effects


(response is Y, Alpha = .05) 5.646 A AB C Term B BC ABC AC 0 1 2 3 4 5 Effect 6 7 8 9
Factor A B C Name Caudal Corriente Velocidad

Y = -893.750 + 102.625 Caudal + - 0.425 Caudal*Corriente

Lenth's PSE = 1.5

Las grficas donde se indica cuales factores son significativos son: Son significativos A y AB

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)
99 Effect Type Not Significant Significant A
Factor A B C Name Caudal Corriente Velocidad

95 90 80 70 60 50 40 30 20 10 5 AB

Percent

Pgina 167 de 308

80

Percent

70 60 50 40 30 20 10 5 1 AB

CURSO TALLER DE MINITAB 15

A B C

Caudal Corriente Velocidad

P. Reyes / Agosto 2007

-5.0

-2.5

0.0

2.5 Effect

5.0

7.5

10.0

Lenth's PSE = 1.5

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

Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1 EFFE1 9 -1 1.5 -6.5 -0.5 1 0.5 Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >> Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >> Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >> OK

Main Effects Plot (data means) for Y


Caudal 22 20 18 16 Corriente

El nico factor significativo es A

M ean of Y

14 8 Velocidad 22 20 18 16 14 0.6 1.0 12 230 240

Interaction Plot (data means) for Y


28 26 24 22 M ean 20 18 16 14 12
Caudal 8 12

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

Pgina 168 de 308

Mean

20 18 16 14 12 10 230

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

240 Corriente

Cube Plot (data means) for Y


17.5 20.0

15.0 240

17.5

El cubo proporciona los valores de las respuestas en las diferentes combinaciones de los factores

Corriente

11.5

26.0 1 Velocidad

Es el mejor resultado

10.0 230 8 Caudal

26.5 0.6 12

La experimentacin podra continuar en esta direccin Paso 5. Obtener las grficas de contornos y de superficie de respuesta

Stat > DOE > Contour and Surface Plots


Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >> Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >> Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >> OK
Surface Plot of Y vs I ntensidad, Caudal
Y < > Hold Values Velocidad 0.6 12 15 18 21 24 24
25 20 15 10 8 10 Caudal 12 230 240 235 I ntensidad

Contour Plot of Y vs Intensidad, Caudal


240.0 238.5 237.0 Intensidad 235.5 234.0 232.5 231.0 8 9 10 Caudal 11 12
12 15 18 21

Hold Values Velocidad 0.6


Y

Paso 6. Obtener una ampliacin de la respuesta en la zona de Y = 21 a 24 Stat > DOE > Factorial > Overlaid Contour Plot Seleccionar en Response Y Seleccionar en Settings Hold Extra factors in Low setting Seleccionar en Contours Low 21 High 26 OK
Overlaid Contour Plot of Y
240.0 238.5 237.0
Y Pgina 169 de 308 21 26

Probar con High y Middle settings

Hold Values Velocidad 0.6

CURSO TALLER DE MINITAB 15


Overlaid Contour Plot of Y
240.0 238.5 237.0 Intensidad 235.5 234.0 232.5 231.0 8 9 10 Caudal 11 12
Y 21 26 Hold Values Velocidad 0.6

P. Reyes / Agosto 2007

Paso 7. Obtener una respuesta optimizada Stat > DOE > Factorial > Response Optimizer Seleccionar en Response Y Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8 Seleccionar en Goal Maximize Lower 21 Target 26 OK Seleccionar y mover las lneas de cada factor hasta obtener el mximo rendimiento:

CORRIDA EN MINITAB TOMANDO DE UN DISEO DE EXPERIMENTOS 2K (6.5) Se usa un Router para hacer los barrenos de loc. de una placa de circuito impreso. La vibracin es fuente principal de variacin. La vibracin de la placa a ser cortada depende del tamao de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte (B1 = 40 RPMs y B2 = 90 RPMs). La variable de respuesta se mide en tres acelermetros A,Y,Z en cada uno de los circuitos impresos. Los resultados se muestran a continuacin. Notacin de Douglas Montgomery Combinacin A B Trat. (1) + a + b + + ab Niveles Codificados A -1 1 -1 1

B -1 -1 1 1

Niveles reales A 0.063 B 40 I 18.2 II 18.9

Respuesta Vibracin Rplica III 12.9

IV 14.4

Pgina 170 de 308

CURSO TALLER DE MINITAB 15 0.125 0.063 0.125 40 90 90 27.2 15.9 41.0 24.0 14.5 43.9 22.4 15.1 36.3

P. Reyes / Agosto 2007 22.5 14.2 39.9

PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Factorial > Create Factorial Design Type of Design: Two Level Factorial (default generators) Number of Factors 2

Designs

Full Factorial

Number of Center points 0 Number of replicates: Number of Blocks 4 1 OK

Factors Factor Name A Diametro B Velocidad

Type Numeric Numeric

Low 0.063 40

High 0.125 90 OK

PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL DISEO O ARREGLO Para ver los datos enorden estndar 1. Stat > DOE > Display Design 2. Seleccionar Standar order for design 3. OK StdOrder 1 2 3 4 5 6 7 8 9 10 11 12 13 14 RunOrder 11 9 12 13 16 2 10 1 5 15 8 7 4 3 CenterPt 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Uncoded units

Blocks 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Diametro 0.063 0.125 0.063 0.125 0.063 0.125 0.063 0.125 0.063 0.125 0.063 0.125 0.063 0.125

Velocidad 40 40 90 90 40 40 90 90 40 40 90 90 40 40

Resp 18.2 27.2 15.9 41.0 18.9 24.0 14.5 43.9 12.9 22.4 15.1 36.3 14.4 22.5

Pgina 171 de 308

CURSO TALLER DE MINITAB 15 15 16 6 14 1 1 1 1 0.063 0.125 90 90

P. Reyes / Agosto 2007 14.2 39.9

Anlisis de la variabilidad de cada combinacin de niveles de factores: 1 Con los datos de este ejemplo. 2 Stat > DOE > Factorial > Preprocess Responses for Analyze Variability . 3 En Standard deviation to use for analysis, seleccionar Compute for replicates in each response column 4 En Response, en el primer rengln, poner Rendimiento. 5 En Store Std Dev, en el primer rengln, poner DesvRend para nombrar la columna donde se guardar la desviacin est 6 En Store Counts, en el primer rengln, poner Num para registrar el nmero de rplicas. Click OK. Los resultados son los siguientes: Diametro 0.063 0.125 0.063 0.125 0.063 Velocidad 40 40 90 90 40 Resp 18.2 27.2 15.9 41.0 18.9 DesvRend 2.9086079144 2.23960562 0.75 3.1415229852 * Num 4 4 4 4 *

Ahora se analizan los factores que intervienen en la variabilidad del rendimiento: Paso 1. Anlisis de la variabilidad utilizando el mtodo de mnimos cuadrados 1 Stat > DOE > Factorial > Analyze Variability. 2 En Response (standard deviations), seleccionar DesvRend 3 Click Terms. 4 En Include terms from the model up through order, seleccionar A B de la lista. Click OK. 5 Click Graphs. En Effects Plots, Seleccionar Normal, Half Normal, y Pareto. Click OK en cada cuadro de dilogo. Los resultados se muestran a continuacin: Analysis of Variability: DesvRend versus Diametro, Velocidad Regression Estimated Effects and Coefficients for Ln of DesvRend (coded units) Ratio Ratio Term Effect Effect Coef SE Coef T P Constant 0.6828 0.4234 1.61 0.353 Diametro 0.5855 1.7959 0.2928 0.4234 0.69 0.615 Velocidad -0.5085 0.6014 -0.2542 0.4234 -0.60 0.656 R-Sq = 45.61% R-Sq(adj) = 0.00% Analysis of Variance for Ln of DesvRend Source Main Effects Residual Error Total DF 2 1 3 Seq SS 2.57323 3.06893 5.64216 Adj SS 2.57323 3.06893 Adj MS 1.2866 3.0689 F 0.42 P 0.738

Regression Estimated Coefficients for Ln of DesvRend (uncoded units) Term Coef Constant 0.456062 Pareto Chart of the Standardized Effects (Response is ln of DesvRend, Alpha = 0.05) Diametro 9.44367 Velocidad -0.0101695 Fitted Means for DesvRend
Diametro

12.71

Mean

SE Mean
Term

Pgina 172 de 308


Velocidad

CURSO TALLER DE MINITAB 15 Diametro 0.063 0.125 Velocidad 40 90 1.4770 2.6525 2.5523 1.5350 0.8845 1.5884 1.5284 0.9192
0 2 4 6 8 Standardized Effect Term

Diametro

P. Reyes / Agosto 2007

Velocidad

10

12

14

Alias Structure I Diametro Velocidad

Conclusin: Ningn factor es significativo en la variabilidad

En este punto, se debe reducir el modelo por el mtodo de mnimos cuadrados para determinar que trminos se retienen en el modelo. En este caso solo como ejemplo se toman los dos factores aunque ninguno fue significativo. Este es solo uno de los diversos modelos reducidos a utilizar. Una vez seleccionado el modelo reducido se corre con el mtodo ML para tener una mayor precisin. Paso 2. Anlisis de la variabilidad utilizando el mtodo de mxima verosimilitud MLE Estimated Effects and Coefficients for Ln of DesvRend (coded units) Ratio Effect 1.7959 0.6014

Term Constant Diametro Velocidad

Effect 0.5855 -0.5085

Coef 0.8440 0.2928 -0.2542

SE Coef 0.2041 0.2041 0.2041

Z 4.13 1.43 -1.25

P 0.000 0.152 0.213

Unusual Observations for Ln of DesvRend St Ln Obs 2 3 StdOrder 2 3 Ln DesvRend 0.80630 -0.28768 Ln Fit 1.39098 0.29700 SE Ln Fit 0.35355 0.35355 Ln Resid -0.58468 -0.58468 St Ln Resid -2.86 R -2.86 R

R denotes an observation with a large standardized residual. MLE Estimated Coefficients for Ln of DesvRend (uncoded units) Term Coef Constant 0.617305 Pareto Chart of the Standardized Effects Diametro 9.44367 (Response is ln of DesvRend, Alpha = 0.05) Velocidad -0.0101695 Fitted Means for DesvRend Mean Diametro 0.063 0.125 Velocidad 40 90 1.7354 3.1166 2.9989 1.8035 SE Mean 0.5010 0.8997 0.8657 0.5206
0.0 0.5 1.0 Standardized Effect 1.5 Term Diametro

1.960

Velocidad

2.0

Alias Structure I Diametro Velocidad

Los resultados indican que: - El dimetro tiene un efecto de 0.5. La tasa de efecto indica que la desviacin estndar Pgina 173 de 308

CURSO TALLER DE MINITAB 15 se incrementa a una tasa de 1.79 cuando el dimentro cambia de bajo a alto.

P. Reyes / Agosto 2007

- La velocidad tiene un efecto de -0.5. La tasa de efecto indica que la desviacin estndar se reduce a una tasa de 0.6014 cuando la velocidad cambia de baja a alta. La grfica de residuales se muestra a continuacin:
Residual Plots for Ln of DesvRend
Versus F its
Standardized Ln Residual 1 0 -1 -2 -3 1 2 3 Fitted Value 4 Frequency 2.0 1.5 1.0 0.5 0.0

Histogram

-3

-2 -1 0 Standardized Ln Residual

Versus Order
Standardized Ln Residual 1 0 -1 -2 -3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Observation Order

No se muestran efectos anormales.

PASO 3 ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design Response Seleccionar la columna de las respuestas Vibracin Terms Pasar todos los trminos a Selected terms con >> OK Seleccionar

Graphs Seleccionar Effects Plots Normal Half Normal y Pareto Alfa = 0.05 Seleccionar Residual for Plots Standardized Seleccionar Residual plots: Normal y vs fits o Four in oneOK Results Seleccionar Unusual observations in addition to the above Seleccionar en Display of alias table Default interactions Seleccionar todos los trminos a Selected terms con >> OK Prediction Seleccionar los niveles de los factores Diam y Vel. 0.100 y 50 OK

Los resultados se muestran a continuacin

Pgina 174 de 308

CURSO TALLER DE MINITAB 15 a) CONCLUSIONES EN RESIDUALES

P. Reyes / Agosto 2007

Los residuales vs Valores de Y estimados (fits) deben distribuirse de manera aleatoria por arriba y debajo de la linea central indicando que son independientes de la respuesta

Residuales vs Y estimada deben ser aleatorios y apegarse a la linea de regresin indicando que se distribuyen en forma normal y el modelo es vlido

Residual Plots for Resp


Normal Probability Plot
90 Percent 50 10 1 -2 -1 0 1 Standardized Residual 2 Standardized Residual 99 2 1 0 -1 -2 20 30 Fitted Value 40

Versus Fits

Histogram
Standardized Residual 4 Frequency 3 2 1 0 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 Standardized Residual 1.5 2 1 0 -1 -2
1 2 3 4 5

Versus Order

9 10 11 12 13 14 15 16

Observation Order

Los valores de los residuales se calculan comos sigue: Y(i,j) estimada con la ecauacin de regresin para cada combiancin de niveles i, j. Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada La tabla de residuales calculada se muestra a continuacin: Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 StdOrder 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Vibracin 18.2000 27.2000 15.9000 41.0000 18.9000 24.0000 14.5000 43.9000 12.9000 22.4000 15.1000 36.3000 14.4000 22.5000 Fit 16.1000 24.0250 14.9250 40.2750 16.1000 24.0250 14.9250 40.2750 16.1000 24.0250 14.9250 40.2750 16.1000 24.0250 SE Fit 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 1.2224 Residual 2.1000 3.1750 0.9750 0.7250 2.8000 -0.0250 -0.4250 3.6250 -3.2000 -1.6250 0.1750 -3.9750 -1.7000 -1.5250 St Resid 0.99 1.50 0.46 0.34 1.32 -0.01 -0.20 1.71 -1.51 -0.77 0.08 -1.88 -0.80 -0.72

Pgina 175 de 308

CURSO TALLER DE MINITAB 15 15 16 15 16 14.2000 39.9000 14.9250 40.2750 1.2224 1.2224 -0.7250 -0.3750 -0.34 -0.18

P. Reyes / Agosto 2007

CONCLUSIONES EN LA TABLA DE ANOVA Analysis of Variance for Vibracin (coded units) Source Main Effects 2-Way Interactions Residual Error Pure Error Total DF 2 1 12 12 15 Seq SS 1334.48 303.63 71.72 71.72 1709.83 Adj SS 1334.48 303.63 71.72 71.72 Adj MS 667.241 303.631 5.977 5.977 F 111.64 50.80 P 0.000 0.000

CONCLUSIONES EN LOS EFECTOS ESTIMADOS Y COEFICIENTES USANDO VALORES REALES DE LOS NIVELES Se obtienen los resultados siguientes: Estimated Coefficients for Vibracin using data in uncoded units Term Constant Diametro Velocidad Diametro*Velocidad Coef 23.0550 -96.2400 -0.372000 5.57600

La ecuacin de Regresin del modelo se forma considerando unicamente los factores e interacciones que tienen influencia en la respuesta o sea que son significativos en este caso todos fueron significativos y la ecuacin de regresin es la siguiente: Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad Esta ecuacin es vlida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8 y B entre 40 y 90, cualquier valor entre estos rangos. Las grficas de Efectos principales indican los factores significativos observando los que salen de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):
Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05) 1.0E+ 02 99.9999 99.99 Percent 99 95 80 50 20 5 1 0 4 8 Standardized Effect 12 16
B AB A Effect Type Not Significant Significant
Factor A B Name Diametro Velocidad

Half Normal Plot of the Standardized Effects


(response is Resp, Alpha = .05)
1.0E+02 Effect Type Not Significant Significant
F actor A B Name Diametro Velocidad

1.0E+02

Percent

99.98

98 95 85 80 50 20 0 B AB A

4 6 8 10 Absolute Standardized Effect

12

14

La grfica de Pareto de efectos principales muestra cuales son significativos observando los que exceden la lnea roja de nivel alfa (en este caso A, B y AB). Pgina 176 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Pareto Chart of the Standardized Effects


(response is Resp, Alpha = .05) 2.18
Factor A B Name Diametro V elocidad

Term

AB

6 8 10 Standardized Effect

12

14

Prediccin de la respuesta: Predicted Response for New Design Points Using Model for Resp Diametro 0.90 Velocidad 50 Point Fit SE Fit 95% CI 95% PI 1 169.9000 18.5456 (129.4926, 210.3074) (129.1430, 210.6570)

XX

PASO 4. OBTENER LAS GRFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES CONDICIONES DE OPERACIN a) PROMEDIOS DE LAS RESPUESTAS EN CADA NIVEL DE FACTORES E INTERACCIN

Los promedios de la vibracin considerando cada uno de los niveles de los factores obtenidos en el anlisis del experimento son:

Para el caso de niveles reales no codificados en (A = 1/16, 1/8 y B = 40 y 90 rpm): Least Squares Means for Vibracin Mean SE Mean Diametro 0.0625 15.51 0.8644 0.1250 32.15 0.8644 Velocidad 40 20.06 0.8644 90 27.60 0.8644 Diametro*Velocidad 0.0625 40 16.10 1.2224 0.1250 40 24.03 1.2224 0.0625 90 14.93 1.2224 0.1250 90 40.28 1.2224

b)

OBTENCIN DE LAS GRFICAS FACTORIALES

Pgina 177 de 308

CURSO TALLER DE MINITAB 15 Las instrucciones son las siguientes:

P. Reyes / Agosto 2007

Stat > DOE > Factorial > Factorial Plots Seleccionar Main effects, Interaction Plots y Cube Plot Realizar el Setup para cada una de estas: Seleccionar columna Respuesta vibracin y con >> seleccionar todos los factores a Selected OK Seleccionar Data Means OK

La grficas se muestran a continuacin: La grfica de Cubo slo muestra el arreglo experimental en forma grfica:

Cube Plot (data means) for Vibracin

14.925 90

40.275

Velocidad

16.100 40 0.063 Diam etro

24.025 0.125

Se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interaccin ES significativa, los mejores niveles se seleccionan de grficas de interacciones

Interaction Plot for Vibracin


Data Means 40
Diametro 0.063 0.125

35 30

M ean

Pgina 178 de 308


25

35 30 25 20

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

M ean

15 40 Velocidad 90

En este caso como buscamos una respuesta de menor es mejor para el caso de la vibracin seleccionamos de los cuatro puntos que forman la interaccin de A y B, el que proporcione la menor repuesta, en este caso: Velocidad Alta Diametro Bajo Si la interaccin NO es significativa, los mejores niveles se seleccionan de las grficas de los factores principales (Main effects): - Lo cual en este caso no aplica.

Main Effects Plot for Vibracin


Data Means Diametro 32.5 30.0 27.5 M ean 25.0 22.5 20.0 17.5 15.0 0.063 0.125 40 90 Velocidad

PASO 5. OBTENCIN DE LAS GRFICAS DE CONTORNOS Y DE SUPERFICIE DE RESPUESTA Las instrucciones son las siguientes:

Stat > DOE > Factorial > Contour / Surface Plots Seleccionar Contour y Surface Plots Realizar el Setup para cada una de estas: Seleccionar columna Response vibracin Seleccionar Uncoded units (valores reales) o Codificados OK
Pgina 179 de 308

Seleccionar Uncoded units (valores reales) o Codificados


CURSO TALLER DE MINITAB 15 P. Reyes / Agosto 2007

OK

La grfica de contornos indica la combiancin de niveles para A y B manteniendo la Y resp. Cosntante. Sirve para indicar hacia donde se debe seguir experimentando si se quiere mejorar la respuesta, trazando una recta casi perpendicular a los contornos:

Contour Plot of Vibracin vs Velocidad, Diametro


90
Vibracin < 15 15 20 20 25 25 30 30 35 35 40 > 40

80

Velocidad

70

60

50

40

0.07

0.08

0.09 0.10 Diam etro

0.11

0.12

La grfica de Superficie de respuesta nos indica el comportamiento del proceso es decir como varia la respuesta Y = vibracin en funcin de variaciones con Diametro y Velocidad

Surface Plot of Vibracin vs Velocidad, Diametro

40

Vibracin

30

20 60 0.06 0.08 Diametro 0.10 0.12 40

80 Velocidad

Optimizador

Pgina 180 de 308

CURSO TALLER DE MINITAB 15 1. Stat > DOE > Factorial > Response optimizer 2. Seleccionar como response Vibracin 3. Seleccionar Options Diamentro 0.065 Velocidad 50 4. Set up Vibracin Minimize Target 10 Upper 40 5. OK

P. Reyes / Agosto 2007

Respuesta ptima en Dimetro 0.125 y Velocida 90

7.4 Diseo de experimentos fraccionales (1/4) de dos niveles:


Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento: Factor Nivel Bajo Nivel Alto A. Tipo de cola X Y B. Temperatura 30 40 C. Cantidad 2 3 D. Temp.sec. 80 90 E. Presin 1 1.5

Al principio se realiz un diseo fraccional de dos niveles y cinco factores (25-2), en cada condicin se midi la fuerza de adhesin en 100 botellas y se tom como respuesta el promedio. Paso 1. Generar el diseo

Stat > DOE > Factorial > Create Factorial Design


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

OK OK
Paso 2. Introducir los datos en el diseo Cola A B Temp Cola 30 30 Cant cola 2 2 Temp Secado 90 80 Presion 1.5 1

Pgina 181 de 308

CURSO TALLER DE MINITAB 15 A B A B A B 40 40 30 30 40 40 2 2 3 3 3 3 80 90 90 80 80 90 1.5 1 1 1.5 1 1.5

P. Reyes / Agosto 2007

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

Stat > DOE > Factorial > Analyze Factorial Design


Response Y Graphs: Seleccionar Normal Pareto Alpha = 0.05

OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes: Estimated Coefficients for Y using data in uncoded units Term Constant Cola Temp Cola Cantidad Temp secado Presion Temp Cola*Cantidad Temp Cola*Presion Coef -36.0000 -2.00000 0.600000 0.500000 0.450000 5.00000 1.58579E-16 -0.200000 Ecuacin de regresin Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado

Los factores significativos se observan de las grficas siguientes

Pareto Chart of the Effects


(response is Y, Alpha = .05) 2.823 D A B Term E BE C BC 0 Lenth's PSE = 0.75 1 2 Effect 3 4 5
Factor A B C D E Name Cola Temp Cola Cantidad Temp secado Presion

Son significativos los factores A, B, D

Pgina 182 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)
99 Effect Type Not Significant Significant D B
Factor A B C D E Name Cola Temp C ola Cantidad Temp secado Presion

95 90 80

Percent

70 60 50 40 30 20 10 5 1 A

Son significativos los factores A, B, D

-4

-3

-2

-1

0 1 Effect

Lenth's PSE = 0.75

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

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; A, B, D Seleccionar Cube Plot: SetUp >> OK

Main Effects Plot (data means) for Y


Cola 24 23 22 21 Temp Cola

Se maximiza la respuesta en las condiciones siguientes: Cola = X Temp Cola = 40 Temp Sec = 90
40

M ean of Y

20 X Temp secado 24 23 22 21 20 80 90 Y 30

Cube Plot (data means) for Y


24.0

23.5 40

Pgina 183 de 308

Tem p Cola

24.5

CURSO TALLER DE MINITAB 15


23.5 40

24.0

P. Reyes / Agosto 2007

Tem p Cola

24.5 90 Tem p secado 16.0

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

30 X Cola Y

80

7.5 Diseo de experimentos de superficies de respuesta

DISEO CENTRAL COMPUESTO DE SUPERFICIE DE RESPUESTA


Un modelo de primer orden es el siguiente:

y = 0+ 1 x1 + 2 x2 +... k x k +
Su grfica de contornos son lneas rectas que nos permiten seguir experimentando en la trayectoria de ascenso rpido, perpendicular a los contornos

Incremento

Niveles codificados

Niveles reales

Respuesta

Orig.+8 Orig.+9 Orig. +10 Orig. +11

8 9 10 11

3.36 3.78 4.20 4.62

75 80 85 90

173 175 177 179

70.4 77.6

80.3
76.2

Pgina 184 de 308

CURSO TALLER DE MINITAB 15

Orig. +11 Orig. +12

11 12

4.62 5.04

90 95

179 181

P. Reyes / Agosto 2007

76.2 75.1

Trayectoria de ascenso rpido

En este punto ya no funciona el modelo lineal anterior, se requiere uno cuadrtico

Respuesta

Pasos
Experimentales

Si en ANOVA se indica que un modelo cuadrtico es mejor que uno lineal, el modelo a aplicar es:

Y = 0 + i X i + ii X 2 i +
i=1 i =1

k 1

i =1 j =2

ij X i X j +

El modelo a utilizar en lugar de un rectngulo del diseo lineal, es el diseo central compuesto con puntos axiales como se muestra abajo:

Pgina 185 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Puntos axiales en 1.414

Diseo lineal normal

Rplicas en (0,0) para el error puro

Ejemplo de diseo central compuesto:

Corrida

Variables reales del

Proceso Temp.(F)

Variables codificadas

X2 -1 1 -1 1 0 0 0 0 0

Rendimiento Y2 76.5 77.0 78.0 79.5 79.9 80.3 80.0 79.7 79.8

Tiempo (min.) 80 80 90 90 85 85 85 85 85

X1 -1 -1 1 1 0 0 0 0 0
Pgina 186 de 308

1 2 3 4 5 6 7 8 9

170 180 170 180 175 175 175 175 175

8 9 10 11 12 13

85 85 92.07 77.93 85 85

175 CURSO TALLER 0 DE MINITAB 15 0 175 0 0 175 175 182.07 167.93 1.414 -1.414 0 0 0 0 1.414 -1.414

79.7 P. Reyes / Agosto 2007 79.8 78.4 75.6 78.5 77.0

Corrida en Minitab: Paso 1. Crear el diseo de exp. Central Compuesto (CCD) Stat> DOE > Surface Response > Create Response Surface Design En Type of Designs seleccionar Central Composite Number of factors 2 En Designs seleccionar Full Runs 13 Center points 5 Axial 1.414 Number of center points seleccionar Default Value of Alfa Default Replicates 1 En Factors seleccionar Nombre de los factores y niveles de los mismos En Options seleccionar NO Randomize runs y Store Design in Worksheet En Results seleccionar Summary table and Design Table OK

Design Table Run Blk 1 1 1 1 1 1 1 1 1 1 1 1 1 A -1.00000 1.00000 -1.00000 1.00000 -1.41421 1.41421 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 B -1.00000 -1.00000 1.00000 1.00000 0.00000 0.00000 -1.41421 1.41421 0.00000 0.00000 0.00000 0.00000 0.00000

Central Composite Design


Factors: Base runs: Base blocks: 2 13 1 Replicates: Total runs: Total blocks: 1 13 1

Two-level factorial: Full factorial Cube points: Center points in cube: Axial points: Center points in axial: 4 5 4 0

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

Alpha: 1.41421
Paso 2. Cargar los datos de respuesta de los experimentos StdOrder 1 2 3 4 5 6 RunOrder 1 2 3 4 5 6 PtType 1 1 1 1 -1 -1 A -1 1 -1 1 -1.41421 1.41421 B -1 -1 1 1 0 0

Rendim. 76.5 78.0 77.0 79.5 75.6 78.4

Viscocidad 62 66 57 59 71 68

Pgina 187 de 308

CURSO TALLER DE MINITAB 15 7 8 9 10 11 12 13 7 8 9 10 11 12 13 -1 -1 0 0 0 0 0 0 0 0 0 0 0 0 -1.41421 1.41421 0 0 0 0 0 77.0 78.5 79.9 80.3 80.0 79.7 79.8

P. Reyes / Agosto 2007 57 58 72 69 68 70 71

Paso 3. Analizar el Diseo de superficie de respuesta CCD Stat> DOE > Surface Response > Analyze Surface Response Design En Response seleccionar Rendimiento y Coded Units En Graphs seleccionar Residual Plots o Normal Plot OK
Normal Probability Plot of the Residuals La grfica normal de residuos es la siguiente:
(response is Rendim)
99

95 90 80

El modelo es adecuado

Percent

70 60 50 40 30 20 10 5

-0.50

-0.25

0.00 Residual

0.25

0.50

Los resultados del anlisis son: Response Surface Regression: Rendim versus A, B The analysis was done using coded units. Estimated Regression Coefficients for Rendim Term Constant A B A*A B*B A*B S = 0.2660 Coef 79.9400 0.9950 0.5152 -1.3762 -1.0013 0.2500 SE Coef 0.11896 0.09405 0.09405 0.10085 0.10085 0.13300 T 671.997 10.580 5.478 -13.646 -9.928 1.880 P 0.000 0.000 0.001 0.000 0.000 0.102

SON SIGNIFICATIVOS

R-Sq = 98.3%

R-Sq(adj) = 97.0%

La ecuacin de regresin es: Y = 79.94 + 0.995*A + 0.5152*B - 1.3762*A*B - 1.0013*B*B Analysis of Variance for Rendim Source DF Seq SS Adj SS Adj MS F P

Pgina 188 de 308

CURSO TALLER DE MINITAB 15 Regression Linear Square Interaction Residual Error Lack-of-Fit Pure Error Total 5 2 2 1 7 3 4 12 28.2478 10.0430 17.9548 0.2500 0.4953 0.2833 0.2120 28.7431 28.2478 10.0430 17.9548 0.2500 0.4953 0.2833 0.2120 5.64956 5.02148 8.97741 0.25000 0.07076 0.09443 0.05300 79.85 70.97 126.88 3.53 1.78 0.000 0.000 0.000 0.102 0.290

P. Reyes / Agosto 2007

Con el error Lack of Fit se observa que el modelo lineal no es adecuado, se reuqiere el modelo cuadrtico

Paso 4. Analizar grficas de superficie de respuesta y contornos


Stat> DOE > Surface Response > Contour/Response Plots Seleccionar Contour y Surface plots En Setup de cada una simplemente entrar y salir OK

Surface Plot of Rendim vs B, A

80 78 Rendim 76 74 0 -1 A 0 1 -1 1 B

Punto ptimo A=0, B=0.5

Contour Plot of Rendim vs B, A


Rendim < 74 74 - 75 75 - 76 76 - 77 77 - 78 78 - 79 79 - 80 > 80

1.0

0.5

0.0

-0.5

-1.0

Pgina 189 de 308


-1.0 -0.5 0.0 A 0.5 1.0

CURSO TALLER DE MINITAB 15


-1.0

P. Reyes / Agosto 2007

-1.0

-0.5

0.0 A

0.5

1.0

Se puede ampliar esta respuesta con: Stat> DOE > Surface Response > Overlaid Contour Plot Seleccionar Variable de respuesta con > En Contours establecer el Low 78 y High 84 de la respuesta OK

Overlaid Contour Plot of Rendim


Rendim 78 84

1.0

0.5

0.0

-0.5

-1.0

-1.0

-0.5

0.0 A

0.5

1.0

Paso 5. Optimizacin de las respuestas Stat> DOE > Surface Response > Response Optimizer Seleccionar Variable de respuesta Rendim con > En Setup poner los valores para la estimacin Lower 75 Target 80 Upper 90 En Options indicar los Starting Values de los niveles de los factores 0, 0 OK Puntos ptimos

Optimal Hi D Cur 1.0000 Lo Rendim Targ: 80.0 y = 80.0000 d = 1.0000

A 1.4142 [0.0] -1.4142

B 1.4142 [0.1781] -1.4142

Pgina 190 de 308

Optimal Hi D Cur 1.0000 Lo Rendim Targ: 80.0 y = 80.0000 d = 1.0000

A 1.4142 [0.0] -1.4142

B 1.4142 [0.1781] TALLER DE MINITAB 15 CURSO -1.4142

P. Reyes / Agosto 2007

El clculo manual se realiza como sigue:


x1 x2 x = ... xk

1 0.995 2 b = = 0.515 ... k , 11 12 / 2, ..., 1k / 2 , .... 12 / 2, 22 2k / 2 B = matriz.simetrica, kk xs

1.376, 0.1250 = 0.1250, 1.001 0 .7345, 0.0917 0.995 0.389 1 1 1 = B b = = 0.0917, 1.006 0.515 0.306 2 2

1 + s = y xs b 0 2

Y = 79.94 + 0.995*A + 0.515B 1.376 A*A 1.001 B*B + 0.25AB Con las ecuaciones de la pgina siguiente el punto mximo ptimo queda en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21

Contour Plot of Y
75 76 77 78 79 80

Pgina 191 de 308

76

CURSO TALLER DE MINITAB 15

77 78 79 80

P. Reyes / Agosto 2007

-1

-1

Surface Plot of Y

80.5 79.5 78.5 77.5

76.5 75.5 74.5 73.5 -1.5 -1.0 -0.5 0.0 0.0 -0.5 -1.0 -1.5 1.5 0.5 1.0 1.5

0.5

1.0

7.6 Diseo de experimentos de Taguchi


CORRIDA EN MINITAB DEL DISEO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los ms utilizados y difundidos segn el nmero de factores a analizar son:

Si el nmero de factores que se desean analizar es Entre 1 y 3 Entre 4 y 7 Entre 8 y 11 Entre 12 y 15 Entre 16 y 31 Entre 32 y 63

Arreglo a utilizar L4 L8 L12 L16 L32 L64

N de condiciones a probar 4 8 12 16 32 64

Taguchi sugiere utilizar un estadstico que proporcione informacin acerca de la media y de la variancia denominado Relacin Seal a Ruido (SNR), como la variable de respuesta. se consideran tres tipos principales: Pgina 192 de 308

CURSO TALLER DE MINITAB 15 1. Menor es mejor (Smaller is better - s) 2. Mayor es mejor Larger is better - l) 3. Nominal es mejor - (Target is better - t) Las frmulas para cada esquema son las siguientes

P. Reyes / Agosto 2007

SNRs=10 log
i =1

n 2 Yi

SNRl =10 log

1 /2 Yi n

SNRt =10 log s2

i =1

Donde la SNR se expresa en decibeles y debe ser maximizada Ejemplo: Optimizacin de un proceso de soldadura de tarjetas de circuito impreso Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a una mquina de soldar donde por un transportador pasa por un bao de flux para eliminar oxido, se precalienta para reducir la torcedura y se solda. Se disea un experimento para determinar las condiciones que dan el nmero mnimo de defectos de soldadura por milln de uniones. Los factores de control y niveles se muestran a continuacin: Factor Descripcin A Temperatura de soldado F B Velocidad del transportador (ft/min) C Densidad del flux remover oxido D Temperatura de precalentado F E Altura de ola de soldadura(pulg.) El arreglo de los factores de control se denomina Arreglo interno fraccional 25-2 (-1) 480 7.2 0.9 150 0.5 (+1) 510 10. 1.0 200 0.6

Adems se tienen otros factores denominados factores de ruido que no se pueden o no se quieren controlar como el tipo de producto. Tambin se pueden considerar factores de ruido las tolerancias de algunos de los factores crticos en este proceso, en este caso la temperatura de la soldadura varia entre 5F y la velocidad del transportador entre 0.2 ft/min. Esta variabilidad tambin tiene influencia en la respuesta. Factor F G H Descripcin Temperatura de soldadura (F) Velocidad del transportador (ft/min) Tipo de producto en la placa El arreglo de los factores de ruido se denomina Arreglo externo fraccional 2 3-1 (-1) -5 -0.2 2 (+1) 5 +0.2 1

El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuacin: En este caso se busca la respuesta Menor es mejor para los defectos de soldadura. F G H -1 -1 -1 186 328 234 295 47 185 136 194

Arreglo interno Experimento 1 2 3 4 5 6 7 8 A -1 -1 -1 -1 1 1 1 1 B -1 -1 1 1 -1 -1 1 1 C -1 1 -1 1 -1 1 -1 1 D -1 1 -1 1 1 -1 1 -1 E -1 1 1 -1 -1 1 1 -1

=-10*LOG10(SUMA.CUADRADOS(J69:M69)/4) 1 1 1 -1 -1 1 Pgina 193 de 308

CURSO TALLER DE MINITAB 15 Experimento 1 2 3 Continuacin 4 5 6 7 8 -1 187 326 159 216 125 261 136 197 1 105 247 231 204 127 264 132 193 1 104 322 157 293 42 264 136 275 SNR

P. Reyes / Agosto 2007 -39.37 -44.30 -41.36 -43.38 -27.42 -39.32 -36.65 -39.74

PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Taguchi > Create Taguchi Design 2 Level Design Number of factors 5

Designs OK

L8

2**5

Factors (para cambiar nombre de factores y niveles) Seleccionar To allow estimation of selected interactions e Interactions Seleccionar Selected terms AB con > Factor Name A Temp sold B Vel. transp. C Densidad flux D Temp precal E Altura de ola OK Level values Column Levels 1 2 1 2 1 2 2 2 1 2 3 2 1 2 4 2 1 2 5 2

Options Seleccionar Store design in worksheet OK


PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL DISEO O ARREGLO A -1 -1 -1 -1 1 1 1 1 B -1 -1 1 1 -1 -1 1 1 Etc. ---------F-G-H 186 328 234 295 47 185 136 194 FG-H 187.0 326.0 159.0 216.0 125.0 261.0 136.0 197.0 F-GH 105 247 231 204 127 264 132 193 -FGH 104 322 157 293 42 264 136 275

Pgina 194 de 308

P. Reyes / Agosto 2007 PASO 3 ANALIZAR MODELO DE DISEO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI

CURSO TALLER DE MINITAB 15

Stat > DOE > Taguchi > Analyze Taguchi Design Response Data are in - Seleccionar las cuatro columnas de respuestas C6 - C9 Graphs Seleccionar Signal to noise ratios , means, Display interac. plots Matrix Analysis Seleccionar Signal to noise ratios y Means para Response tables y Fit Model Terms Seleccionar A, B, C, D , E y AB

Options Seleccionar Smaller is better Analysis Graphs Seleccionar Standardized Residual for plots y Normal OK

Los resultados se muestran a continuacin a) Grfica normal de residuos


Normal Probability Plot of the Residuals
(response is Means)
99

95 90 80

Percent

70 60 50 40 30 20 10 5

-3

-2

-1 0 1 Standardized Residual

Indica que le modelo es adecuado b) Coeficientes y ANOVA para Relaciones Seal a Ruido Taguchi Analysis: -F-G-H, FG-H, F-GH, -FGH versus A, B, C, D, E Linear Model Analysis: SN ratios versus A, B, C, D, E Estimated Model Coefficients for SN ratios Term Constant A -1 B -1 Coef -45.5183 -1.3480 0.3503 SE Coef 0.02112 0.02112 0.02112 T -2154.926 -63.819 16.583 P 0.000 0.010 0.038

Pgina 195 de 308

CURSO TALLER DE MINITAB 15 C -1 D -1 E -1 A*B -1 -1 S = 0.05974 2.6000 -0.5119 1.0188 -0.1589 0.02112 0.02112 0.02112 0.02112 123.089 -24.233 48.230 -7.520 0.005 0.026 0.013 0.084

P. Reyes / Agosto 2007

R-Sq = 100.0%

R-Sq(adj) = 100.0%

Analysis of Variance for SN ratios Source A B C D E A*B Residual Error Total DF 1 1 1 1 1 1 1 7 Seq SS 14.5378 0.9815 54.0796 2.0961 8.3030 0.2019 0.0036 80.2035 Adj SS Adj MS F P 14.5378 14.5378 4072.88 0.010 0.9815 0.9815 274.99 0.038 54.0796 54.0796 15150.84 0.005 2.0961 2.0961 587.23 0.026 8.3030 8.3030 2326.15 0.013 0.2019 0.2019 56.56 0.084 0.0036 0.0036 Para SNR los cinco factores son significativos a una alfa del 5%

c) Coeficientes y ANOVA para las medias de los factores Linear Model Analysis: Means versus A, B, C, D, E Estimated Model Coefficients for Means Term Constant A -1 B -1 C -1 D -1 E -1 A*B -1 -1 S = 8.839 Coef 197.125 27.500 -2.125 -56.875 2.625 -22.750 3.125 SE Coef 3.125 3.125 3.125 3.125 3.125 3.125 3.125 T 63.080 8.800 -0.680 -18.200 0.840 -7.280 1.000 P 0.010 0.072 0.620 0.035 0.555 0.087 0.500

R-Sq = 99.8%

R-Sq(adj) = 98.5%

Analysis of Variance for Means Source A B C D E A*B Residual Error Total DF 1 1 1 1 1 1 1 7 Seq SS 6050.0 36.1 25878.1 55.1 4140.5 78.1 78.1 36316.1 Adj SS 6050.0 36.1 25878.1 55.1 4140.5 78.1 78.1 Adj MS 6050.0 36.1 25878.1 55.1 4140.5 78.1 78.1 F 77.44 0.46 331.24 0.71 53.00 1.00 P 0.072 0.620 0.035 0.555 0.087 0.500

Significativos C para 0.05 y A, C y E para 0.1 Response Table for Signal to Noise Ratios Smaller is better

Pgina 196 de 308

CURSO TALLER DE MINITAB 15 Level 1 2 Delta Rank A -46.87 -44.17 2.70 2 B -45.17 -45.87 0.70 5 C -42.92 -48.12 5.20 1 D -46.03 -45.01 1.02 4 E -44.50 -46.54 2.04 3

P. Reyes / Agosto 2007

d) Las respuestas promedio y grficas factoriales para relacin Seal a Ruido son:

Main Effects Plot (data means) for SN ratios


A -44 B C

Factores A, C y E son significativos

Mean of SN ratios

-46

-48 -1 D -44 1 -1 E 1 -1 1

Opcin mayor es mejor: A=2 C=1 E=1

-46

-48 -1 1 -1 1

Signal-to-noise: Smaller is better

Interaction Plot (data means) for SN ratios


-1 1 -44 -45 A -46 -47 -44 -45 B -46 -47 -1 1
B -1 1 A -1 1

Interacciones no significativas

Signal-to-noise: Smaller is better

d) Las respuestas promedio y grficas factoriales para los factores principales son:

Main Effects Plot (data m eans) for Means


A 250 225 200 B C

Factores A, C y E son significativos

Mean of M eans

175 150 -1 D 250 225 200 175 150 1 -1 E 1 -1 1

Pgina 197 de 308

Mean of

-1 D 250 225 200 175 150 -1

-1

E CURSO TALLER DE MINITAB 15

-1

P. Reyes / Agosto 2007

-1

I nteraction Plot (data means) for Means


-1 1 220 200 A 180 160 220 200 B 180 160 -1 1
A -1 1

Interacciones no significativas

B -1 1

Nota. Si se presenta conflicto entre los niveles que minimizan la variabilidad o que maximizan la relacin seal a ruido y los que ajustan la media a mayo o menor es mejor, seleccionar los primeros.

Minitab 15

Ejemplo de fabricacin de bolas de Golf Se fabrican bolas de golf con un nuevo diseo para maximizar la distancia de vuelo. Se han identificado cuatro factores de control, cada uno con dos niveles: - Material del nucleo (lquido y tungsteno) - Dimetro del nucleo (118 y 156) - Nmero de vueltas (392 y 422) - Espesor del recubrimiento (0.03 y 0.06) Se desea probar la interaccin entre el material del nucleo y su dimetro. Como respuesta se mide la distancia en dos clubes de golf como factor de ruido. Como se quiere maximizar la respuesta se selecciona la relacin seal a ruido Mayor es mejor. 1 File > Open worksheet GOLFBALL.MTW. Contiene el diseo y los datos de distancia de respuesta. Material Liquid Liquid Liquid Liquid Tungsten Tungsten Tungsten Tungsten 2 3 4 Diameter 118 118 156 156 118 118 156 156 Dimples 392 422 392 422 392 422 392 422 Thickness 0.03 0.06 0.03 0.06 0.06 0.03 0.06 0.03 Driver 247.5 224.4 59.4 75.9 155.1 39.6 92.4 21.9 Iron 234.3 214.5 49.5 72.6 148.5 29.7 82.5 18.6

Stat > DOE > Taguchi > Analyze Taguchi Design. En Response data are in, seleccionar Driver and Iron. Click Analysis. Pgina 198 de 308

(clubes)

CURSO TALLER DE MINITAB 15 5 6 7 8 9

P. Reyes / Agosto 2007

En Fit linear model for, seleccionar Signal-to-noise ratios and Means. Click OK. Click Terms. Mover los trminos AB a Selected Terms con > o con doble click. Click OK. Click Options. En Signal to Noise Ratio, seleccionar Larger is better. Click OK en cada cuadro de dilogo

Los resultados se muestran a continuacin: Taguchi Analysis: Driver, Iron versus Material, Diameter, Dimples, Thickness Linear Model Analysis: SN ratios versus Material, Diameter, Dimples, Thickness Estimated Model Coefficients for SN ratios Term Coef SE Coef Constant 38.181 0.4523 Material Liquid 3.436 0.4523 Diameter 118 3.967 0.4523 Dimples 392 2.982 0.4523 Thicknes 0.03 -3.479 0.4523 Material*Diameter Liquid 118 1.640 0.4523 S = 1.279 R-Sq = 99.2% R-Sq(adj) = 97.2% Analysis of Variance for SN ratios Source Material Diameter Dimples Thickness Material*Diameter Residual Error Total DF 1 1 1 1 1 2 7 Seq SS 94.427 125.917 71.133 96.828 21.504 3.273 413.083 Adj SS 94.427 125.917 71.133 96.828 21.504 3.273 T 84.418 7.596 8.772 6.593 -7.692 3.625 P 0.000 0.017 0.013Todos son significativos 0.022al 10% de nivel de alfa 0.016 0.068

Adj MS 94.427 125.917 71.133 96.828 21.504 1.637

F 57.70 76.94 43.47 59.17 13.14

P 0.017 0.013 0.022 0.016 0.068

Linear Model Analysis: Means versus Material, Diameter, Dimples, Thickness Estimated Model Coefficients for Means Term Coef SE Coef Constant 110.40 8.098 Material Liquid 36.86 8.098 Diameter 118 51.30 8.098 Dimples 392 23.25 8.098 Thicknes 0.03 -22.84 8.098 Material*Diameter Liquid 118 31.61 8.098 S = 22.90 R-Sq = 97.9% R-Sq(adj) = 92.6% Analysis of Variance for Means Source Material Diameter Dimples Thickness Material*Diameter Residual Error Total DF 1 1 1 1 1 2 7 Seq SS 10871 21054 4325 4172 7995 1049 49465 Adj SS 10871 21054 4325 4172 7995 1049 Adj MS 10870.8 21053.5 4324.5 4172.4 7994.8 524.6 F 20.72 40.13 8.24 7.95 15.24 P 0.045 0.024 0.103 0.106 0.060 T 13.634 4.552 6.335 2.871 -2.820 3.904 P 0.005 0.045 0.024Efecto mayor 0.103Son significativos al 10% 0.106 0.060

Response Table for Signal to Noise Ratios Larger is better Level Material Diameter Dimples

Normal Probability Plot


(response is SN ratios)
99

95

Thickness
80

90

Percent

70 60 50 40 30 20 10 5

Pgina 199 de 308

CURSO TALLER DE MINITAB 15


90 80

95

P. Reyes / Agosto 2007

1 2 Delta Rank

41.62 34.75 6.87 3

42.15 34.21 7.93 1

41.16 35.20 5.96 4

34.70 41.66 6.96 2


Percent
70 60 50 40 30 20 10 5 1

Response Table for Means Level Material Diameter 1 147.26 161.70 2 73.54 59.10 Delta 73.72 102.60 Rank 2 1

-3

-2

Dimples 133.65 87.15 46.50 3

Thickness 87.56 133.24 45.68 4

-1 0 1 Standardized Residual

Los residuos siguen una distribucin normal por lo que el modelo es adecuado.

Un anlisis grfico de las respuestas de S/Ns y medias se muestra a continuacin:

118 392 0.06

Con base en estos resultados, los mejores niveles son: Material Diameter Dimples Thickness Liquid 118 392 0.06

Con estos dtos se puede predecir la respuesta en relacin seal a ruido y respuesta para ciertos niveles seleccionados de los factores, utilizando el modelo del experimento de Taguchi, como sigue: 1. Examinar las tablas de respuesta y las grficas de efectos principales para identificar los factores que tienen el mayor efecto en la relacin S/N o desviacin estndar.

Pgina 200 de 308

CURSO TALLER DE MINITAB 15 2. Seleccionar varias combinaciones de ajuste de los otros factores

P. Reyes / Agosto 2007

3. Con los resultados de prediccin, determinar que combinacin de ajuste de factores se acerca a la media deseada si reducir de manera siginifcativa la relacin S/N. 4. Realizar un experimento piloto con los niveles seleccionados para determianr que tan bien predice el modelo los resultados observados. Si hay interacciones mnimas o si se consideraron adecuadamente por las predicciones, los resultados observados sern cercanos a la prediccin, y se ha producido un producto robusto. De otra forma puede ser que algunas interacciones o factores de ruido no considerados, y se debe hacer ms investigacin. Para la prediccin se puede decidir que factores e interacciones incluir, para mejorar la prediccin. 1 2 3 4 5 6 File > Open worksheet GOLFBALL2.MTW. Ya incluye el diso y los datos de respuesta. Stat > DOE > Taguchi > Predict Taguchi Results . Quitar la seleccin de Standard deviation y Natural log of standard deviation. Click Terms. Incluir los trminos A, B, C, D, y AB en el cuadro Selected Terms. Click OK. Click Levels. En Method of specifying new factor levels, seleccionar Select levels from a list. 7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.

Factor Level Material Liquid Diameter 118 Dimples 392 Thickness 0.06 7 Click OK en cada cuadro de dilogo Predicted values S/N Ratio Mean 53.6844 276.262

StDev 8.75045

Ln(StDev) 2.26309

Factor levels for predictions Material Diameter Dimples Thickness Liquid 118 392 0.06

Minitab 15

Ejemplo de diseo dinmico - Diseos experimentales en cada nivel de la variable dinmica Se hace un diseo experimental con tres factores: sensor, dispositivo de salida y relevador. Cada uno con dos niveles. El factor de ruido es el valor real del producto que se mide y la respuesta es la medicin, se han identificado dos condiciones de ruido. 1 File > Open worksheet SENSOR.MTW. El diseo y las respuestas ya estn en este archivo. Sensor 1 1 1 1 1 1 1 1 1 1 1 Output 1 1 1 1 1 1 2 2 2 2 2 Relay 1 1 1 2 2 2 1 1 1 2 2 Signal 1.25 25 250 1.25 25 250 1.25 25 250 1.25 25 Noise1 1.303 25.057 250.207 1.286 25.048 250.257 1.286 25.047 250.213 1.296 25.057 Noise2 1.312 25.072 250.441 1.292 25.075 250.039 1.291 25.075 250.013 1.296 25.086

Pgina 201 de 308

CURSO TALLER DE MINITAB 15 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 4 5 6 7 8 2 1 1 1 1 1 1 2 2 2 2 2 2 2 1 1 1 2 2 2 1 1 1 2 2 2 250 1.25 25 250 1.25 25 250 1.25 25 250 1.25 25 250 250.219 1.287 25.049 250.217 1.285 25.044 250.2 1.288 25.049 250.217 1.283 25.044 250.2

P. Reyes / Agosto 2007 250.35 1.29 25.061 250.6 1.286 25.065 250.538 1.288 25.069 250.585 1.288 25.055 250.553

Stat > DOE > Taguchi > Analyze Taguchi Design. En Response data are in, seleccionar Noise1 and Noise2. Click Graphs. En Generate plots of main effects and selected interactions for , seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes ) Seleccionar Display scatterplots with fitted lines . Click OK. Click Analysis. En Display response tables for, seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes ) En Fit linear model for, seleccionar Signal to Noise ratios, Slopes, and Standard deviations Click OK en cada cuadro de dilogo.

Los resultados se muestran a continuacin: Linear Model Analysis: SN ratios versus Sensor, Output, Relay Estimated Model Coefficients for SN ratios Term Coef SE Coef Constant 20.6879 0.3017 Sensor 1 2.0050 0.3017 Output 1 -0.4724 0.3017 Relay 1 -0.5370 0.3017 S = 0.8535 R-Sq = 92.6% T P 68.560 0.000 6.645 0.003 -1.566 0.192 -1.780 0.150 R-Sq(adj) = 87.0%

Sensor es significativo a un 0.1 de significancia

Analysis of Variance for SN ratios Source Sensor Output Relay Residual Error Total DF 1 1 1 4 7 Seq SS 32.162 1.785 2.307 2.914 39.168 Adj SS 32.162 1.785 2.307 2.914 Adj MS 32.1616 1.7855 2.3071 0.7284 F 44.15 2.45 3.17 P 0.003 0.192 0.150

Linear Model Analysis: Slopes versus Sensor, Output, Relay Estimated Model Coefficients for Slopes Term Coef SE Coef T P Constant 1.00122 0.000125 8039.325 0.000 Sensor 1 -0.00034 0.000125 -2.708 0.054 Output 1 0.00004 0.000125 0.294 0.783 Relay 1 0.00003 0.000125 0.274 0.798 S = 0.0003523 R-Sq = 65.2% R-Sq(adj) = 39.1% Analysis of Variance for Slopes Source Sensor DF 1 Seq SS 0.000001 Adj SS 0.000001 Adj MS 0.000001 F 7.33

Sensor es significativo a un 0.1 de significancia

P 0.054

Pgina 202 de 308

CURSO TALLER DE MINITAB 15 Output Relay Residual Error Total 1 1 4 7 0.000000 0.000000 0.000000 0.000001 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.09 0.07 0.783 0.798

P. Reyes / Agosto 2007

Linear Model Analysis: StDevs versus Sensor, Output, Relay Estimated Model Coefficients for StDevs Term Coef SE Coef T P Constant 0.095414 0.002341 40.753 0.000 Sensor 1 -0.021261 0.002341 -9.081 0.001 Output 1 0.003906 0.002341 1.668 0.171 Relay 1 0.005262 0.002341 2.247 0.088 S = 0.006622 R-Sq = 95.8% R-Sq(adj) = 92.6% Analysis of Variance for StDevs Source DF Seq SS Adj SS Sensor 1 0.003616 0.003616 Output 1 0.000122 0.000122 Relay 1 0.000221 0.000221 Residual Error 4 0.000175 0.000175 Total 7 0.004135

Sensor es significativo a un 0.1 de significancia El Relevador solo es


significativo en este modelo

Adj MS 0.003616 0.000122 0.000221 0.000044

F 82.46 2.78 5.05

P 0.001 0.171 0.088

El valor del estadstico Delta es la diferencia de Response Table for Signal to Noise Ratios las respuestas promedio en los dos niveles, es decir Dynamic Response el impacto que el factor tiene en la respuesta. Level Sensor Output Relay 1 22.69 20.22 20.15 Normal Probability Plot 2 18.68 21.16 21.22 (response is SN ratios) El sensor Delta 4.01 0.94 1.07 tiene Rank 1 3 2 la mayor Delta - Rango 1 Response Table for Slopes Level Sensor Output Relay 1 1.001 1.001 1.001 2 1.002 1.001 1.001 Delta 0.001 0.000 0.000 Rank 1 2 3 -3 -2 -1 0 1 2
99 95 90 80 70 60 50 40 30 20 10 5

Percent

Standardized Residual

Response Table for Standard Deviations De la grfica de residuos se observa que el modelo es Level Sensor Output Relay adecuado 1 0.07415 0.09932 0.10068 2 0.11668 0.09151 0.09015 Delta 0.04252 0.00781 0.01052 Rank 1 3 2 Los resultados grficos de las respuestas S/N, media y desviacin estndar son los siguientes:

Pgina 203 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Como se desea reducir la variacin en el sistema de medicin, se seleccionan los niveles con los valores ms altos de relaciin S/N y menores en desviacin estndar. En este caso se seleccionar el nivel 1 del sesnsor y el nivel 2 del relevador. Se debe correr un experimento para confirmar los clculos. Se puede predecir la respuesta media con estos niveles seleccioandos: 1 2 3 4 5 6 File > Open worksheet SENSOR.MTW. Ya incluye el diso y los datos de respuesta. Stat > DOE > Taguchi > Predict Taguchi Results . Seleccionar Standard deviation y Natural log of standard deviation. Click Terms. Incluir los trminos Sensor, Output, Relay en el cuadro Selected Terms. Click OK. Click Levels. En Method of specifying new factor levels, seleccionar Select levels from a list. 7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla. Factor Sensor Output Relay Nivel 1 2 2

La respuesta predicha es: Predicted values S/N Ratio Slope 23.7024 1.00082

StDev 0.0649857

Ln(StDev) -2.72803

Factor levels for predictions Sensor Output Relay 1 2 2

7.7 Diseo de experimentos de mezclas


REPRESENTACIN TRIANGULAR - MEZCLAS DE 3 COMPONENTES El sistema triangular permite visualizar la relacin en una mezcla de tres componentes. El sistema muestra la proporcin de X1, X2 y X3 con un mnimo de cero y un mximo de Uno. Pgina 204 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Los vrtices del tringulo representan mezclas puras (un solo componente con los otros en 0).

Cualquier punto sobre los lados del tringulo representan mezclas binarias donde uno de los componentes es ausente, como por ejemplo:

Pgina 205 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

El centroide es un punto donde hay las mismas proporciones de los 3 componentes en proporcin de 1/3.

Las mezclas triseccin en los lados tienen 1/3 de un componente y 2/3 del otro componente. Estos `puntos dividen a cada lado en tres partes iguales,

Las mezclas completas estan en el interior del espacio de diseo donde todos los componentes estan presentes en alguna proporcin.

DETERMINACIN DEL DISEO PARA CORRIDA EN MINITAB Minitab proporciona diseos: Simplex centroid, Simplex Lattice y Extreme Vertices. Para seleccionar un diseo es necesario: - Identificar los componentes, variables de proceso cantidades de mezcla que son de inters. - Determinar el modelo que se quiere ajustar - Asegurar la cobertura adecuada de la regin de inters en la superficie de respuesta. - Determinar el impacto de otras consideraciones sobre el diseo (costo, tiempo, etc.). Los diagramas indicados abajo muestran algunos diseos que se pueden crear, se pueden generar diseos hasta de grado 10.

Pgina 206 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Suponiendo que quieres estudiar la proporcin de 3 ingredientes en una solucin de desodorante que afecta la aceptacin del producto en base al aroma. Sus aceites componentes son:Neroli, Rose y Tangerine. 1 2 Stat > DOE > Mixture > Create Mixture Design. En Type of Design, seleccionar Simplex centroid. Pgina 207 de 308

CURSO TALLER DE MINITAB 15 3 4 5 6 7 En Number of components, seleccionar 3. Click Designs. seleccionar Augment the design with axial points. Click OK.

P. Reyes / Agosto 2007

Click Components. en Name, poner Neroli, Rose, y Tangerine en renglones 1 a 3. Click OK. Click Results. Seleccionar Detailed description and design table. Click OK en cada cuadro de dilogo.

Los resultados del diseo son los siguientes: Simplex Centroid Design Components: Process variables: 3 0 Design points: Design degree: 10 3

Mixture total: 1.00000 Number of Boundaries for Each Dimension Point Type Dimension Number 1 0 3 2 1 3 0 2 1

Number of Design Points for Each Type Point Type Distinct Replicates Total number 1 3 1 3 2 3 1 3 3 0 0 0 0 1 1 1 -1 3 1 3

Bounds of Mixture Components Amount Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Proportion Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Pseudocomponent Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Comp A B C

Design Table X1 Run 1 2 3 4 5 6 7 8 9 10 Type 1 1 1 2 2 2 0 -1 -1 -1 A 1.0000 0.0000 0.0000 0.5000 0.5000 0.0000 0.3333 0.6667 0.1667 0.1667 B 0.0000 1.0000 0.0000 0.5000 0.0000 0.5000 0.3333 0.1667 0.6667 0.1667 C 0.0000 0.0000 1.0000 0.0000 0.5000 0.5000 0.3333 0.1667 0.1667 0.6667 X2 X3

Pgina 208 de 308

CURSO TALLER DE MINITAB 15 StdOrd 1 2 3 4 5 6 7 8 9 10 RunOrder 1 2 3 4 5 6 7 8 9 10 PtType 1 1 1 2 2 2 0 -1 -1 -1 Neroli 1 0 0 0.5 0.5 0 0.33333 0.66667 0.16667 0.16667 Rose 0 1 0 0.5 0 0.5 0.33333 0.16667 0.66667 0.16667 Tangerine 0 0 1 0 0.5 0.5 0.33333 0.16667 0.16667 0.66667

P. Reyes / Agosto 2007 Respuesta

DISEO DE EXPERIMENTOS DE MEZCLAS Los factores independientes son proporciones de diferentes componentes de una mezcla Cuando las proporciones tienen la restriccin de sumar la unidad se pueden utilizar modelos de estructura Simplex o Simplex con centroide Cuando adems algunos componentes tienen la restriccin adicional de tener un valor mximo o mnimo los modelos a utilizar son los de Vrtices extremos

X1 0 0 0 0 0.333 0.333 0.333 0.667 0.667 1

X2 0 0.333 0.667 1 0 0.333 0.667 0 0.333 0 X2

X3 1 0.667 0.333 0 0.667 0.333 0 0.333 0 0

Rendimiento

Las ecuaciones de restriccin del modelo lineal son:

Puntos =

( q + m 1)! m !( q 1)! Pgina 209 de 308 X 1 + X 2 + X 3 =1


q

E (Y ) = i X i

Puntos =

( q + m 1)! CURSO TALLER DE MINITAB 15 m !( q 1)! X 1 + X 2 + X 3 =1


q i= 1

P. Reyes / Agosto 2007

E (Y ) = i X i

Ejemplo de diseo Simplex Lattice: Se tienen q = 3 componentes y m=2 niveles, X1=polietileno, X2=Poliestireno, X3=polipropileno mezclados para formar fibras, de las cuales se mide la elongacin en dos rplicas. X1 0 0 0 0.5 0.5 1 X2 0 0.5 1 0 0.5 0 X3 1 0.5 0 0.5 0 0 Rendimiento 16.8 10.0 8.8 17.7 15.0 11.0 X2

16.0 9.7 10.0 16.4 14.8 12.4

2 replicas 11.8 3 Rplicas 2 replicas 16.6 3 replicas 16.1 3 replicas 2 replicas

Corrida en Minitab Paso 1. Generar el diseo de experimentos de mezclas. Stat > DOE > Mixture > Create Mixture Design Seleccionar Simplex Lattice No of components 3 En Designs: Degree of Lattice 2 Seleccionar augment design with center points Seleccionar augment design with axial points Seleccionar No of replicates of the selected type of points Replicas en los vrtices Rplicas en los lados 1 Vertex 2 2 Double Blend 3

En Options quitar Randomize runs Seleccionar Store Design in Worksheet En Results seleccionar Detailed description and detailed table OK El diseo del experimento detallado se muestra a continuacin: Simplex Lattice Design Components: Process variables: 3 0 Design points: Lattice degree: 15 2

Mixture total: 1.00000 Number of Boundaries for Each Dimension Pgina 210 de 308

CURSO TALLER DE MINITAB 15 Point Type Dimension Number 1 0 3 2 1 3 0 2 1

P. Reyes / Agosto 2007

Number of Design Points for Each Type Point Type Distinct Replicates Total number 1 3 2 6 2 3 3 9 3 0 0 0 0 0 0 0 -1 0 0 0

Bounds of Mixture Components Amount Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Proportion Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Pseudocomponent Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Comp A B C

Paso 2. Cargar los datos resultado de los experimentos en la columna de respuestas de los 3 componentes X1, X2 y X3 Design Table (randomized) Experimento 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 PtType 1 2 2 1 2 1 1 1 1 2 2 2 2 2 2 Blocks 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 A 1 0.5 0.5 0 0 0 1 0 0 0.5 0.5 0.5 0.5 0 0 B 0 0.5 0 1 0.5 0 0 1 0 0.5 0.5 0 0 0.5 0.5 C 0 0 0.5 0 0.5 1 0 0 1 0 0 0.5 0.5 0.5 0.5 Elongacin 11 15 17.7 8.8 10 16 12.4 10 16.8 14.8 16.1 16.4 16.6 9.7 11.8

Paso 3. Obtener la grfica del diseo triangular del modelo Simplex Lattice Stat > DOE > Mixture > Simplex Design Plot OK Point Labels Seleccionar Replicates OK

Simplex Design Plot in Proportions


A 1

Pgina 211 de 308


0

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2
1 B

3
0

2
1 C

Paso 4. Anlisis del modelo Simplex Lattice

Stat > DOE > Mixture > Analyze mixture design Responses Elongation OK En Graphs > Residual Plots Seleccionar Normal Plot ver adecuacin del modelo OK Grfica de residuos

Normal Probability Plot of the Residuals


(response is Elongacin)
99

95 90 80

Percent

70 60 50 40 30 20 10 5

-2

-1

0 Residual

Anlisis del diseo. Simplex Design Plot in Amounts Regression for Mixtures: Elongacin versus A, B, C Estimated Regression Coefficients for Elongacin (component proportions) Term A B C A*B A*C Coef 11.700 9.400 16.400 19.000 11.400 SE Coef 0.6037 0.6037 0.6037 2.6082 2.6082 T * * * 7.28 4.37 P * * * 0.000 0.002 VIF 1.750 1.750 1.750 1.750 1.750 Coeficientes b1 b2 b3 Factores e interacciones sinrgicas

Pgina 212 de 308

CURSO TALLER DE MINITAB 15 B*C -9.600 2.6082 -3.68 0.005 1.750 Interaccin antagnica

P. Reyes / Agosto 2007

La ecuacin de regresin es: Y = 11.7*A + 9.4*B + 16.4*C + 19*A*B + 11*A*C -9.6*B*C Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor elongacin Como b12 y b13 son positivos la mezcla de componentes 1 y 2 as como 1 y 3 aumenta la elongacin Como b23 es negativo la mezcla de los componentes 2 y 3 tiene efectos antagnicos en la mezcla S = 0.853750 R-Sq = 95.14% PRESS = 18.295 R-Sq(pred) = 86.43%

R-Sq(adj) = 92.43%

Variacin explicada por la regresin

Analysis of Variance for Elongacin (component proportions) Source Regression Linear Quadratic Residual Error Total DF 5 2 3 9 14 Seq SS 128.296 57.629 70.667 6.560 134.856 Adj SS 128.2960 50.9200 70.6669 6.5600 Adj MS 25.6592 25.4600 23.5556 0.7289 F 35.20 34.93 32.32 P 0.000 0.000 0.000

Paso 5. Grfica de la respuesta Elongacin vs cada componente de la mezcla Stat > DOE > Mixture > Response Trace Plot Response -- Elongation OK

Cox Response Trace Plot


17 16 F itted Elongacin 15 14 13 12 11 10 9 -0.50
Component A B C

-0.25 0.00 0.25 0.50 deviation from reference blend in proportion

0.75

Pgina 213 de 308

CURSO TALLER DE MINITAB 15 Paso 6. Grfica de la superficie de respuesta y contornos Stat > DOE > Mixture > Contour plot Setup OK

P. Reyes / Agosto 2007

Mixture Surface Plot of Elongacin


(component amounts)

16

14 Elongacin 12 1.00 10 B 1.00 0.00 0.00 0.00 1.00 C A

Mixture Contour Plot of Elongacin


(component amounts) A 1
Elongaci < 10 - 12 - 14 - 16 > 16

10 12 14

Combinacin para respuesta mxima

1 B

1 C

Para el caso de hacer un zoom en la respuesta se tiene: Stat > DOE > Mixture > Overlaid Contour plot Response --Elongation contours

Low Limit 12 High Limit 14 OK


Overlaid Contour Plot of Elongacin
(component amounts) A 1
Elongacin 12 14

1 B

1 C

Pgina 214 de 308

1 B

C CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Paso 7. Optimizador de respuesta Stat > DOE > Mixture > Response optimizer Indicar en Response Elongation En Setup indicar los valores de la respuesta ptima: Lower 10 Target 15 Upper 20 En Options indicar los valores iniciales de las variables A = 0.3 B = 0.3 C = 0.4 La suma debe dar la Unidad OK

Ejemplo de diseo Simplex Centroid Stat > DOE > Mixture > Create Mixture Design Seleccionar Simplex Centroid Seleccionar 3 Components Designs seleccionar Augment Axial Points Seleccionar No Replicates for the selected different types of points: 1 Vertex 2 2 Double Blend 1 0 Center points 2 -1 Axial point 1 OK Experimento 1 2 3 4 5 6 7 8 9 10 11 12 A 1 0 0 0.5 0.5 0 0.33333 0.66667 0.16667 0.16667 1 B 0 1 0 0.5 0 0.5 0.33333 0.16667 0.66667 0.16667 0 C 0 0 1 0 0.5 0.5 0.33333 0.16667 0.16667 0.66667 0 RENDIMIENTO 24.5 24.8 22.7 25.1 24.3 23.5 24.8 24.2 23.9 23.7 25.1

Pgina 215 de 308

CURSO TALLER DE MINITAB 15 13 14 15 0 0 0.33333 1 0 0.33333 0 1 0.33333 23.9 23.6 24.1

P. Reyes / Agosto 2007

Sim plex Design Plot in Am ounts


A 1

1 B

1 C

Simplex Centroid Design Components: Process variables: 3 0 Design points: Design degree: 14 3

Mixture total: 1.00000

Number of Boundaries for Each Dimension Point Type Dimension Number 1 0 3 2 1 3 0 2 1

Number of Design Points for Each Type Point Type Distinct Replicates Total number 1 3 2 6 2 3 1 3 3 0 0 0 0 1 2 2 -1 3 1 3

Bounds of Mixture Components Amount Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Proportion Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Pseudocomponent Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Comp A B C

Simplex Centroid Design Components: Process variables: 3 0 Design points: Design degree: 14 3

Mixture total: 1.00000

Number of Boundaries for Each Dimension Pgina 216 de 308

CURSO TALLER DE MINITAB 15 Point Type Dimension Number 1 0 3 2 1 3 0 2 1

P. Reyes / Agosto 2007

Number of Design Points for Each Type Point Type Distinct Replicates Total number 1 3 2 6 2 3 1 3 3 0 0 0 0 1 2 2 -1 3 1 3

Bounds of Mixture Components Amount Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Proportion Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000 Pseudocomponent Lower Upper 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Comp A B C

Simplex Design Plot in Amounts Regression for Mixtures: RENDIMIENTO versus A, B, C Estimated Regression Coefficients for RENDIMIENTO (component proportions) Term A B C A*B A*C B*C Coef 24.744 24.311 23.178 1.514 1.114 -1.086 SE Coef 0.3225 0.3225 0.3225 1.8168 1.8168 1.8168 T * * * 0.83 0.61 -0.60 P * * * 0.429 0.557 0.566 VIF 1.548 1.548 1.548 1.718 1.718 1.718

S = 0.465276 R-Sq = 70.91%

PRESS = 5.27297 R-Sq(pred) = 11.44%

R-Sq(adj) = 52.74%

Analysis of Variance for RENDIMIENTO (component proportions) Source Regression Linear Quadratic Residual Error Lack-of-Fit Pure Error Total DF 5 2 3 8 4 4 13 Seq SS 4.2224 3.9247 0.2978 1.7319 0.4969 1.2350 5.9543 Adj SS 4.2224 2.7487 0.2978 1.7319 0.4969 1.2350 Adj MS 0.84449 1.37433 0.09925 0.21648 0.12421 0.30875 F 3.90 6.35 0.46 0.40 P 0.043 0.022 0.719 0.800

Mixture Surface Plot of RENDIMIENTO


(component amounts)

Pgina 217 de 308


25.0 24.5

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

25.0

24.5

RENDIMIENTO

24.0 A 23.5 1.00 0.00 0.00

1.00

0.00

1.00 C

Mixture Contour Plot of RENDIMIENTO


(component amounts) A 1
RENDI MI ENTO < 23.2 23.2 - 23.6 23.6 - 24.0 24.0 - 24.4 24.4 - 24.8 > 24.8

1 B

1 C

Con 23.5 y 24.5

Overlaid Contour Plot of RENDI MIENTO


(component amounts) A 1
RENDI MI ENTO 23.5 24.5

1 B

1 C

Estimate in 23.5 Components 0.3

24

25

0.3

0.4

Pgina 218 de 308

CURSO TALLER DE MINITAB 15


[ ]:A 1.0000 [0.30] 0.0 [ ]:B 1.0 [0.1889] 0.0 [ ]:C 1.0 [0.5111] 0.0

P. Reyes / Agosto 2007

Optimal D 0.97319

Hi Cur Lo

RENDIMIE Targ: 24.0 y = 24.0134 d = 0.97319

Opciones adicionales del diseo de experimentos de mezclas:


1. Lmites inferior o superior en algunos componentes, por restricciones del proceso: La presencia de restricciones inferior y superior en los componentes, crea una condicin de zona de factibilidad, se utilizan los diseos de vrtices extremos para cubrir el espacio de diseo.

Diseo con restriccin de lmite superiores

Diseo con restricciones de lmite inferior

Las lneas grises representan las restricciones inferior y superior de los componentes. El rea sombreada representa el espacio de diseo.. Los puntos se colocan en los vrtices extremos del espacio de diseo.

Pgina 219 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2. Experimento con cantidades de la mezcla - Diseo de vrtices extremos En este experimento, se asume que la respuesta depende de las proporciones del componente y la cantidad de la mezcla. Por ejemplo, la cantidad aplicada y las proporciones de los ingredientes de un invernadero afectan al crecimiento de las plantas. Cuando un experimento de mezclas se realiza en dos o ms niveles de la cantidad total de mezcla, se denomina experimento - cantidad - mezcla. Components seleccionar Multiple totals (1-5), poner 20 y 40

Diseo Simplex Lattice con 3 componentes: RunOrder 1 2 3 4 5 6 7 8 9 10 11 12 13 14 A 17 5 5 9 13 7 7 34 10 10 18 26 14 14 B 2 14 2 6 4 10 4 4 28 4 12 8 20 8 C 1 1 13 5 3 3 9 2 2 26 10 6 6 18 Amount 20 20 20 20 20 20 20 40 40 40 40 40 40 40

3. Experimentos de mezclas con variables de proceso - Diseo de vertices extremos Las variables de proceso son factores en un experimento que no son parte de la mezcla, pero que pueden afectar las propiedades de la mezcla. Por ejemplo las propiedades adhesivas de una pintura puede depender de la temperatura a la que se aplica. Se permiten hasta 7 factores con dos niveles en el diseo de mezclas. Las variables del proceso se pueden incluir como diseo factorial completo o fraccional. El diseo de mexclas se genera con cada una de las combinaciones de los niveles de variables de proceso o en una fraccin de las mismas

- Especificar tipo de diseo Full / Fraction y el nivel de la fraccin deseada

- Nombrar las variables del proceso Pgina 220 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

- Poner los niveles bajo y alto para las variables del proceso

Solo se puede con proporciones de componentes como sigue:

4. DOE de mezclas con lmites restrictivos y restricciones lineales - vrtices extremos Linear contraints - especifica la restriccin en trminos de una programacin simplex Por ejemplo, se quiere agregar una restriccin lineal en la siguiente situacin de humedad de ingredientes (huevos, leche, aceite) en una mezcla de pastel de modo que en conjunto no sea menor a 40% ni mayor a 60% de la mezcla total. Si se permiten cantidades iguales de estos ingredientes, se deben usar los valores siguientes para la restriccin lineal: valor bajo de 0.4, valor superior de 0.6, y los coeficientes de los componentes son 1. Para el caso de una mezcla de cuatro componentes, se puede tener:

MODULO 8. TPICOS ESPECIALES


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

1. INTRODUCCIN
Los mtodos de anlisis de series de tiempo consideran el hecho que los datos tomados en diversos periodos de tiempo pueden tener algunas caractersticas de autocorrelacin, tendencia Pgina 221 de 308

CURSO TALLER DE MINITAB 15 o estacionalidad que se debe tomar en cuenta. Definicin de serie de tiempo: Es una secuencia ordenada de valores de una variable en intervalos de tiempo peridicos y consecutivos.

P. Reyes / Agosto 2007

Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las fuerzas de influencia en los datos y descubrir la estructura que produjo los datos observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo, retroalimentacin y control en avance. 2. TENDENCIA Y ESTACIONALIDAD Tendencias:Si los datos muestran una tendencia, se pueden ajustar los datos con algn tipo de curva o recta y modelar los residuales. Como el propsito del ajuste es simplemente remover la tendencia a largo plazo, una lnea recta es suficiente. Estacionalidad: son fluctuaciones peridicas, por ejemplo cuando hay picos de ventas en la navidad y despus declinan. 3. INDICADORES DE MODELOS DE SERIES DE TIEMPO MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores estimados de la serie de tiempo. La exactitud se expresa como un porcentaje con igual al valor observado, es el valor estimado y n el nmero de observaciones.

MAD: Desviacin media absoluta, mide la exactitud de los valores estimados de la serie de tiempo. . Expresa la exactitud en las mismas unidades de los datos

MSD: Desviacin cuadrtica media, es ms sensible a errores anormales de pronstico que el MAD.

4. MTODOS DE PRONSTICO
Los mtodos de series de tiempo incluyen mtodos de pronstico y de suavizamiento simples, mtodos de anlisis de correlacin y mtodos de Box Jenkins ARIMA.

Anlisis de tendencias
Ajusta un modelo general de tendencias a datos de series de tiempo, se puede seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento o declinacin) y de curva - S (para tecnologa). Usar este modelo si no hay componente estacional en el patrn de serie de tiempo. Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo. Las instrucciones de Minitab son las siguientes: Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los ltimos 60 meses.

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


Pgina 222 de 308

CURSO TALLER DE MINITAB 15 2. Ejecutar Stat > Time Series > Trend Analysis. 3. En Variable, poner Trade. 4. En Model Type, seleccionar Quadratic. 5. Seleccionar Generate forecasts y poner 12 en Number of forecasts. 6. Seleccionar Storage . 7. Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Los resultados son los siguientes: Fitted Trend Equation Yt = 320.762 + 0.509373*t + 0.0107456*t**2 Accuracy Measures MAPE 1.7076 MAD 5.9566 MSD 59.1305

P. Reyes / Agosto 2007

Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere utilizar el mtodo de descomposicin:

Mtodo de Descomposicin
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal y estacionalidad as como el error. Se puede usar componente de estacionalidad en modo aditivo o multiplicativo con la tendencia Las intrucciones de Minitab son las siguientes: Despus de correr el ejemplo de Anlisis de Tendencias con el archivo EMPLOY.MTW 1. Stat > Time Series > Decomposition. 2. En Variable indicar RESI1 (columna donde se guardaron los residuos de Trend Analysis - Tendencias) 3. En Seasonal length, poner 12. 4. En Model Type, seleccionar Additive. En Model Components, seleccionar Seasonal only. 5. Seleccionar Generate forecasts y poner 12 en Number of forecasts. 6. Seleccionar Storage . Seleccionar Forecasts y Fits. 7. Seleccionar OK en cada cuadro de dilogo Los resultados se muestran a continuacin: Time Series Decomposition for RESI1 Additive Model 20 Data RESI1 Length 60 10 Seasonal Indices Period Index 1 -8.4826 2 -13.3368
R E S I1 0

Tim e Series Decom position Plot for RESI1


AdditiveModel
Variable Actual Fits Trend Forecasts AccuracyMeasures MAPE 8 81.582 MAD 2.802 MSD 11.899

-10

1 7 14 Pgina 223 de 308

-20

21

28

35 42 Index

49

56

63

70

-10 CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007


28 35 42 Index 49 56 63 70

3 4 5 6 7 8 9 10 11 12

-11.4410 -5.8160 0.5590 3.5590 1.7674 3.4757 3.2674 5.3924 8.4965 12.5590

-20 1 7 14 21

Com ponent Analysis for RESI 1


AdditiveModel

Original Data
10 D a ta 0 -10 -20 1 6 12 18 24 30 Index 36 42 48 54 60

Se a s . Adj. D a ta

Accuracy Measures MAPE 881.582 MAD 2.802 MSD 11.899 Forecasts Period Forecast 61 62 63 64 65 66 67 68 69 70 71 72 -8.4826 -13.3368 -11.4410 -5.8160 0.5590 3.5590 1.7674 3.4757 3.2674 5.3924 8.4965 12.5590

Seasonally Adjusted Data


10 0 -10 -20 1 6 12 18 24 30 Index 36 42 48 54 60

Seasonal Analysis for RESI 1


AdditiveModel
SeasonalIndices
10 10 0 -1 0 -10 -2 0 1 2 3 4 5 6 7 8 9 1 0 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period


12 10 5 0 4 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 1

Residuals, by Seasonal Period

10

11

12

Analizando la informacin para un ao se tiene:

Time Series Decomposition Plot for RESI 1


AdditiveModel 20
Variable Actual Fits Trend Forecasts AccuracyMeasures MAPE 881.582 MAD 2.802 MSD 11.899

10

RE SI1

-10

Pgina 224 de 308


-20 1 2 3 4 5 6 7 Index 8 9 10 11 12

RE

MSD

11.899

CURSO TALLER DE MINITAB 15


-10

P. Reyes / Agosto 2007

-20 1 2 3 4 5 6 7 Index 8 9 10 11 12

La descomposicin genera tres tipos de grficas: Una grfica de serie de tiempo mostrando los datos originales con la lnea de tendencia ajustada, valores estimados y pronsticos Un anlisis de componentes con grficas separadas para la serie, datos sin tendencia, datos ajustados con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos). Un anlisis estacional, mostrando los ndices estacionales y la variacin porcentual dentro de cada estacin respecto a la suma de la variacin por estacin y grficas de caja de los residuos por periodo estacional.

Mtodo de promedio mvil


Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo. Este mtodo es adecuado cuando no hay componente de tendencia ni estacionalidad, sin embargo hay alternativas si se presentan estos patrones. Se calcula el promedio mvil de la serie. Por ejemplo si se tienen los nmeros 4, 5, 8, 9, 10 y se usa un promedio mvil de 3. Los primeros dos valores no existen. El tercer valor es el promedio de 4, 5, y 8; el cuarto valor es el promedio de 5, 8, y 9; el quinto valor es el promedio de 8, 9, y10. Ejemplo: Se desea predecir el empleo durante los prximos 6 meses en el segmento de metales con los datos de los ltimos 60 meses. Se usa el mtodo de promedio mvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los datos 1 2 3 4 5 File > Open worksheet EMPLOY.MTW. Seleccionar Stat > Time Series > Moving Average. En Variable, seleccionar Metals. En MA length, poner 3. Seleccionar Center the moving averages. Seleccionar Generate forecasts, y poner 6 en Number of forecasts. Click OK.

Los resultados obtenidos se muestran a continuacin: Moving Average for Metals Data Metals Length 60 Pgina 225 de 308

CURSO TALLER DE MINITAB 15 NMissing 0 Moving Average Length Accuracy Measures MAPE 0.890317 MAD 0.402299 MSD 0.255287
M etals

P. Reyes / Agosto 2007

3
52 50 48 46 44 42 40 1 7 14

Moving Average Plot for Metals


Variable Actual Fits Forecasts 95.0% PI Moving Average Length 3 Accuracy MAPE MAD MSD Measures 0.890317 0.402299 0.255287

Forecasts Period Forecast 61 49.2 62 49.2 63 49.2 64 49.2 65 49.2 66 49.2

Lower 48.2097 48.2097 48.2097 48.2097 48.2097 48.2097

Upper 50.1903 50.1903 50.1903 50.1903 50.1903 50.1903

21

28

35 Index

42

49

56

63

En la grfica se observa que el pronstico est muy cercano a los valores reales.

Mtodo de suavizamiento exponencial simple


Se aplica cuando se tiene un comportamiento de la serie de tiempo sin tendencia o estacionalidad y se desean pronsticos a corto plazo. Del ejemplo anterior se tiene: 1 File > Open worksheet EMPLOY.MTW. 2 Seleccionar Stat > Time Series > Single Exp Smoothing. 3 En Variable, poner Metals. 4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK. Los resultados se muestran a continuacin: Single Exponential Smoothing for Metals Data Metals Length 60 Smoothing Constant Alpha 1.04170 Accuracy Measures MAPE 1.11648 MAD 0.50427 MSD 0.42956
M etals 52 50 48 46

Smoothing Plot for Metals


Single Exponential Method
Variable Actual Fits Forecasts 95.0% PI Smoothing Constant Alpha 1.04170 Accuracy MAPE MAD MSD Measures 1.11648 0.50427 0.42956

Forecasts Period Forecast 61 48.0560 62 48.0560 63 48.0560 64 48.0560 65 48.0560 66 48.0560

Lower 46.8206 46.8206 46.8206 46.8206 46.8206 46.8206

Upper 44 49.2914 42 49.2914 49.2914 40 49.2914 49.2914 49.2914

14

21

28

35 Index

42

49

56

63

De la grfica se observan valores ms altos que en el promedio mvil

Mtodo de suavizamiento exponencial doble


Se aplica cuando se tiene una serie de tiempo con una cierta tendencia sin estacionalidad y se desean pronsticos a corto plazo.

Pgina 226 de 308

CURSO TALLER DE MINITAB 15 Del ejemplo anterior se tiene: 1 File > Open worksheet EMPLOY.MTW. 2 Seleccionar Stat > Time Series > Double Exp Smoothing. 3 En Variable, poner Metals. 4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK. Los resultados se muestran a continuacin: Double Exponential Smoothing for Metals Data Metals Length 60 Smoothing Constants Alpha (level) 1.03840 Gamma (trend) 0.02997 Accuracy Measures MAPE 1.19684 MAD 0.54058 MSD 0.46794
M etals 54 52 50 48 46

P. Reyes / Agosto 2007

Smoothing Plot for Metals


Double Exponential Method
Variable Actual Fits Forecasts 95.0% PI Smoothing Constants Alpha (level) 1.03840 Gamma (trend) 0.02997 Accuracy MAPE MAD MSD Measures 1.19684 0.54058 0.46794

Forecasts Period Forecast 61 48.0961 62 48.1357 63 48.1752 64 48.2147 65 48.2542 66 48.2937

Lower 46.7718 46.0600 45.3135 44.5546 43.7899 43.0221

Upper 44 49.4205 42 50.2113 51.0368 40 51.8747 52.7184 53.5652

14

21

28

35 Index

42

49

56

63

Los indicadores de exactitud son menores que para el suavizamiento simple, sin embargo si hay tendencia, este modelo es mejor.

Mtodo de Winters
Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad. Suaviza los datos por el mtodo exponencial de Holt - Winters. Se recomienda este mtodo cuando estn presentes los componentes de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa. El efecto multiplicativo se presenta cuando el patrn estacional en los datos depende del tamao de los datos o sea cuando la magnitud del patrn estacional se incrementa conforme los valores aumentan y decrece cuando los valores de los datos disminuyen El efecto aditivo es mejor cuando el patrn estacional en los datos no depende del valor de los datos, o sea que el patrn estacional no cambia conforme la serie se incrementa o disminuye de valor. El mtodo de Winters calcula los estimados de de tres componentes: nivel, tendencia y estacionalidad. Calcula estimados dinmicos con ecuaciones para los tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una mayor ponderacin a observaciones recientes y menos peso a observaciones pasadas, las ponderaciones decrecen geomtricamente a una tasa constante. Instrucciones de Minitab 1. Open Worksheet EMPLOY.MTW. 2. Ejecutar Stat > Time Series > Winters' Method. 3. En Variable, poner Food. In Seasonal length, 12 . 4. En Model Type, seleccionar Multiplicative. Pgina 227 de 308

CURSO TALLER DE MINITAB 15 5. Seleccionar Generate forecasts poner 4 en Number of forecasts. Seleccionar OK. Winters' Method for Food Multiplicative Method Smoothing Constants Alpha (level) 0.2 Gamma (trend) 0.2 Delta (seasonal) 0.2 Accuracy Measures MAPE 1.88377 MAD 1.12068 MSD 2.86696 Con el mtodo aditivo se tiene: Accuracy Measures MAPE 1.94769 MAD 1.15100 MSD 2.66711 Interpretacin de los resultados

P. Reyes / Agosto 2007

Winters' Method Plot for Food


Multiplicative Method 85 80 75 70 F ood 65 60 55 50 1 7 14 21 28 35 42 Index 49 56 63 70
Variable Actual Fits Forecasts 95.0% PI SmoothingConstants Alpha (level) 0.2 Gamma (trend) 0.2 Delta (seasonal) 0.2 AccuracyMeasures MAPE 1.88377 MAD 1.12068 MSD 2.86696

La grfica muestra los valores de la serie y los estimados (un periodo adelante) y 12 pronsticos. El mtodo multiplicativo es ligeramente mejor que el aditivo, de acuerdo a los indicadores. ANLISIS DE CORRELACIN Y MTODO DE ARIMA El anlisis de correlacin, anlisis de diferencias, autocorrelacin y autocorrelacin parcial, son utilizadas para identificar un modelo adecuado de ARIMA. El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin componentes de tendencia o estacionalidad y proporcionar pronsticos. El perfil de pronstico depende del modelo de ajuste. Tiene la ventaja de ser ms flexible que los mtodos de suavizamiento para el ajuste de los datos, sin embargo la identificacin del modelo adecuado consume tiempo y no puede ser automatizado.

Diferencias y atrasos
Las diferencias se calculan entre los valores de los datos de la serie de tiempo, sirven para identificar patrones de tendencia y estacionalidad. Los atrasos (lags), son valores anteriores con los que se determina el siguiente valor pronosticado Ejemplo: Si se desean obtener diferencias y atrasos de 12 meses con los datos de Employ.mtw se tiene: Intrucciones de Minitab: 1. File > Open Worksheet Employ.mtw 2. Stat > Time series > Differences 3. Series Food 4. Store Differences in C4 5. Lag 12 6. OK Y para los retrasos (lags): 1. File > Open Worksheet Employ.mtw 2. Stat > Time series > Lags 3. Series Food Los resultados parciales se muestran a continuacin: Food 43.1 42.6 42.4 42.2 41.8 40.1 42 42.4 43.1 42.4 43.1 Pgina 228 de 308 Difs A partir del rengln 10 Lags

-1.4 -1.5 -1.7 -0.1 -0.1 -1 -1.1 -1.1

53.5 53 53.2 52.5 53.4 56.5 65.3 70.7

CURSO TALLER DE MINITAB 15 4. Store Lags in C5 5. Lag 12 6. OK Para ver las grficas: 1. Graph > Time series > simple 2. Series Difs o Lags. Ok
Time Series Plot of Lags
6

P. Reyes / Agosto 2007

Time Series Plot of Difs

70
5 4 3

65 Lags
Difs

60

2 1

55

0 -1

50 1 6 12 18 24 30 Index 36 42 48 54 60

-2 1 6 12 18 24 30 Index 36 42 48 54 60

Autocorrelacin
La autocorrelacin: es la correlacin entre observaciones de una serie de tiempo separadas por K unidades de tiempo, su grfica se denomina funcin de autocorrelacin (ACF), su anlisis permite seleccionar los trminos a ser incluidos en el modelo ARIMA. Ejemplo con los datos anteriores: Se desea predecir el empleo para los siguientes seis meses en la industria alimenticia usando datos colectados sobre los ltimos 60 meses, se utiliza el modelo de autocorrelacin para identificar el modelo ARIMA adecuado. Se asume que puede haber estacionalidad cada 12 meses. 1 File > Open worksheet EMPLOY.MTW. 2 Ejecutar Stat > Time Series > Differences . 3 En Series, poner Food. 4 En Store differences in, poner Food2. 5 En Lag, poner 12 . OK. 6 Ejecutar Stat > Time Series > Autocorrelation. 7 En Series, poner Food2. OK. Autocorrelation Function: Food2 Lag ACF T LBQ 1 0.701388 4.86 25.12 2 0.512266 2.52 38.81 1.0 3 0.366882 1.60 45.99 0.8 0.6 4 0.310364 1.29 51.24 0.4 5 0.234743 0.94 54.32 0.2 6 0.173069 0.68 56.03 0.0 7 0.162046 0.63 57.57 -0.2 8 0.170051 0.66 59.30 -0.4 -0.6 9 0.322438 1.24 65.70 -0.8 10 0.252774 0.94 69.74 -1.0 11 0.208020 0.76 72.54 12 0.150936 0.55 74.06
Autocorrelation

Autocorrelation Function for Food2


(with 5% significance limits for the autocorrelations)

6 Lag

10

11

12

Pgina 229 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Es estadstico Ljung-Box Q (LBQ) prueba la hiptesis nula de que las autocorrelaciones hasta el retaraso K=12 son iguales a cero. Si el LBQ es mayor que un cierto valor crtico, las autocorrelaciones para uno o ms retrasos pueden ser diferentes de cero significativamente. Sugiriendo que los valores no son aleatorios e independientes en el tiempo. LBQ tambin se usa para evaluar el supuesto despus de ajuste de un modelo ARIMA, que los residuos son independientes.

Prueba de que los coeficientes de autocorrelacin son significativos hasta un retraso de 6 (LBQ).
El estadstico LBQ es 56.03 Paso 1. calcular la funcin de distribucin acumulada. 1 Calc > Probability Distributions > Chi-Square. 2 Seleccionar Cumulative Probability. 3 En Degrees of freedom, poner 6 (el retraso en la prueba). 4 Seleccionar Input constant y poner 56.03 (el valor de LBQ ). 5 En Optional storage, poner Cumprob. Click OK. Paso 2. Calcular el valor P 1 Calc > Calculator. 2 En Store result in variable poner pvalue. 3 En Expression, poner 1 - 'Cumprob'. Click OK. Pvalue 2.87059E-010 Alguno de los retrasos hasta 6 son significativos. En la grfica se muestran los retrasos 1 y 2 con valores excediendo los lmites de confianza, por lo indican que un modelo autoregresivo puede modelar los datos.

Autocorrelacin parcial:
Es la correlacin entre conjuntos de pares ordenados de una serie de tiempo, mide la fuerza de la relacin con otros trminos tomados en cuenta. La autocorrelacin parcial en una posicin K es la correlacin entre residuos en tiempo t de un modelo autoregresivo y las observaciones en la posicin K con trminos para todas las posiciones que intervienen en el modelo autoregresivo. Su grfica se denomina funcin de autocorrelacin (PACF). su anlisis permite seleccionar los trminos a ser incluidos en el modelo ARIMA. Ejemplo: Se obtiene una funcin de autocorrelacin parcial (PACF) de los datos de empleo anteriores, despus de tomar una diferencia del valor anterior 12 para determinar el modelo ARIMA ms adecuado. Las instrucciones de Minitab son las siguientes: 1 File > Open Worksheet EMPLOY.MTW 2 Ejecutar Stat > Time Series > Differences . 3 En Series, poner Food. 4 En Store differences in, poner Food2. 5 En Lag, poner 12 . OK. 6 Ejecutar Stat > Time Series > Partial Autocorrelation . 7 En Series, poner Food2. OK. Los resultados se muestran a continuacin: Partial Autocorrelation Function: Food2 Lag PACF T Partial Autocorrelation Function for Food2 1 0.701388 4.86 (with 5% significance limits for the partial autocorrelations) 2 0.039998 0.28 1.0 3 -0.012022 -0.08
0.8 tocorrelation 0.6 0.4 0.2 0.0

Pgina 230 de 308

(with 5% significance limits for the partial autocorrelations)

CURSO 1.0 TALLER DE MINITAB 15 4 5 6 7 8 9 10 11 12 0.092572 -0.034921 -0.014194 0.075222 0.049848 0.326936 -0.227678 0.005302 -0.000979 0.64 -0.24 -0.10 0.52 0.35 2.27 -1.58 0.04 -0.01
0.8 Partial Autocorrelation 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 2 3 4 5 6 Lag 7 8 9

P. Reyes / Agosto 2007

10

11

12

En el ejemplo para los alimentos, hay un pico nico de 0.7 en el retraso 1, el cual es tpico de un proceso autopregresivo de orden uno. Hay un pico en el retraso 9 pero no hay evidencia de que haya ocurrido un proceso no aleatorio alli. Despus, examinar las funciones ACF y PACF de los datos estacionarios de manera de identificar que modelo autorregresivo o de promedio mvil se sugiere. Una funcin ACF con picos altos iniciales que decaen a cero o una funcin PACF con picos altos en el primero y posiblemente en el segundo atraso indica un proceso autorregresivo. Una funcin ACF con pico alto inicial y posib. en el segundo retraso y una funcin PACF con picos altos en los primeros atrasos que decaen a cero indica un proceso de promedio mvil. Si las funciones ACF y PACF tienen pico altos que gradualmente caen a cero indican que los procesos de promedios mviles y autoregresivo estn presentes.

Correlacin cruzada
Se usa para calcualr la correlacin cruzada entre dos series de tiempo, las cuales prueden ser utilizadas para determinar si uan serie de datos sigue a la otra y por cuantos periodos de tiempo ya sea con K periodos adelante o atrs.

1 Stat > Time Series > Cross Correlation. 2 En First Series, seleccionar la clumna con la primera serie. 3 En Second Series, seleccionar la columna con la segunda serie. 4 Seleccionar el nmero de retrasos K a probar.Click OK.

El mtodo ARIMA Ajustar el modelo ARIMA de Box Jenkins a una serie de tiempo, representa pasos de filtraje hasta que solo haya ruido aleatorio, se usa para generar pronsticos. De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo proponen un mtodo iterativo que incluye: Identificar el modelo aplicando el juicio del analista. Estimar los parmetros. Pgina 231 de 308

CURSO TALLER DE MINITAB 15 Verificar la adecuacin del modelo. Hacer pronsticos de ser necesario.

P. Reyes / Agosto 2007

1. Decidir si los datos son estacionarios. Es decir si los datos poseen media y varianza constante. Examinar la grfica de serie de tiempo para ver si es necesaria una transformacin para tener varianza constante. Examinar la funcin de autocorrelacin (ACF) para ver si las autocorrelaciones no decaen, indicando que se pueden requerir diferencias para dar una media constante. Un patrn de estacionalidad que se repite cada k-simo intervalo de tiempo sugiere tomar una diferencia k-sima para eliminar una porcin del patrn. La mayora de las series no requieren ms de dos operaciones de diferencias u rdenes. Usar Stat > Time Series > Differencespara obtener las diferencias. Examinar las funciones ACF y PACF de las serie de datos diferenciada, con Stat > Time Series > Autocorrelation y Stat > Time Series > Partial Autocorrelation. 2. Despus, examinar las funciones ACF y PACF de los datos estacionarios de manera de identificar que modelo autorregresivo o de promedio mvil se sugiere (ver Autocorrelacin parcial). 3. Una vez que se ha identificado uno o ms de los modelos a utilizar, continuar con el proced. ARIMA. Ajustar el modelo y examinar la significancia de los parmetros y seleccionar un modelo que tenga el mejor ajuste. Si se desea un modelo estacional (intervalo en que se repite el patrn) seleccionar Fit seasonal model e introducir el periodo (default 12). Para especificar los parmetros del modelo de promedios mviles y autoregresivo incluyendo el modelo estacional o no estacional ARIMA, seleccionar un valor de 0 a 5. Al menos uno de esos parmetros no debe ser cero. La mayora de modelo slo requieren dos parmetros. Si se pone 2 en la celda Moving Average en Seasonal el modelo incluir trminos de primero y segundo orden de promedios mviles. Para especificar el nmero de diferencias estacinales o no estacinales a tomar, poner el nmero en la celda apropiada. Si se requiere una diferencia estacional de K como el periodo de estacionalidad, se tomar la diferencia k-sima. Para incluir la constante en el modelo, seleccionar Include constant term in model. Checar que las funciones ACF y PACF de residuos indiquen un proceso aleatorio, sin picos altos, usando las grficas de ARIMA. Si hay picos altos, considerar cambiar el modelo. Ejemplo de ARIMA Las grficas de autocorrelacin (ACF) y de autocorrelacin parcial (PACF) sugieren un modelo de autoregresivo de orden 1 o AR(1), despus de tomar una diferencia de 12. Ahora se corre el modelo, analizando las grficas y la bondad de ajuste. Para tomar una diferencia estacional de orden 12, se especific el periodo estacional de 12 y el orden de la diferencia 1, con esto se realiza el pronstico.

Instrucciones de Minitab 1 Worksheet EMPLOY.MTW. 2 Stat > Time Series > ARIMA. 3 En Series, poner Food. 4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en Autoregressive. En Seasonal, poner 5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals . 6 OK en cada cuadro de dilogo.

Pgina 232 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Differencing: 0 regular, 1 seasonal of order 12

Partial Autocorrelation

Los resultados se muestran a continuacin: ARIMA Model: Food ACF of Residuals for Food (with 5% significance limits for the autocorrelations) Estimates at each iteration 1.0 Iteration SSE Parameters 0.8 0.6 0 95.2343 0.100 0.847 0.4 1 77.5568 0.250 0.702 0.2 0.0 2 64.5317 0.400 0.556 -0.2 3 56.1578 0.550 0.410 -0.4 4 52.4345 0.700 0.261 -0.6 -0.8 5 52.2226 0.733 0.216 -1.0 6 52.2100 0.741 0.203 1 2 3 4 5 6 7 8 9 10 11 12 Lag 7 52.2092 0.743 0.201 8 52.2092 0.743 0.200 9 52.2092 0.743 0.200 Relative change in each estimate less than 0.0010 Final Estimates of Parameters PACF of Residuals for Food (with 5% significance limits for the partial autocorrelations) Type Coef SE Coef T P 1.0 AR 1 0.7434 0.1001 7.42 0.000 0.8 Constant 0.1996 0.1520 1.31 0.196 0.6
Autocorrelation

0.4

0.2 Number of observations: Original series 60, 0.0 after differencing 48 -0.2 Residuals: SS = 51.0364 (backforecasts -0.4 excluded) MS = 1.1095 DF = 46 -0.6 Modified Box-Pierce (Ljung-Box) Chi-Square -0.8 statistic -1.0 Lag 12 24 36 48 1 2 3 Chi-Square 11.3 19.1 27.7 * DF 10 22 34 * P-Value 0.338 0.641 0.768 *

6 Lag

10

11

12

El modelo ARIMA converge en 9 iteraciones. El modelo AR(1) tiene un estadstico t de 7.42, como regla si t es mayor a 2 se puede juzgar el parmetro como significativo diferente de cero. El MSE (1.1095) se usa para comparar el ajuste de diferentes modelos ARIMA. Los residuos no parecen estar correlacionados como se muestra en las grficas (estan dentro de los intervalos de confianza, se asume que el valor 9 es aleatorio). El modelo AR(1) parece ser adecuado para pronosticar los siguientes 12 meses de alimentos. Paso 1. Correr el modelo ARIMA sin grficas de ACF y PACF de los residuos 1 File > Open Worksheet EMPLOY.MTW. 2 Stat > Time Series > ARIMA. 3 En Series, poner Food. 4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en Autoregressive. En Seasonal, poner 1 en Difference . Paso 2: Mostrar la Grfica de serie de tiempo 1 Seleccionar Graphs. Seleccionar Time series plot. OK. Paso 3. Generar los pronsticos 1 Seleccionar Forecast. en Lead, poner 12 . OK en cada cuadro de dilogo. Los pronsticos son los siguientes: Forecasts from period 60
Time Series Plot for Food

Period 61

Forecast 56.4121

95% Limits 80 Lower Upper 54.3472 58.4770 75

(with forecasts and their 95% confidence limits)

Actual

70 Pgina 233 de 308 F ood 65

80

CURSO TALLER DE MINITAB 15


75

P. Reyes / Agosto 2007

62 63 64 65 66 67 68 69 70 71 72

55.5981 55.8390 55.4207 55.8328 59.0674 69.0188 74.1827 76.3558 67.2359 61.3210 58.5100

53.0251 53.0243 52.4809 52.8261 56.0244 65.9559 71.1089 73.2760 64.1527 58.2360 55.4240

58.1711 70 58.6537 58.3605 65 58.8394 62.1104 60 72.0817 77.2565 55 79.4357 50 70.3191 64.4060 61.5960
F ood

12

18

24

30

36 Tim e

42

48

54

60

66

72

El modelo ARIMA proporciona pronsticos con bandas de confianza en 95%, usando el modelo AR(1) la estacionalidad domina el perfil de pronsticos para los prximos 12 meses con los valores pronosticados ligeramente mayores que los 12 meses previos.

8.4 Anlisis Multivariado


Se usa el archivo IBEROAMERICA.MTW de indicadores sociales de los 22 pases iberoamericanos de 1998. Componentes principales: Calcula nuevas variables ("Componentes") en funcin de las variables disponibles que sintetizan la informacin que estas contienen. Estas pocas variables vitales son las que mejor explican el comportamiento de los datos.

Stat > multivariate > Principal components


Todas Nmero de componentes principales (5)

En Scores se almacenan las coordenadas de cada observacin (pas) en los ejes de los componentes principales

Componentes: Primero C13, segundo C14, tercero C15 Los valores propios o eigenvalores representan la proporcin de la variabilidad total explicada por ese componente. Principal Component Analysis: Poblacin (m, Superficie (, % menores 15, Esperan Eigenanalysis of the Correlation Matrix Pgina 234 de 308

CURSO TALLER DE MINITAB 15 Eigenvalue Proportion Cumulative 5.5117 0.501 0.501 2.0441 0.186 0.687 1.4691 0.134 0.820 0.8631 0.078 0.899 0.5554 0.050 0.949 0.2638 0.024 0.973

P. Reyes / Agosto 2007 0.1386 0.013 0.986 0.0660 0.006 0.992

Eigenvalue Proportion Cumulative

0.0475 0.004 0.996

0.0350 0.003 0.999

0.0056 0.001 1.000

Valores propios asociados a cada componente principal Valores propios = 5.5117 + 2.0441 + 1.4691 + ........... + 0.0056 = 11 Proporcin = 50.1% + 18.6% + ...... + 0.001 = 100% Abajo se presenta la aportacin de cada variable a cada compenente principal: Variable Poblacin (miles) Superficie (km2) % menores 15 aos Esperanza vida al nacer Tasa de mortalidad infan Telfonos por 1.000 hab Usuarios Internet por 1000 hab PIB $/hab % PIB Agricultura % PIB Industria % PIB Servicios El primer componente esta formado por aportaciones de las variables ligadas al desarrollo PC1 0.016 -0.024 -0.398 0.358 -0.370 0.387 0.310 0.380 -0.334 0.272 0.019 PC2 0.667 0.679 -0.076 -0.157 0.162 -0.033 0.030 0.085 -0.093 0.122 -0.066 PC3 0.150 0.076 0.008 0.140 -0.111 0.010 0.053 0.018 -0.062 -0.555 0.791 PC4 PC5 El segundo componente 0.023 0.191 est relacionado 0.004 0.122 con el tamao 0.073 0.013 del pas -0.125 0.564 0.096 -0.487 0.266 -0.320 0.625 0.045 0.235 -0.352 0.561 0.330 -0.314 -0.067 -0.197 -0.228

El tercero est centrado en la distribucin del PIB y servicios

Grfica de Pareto de los valores propios que permite visualizar la importancia de cada uno de los componentes
Scree Plot of Poblacin (miles), ..., % PI B Servicios
6 5 4 Eigenvalue 3 2 1 0 1 2 3 4 5 6 7 Component N umber 8 9 10 11

La primera componente representa el 50% y la segunda el 18.6% de la variacin total

La siguiente grfica representa cada una de las observaciones (pases) en las coordenadas de los dos primeros componentes. Para identificar a que pas corresponde cada punto puede usarse la opcin de

Brush.

Pgina 235 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

TAMAO

DESARROLLO Agregando etiquetas a cada punto, seleccionar la grfica y:

Add > Data Labels: Use Labels from Column: Pais


Score Plot of Poblacin (miles), ..., % PI B Servicios
6 5 Second Com ponent 4 3 2 1
Bolivia Per Venezuela Puerto Rico Portugal Mxico Argentina Colombia Ecuador Chile Guatemala Cuba Rep. Dominicana El Salvador Honduras Nicaragua Paraguay Uruguay Panam Costa Rica Espaa Brasil

0 -1 -2 -4

-3

-2

-1

0 1 2 F irst Com ponent

No siempre se le puede dar un nombre a los componentes La siguiente grfica muestra las variables en las coordenadas que corresponden a sus valores en las dos componentes principales.

Loading Plot of Poblacin (miles), ..., % PI B Servicios


0.7 0.6 0.5 Second Com ponent 0.4 0.3 0.2 Tasa de mortalidad infan 0.1 0.0
% menores 15 aos % PIB Servicios % PI B I ndustria PIB $/hab Usuarios I nternet por 1000 hab Telfonos por 1.000 hab Superficie (km2) Poblacin (miles)

-0.1 -0.2

% PI B Agricultura Esperanza vida al nacer

-0.4

-0.3

-0.2

-0.1

0.0 Desarrollo

0.1

0.2

0.3

0.4

La tercera componente que explica el 1.34% de la variabilidad, est relacionada con la distribucin del PIB en la industria y servicios, se puede obtener la grfica de la Pgina 236 de 308

CURSO TALLER DE MINITAB 15 tercera vesus la primera componente como sigue:


Scatterplot of C15 vs C13
3
Panam 1er

P. Reyes / Agosto 2007

2 Tercer Com ponente


Colombia

Mxico

1
El Salvador Guatemala Paraguay

Costa Rica

Uruguay Argentina Chile Espaa

0
Bolivia

Brasil Per Ecuador Venezuela Cuba Portugal Rep. Dominicana Puerto Rico

-1

Nicaragua Honduras

-2 -4 -3 -2 -1 0 1 2 Prim er Com ponente 3 4

Si se guardan previamente los coeficientes de las variables y despus se grafican en una grafica de dispersin, se pueden btener grficas de un tercer componente vesrus el primero, haciendo una columna con los ttulos de las variables para usarse como ttulos en los puntos de una grfica de dispersin, como sigue: Columna de variables Pais Poblacin (miles) Superficie (km2) % menores 15 aos Esperanza vida al nacer Tasa de mortalidad infan Telfonos por 1.000 hab Usuarios Internet por 1000 hab PIB $/hab % PIB Agricultura % PIB Industria % PIB Servicios
Scatterplot of C18 vs C16
% PIB Industria

0.75 0.50

0.25 C18
Superficie (km2) 0.00 PIB $/hab Esperanza vida al nacer

Pais

%m enores 15 aos Usuarios Internet por 1000 hab

Poblacin (miles)

Telfonos por 1.000 hab Tasa de m ortalidad infan

-0.25 -0.50 -0.4 -0.3 -0.2 -0.1 0.0 C16 0.1

% PIB Agricultura

0.2

0.3

0.4

Para agregar lneas a la grfica, insertar celdas de ceros en las columnas corresponientes a los coeficientes del tercer y primer componentes (entre cada una de sus celdas): Seleccionar la grfica y agregar lneas con: Add > Calculated Line; Y tercer comp; X primer comp Comp 1 0.0156420 0.0000000 Comp 3 0.1498280 0.0000000
0.75

Scatterplot of Comp 3 vs Comp 1


% PI B I ndustria

Pgina 237 de 308


0.50 dustrai

0.25

Pais

of Comp 3 vs Comp 1 CURSO TALLER DE Scatterplot MINITAB 15 P. Reyes / Agosto 2007

-0.0238230 0.0000000 -0.3978570 0.0000000 0.3576520 0.0000000 -0.3701140 0.0000000 0.3873530 0.0000000 0.3095390 0.0000000 0.3799270 0.0000000 -0.3335910 0.0000000 0.2722960 0.0000000 0.0191980 0.0000000

0.0764970 0.0000000 0.0080330 0.0000000 0.1395810 0.0000000 -0.1109600 0.0000000 0.0098170 0.0000000 0.0527510 0.0000000 0.0179240 0.0000000 -0.0616860 0.0000000 -0.5545960 0.0000000 0.7907320 0.0000000

% PI B I ndustria

0.75 0.50 Servicios Industrai

0.25 0.00 -0.25 -0.50 -0.4 -0.3 -0.2


Superficie (km2) PI B $/hab Esperanza vida al nacer

Pais Poblacin (miles)

% menores 15 aos Telfonos por 1.000 hab Usuarios I nternet por 1000 hab Tasa de mortalidad infan

% PI B Agricultura

-0.1

0.0 Desarrollo

0.1

0.2

0.3

0.4

Anlisis factorial
Usar el anlisis factorial para resumir la estructura de covarianza de los datos en unas mnimas dimensiones. Aqu el enfasis es la identificacin de factores "relevantes" que puedan explicar las dimensiones asociadas con la variabilidad grande de los datos. 1. Mtodo de los componentes principales Se registran las siguientes caractersticas de 14 registros de censo: - Poblacin total (Pop) - Mediana de educacin escolar (School) - Empleo total (Employ) - Empleo en servicios de salud (Health) - Mediana de valor de casa (Home) Se trata de investigar que "factores" explican la mayor parte de la variabildiad. Como primer paso se usa el anlisis de componentes para examinar la grfica de los eigenvalores (scree plot) para decidir sobre el nmero de factores a considerar. 1 2 3 4 File > Open worksheet EXH_MVAR.MTW. Stat > Multivariate > Factor Analysis. En Variables, seleccionar Pop-Home. Click Graphs y seleccionar Scree plot. Click OK cada cuadro de dilogo.

Los resultados se muestran a continuacin: Factor Analysis: Pop, School, Employ, Health, Home Principal Component Factor Analysis of the Correlation Matrix Unrotated Factor Loadings and Communalities Variable Factor1 Factor2 Factor3 Factor4 Factor5 Communality Pop 0.972 0.149 -0.006 -0.170 0.067 1.000 School 0.545 0.715 0.415 0.140 -0.001 1.000 Employ 0.989 0.005 -0.089 -0.083 -0.085 1.000 Health 0.847 -0.352 -0.344 0.200 0.022 1.000 Home -0.303 0.797 -0.523 -0.005 -0.002 1.000 Variance % Var 3.0289 0.606 1.2911 0.258 0.5725 0.114 0.0954 0.019 0.0121 0.002 5.0000 1.000

Factor Score Coefficients Pgina 238 de 308

CURSO TALLER DE MINITAB 15 Variable Pop School Employ Health Home Factor1 0.321 0.180 0.327 0.280 -0.100 Factor2 0.116 0.553 0.004 -0.272 0.617 Factor3 -0.011 0.726 -0.155 -0.601 -0.914 Factor4 -1.782 1.466 -0.868 2.098 -0.049 Factor5 5.511 -0.060 -6.988 1.829 -0.129

P. Reyes / Agosto 2007

Scree Plot of Pop, ..., Hom e


3.0 2.5 2.0 1.5 1.0 0.5 0.0 1 2 3 F actor N um ber 4 5

La proporcin de la varianza explicada por los ltimos dos factores es mnima (0.019, 0.002) y se pueden eliminar. Los primeros dos factores reunen el 86% de la variabilidad y con tres factores se explica el 98% de la vairabilidad. Por tanto queda por decidir si usar el modelo con 2 o 3 factores. Con un anlisis de dos o tres factores por separado, se examinan las comunalidades para ver como se representan las variables individuales. Si hay alguna no bien representada por el modelo de dos factores, se puede seleccionar un modelo de tres o ms factores. 1 File > Open worksheet EXH_MVAR.MTW. 2 Stat > Multivariate > Factor Analysis. 3 En Variables, seleccionar Pop-Home. 4 En Number of factors to extract, poner 2. 5 En Method of Extraction, seleccionar Maximum likelihood. 6 Enr Type of Rotation, seleccionar Varimax. 7 Click Graphs y seleccionar Loading plot for first 2 factors. 8 Click Results y seleccionar Sort loadings. Click OK en cada cuadro de dilogo. Los resultados se muestran a continuacin: Factor Analysis: Pop, School, Employ, Health, Home Maximum Likelihood Factor Analysis of the Correlation Matrix * NOTE * Heywood case Ocurre en el anlisis factorial caundo el mtodo de estimacin por mxima verosimilitud converge a valores de varianza nicos (especficos) menores a un lmite inferior preestablecido, en este caso es 0 con comunalidad de 1. Unrotated Factor Loadings and Communalities Variable Factor1 Factor2 Communality Pop 0.971 0.160 0.968 School 0.494 0.833 0.938 Employ 1.000 0.000 1.000 Health 0.848 -0.395 0.875 Pgina 239 de 308

Eigenvalue

CURSO TALLER DE MINITAB 15 Home Variance % Var -0.249 2.9678 0.594 0.375 1.0159 0.203 0.202 3.9837 0.797

P. Reyes / Agosto 2007

Rotated Factor Loadings and Communalities 1.0 Varimax Rotation Variable Factor1 Factor2 Communality 0.8 Pop 0.718 0.673 0.968 School -0.052 0.967 0.938 0.6 Employ 0.831 0.556 1.000 Health 0.924 0.143 0.875 0.4 Home -0.415 0.173 0.202
Second F actor 0.2
Home

Loading Plot of Pop, ..., Home


School

Pop Employ

Health

Variance % Var Variance % Var

2.2354 0.447 2.2354 0.447

1.7483 0.350 1.7483 0.350

3.9837 0.0 0.797 3.9837 -0.50 0.797

-0.25

0.00

0.25 F irst F actor

0.50

0.75

1.00

Factor Score Coefficients Variable Factor1 Factor2 Pop -0.165 0.246 School -0.528 0.789 Employ 1.150 0.080 Health 0.116 -0.173 Home -0.018 0.027

En la grfica, el factor 1 tiene alta ponderacin en Pop, Employ y Health y ponderacin negativa en Home. Pudiera nombrarse "health care - population size". El factor 2 tiene una alta ponderacin positiva en School. Pudiera nombrarse "education - poplation size"

Los resultados indican que se trata de un caso Heywood. Hay tres tablas de ponderaciones y comunalidades: no rotada, rotada y ordenada y rotada. Los factores no rotados explican el 79.7% de la variabilidad de los datos (ver ltima lnea de comunalidad) y los valores de la comunalidad indican que los valores indicados por las variables sin Home estn bien representadas por los estos dos factores (comunalidades de 0.202 para Home y 0.0875 a 1 para las otras). El porcentaje de la variabilidad total representada por los factores no cambia con la rotacin, sin emabrgo despus de la rotacin, los factores estn ms balanceados en el porcentaje de variabilidad que representan, con el 44.7% y el 35% respectivamente. Despus de listan las ponderaciones de cada factor de manera ordenada. Sorted Rotated Factor Loadings and Communalities Variable Factor1 Factor2 Communality Health 0.924 0.143 0.875 Employ 0.831 0.556 1.000 Pop 0.718 0.673 0.968 Home -0.415 0.173 0.202 School -0.052 0.967 0.938 Minitab 15 Anlisis de preguntas Se usa para evaluar con que confiabilidad varias preguntas en una encuesta miden el mismo constructo. Se presentan varios tipos de estadsticos para determinar la confiabilidad en general y pregunta por pregunta. - El alfa de Cronbach mide el grado de consistencia interna para todas las preguntas incluidas. Es una medida de consistencia interna. Siendo la consistencia interna uan evaluacin de que tan confiable es una encuesta o preguntas diseadas para medir el mismo cosntructo, realmente lo hagan. Un constructo es un tema relevante, o habilidad tal como comprensin de lectura o satisfaccin del cliente. Para aplicar las mediciones de consistencia interna, las preguntas generalmente se colocan en un mismo instrumento y se aplican a un grupo de gente en una sola ocasin para evitar que confundan las variables.

Pgina 240 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

El alfa de Cronbach evala que tan confiablemente preguntas de una encuesta diseadas para medir el mismo constructo. Realmente lo hacen. Tiene valores entre 0 y 1 donde valores altos sugieren alta consistencia. Como referencia se utiliza el valor de 0.7 para indicar que hay buena consistencia para evaluar el mismo constructo. Por ejemplo, en un banco se quiere evaluar la satisfaccin de sus clientes con oportunidad del servicio: Se pide a 60 clientes a responder a las siguientes tres preguntas usando una escala de 1 a 5 para indicar su nivel de acuerdo. 1-Muy satisfecho; 2-Insatisfecho; 3-Neutral; 4-Satisfecho; 5-Muy satisfecho 1 - Mi telfono, email o carta de dudas fue constestada en un tiempo razonable. 2 - Estoy satisfecho con la oprtunidad del servicio proporcionado 3 - El tiempo que esper para el servicio fue razonableMe gustara recomendar la empresa a otros 4 - Estoy satisfecho con el servicio recibido Si el alfa de Cronbach es alta, hay evidencia de que las preguntas miden el mismo constructo, de otra forma, si su valor es bajo, las preguntas tiene poco en comn y no son buenos indicadores del mismo constructo. 1 File > Open worksheet CRONBACH.MTW. Item 1 Item 2 Item 3 1 1 2 4 3 4 4 2 4 4 5 5

Item 4 4 2 2 2

Etcetera

2 Stat > Multivariate > Item Analysis . 3 En Variables, seleccionar Item 1 - Item 4. 4 Click Graphs y seleccionar Matrix plot of data with smoother. 6 Click OK en cada cuadro de dilogo. Los resultados se muestran a continuacin: Results for: Cronbach.MTW Item Analysis of Item 1, Item 2, Item 3, Item 4 Correlation Matrix
Matrix Plot of I tem 1, I tem 2, Item 3, I tem 4

Item 1 Item 2 Item 3 3 2 0.814 3 0.795 0.789 1 5 4 0.038 0.017 -0.003 Contents: Pearson correlation 3 and Total Statistics 1 Total 5 Variable Count Mean StDev 3 Item 1 60 3.450 1.333 Item 2 60 3.383 1.415 1 1 3 5 1 3 5 1 3 5 Item 3 60 3.317 1.255 I tem 1 I tem 2 I tem 3 Item 4 60 2.167 0.827 En la grfica de correlaciones, los items 1, 2 y 3 tienen una Total 60 12.317 3.833 correlacin positiva, mientras que el 4o. No la tiene. Cronbach's Alpha = 0.7853 > 0.7 Sugiere que algunos items miden el mismo constructo Omitted Item Statistics Item Item Item Cell Item Adj. Total
I tem 4 I tem 3 I tem 2

Omitted

Adj. Total

Item-Adj.

Squared Multiple

Cronbach's

Pgina 241 de 308

CURSO TALLER DE MINITAB 15 Variable Item 1 Item 2 Item 3 Item 4 Mean 8.867 8.933 9.000 10.150 StDev 2.665 2.603 2.768 3.727 Total Corr 0.818768 0.802999 0.785333 0.019250 Corr 0.725307 0.717877 0.691912 0.004488 Alpha 0.599499 0.606279 0.625996 0.921674

P. Reyes / Agosto 2007

De esta tabla se observa que el Item 4 tiene valores bajos de correlacin, y si se omite se incrementa el valor del alfa de Cronbach. Por tanto solo las preguntas 1 a 3 miden la satisfaccin del cliente en oportunidad de servicio, por lo que la pregunta 4 se debe omitir o replantear.

Anlisis de conglomerados (Clusters)


Se trata de distribuir las observaciones en grupos afines inicialmente no conocidos. Ahora se trata de dividir los pases en grupos similares (conglomerados) de acuerdo con la informacin disponible: 1. File > Open worksheet IBEROAMERICA.MTW

2. Stat > Multivariate > Cluster observations


3. Linkage Method: Single Distance Measure: Euclidean Number of Clusters 3 4. Seleccionar Show Dendogram 5. En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin 6. OK Se muestra la secuencia de formacin de Clusters, cada uno tiene un color diferente:
Dendrogram with Single Linkage and Euclidean Distance
81.25

Sim ilarity

87.50

93.75

Los Clusters se identifican fcilmente ya que para cada uno las lneas son de diferente color

100.00

2 14 9

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

Fila del Pas

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

Scatterplot of Esperanza vida al nacer vs PIB $/ hab


80
Espaa Costa Rica Cuba Portugal Puerto Rico Argentina Cluster 1 2 3

Esperanza vida al nacer

75

Chile Uruguay

Panam

Venezuela Mxico Rep. Dominicana Colombia EcuadorParaguay El Salvador 70 Nicaragua Honduras Per Brasil

65

Guatemala

Bolivia

Pgina 242 de 308


2000 4000 6000 8000 10000 PIB $/ hab 12000 14000 16000

60 0

Espera

Honduras

65

Guatemala

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Bolivia

60 0 2000 4000 6000 8000 10000 PIB $/ hab 12000 14000 16000

Number of Similarity Step clusters level 1 21 99.6131 2 20 99.4939 3 19 99.2755 4 18 99.2675 5 17 98.9909 6 16 98.9137 7 15 98.7540 8 14 98.7458 9 13 98.1957 10 12 97.9917 11 11 97.9498 12 10 97.2457 13 9 96.6741 14 8 95.7750 15 7 95.4151 16 6 94.7709 17 5 93.5426 18 4 87.1791 19 3 85.3070 20 2 84.7016 21 1 81.2502 Number of clusters: 3

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

Clusters joined 2 14 7 12 2 9 2 5 8 18 2 8 3 16 2 11 6 15 3 4 2 6 2 7 13 17 1 2 1 3 1 13 1 20 19 22 10 19 10 21 1 10

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

of obs. in new cluster Primer 2 Cluster Segundo Cluster 2 Tercer 3 con 3 observaciones 2, 14, 9 4 etc..2 6 2 7 2 3 9 11 2 12 15 17 18 Se forma un solo Cluster 2 al final 3 4 22

Number of observations Cluster1 18 Cluster2 3 Cluster3 1 Cluster Centroids Grand Variable Cluster1 Cluster2 Cluster3 centroid % menores 15 aos 34.50 23.0 16.0 32.09 Esperanza vida al nacer 70.59 74.5 77.9 71.45 Tasa de mortalidad infan 32.31 13.2 5.5 28.48 Telfonos por 1.000 hab 78.78 284.3 385.0 120.73 Usuarios Internet por 1000 hab 2.78 8.0 31.0 4.77 PIB $/hab 2442.39 10251.0 14350.0 4048.45 % PIB Agricultura 14.09 2.9 5.9 12.19 % PIB Industria 29.71 43.6 37.8 31.96 % PIB Servicios 56.57 53.6 56.3 56.15 Distances Between Cluster Centroids Cluster1 Cluster2 Cluster3 Cluster1 0.0 7811.37 11911.6 Cluster2 7811.4 0.00 4100.3 Cluster3 11911.6 4100.32 0.0 Ejemplo: Se trata de distribuir las variablies en grupos afines inicialmente no conocidos. Otro ejemplo con el archivo COCHES.MTW

Within cluster sum of squares 36798918 7382783 0

Average distance from centroid 1151.26 1319.42 0.00

Maximum distance from centroid 3319.75 1962.60 0.00

Stat > Multivariate > Cluster Variable


Linkage Method: Single Distance Measure: Correlation Number of Clusters 7 Pgina 243 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Seleccionar Show Dendogram En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin OK
Dendrogram with Single Linkage and Correlation Coefficient Distance
59.47

Sim ilarity

72.98

86.49

100.00
P PV t.( Po

) CV

l .( Ci

) cc

o il. m .C su m n u N Co

. ng Lo

. ch An

so Pe

e. ax et .m al o l M Ve

. tu Al

e. el Ac

Variables

Cluster 1 formado por 6 variables afines

Los otros 6 clusters se forman de una variable cada uno indicados con un color diferente

Ejemplo: Se hacen mediciones en cinco caractersticas nutricionales (proteinas, carbohidratos, grasas, caloras, porcentaje de vitamina A) de 12 marcas de cereales. Utilizar el mtodo de liga completa, distancia euclidiana al cuadrado, y estandarizacin dado que las variables tienen diferentes unidades. Se requiere un dendograma y asignacin de diferentes lneas y colores para cada conglomerado. 1 2 3 4 5 6 7 8 9 File > Open worksheet CEREAL.MTW. Seleccionar Stat > Multivariate > Cluster Observations. En Variables or distance matrix, seleccionar Protein-VitaminA. En Linkage Method, seleccionar Complete y de Distance Measure sel. Squared Euclidean. Seleccionar Standardize variables. En Specify Final Partition by, seleccionar Number of clusters poner 4. Seleccionar Show dendrogram. Click Customize. En Title, escribir Dendrograma para datos de Cereal Click OK en cada uno de los cuadros de dilogo.

Los resultados se muestran a continuacin: Se muestra el proceso de amalgamiento de los clusters de forma detallada: Cluster Analysis of Observations: Protein, Carbo, Fat, Calories, VitaminA Standardized Variables, Squared Euclidean Distance, Complete Linkage Amalgamation Steps Number of obs. Number of Similarity Distance Clusters New in new Step clusters level level joined cluster cluster 1 11 100.000 0.0000 5 12 5 2 2 10 99.822 0.0640 3 5 3 3 3 9 98.792 0.4347 3 11 3 4 4 8 94.684 1.9131 6 8 6 2 5 7 93.406 2.3730 2 3 2 5 6 6 87.329 4.5597 7 9 7 2 Pgina 244 de 308

CURSO TALLER DE MINITAB 15 7 8 9 10 11 5 4 3 2 1 86.189 80.601 68.079 41.409 0.000 4.9701 6.9810 11.4873 21.0850 35.9870 1 2 2 1 1 4 6 7 2 10 1 2 2 1 1 2 7 9 11 12

P. Reyes / Agosto 2007

Final Partition Number of clusters: 4 Average distance from centroid 1.11469 1.04259 1.06768 0.00000 Maximum distance from centroid 1.11469 1.76922 1.06768 0.00000

Cluster1 Cluster2 Cluster3 Cluster4

Number of observations 2 7 2 1

Within cluster sum of squares 2.48505 8.99868 2.27987 0.00000

Cluster Centroids Variable Cluster1 Protein 1.92825 Carbo -0.75867 Fat 0.33850 Calories 0.28031 VitaminA -0.63971

Cluster2 -0.333458 0.541908 -0.096715 0.280306 -0.255883

Cluster3 -0.20297 0.12645 0.33850 0.28031 2.04707

Cluster4 -1.11636 -2.52890 -0.67700 -3.08337 -1.02353

Grand centroid 0.0000000 0.0000000 0.0000000 -0.0000000 -0.0000000

Distances Between Cluster Centroids Cluster1 0.00000 2.67275 3.54180 4.98961 Cluster2 2.67275 0.00000 2.38382 4.72050 Cluster3 3.54180 2.38382 0.00000 5.44603 Cluster4 4.98961 4.72050 5.44603 0.00000

Cluster1 Cluster2 Cluster3 Cluster4

Dendograma para datos de Cereal


0.00

Sim ilarity

33.33

66.67

100.00

12 11 6 Observations

10

El dendograma muestra la informacin de la tabla de amalgamamiento en la forma de un diagrama de rbol, los cereales 1 a 4 forman el primer conglomerado, los cereales 2,3,4,12,11,6 y 8 forman el segundo; los cereales 7 y 9 forman el tercero y el cereal 10 forma el cuarto.

Conglomerado de variables
Pgina 245 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Se usa para clasificar variables en grupos, cuando no se conocen inicialmente y reducir su nmero. Esta tcnica puede proporcionar variables nuevas que sean ms comprensibles que las obtenidas del anlisis de componentes. El proceso es un mtodo aglomerativo jerrquico que inicia con todas las variables por separado, cada una formando su propio conglomerado. En el primer paso, las dos variables ms cercanas se reunen, despus una tercera variable se junta a los dos anteriores, etc. El proceso continua hasta tener un solo conglomerado o se le puede indicar con cuantos conglomerados termine. Por ejemplo se trata de investigar el cambio de presin sanguinea a largo plazo en Peruanos que emigran a las ciudades desde las montaas. Se toman 39 hombres mayores de 21 aos. El objetivo es reducir el nmero de variables regsitradas. 1 Age 21 22 24 24 25 27 File > Open worksheet PERU.MTW. Years Weight Height 1 71 1629 6 56.5 1569 5 56 1561 1 61 1619 1 65 1566 19 62 1639 Age 21 22 24 24 25 27 2 3 4 5 Pulse 88 64 68 52 72 72 Systol 170 120 125 148 140 106

Chin 8 3.3 3.3 3.7 9 3 Diastol 76 60 75 120 78 72

Forearm 7 5 1.3 3 12.7 3.3

Calf 12.7 8 4.3 4.3 20.7 5.7

Continua..

Etcetera

Stat > Multivariate > Cluster Variables. En Variables or distance matrix, seleccionar Age-Diastol. En Linkage Method, seleccionar Average. Seleccionar Show dendrogram. Click OK.

Los resultados se muestran a continuacin: Cluster Analysis of Variables: Age, Years, Weight, Height, Chin, Forearm, ... Correlation Coefficient Distance, Average Linkage Amalgamation Steps Number of obs. in new cluster 2 2 3 2 3 6 7 9 10

Step 1 2 3 4 5 6 7 8 9

Number of clusters 9 8 7 6 5 4 3 2 1

Similarity level 86.7763 79.4106 78.8470 76.0682 71.7422 65.5459 61.3391 56.5958 55.4390

Distance level 0.264474 0.411787 0.423059 0.478636 0.565156 0.689082 0.773218 0.868085 0.891221

Clusters joined 6 7 1 2 5 6 3 9 3 10 3 5 3 8 1 3 1 4

New cluster 6 1 5 3 3 3 3 1 1

Pgina 246 de 308

CURSO TALLER DE MINITAB 15


Dendrogram
Average Linkage, Correlation Coefficient Distance 55.44

P. Reyes / Agosto 2007

Sim ilarity

70.29

85.15

100.00

Age

Years Weight Systol Diastol Chin Forearm Calf Variables

Pulse Height

Si se pide una particin final, se obtiene una lista de variables quedan en cada conglomerado. El dendograma sugiere variables que pueden ser combiandas con su total o proemdio. En este caso Chin, Forearm y Calf skin se pueden combinar. La edad y ao de migracin tambin son similares. El peso y las dos mediciones de presin sanguinea son similares, se decide dejar el peso por separado y combinar las presiones.

Conglomerado de K medias de observaciones Sirve para clasificar observaciones en grupos cuando son desconocidos. Usa un procedimiento no jerrquico de acuerdo a MacQueen. Este mtodo trabaja mejor cuando hay informacin suficiente para hacer asignaciones de conglomerados iniciales adecuadas. Por ejemplo, se atrapan 43 osos. Se les mide su longitud total y longitud de cabeza, peso total y peso de la cabeza, y dimetro de cuello y de narz. Se desea clasificar a los 143 osos como pequeos, medianos y grandes. Se sabe que el 2o., el 78 y el 15 estn en las categoras 1, 2 y 3 respectivamente. Se crea una columna de particin inicial con las tres categoras designadas como 1=pequeo, 2= mediano y 3= grande y los restantes 0=desconocida para indicar la membresa inicial. Despes se hace un anlisis de congloemerados de K medias y se almacena la membresa en una + columna denominada BearSize. 1 ID 39 41 41 41 41 43 43 Continuacin. ID 39 41 41 41 41 43 43 File > Open worksheet BEARS.MTW. Age 19 19 20 23 29 19 20 Month 7 7 8 11 5 7 8 Sex 1 2 2 2 2 1 1 Head.L 10 11 12 12.5 12 11 12 Head.W 5 6.5 6 5 6 5.5 5.5 Neck.G 15 20 17 20.5 18 16 17

Length 45 47.5 57 59.5 62 53 56

Chest.G 23 24 27 38 31 26 30.5

Weight 65 70 74 142 121 80 108

Obs.No 1 1 2 3 4 1 2

Name Allen Berta Berta Berta Berta Clyde Clyde

BearSize 1 1 1 2 2 1 1

Pgina 247 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2 Para crear la columna de particin inicial, seleccionar Calc > Make Patterned Data > Simple Set of Numbers 3 En Store patterned data in, poner Initial como el nombre de la columna. 4 En ambos From first value y From last value, poner 0. 5 En List each value, poner 143. Click OK. 6 Ir a Data window y poner 1, 2, y 3 en el segundo, setenta y ochoavo y quinceavao renglones de la columna I 7 8 9 10 11 12 Selecionar Stat > Multivariate > Cluster K-Means. En Variables, seleccionar 'Head.L'Weight. En Specify Partition by, seleccionar Initial. Seleccionar Standardize variables. Click Storage. En Cluster membership column, poner BearSize. Click OK en cada cuadro de dilogo

Los resultados se muestran a continuacin: Results for: Bears.MTW K-means Cluster Analysis: Head.L, Head.W, Neck.G, Length, Chest.G, Weight Standardized Variables Final Partition Number of clusters: 3 Within Average Maximum cluster distance distance Number of sum of from from observations squares centroid centroid Cluster1 41 63.075 1.125 2.488 Cluster2 67 78.947 0.997 2.048 Cluster3 35 65.149 1.311 2.449 Cluster Centroids Variable Head.L Head.W Neck.G Length Chest.G Weight Cluster1 -1.0673 -0.9943 -1.0244 -1.1399 -1.0570 -0.9460 Cluster2 0.0126 -0.0155 -0.1293 0.0614 -0.0810 -0.2033 Cluster3 1.2261 1.1943 1.4476 1.2177 1.3932 1.4974 Grand centroid -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000

Distances Between Cluster Centroids Cluster1 Cluster2 Cluster3 Cluster1 0.0000 2.4233 5.8045 Cluster2 2.4233 0.0000 3.4388 Cluster3 5.8045 3.4388 0.0000 El conglomerado de K medias calsifica 143 osos en: 41 pequeos; 67 medianos y 35 grandes. En la primera tabla se muestra el nmero de observaciones en cada conglomerado, la suma de cuadrados dentro de clusters, la distancia promedio de la observacina al centroide del cluster, y la distancia mxima de la observacin al centroide del cluster. En general un conglomerado o cluster con una suma de cuadrados pequea es ms compacto que otro con una grande. El centroide es el vector de medias de variables para las observaciones en ese conglomerado y se usa como su punto medio. Los centroides para los congloemrados individuales se muestran en la segunda tabla y en la tercera se da la distancia entre centroides de los conglomerados. La columna de BearSize contiene las designaciones de los conglomerados.

Pgina 248 de 308

CURSO TALLER DE MINITAB 15 Anlisis discriminante

P. Reyes / Agosto 2007

Este anlisis se aplica cuando ya se sabe a que grupo pertenece cada observacin y lo que se desea saber es cmo la variables disponibles afectan a la clasificacin para poder asignar una nueva observacin de la que se conocen los valores de las variables pero no el grupo al que pertenece. Se tienen dos alterantivas de anlisis discriminante: Lineal y cuadrtico, en el lineal se asume que todos los grupos tienen la misma matriz de covarianza. El cuadrtico no asume esto. Para el caso de clasificar nuevas observaciones en dos categoras, la regresin logstica puede ser superior al anlisis discriminante. Ejemplo: Con los datos del archivo COCHES.MTW se usan los primeros 150 coches y considerando solo los de 4, 6 y 8 cilindros:

Data > Code > Numeric to Numeric


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

Data > Subset worksheet


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

Stat > Multivariate > Discriminant Analysis


Groups: 'Num.Cil' Predictors: PVP 'Cil(cc)' - 'Acele.' Linear Discriminant function C15 C16 C17 - Columnas para la funcin de discriminacin OK Linear Discriminant Function for Groups 4 6 8 Constant -1136.2 -1098.4 -1136.1 PVP -0.0 -0.0 -0.0 Cil.(cc) -0.0 0.0 0.0 Pot.(CV) 1.1 1.1 1.1 Long. -0.3 -0.3 -0.4 Anch. 12.1 11.8 12.1 Altu. 3.0 3.0 2.9 Malete. -0.3 -0.3 -0.2 Peso -0.0 -0.0 -0.0 Consumo -15.1 -14.6 -15.7 Velo.max 11.2 5.6 8.2 Acele. 10.1 10.3 10.8 Se van a aplicar estas funciones de discriminacin de los primeros 150 coches a los 97 restantes: Manip > Subset Worksheet Name: Coches 151:247 Specify which rows to include Row numbers 151:247 OK Copiar columnas C15, C16 y C17 de la hoja COCHES 1:150 que corresponden a las funciones de discriminacin a la hoja COCHES 151:247.

Pgina 249 de 308

CURSO TALLER DE MINITAB 15 Por medio de Matrices se tiene: 1. Insertar una columna de unos entre Modelo y PVP

P. Reyes / Agosto 2007

2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminacin

Editor > Enable comands


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

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

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

Editor Enable comands


MTB > copy m5 c19 MTB > copy m6 c20 MTB > copy m7 c21 5. Identificar cual es la funcin que da el valor mximo para cada coche MTB > rmax c19-c21 c22 (Calc > Row Statistics) MTB > let c23=c19=c22 MTB > let c24=c20=c22 MTB > let c25=c21=c22 6. Colocar en c26 el nmero de cilindros asignado MTB > let c26=4*c23+6*c24+8*c25 Para poner * en los valores missing de las funciones discriminantes en C26 MTB > Code (18) '*' c26 c26 7. Para comparar mediante una tabla cruzada Stat > Tables > Descrpitive statistics Categorical variables: For rows 'Num.Cil.' For columns 'c26' OK Tabulated statistics: Num.Cil., C26 Rows: Num.Cil. Columns: C26 4 6 8 Missing All 4 80 3 0 4 83 6 0 5 1 1 6 8 0 0 0 2 0 Missing 0 1 0 0 * All 80 8 1 * 89 Cell Contents: Count De los 89 coches se han acertado a clasificar como de 4 cilindros 80. De los 6 de 6 cilindros Pgina 250 de 308 MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB MTB > > > > > > > > > > > > > > > > > copy c3 c4 c6-c15 m1 copy c16 m2 copy c17 m3 copy c18 m4 multi m1 m2 m5 multi m1 m3 m6 multi m1 m4 m7 copy m5 c19 copy m6 c20 copy m7 c21 rmax c19-c21 c22 let c23=c19=c22 let c24=c20=c22 let c25=c21=c22 let c26=4*c23+6*c24+8*c25 code (18) '*' c26 c26 .

CURSO TALLER DE MINITAB 15 se han clasificado bien 5 y el de 8 cilindros no se clasificaron 2. La mejor discriminacin fue con los de 4 por tener mas coches en la muestra. Minitab 15

P. Reyes / Agosto 2007

Ejemplo: Para regular la pesca de salmn, se desea identificar si tienen su origen en Alaska o en Canad. 50 peces de cada origen se capturan y se miden sus dimensiones de cuando vivian en agua dulce y cuando posteriormente vivian en agua salada. La idea es poder identificar de donde vienen las nuevas capturas. 1 2 3 4 File > Open worksheet EXH_MVAR.MTW. Stat > Multivariate > Discriminant Analysis. En Groups, seleccionar SalmonOrigin. En Predictors, seleccionar Freshwater Marine. Click OK.

Seleccionar Cross Validation si se quiere reducir la tasa de error aparente en clasificaciones erroneas se usa para compensar un error que sea optimista. SalmonOrigin Alaska Alaska Alaska Alaska Alaska Alaska Freshwater 108 131 105 86 99 87 Marine 368 355 469 506 402 423

Etcetera

Los resultados son como sigue: Discriminant Analysis: SalmonOrigin versus Freshwater, Marine Linear Method for Response: SalmonOrigin Predictors: Freshwater, Marine Group Alaska Canada Count 50 50 Summary of classification True Group Put into Group Alaska Canada Alaska 44 1 Canada 6 49 Total N 50 50 N correct 44 49 Proportion 0.880 0.980 N = 100 N Correct = 93 Squared Distance Between Groups Alaska 0.00000 8.29187 Canada 8.29187 0.00000

Prob. de clasificar correctamente peces de Alaska o Canad

Proportion Correct = 0.930 Identificacin correcta

Alaska Canada

Para un caso dado se selecciona la funcin discriminante Linear Discriminant Function for Groups que tenga el valor mayor al final Alaska Canada Constant -100.68 -95.14 Freshwater 0.37 0.50 Marine 0.38 0.33 Summary of Misclassified Observations Posterior Squared Observation True Group Pred Group Group Distance Probability 1** Alaska Canada Alaska 3.544 0.428 Canada 2.960 0.572 2** Alaska Canada Alaska 8.1131 0.019 Pgina 251 de 308

CURSO TALLER DE MINITAB 15 12** 13** 30** 32** 71** Alaska Alaska Alaska Alaska Canada Canada Canada Canada Canada Alaska Canada Alaska Canada Alaska Canada Alaska Canada Alaska Canada Alaska Canada 0.2729 4.7470 0.7270 4.7470 0.7270 3.230 1.429 2.271 1.985 2.045 7.849

P. Reyes / Agosto 2007 0.981 0.118 0.882 0.118 0.882 0.289 0.711 0.464 0.536 0.948 0.052

Anlisis de correspondencia simple


Este anlisis ayuda a explorar las relaciones en una clasificacin de dos vas. Tambin puede operar en tres y cuatro vas dado que pueden ser transformadas a tablas de dos vas. Este procedimiento descompone una tabla de contingencia de manera similar que el anlisis de componentes descompone los datos continuos multivariados. Se realiza un anlisis de eigenvalores y la variabilidad se divide en dimensiones relevantes y asociadas con filas y columnas. Ejemplo: Se clasifica a 790 investigadores en 10 disciplinas acadmicas y cinco categoras de fondeo, donde A es la categora ms alta de fondeo, D la ms baja y E sin fondos. Los renglones son las disciplinas y las categoras de fondeo son las columnas. Se desea conocer como se comparan las disciplinas entre s respecto a las categoras de fondeo. Se hace un anlisis de correspondencia desde una orientacin de filas. Se incluyen datos compmentarios como son: una fila para investigadores de museos no incluidos en el estudio, y una fila de ciencias matemticas, que es la suma de matemticas y estadstica. 1 File > Open worksheet EXH_TABL.MTW. Categorias de fondeo A B C CT1 CT2 CT3 3 19 39 1 2 13 6 25 49 3 15 41 10 22 47 3 11 25 1 6 14 0 12 34 2 5 11 2 11 37 ColNames A B C D E 2 3 RowSupp1 4 12 11 19 7 RowSupp2 4 16 48 12 27

ColNames RowNames Geology Biochemistry Chemistry Zoology Physics Engineering Microbiology Botany Statistics Mathematics

D CT4 14 1 21 35 9 15 5 17 4 8 RSNames Museums MathSci

E CT5 10 12 29 26 26 34 11 23 7 20

Stat > Multivariate > Simple Correspondence Analysis. Seleccionar Columns of a contingency table, y seleccionar CT1-CT5. En Row names, poner RowNames. En Column names, poner ColNames. 4 Click Results y seleccionar Row profiles. Click OK. 5 Click Supp Data. En Supplementary Rows, seleccionar RowSupp1 RowSupp2. En Row names, poner RSNames. Click OK. 6 Click Graphs. Seleccionar Show supplementary points in all plots. Sel. Symmetric plot showing rows only y Asymmetric row plot showing rows and columns. Pgina 252 de 308

CURSO TALLER DE MINITAB 15 7 Click OK en cada cuadro de dilogo

P. Reyes / Agosto 2007

Los resultados se muestran a continuacin: Simple Correspondence Analysis: CT1, CT2, CT3, CT4, CT5 Row ProfilesDa las proporciones de cada rengln de categoras por columna, por ejemplo Geologa: A B C D E Mass Geology 0.035 0.224 0.459 0.165 0.118 0.107 Biochemistry 0.034 0.069 0.448 0.034 0.414 0.036 Chemistry 0.046 0.192 0.377 0.162 0.223 0.163 Zoology 0.025 0.125 0.342 0.292 0.217 0.151 Physics 0.088 0.193 0.412 0.079 0.228 0.143 Engineering 0.034 0.125 0.284 0.170 0.386 0.111 Microbiology 0.027 0.162 0.378 0.135 0.297 0.046 Botany 0.000 0.140 0.395 0.198 0.267 0.108 Statistics 0.069 0.172 0.379 0.138 0.241 0.036 Mathematics 0.026 0.141 0.474 0.103 0.256 0.098 Mass 0.039 0.161 0.389 0.162 0.249 Analysis of Contingency Table Muestra la descomposicin de la inercia total. Da un resumen de la descomposicin de la tabla de contingencia 10 x 5 en cuatro componentes. Chi2 / n 65.972/796 Axis Inertia Proportion Cumulative Histogram 1 0.0391 0.4720 0.4720 ****************************** 2 0.0304 0.3666 0.8385 *********************** 3 0.0109 0.1311 0.9697 ******** 4 0.0025 0.0303 1.0000 * Total 0.0829 Row Contributions Como no se especific el nmero de componentes, Minitab calcula 2. Contribucin de cada rengln a la proporcin de inercia total. Proporcin de la clase en el conjunto completo de datos Proporcin de la inercia de rengln representad por los dos componentes ID Name Qual Mass Inert Coord Corr Contr 1 Geology 0.916 0.107 0.137 -0.076 0.055 0.016 2 Biochemistry 0.881 0.036 0.119 -0.180 0.119 0.030 3 Chemistry 0.644 0.163 0.021 -0.038 0.134 0.006 4 Zoology 0.929 0.151 0.230 0.327 0.846 0.413 5 Physics 0.886 0.143 0.196 -0.316 0.880 0.365 6 Engineering 0.870 0.111 0.152 0.117 0.121 0.039 7 Microbiology 0.680 0.046 0.010 -0.013 0.009 0.000 8 Botany 0.654 0.108 0.067 0.179 0.625 0.088 9 Statistics 0.561 0.036 0.012 -0.125 0.554 0.014 10 Mathematics 0.319 0.098 0.056 -0.107 0.240 0.029 Component Coord Corr -0.303 0.861 0.455 0.762 -0.073 0.510 -0.102 0.083 -0.027 0.006 0.292 0.749 2 Contr 0.322 0.248 0.029 0.052 0.003 0.310 Pgina 253 de 308 Contribucin del componente a la inercia de rengln Contribucin de cada fila al eje de inercia.

Contribucin principal.

ID 1 2 3 4 5 6

Name Geology Biochemistry Chemistry Zoology Physics Engineering

CURSO TALLER DE MINITAB 15 7 8 9 10 Microbiology Botany Statistics Mathematics 0.110 0.039 -0.014 0.061 0.671 0.029 0.007 0.079 0.018 0.005 0.000 0.012

P. Reyes / Agosto 2007

Supplementary Rows

Similar a la tabla de contribucin de renglones. Component Coord Corr 0.314 0.225 -0.112 0.493 1 Contr 0.168 0.043 Component Coord Corr -0.381 0.331 0.041 0.066 2 Contr 0.318 0.007

ID 1 2

Name Museums MathSci

Qual 0.556 0.559

Mass 0.067 0.134

Inert 0.353 0.041

Column Contributions

ID 1 2 3 4 5

Name A B C D E

Qual 0.587 0.816 0.465 0.968 0.990

Mass 0.039 0.161 0.389 0.162 0.249

Contraste de ciencias biolgicas con fsica Component Inert Coord Corr 0.187 -0.478 0.574 0.110 -0.127 0.286 0.094 -0.083 0.341 0.347 0.390 0.859 0.262 0.032 0.012

Constraste de bioqumica e ingeniera con geologa 1 Component 2 Contr Coord Corr Contr 0.228 -0.072 0.013 0.007 0.067 -0.173 0.531 0.159 0.068 -0.050 0.124 0.032 0.632 -0.139 0.109 0.103 0.006 0.292 0.978 0.699

Row Plot
0.5 0.4 0.3 Com ponent 2 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5 Com ponent 1
Geology Museums Physics Microbiology Mathematics MathSci Statistics Chemistry Zoology Botany Engineering Biochemistry

Zoologa y fsica muestra estas dos clases con signo contrario

Asymmetric Row Plot


2
E

1 Com ponent 2
Biochemistry Engineering Microbiology Mathematics MathSci Botany Statistics Physics Chemistry Zoology C Geology Museums B D

-1

-2

-3 -3 -2 -1 0 Com ponent 1 1 2

Pgina 254 de 308

CURSO TALLER DE MINITAB 15 Fsica tiende a tener el nivel ms alto de fondeo y zoologa el menor

P. Reyes / Agosto 2007

Anlisis de correspondencia mltiple


Extiende el anlisis de correspondencia simple al caso de tres o ms variables categricas. Realiza un anlisis de correspondencia simple en una matriz de variables indicadoras, donde cada columna dela matriz corresponde a un nivel de la variable categrica. La tabla multiva se resume en una dimensin. Se gana en informacin sobre un mayor nmero de variables pero puede perderse informacin en como se relacionan las filas con las columnas. Ejemplo: Los accidentes de auto se clasifican de acuerdo al tipo de accidente (colisin o volteo), la severidad del accidente (no severo o severo), si o no el conductor fue expulsado, y el tamao del coche (pequeo o estndar). El anlisis de correspondencia mltiple se utiliz para examinar como se relacionan entre categoras en esta tabla de cuatro vias. 1 File > Open worksheet EXH_TABL.MTW. CarWt 1 1 1 1 1 1 1 1 2 3 4 5 6 DrEject 1 1 1 1 1 1 1 1 AccType 1 1 1 1 1 1 1 1 AccSever 1 1 1 1 1 1 1 1 AccNames Small Standard NoEject Eject Collis Rollover NoSevere Severe

Etcetera

Seleccionar Stat > Multivariate > Multiple Correspondence Analysis . Seleccionar Categorical variables, seleccionar CarWt DrEject AccType AccSever. En Category names, seleccionar AccNames. Click Graphs. seleccionar Display column plot. Click OK en cada cuadro de dilogo

Analysis of Indicator Matrix


Axis 1 2 3 4 Total Inertia 0.4032 0.2520 0.1899 0.1549 1.0000 Proportion 0.4032 0.2520 0.1899 0.1549 Cumulative 0.4032 0.6552 0.8451 1.0000 Histogram ****************************** ****************** ************** ***********

Esta tabla da un resumen de la descomposicin de variables. La columna denominada inercia es el estadstico Chi cuadrado / n para cada componente. De la inercia total de 1, 40.3%, 25.2%, 19.9%, y 15.5% se contabilizan para los cuatro componentes respectivamente.

Column Contributions
Component Coord Corr 0.381 0.030 -0.078 0.030 -0.284 0.472 1.659 0.472 -0.426 0.610 1.429 0.610 1 Contr 0.015 0.003 0.043 0.250 0.087 0.291 Component Coord Corr -2.139 0.936 0.437 0.936 -0.020 0.002 0.115 0.002 0.034 0.004 -0.113 0.004 2 Contr 0.771 0.158 0.000 0.002 0.001 0.003

ID 1 2 3 4 5 6

Name Small Standard NoEject Eject Collis Rollover

Qual 0.965 0.965 0.474 0.474 0.613 0.613

Mass 0.042 0.208 0.213 0.037 0.193 0.057

Inert 0.208 0.042 0.037 0.213 0.057 0.193

Pgina 255 de 308

CURSO TALLER DE MINITAB 15 7 8 NoSevere Severe 0.568 0.568 0.135 0.115 0.115 0.135 -0.652 0.769 0.502 0.502 0.143 0.168 -0.237 0.280

P. Reyes / Agosto 2007 0.066 0.066 0.030 0.036

Esta tabla se usa para interpretar los diferentes componentes. Como no se especific el nmero de componentes, Minitab calcula 2. - La columna Qual o quality, esla proporcin de la inercia de la columna, representada por todos los componentes calculados. Las categoras de tamao de coche, estn mejor representadas por la divisin de los dos componentes con Qual = 0.965, mientras que la expulsin tiene el menor valor Qual = 0.474. - La columna denominada Masa es la proporcin de la clase en conjunto de datos completo. En este ejemplo, el CarWt, DrEject, AccType, y AccServer calses, se combian para una proporicn de 0.25 - La columna denominada Inert es La proporcin de Inercia a La que contribuye cada columna. Las categoras carros pequeos, expulsiones y colisiones, tienen la mayor inercia, sumando 61.4%, lo cual indica que stas categoras estn ms disociadas que las otras. Minitab muestra informacin para cada uno de los dos componentes (ejes): - La co lumna Coord da las coordenas de la columna. Eject y Rollover tienen las coordenadas absolutas ms largas para el componente 1 y Small tiene la coordenada mayor absoluta para el componente 2. El signo y tamao relativo de las coordenadas son tiles para interpretar componentes. - La columna Corr representa la contribucin del componente respectivo a la inercia de los renglones. Aqu, el componente 1 representa el 47 del 61% de la inercia de las categoras: expulsin, tipo de colisin y severidad del accidente. Pero solo explica el 3% de la inercia del tamao del carro. - La columna Contr es la contribucin de la fila al eje de inercia, muestra como expulsin y volteo son los que contribuyen ms al componente 1 (Contr = 0.250 y 0.291, respectivamente). El componente 2, por otra parte suma 93.6% de la inercia de las categoras de tamao de coche, contribuyendo el pequeo (small con 77.1% del eje de inercia.,

Column Plot
2

1 Com ponent 2
Standard Severe

Collis NoEject NoSevere

Eject Rollover

-1

-2 -2 -1

Small

0 Component 1

Como indican los valores para el componente 1, Expulsin y volteo estn ms distantes del origen. Este componente contrasta las categoras de expulsin y volteo y en alguna medida severo contra no severo. El componente 2 separa pequeo con otras categoras. Los dos componentes pueden no explicar adecuadamente la variabilidad de estos datos. 8.5 Confiabilidad La confiabilidad permite determinar la probabilidad de funcionamiento de un sistema bajo condiciones establecidas

Pgina 256 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Ejemplo: Una empresa fabrica bombas de inyeccin diesel, los datos se encuentran el el archivo INYECCION.MTW anexo, que contiene datos de funcionamiento de 40 bombas. Datos censurados se refieren a algunos elementos que todava funcionaban cuando se par el experimento. Anlisis no paramtrico Modelo para estimar la confiabilidad y sus funciones para datos completos o censurados por la derecha y sin suponer ningn modelo terico. Stat > Relibility/survival > Distribution Analysis (Right Censoring) > Nonparamtric Distribution Analysis Variables: Duracin Censor: Si los datos son completos no tocar, si no especificar cuantos hay censurados por la derecha Graphs: Surival Plot Hazard Plot Tiene usted una Distribucin Weibull con b=2 y h=2, Cul es la media y la varianza? Nonparametric Survival Plot for Duracion beta = 2 Kaplan-Meier Method Complete Data eta = 2 100 (1+1/) = 1.7724538508 Table of Statistics Mean 71060.1 Median 51710 2(1+2/) = 3.9999999997 I QR 84266 80 varianza= 0.8584073465
Percent 60

40

20

50000

100000

150000 200000 Duracion

250000

300000

Nonparametric Hazard Plot for Duracion


Empirical Hazard Function Complete Data 1.0
Table of Statistics Mean 71060.1 Median 51710 IQR 84266

0.8

0.6 Rate 0.4 0.2 0.0 0

50000

100000

150000 200000 Duracion

250000

300000

Resultados Distribution Analysis: Duracion Censoring Information Count Uncensored value 40 Nonparametric Estimates Characteristics of Variable Standard 95.0% Normal CI Mean(MTTF) Error Lower Upper 71060.1 10634.4 50216.9 91903.2 Median = 51710 Pgina 257 de 308

CURSO TALLER DE MINITAB 15 IQR = 84266 Q1 = 12504 Kaplan-Meier Estimates Q3 = 96770

P. Reyes / Agosto 2007

Momento falla Bombas que Unidades Confiabilidad siguen funcin que fallan emprica Number at Number Survival Standard Time Risk Failed Probability Error 3607 40 1 0.975 0.0246855 4100 39 1 0.950 0.0344601 5734 38 1 0.925 0.0416458 5768 37 1 0.900 0.0474342 7025 36 1 0.875 0.0522913 8089 35 1 0.850 0.0564579 9411 34 1 0.825 0.0600781 10640 33 1 0.800 0.0632456 10681 32 1 0.775 0.0660256 12504 31 1 0.750 0.0684653 13030 30 1 0.725 0.0706001 17656 29 1 0.700 0.0724569 22339 28 1 0.675 0.0740566 28698 27 1 0.650 0.0754155 31749 26 1 0.625 0.0765466 34585 25 1 0.600 0.0774597 36863 24 1 0.575 0.0781625 43403 23 1 0.550 0.0786607 49389 22 1 0.525 0.0789581 51710 21 1 0.500 0.0790569 56084 20 1 0.475 0.0789581 63311 19 1 0.450 0.0786607 68135 18 1 0.425 0.0781625 71329 17 1 0.400 0.0774597 77223 16 1 0.375 0.0765466 77629 15 1 0.350 0.0754155 87564 14 1 0.325 0.0740566 94596 13 1 0.300 0.0724569 96104 12 1 0.275 0.0706001 96770 11 1 0.250 0.0684653 101214 10 1 0.225 0.0660256 102993 9 1 0.200 0.0632456 123815 8 1 0.175 0.0600781 140341 7 1 0.150 0.0564579 142312 6 1 0.125 0.0522913 148521 5 1 0.100 0.0474342 168021 4 1 0.075 0.0416458 204471 3 1 0.050 0.0344601 242796 2 1 0.025 0.0246855 272193 1 1 0.000 0.0000000

95.0% Normal CI Lower Upper 0.926617 1.00000 0.882459 1.00000 0.843376 1.00000 0.807031 0.99297 0.772511 0.97749 0.739344 0.96066 0.707249 0.94275 0.676041 0.92396 0.645592 0.90441 0.615810 0.88419 0.586626 0.86337 0.557987 0.84201 0.529852 0.82015 0.502188 0.79781 0.474972 0.77503 0.448182 0.75182 0.421804 0.72820 0.395828 0.70417 0.370245 0.67975 0.345051 0.65495 0.320245 0.62975 0.295828 0.60417 0.271804 0.57820 0.248182 0.55182 0.224972 0.52503 0.202188 0.49781 0.179852 0.47015 0.157987 0.44201 0.136626 0.41337 0.115810 0.38419 0.095592 0.35441 0.076041 0.32396 0.057249 0.29275 0.039344 0.26066 0.022511 0.22749 0.007031 0.19297 0.000000 0.15662 0.000000 0.11754 0.000000 0.07338 0.000000 0.00000

0.575 Cul es la fiabiliad despus de 40,000 horas de funcionamiento? Identificacin del mejor modelo para los datos Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot Variables: Duracin Seleccionar Use all distributions OK Goodness-of-Fit Anderson-Darling Correlation Pgina 258 de 308

CURSO TALLER DE MINITAB 15 Distribution Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Menor es mejor (adj) 0.776 1.072 0.654 1.337 0.653 0.849 0.670 1.117 7.328 Coefficient 0.977 0.977 * 0.968 0.992 0.982 * 0.971 0.839

P. Reyes / Agosto 2007

Mayor es mejor

Probability Plot for Duracion


LSXY Estimates-Complete Data
Weibull 99 90 Percent Percent 50 90 50 10 1 1000 10000 100000 Duracion Exponential 99 90 Percent Percent 50 90 50 10 1 1 1000 1000000 1 1000 10000 100000 Duracion Loglogistic 1000000 Lognormal Correlation Coefficient Weibull 0.977 Lognormal 0.977 Exponential * Loglogistic 0.968

10

10

1000

10000 100000 Duracion

1000000

10000 100000 Duracion

1000000

La grfica que muestra los puntos ms alineados es la que mejor se adapta a los datos Anlisis paramtrico Se usa la distribucin identificada anteriormente: Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis Variables: Duracin Assumed Distribution: Exponential Graphs: Probability Plot All Points Display confidence intervals OK
Probability Plot for Duracion
Exponential - 95% CI Complete Data - LSXY Estimates
99 90 80 70 60 50 40 30 20 10 5 3 2 1
Table of Mean StDev Median I QR Failure C ensor A D* Statistics 72651.5 72651.5 50358.2 79815.9 40 0 0.654

Percent

1000

10000 Duracion

100000

1000000

Pgina 259 de 308

3 2 1

CURSO TALLER DE MINITAB 15


1000 10000 Duracion 100000 1000000

P. Reyes / Agosto 2007

Table of Percentiles Standard Error 116.736 234.657 353.788 474.153 595.779 718.692 842.919 968.489 1095.43 1223.78 2591.84 4142.83 5933.31 8051.00 10642.8 13984.3 18693.8 26744.9 27968.6 29336.7 30887.7 32678.2 34795.9 37387.7 40729.2 45438.7 53489.7 95.0% Normal CI Lower Upper 533.752 998.875 1072.92 2007.89 1617.63 3027.26 2167.97 4057.18 2724.08 5097.90 3286.07 6149.62 3854.08 7212.60 4428.22 8287.06 5008.64 9373.27A las 7654 horas, un 10% de las 5595.48 10471.5bombas ya no funcionan por tanto 11850.7 22177.6la confiabilidad es del 90% 18942.3 35448.9 27128.9 50769.5 36811.6 68890.0 48662.3 91067.6 63940.5 119659 85473.9 159958 122286 228847 127881 239319 134136 251025 141228 264296 149414 279617 159097 297737 170948 319915 186226 348507 207759 388805 244571 457695

Percent 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99

Percentile 730.172 1467.76 2212.91 2965.78 3726.54 4495.34 5272.37 6057.80 6851.82 7654.60 16211.7 25913.0 37112.3 50358.2 66569.9 87470.5 116928 167286 174941 183498 193199 204399 217645 233856 254757 284215 334573

Cul es la confiabiliad a las 40000 horas? Podemos usar el botn ESTIMATE Estimate survival probability 40000 OK Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.470865 0.668669

Time 40000

Probability 0.576619

La confiabilidad a las 40000 horas es del 0.5766 La confiabilidad noparamtrica fue de 0.755 muy parecida Forma rpida Una forma rpida de ver la confiabilidad y riesgo es a travs de: Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot Variables: Duracin Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis OK

Pgina 260 de 308

CURSO TALLER DE MINITAB 15


Distribution Overview Plot for Duracion
LSXY Estimates-Complete Data
Probability Density F unction 0.000015 90 Percent 0.000010 PDF 50 Exponential Table of Mean StDev Median I QR Failure Censor AD* Statistics 72651.5 72651.5 50358.2 79815.9 40 0 0.654

P. Reyes / Agosto 2007

0.000005

10

0.000000 0 100000 200000 Duracion Survival F unction 100 300000

1000

10000 100000 Duracion Hazard F unction

1000000

0.0000175 Percent Rate 0 100000 200000 Duracion 300000 0.0000150 0.0000125 0.0000100 0 0 100000 200000 300000 Duracion

50

Distribution Overview Plot for Duracion


Kaplan-Meier Estimates-Complete Data
Survival Function 100 1.0 Hazard Function

80

0.8

Percent

60 Rate 40

0.6

0.4

20

0.2

100000 200000 Duracion

300000

0.0

100000 200000 Duracion

300000

Minitab 15

Demostracin de planes de prueba Se usa para demostrar que se cumple con la especificacin de confiabilidad o que el sistema rediseado ha mejorado en su confiabilidad. Se verifica que solo un cierto nmero de fallas ocurren en un cierto periodo de tiempo. Valores mnimos a ser demostrados: - Escala: la mnima a ser demostrada - Percentile: mnimo percentil a ser demostrado en unidades de tiempo, asociado a un porcentaje (0-1) - Confiabilidad: confiabilidad a demostrar como mnima entre 0 y 1. Indicar el tiempo asociado con esta - MTTF: a ser demostrado - Otros datos: Mximo nmero de fallas permitidas, tamaos de muestra, tiempos de prueba unitarios forma de la distribucin, etc. Por ejemplo: La meta de confiabilidad de una turbina es un percentil de al menos 2000 ciclos. El nmero de ciclos tiende a seguir una distribucin de Weibull con forma = 3. Se pueden acumular hasta 8000 ciclos en cada turbina. Se debe determinar el nmero de turbinas requeridas para demostrar la metas de confiabilidad usando el plan de prueba de una falla. 1 Stat > Reliability/Survival > Test Plans > Demonstration . 2 Percentile, poner 2000. En Percent, poner 1. 3 En Maximum number of failures allowed, poner 1. 4 Seleccionar Testing times for each unit, poner 8000. 5 De Distribution, seleccionar Weibull. In Shape (Weibull) or scale (other dists), poner 3. 6 Click OK Pgina 261 de 308

CURSO TALLER DE MINITAB 15 Los resultados son los siguientes:


100

P. Reyes / Agosto 2007


Maximum Failures = 1, Target Alpha = 0.05 Time = 8000, N = 8, Actual alpha = 0.0478778

Likelihood of Passing for Weibull Model

Percent

Reliability Test Plan 80 Distribution: Weibull, Shape = 3 60 Percentile Goal=2000, Target Confidence Level=95%
40 20 0 2 4 6 Ratio of Im provement 8 10

Failure Test 1

Testing Time 8000

Sample Size 8

Actual Confidence Level 95.2122

Conclusiones: se necesitan 8 turbinas trabajando 8000 ciclos para demostrar con un 92.2% de nivel de confianza que el primer percentil es de al menos 2000 ciclos. La grfica muestra la verosimilitud de realemnte pasar la prueba que se especifica. Aqu, - La probabilidad de que pase la prueba de 1 falla se incrementa conforme la tasa de mejora se incrementa de cero a dos. - SI la tasa de mejora es mayor a dos, la prueba tiene una alta posibilidad de pasar - Si el primer percentil verdadero hubiera sido 4000, entonces la tasa de mejora es 4000/2000 = 2, y la probabilidad de pasar la prueba seri aproximadamente de 0.88. Si se reduce el valor a demostrar a 1600, la tasa de mejora es de 2.5 y la probabilidad de pasar es de 0.96. Minitab 15 Estimacin de planes de prueba Se usa para determinar el nmero de unidades deprueba que se necesitan para estimar los percentiles o las confiabilidades con alto grado de precisin. Los datos colectados pueden ser censurados o no censurados. Los planes con censura en tiempo o en fallas a veces dan resultados precisos a costos reducidos. Por ejemplo: Se quiere hacer una prueba de vida para estimar el 5avo. Percentil para la vida de un componente metlico. Se pueden realizar 100,000 ciclos. Antes de correr la prueba de vida, se quiere determinar el nmero de unidades para la prueba que aseguren estimados precisos. Se espera que cerca del 5% de las unidades fallen a los 40,000 ciclos, 15% a los 100,000 ciclos, y la vida sigue la distribucin de Weibull. Se quiere que el lmite inferior del intervalo de confianza sea de 20,000 ciclos del estimado. 1 2 3 4 5 6 7 Stat > Reliability/Survival > Test Plans > Estimation . En Parameter to be Estimated, seleccionar Percentile for percent, poner 5. En Precisions as distances from bound of CI to est. , seleccionar Lower bound, ponerr 20000. En Assumed distribution, seleccionar Weibull. En Specify planning values for two of the following, hacer lo siguiente: En el primer Percentile, poner 40000. In Percent, poner 5. En el segundo Percentile, poner 100000. In Percent, poner 15. Click Right Cens. En Type of Censoring, seleccionar Time censor at, poner 100000. Click OK en cada dilogo.

Los resultados son los siguientes: Estimation Test Plans Type I right-censored data (Single Censoring) Estimated parameter: 5th percentile Calculated planning estimate = 40000 Target Confidence Level = 95% Precision in terms of a one-sided confidence interval that gives a lower bound for the parameter. Pgina 262 de 308

CURSO TALLER DE MINITAB 15 Planning Values Percentile values 40000, 100000 for percents 5, 15 Planning distribution: Weibull Scale = 423612, Shape = 1.25859 Actual Censoring Sample Confidence Time Precision Size Level 100000 20000 52 95.0190

P. Reyes / Agosto 2007

Para estimar el 5avo. Percentil con un intervalo de confianza unilaterar de lmite inferior en 20,000 ciclos, se deben probar 52 componentes durante 100,000 ciclos. Minitab 15 Planes de prueba de vida acelerada Se usa para determinar el nmero de unidades a probar y como someterlas a niveles de esfuerzo para una prueba de vida acelerada. Los datos colectados pueden ser censurados o no censurados. Por ejemplo: Se quiere hacer un plan de vida acelerada para estimar la confiabilidad a 1000 horas de un foco al voltaje de diseo de 110 V. Se tienen 20 focos disponibles para la prueba. Para acelerar las fallas, se corre la prueba a 120 y 130 V. Se tiene la idea que una relacin de potencia modela adecuadamente la relacin entre el tiempo de falla y el voltaje. Datos histricos indican que la distribucin lognormal con una escala de 50 modela las fallas de los focos. Los valores planeados son 1200 para el percentil 50avo. En 110 volts y 600 para el 50avo. Percentil en 120 volts. Los resultados se muestran a continuacin: 1 Stat > Reliability/Survival > Test Plans > Accelerated Life Testing . 2 En Parameter to be Estimated, seleccionar Reliability at time, poner 1000. 3 En Sample sizes or prec. as distances from bound of CI to estimate , sel. Sample size, 20. 4 En Distribution, seleccionar Lognormal. From Relationship, seleccionar Ln (Power). 5 En Shape (Weibull) or scale (other distributions), poner 50. 6 En Specify planning values for two of the following, hacer lo siguiente: En el primer Percentile, poner 1200. In Percent, poner 50. In Stress, poner 110. En el segundo Percentile, poner 600. In Percent, poner 50. In Stress, poner 120. 7 Click Stresses. 8 En Design stress, poner 110. In Test stresses, poner 120 130. Click OK en cada dilogo. Los resultados se muestran a continuacin: Accelerated Life Testing Test Plans Uncensored data Power model Estimated parameter: Reliability at time = 1000 Calculated planning estimate = 0.501455 Design stress value = 110 Planning Values Percentile values = 1200, 600 for percents = 50, 50 at stresses = 110, 120 Planning distribution: Lognormal base e Intercept = 44.5349, Slope = -7.96617 and Scale = 50 Selected test plans: "Optimum" allocations test plans Total available sample units = 2 3rd Best "Optimum" Allocations Test Plan

Pgina 263 de 308

CURSO TALLER DE MINITAB 15 Test Percent Percent Sample Expected Stress Failure Alloc Units Failures 120 100 70 14 14 130 100 30 6 6 Standard error of the parameter of interest = 0.284363

P. Reyes / Agosto 2007

Para estimar la confiabilidad a las 1000 horas al voltaje de diseo de 110 volts, probar 13 unidades hasta que fallen y 7 unidades hasta que fallen en 130 volts Minitab 15 Identificacin de la distribucin que mejor ajuste a los datos Se usa para determinar cual distribucin ajusta mejor a los datos comparando que tanto se apegan los puntos a la lnea de mejora ajuste de una grfica de probabilidad. Minitab proporciona dos mediciones + de bondad de ajuste para apoyar en la evaluacin del ajuste de la distribucin: - La prueba de Anderson Darling por mnimos cuadrados y mxima verosimilitud. - El coeficiente de correlacin de Pearson para el mtodo de mnimos cuadrados Se pueden mostrar hasta 50 muestras en cada grfica. Por ejemplo: Se quiere saber a una temperatura dada el tiempo en el cual el 1% de los bobinados falla. Para esto se colectan los tiempos de falla para los bobinados en dos temperaturas. 50 muestras se prueban a 80C y 40 a 100C, algunas unidades se quitan de la prueba por razones no relacionadas En Minitab se indica una columna como indicadora de censura para designar en que tiempo suceden las fallas reales (1) y cuales unidades se retiraron de la prueba antes de la falla (0). 1 File > Open worksheet RELIABLE.MTW. Temp80 Cens80 Temp100 50 1 101 60 1 11 53 1 48 40 1 32 51 1 36

Cens100 0 1 1 1 1

Etctera

2 3 4 5 6

Stat > Reliability/Survival > Distribution Analysis (Right Censoring) > Distribution ID Plot . En Variables, seleccionar Temp80 Temp100. Seleccionar Specify. Dejar las distrribuciones Weibull, lognormal, exponential, and normal. Click Censor. Seleccionar Use censoring columns and enter Cens80 Cens100 in the box. Click OK en cada cuadro de dilogo

Los resultados se muestran a continuacin: Anderson-Darling Correlation Distribution (adj) Coefficient Weibull 67.606 0.986 Lognormal 67.656 0.982 Exponential 71.519 * Loglogistic 67.593 0.986 3-Parameter Weibull 67.587 0.987 3-Parameter Lognormal 67.575 0.989 2-Parameter Exponential 68.734 * 3-Parameter Loglogistic 67.567 0.987 Smallest Extreme Value 68.170 0.968 Normal 67.589 0.987 Logistic 67.620 0.981 Table of Percentiles Standard Error 95% Normal CI Lower Upper

Distribution

Percent

Percentile

Pgina 264 de 308

CURSO TALLER DE MINITAB 15 Weibull Lognormal Exponential Loglogistic Weibull Lognormal Exponential Weibull Lognormal Exponential Loglogistic Weibull Lognormal Exponential Loglogistic Table of MTTF Standard Error 2.7394 3.8295 11.5140 3.9026 95% Normal CI Lower Upper 51.4955 62.2497 54.4791 69.5279 53.9575 99.8063 54.6691 70.0058 1 1 1 1 5 5 5 10 10 10 10 50 50 50 50 17.7339 21.5948 0.737540 19.1962 27.7571 28.6233 3.76414 33.8299 33.2625 7.73184 33.6916 56.7777 56.5033 50.8663 56.4136 2.44778 2.46626 0.115720 2.67345 2.85714 2.61498 0.590591 2.97051 2.68093 1.21312 2.84745 2.90747 3.38997 7.98090 3.33835 13.5305 17.2638 0.542291 14.6106 22.6859 23.9307 2.76766 28.4812 28.4020 5.68499 28.5485 51.3558 50.2348 37.4005 50.2358

P. Reyes / Agosto 2007 23.2431 27.0123 1.00309 25.2210 33.9618 34.2361 5.11939 40.1830 38.9548 10.5156 39.7614 62.7720 63.5539 69.1804 63.3512

Distribution Weibull Lognormal Exponential Loglogistic

Mean 56.6179 61.5452 73.3846 61.8640

Probability Plot for Temp80, Temp100


LSXY Estimates-Censoring Column in Cens80, Cens100
Weibull 99 90 Percent Percent 50 90 50 10 1 1 Lognormal Variable Temp80 Temp100 Correlation Coefficient Weibull 0.986, 0.993 Lognormal 0.982, 0.988 Exponential *, * Loglogistic 0.986, 0.993

10

10 Data Exponential

100

10 Data Loglogistic

100

99 90 Percent Percent 1 10 Data 100 1000 50 90 50 10 1 1

10

10 Data

100

Los puntos caen aproximadamente en la lnea recta sobre la grfica de probabilidad Lognormal Un estadstico de Anderson Darling menor indica que un mejor ajuste a los datos. La tabla de percentiles y MTTFs permiten ver si las conclusiones pueden cambiar con diferentes distribuciones. Minitab 15 Visualizacin de la distribucin de probabilidad Genera grficas para visualizar los datos de vida. En la forma paramtrica incluye una grfica de probabilidad, una grfica de confiabilidad o sobrevivencia, y una grfica de tasa de falla. En el caso de la no paramtrica para datos no censurados, se muestra una grafica de sobrevivencia y tasa de falla de Kaplan Meir o Actuarial y en el caso de datos censurados de manera arbitraria, muestra grficas de sobrevivencia y tasa de falla de Turnbull o Actuarial. Por ejemplo: Se quiere saber a una temperatura dada el tiempo en el cual el 1% de los bobinados falla. Pgina 265 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para esto se colectan los tiempos de falla para los bobinados en dos temperaturas. 50 muestras se prueban a 80C y 40 a 100C, algunas unidades se quitan de la prueba por razones no relacionadas En Minitab se indica una columna como indicadora de censura para designar en que tiempo suceden las fallas reales (1) y cuales unidades se retiraron de la prueba antes de la falla (0). 1 File > Open worksheet RELIABLE.MTW. 2 Stat > Reliability/Survival > Distribution Analysis (Right Censoring) > Distrib. Overview Plot . 3 En Variables, seleccionar Temp80 y Temp100. 4 En Distribution, seleccionar Lognormal. 5 Click Censor. seleccionar Use censoring columns y seleccionar Cens80 and Cens100. 6 Click OK en cada cuadro de dilogo. Los resultados se muestran a continuacin:
Distribution Overview Plot for Temp80, Temp100
LSXY Estimates-Censoring Column in Cens80, Cens100
Probability Density Function Lognormal 99 90 0.01 Percent PDF 50 10

Results for variable: Temp80 Goodness-of-Fit Anderson-Darling (adj) 67.656

0.02

V ariable Temp80 Temp100

Distribution Lognormal

0.00 Correlation 0 50 Coefficient 0.982 100

100 Data

150

200

10 Data Hazard Function

100

Survival Function 0.045 0.030 0.015 0.000

Percent

Results for variable: Temp100 Goodness-of-Fit Anderson-Darling (adj) 17.281

50

0 0 50 100 Data 150 200

Rate

50

Distribution Lognormal

Correlation Table of Statistics Loc Scale Corr F C Coefficient 4.03430 0.413458 0.982 37 13 3.61936 0.740387 0.988 34 6 0.988

100 Data

150

200

Las cuatro grficas describen la tasa de falla de los bobinados a 80C y a 100C, se puede determianr que posibilidad tengan de fallas en esas temperaturas. Minitab 15 Anlisis de confiabilidad paramtrico con censura por la derecha Usar esta opcin si los datos estn censurados por la derecha o se incluyen datos de falla reales Con hasta 11 diferentes distribuciones se pueden estimar los percentiles, confiabilidad y prob. de falla. Por ejemplo: Se fabrican bobinados y se prueban a dos temperaturas 80C y 100C, se quiere saber: - Los tiempos a los cuales fallan los bobinados (0.1avo percentil es de inters) - Porcentaje de bobinados que fallan despus de 70 meses. Para esto se colectan los tiempos de falla para los bobinados en dos temperaturas. 50 muestras se prueban a 80C y 40 a 100C, algunas unidades se quitan de la prueba por razones no relacionadas En Minitab se indica una columna como indicadora de censura para designar en que tiempo suceden las fallas reales (1) y cuales unidades se retiraron de la prueba antes de la falla (0). 1 2 3 4 5 6 7 8 File > Open worksheet RELIABLE.MTW. Stat > Reliability/Survival > Distrib. Analysis (Right Censoring) > Parametric Distr. Analysis . En Variables, seleccionar Temp80 Temp100. En Assumed distribution, seleccionar Lognormal. Click Censor. seleccionar Use censoring columns y seleccionar Cens80 Cens100 . Click OK. Click Estimate. En Estimate percentiles for these additional percents , poner 0.1. En Estimate probabilities for these times (values), poner 70. Click OK. Click Graphs. seleccionar Survival plot. Click OK en cada cuadro de dilogo

Los resultados son los siguientes: Distribution Analysis: Temp80 Pgina 266 de 308

CURSO TALLER DE MINITAB 15 Variable: Temp80 Censoring Information Count Uncensored value 37 Right censored value 13 Censoring value: Cens80 = 0 Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Lognormal Parameter Estimates Standard Error 0.0599960 0.0414962 95.0% Normal CI Lower Upper 3.91671 4.15189 0.339626 0.503340

P. Reyes / Agosto 2007

Parameter Location Scale

Estimate 4.03430 0.413458

Log-Likelihood = -182.827 Goodness-of-Fit Anderson-Darling (adjusted) = 67.656 Correlation Coefficient = 0.982 Characteristics of Distribution Standard Error 3.82954 3.70119 3.38997 2.84200 4.92345 3.78623 95.0% Normal CI Lower Upper 54.4791 69.5279 20.2253 34.9145 50.2348 63.5539 37.5298 48.7018 65.6247 84.9780 25.3031 40.2788

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR) Table of Percentiles

Estimate 61.5452 26.5736 56.5033 42.7524 74.6770 31.9246

Percent 0.1 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96

Percentile 15.7465 21.5948 24.1712 25.9629 27.3978 28.6233 29.7095 30.6957 31.6064 32.4582 33.2625 39.8979 45.4895 50.8841 56.5033 62.7430 70.1837 80.0198 95.9826 98.3610 101.012 104.009 107.461 111.539 116.528

Standard Error 2.23848 2.46626 2.53192 2.56907 2.59497 2.61498 2.63147 2.64569 2.65838 2.67001 2.68093 2.78266 2.91315 3.10502 3.38997 3.81469 4.46368 5.52897 7.65393 8.00485 8.40509 8.86871 9.41666 10.0819 10.9209

95.0% Normal CI Lower Upper 11.9173 20.8060 17.2638 27.0123 19.6850 29.6798 21.3858 31.5197 22.7560 32.9866 23.9307 34.2361 24.9747 35.3418 25.9245 36.3448 26.8029 37.2708 27.6251 38.1368 28.4020 38.9548 34.8003 45.7422 40.1236 51.5730 45.1482 57.3487 50.2348 63.5539 55.6947 70.6834 61.9584 79.5010 69.8849 91.6244 82.0947 112.220 83.8591 115.371 85.8113 118.905 88.0014 122.928 90.5031 127.597 93.4305 133.158 96.9744 140.025 Pgina 267 de 308

CURSO TALLER DE MINITAB 15 97 98 99 122.968 132.084 147.842 12.0421 13.6963 16.7224 101.493 107.792 118.446 148.988 161.851 184.535

P. Reyes / Agosto 2007

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.206353 0.414111

Time 70

Probability 0.302208

Distribution Analysis: Temp100 Variable: Temp100 Censoring Information Uncensored value Right censored value Count 34 6

Censoring value: Cens100 = 0 Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Lognormal

Parameter Estimates Standard Error 0.119118 0.0949534 95.0% Normal CI Lower Upper 3.38589 3.85283 0.575829 0.951972

Parameter Location Scale

Estimate 3.61936 0.740387

Log-Likelihood = -160.697 Goodness-of-Fit Anderson-Darling (adjusted) = 17.281 Correlation Coefficient = 0.988

Characteristics of Distribution Standard Error 6.98322 11.4125 4.44473 2.97661 8.54241 7.33100 95.0% Normal CI Lower Upper 37.1357 64.8656 24.6006 71.4885 29.5444 47.1261 17.5027 29.3003 46.8253 80.7263 26.8260 56.2232

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR)

Estimate 49.0798 41.9364 37.3137 22.6459 61.4820 38.8361

Table of Percentiles Standard Error 1.17097 95.0% Normal CI Lower Upper 2.06524 6.94163 Pgina 268 de 308

Percent 0.1

Percentile 3.78631

CURSO TALLER DE MINITAB 15 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99 6.66562 8.15631 9.27058 10.2080 11.0401 11.8015 12.5122 13.1848 13.8278 14.4474 20.0101 25.3075 30.9318 37.3137 45.0123 55.0158 69.5806 96.3710 100.689 105.600 111.276 117.978 126.114 136.394 150.186 170.704 208.880 1.62573 1.80788 1.92809 2.02085 2.09791 2.16476 2.22448 2.27898 2.32954 2.37705 2.78063 3.18917 3.71014 4.44473 5.54010 7.26891 10.2830 16.9469 18.1275 19.5006 21.1262 23.0951 25.5534 28.7576 33.2146 40.1446 53.8572 4.13270 5.28227 6.16701 6.92520 7.60714 8.23760 8.83086 9.39602 9.93927 10.4651 15.2393 19.7690 24.4516 29.5444 35.3643 42.4642 52.0826 68.2750 70.7518 73.5320 76.7007 80.3841 84.7800 90.2247 97.3603 107.663 126.016 10.7510 12.5941 13.9360 15.0471 16.0222 16.9073 17.7282 18.5013 19.2377 19.9453 26.2744 32.3978 39.1294 47.1261 57.2924 71.2774 92.9574 136.029 143.294 151.653 161.438 173.153 187.601 206.188 231.675 270.658 346.233

P. Reyes / Agosto 2007

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.107086 0.323727


Probability Plot for Temp80, Temp100
Lognormal - 95% CI Censoring Column in Cens80, Cens100 - LSXY Estimates
Variable Temp80 Temp100
Table of Statistics Loc Scale Corr F C 4.03430 0.413458 0.982 37 13 3.61936 0.740387 0.988 34 6

Time 70

Probability 0.197736

Survival Plot for Temp80, Temp100


Lognormal - 95% CI Censoring Column in Cens80, Cens100 - LSXY Estimates 100 80 60 40 20 0 0 50 100 Data 150 200
1 99 95 90 80 70 60 50 40 30 20 10 5

Variable Tem p80 Tem p100


Table of Statistics Loc Scale Corr F C 4.03430 0.413458 0.982 37 13 3.61936 0.740387 0.988 34 6

Percent

Percent

10 Data

100

1000

De la tabla de percentiles, el 1% de los bobinados fallas a los 21.54948 meses a 80C. El 0.1% falla a los 15.7465 meses a 80C y a 3.78631 meses a 100C. De manera que la temperatura incrementada reduce el percentile en aprox. 9.5 meses. La proporcin de bobinados que se espera que continuen bien despus de 70 meses, en la Tabla de probabilidades de supervivencia se encuentran 30.22% a 80C y 19.77% a 100C. Minitab 15 Anlisis de confiabilidad paramtrico con censura por la derecha con fallas mltiples Pgina 269 de 308

CURSO TALLER DE MINITAB 15 Por ejemplo:

P. Reyes / Agosto 2007

Se quiere mejorar la confiabilidad de circuitos sensores de presin. Tres componentes con riesgo de falla pueden dejar inoperable el sistema: el sensor, el transmisor y el medidor. Se desea determinar cuales componentes fallan ms frecuentemente de manera que se pueda redisear el sistema. 1 File > Open worksheet CIRCUIT.MTW. Weeks Failure 62 Sensor 78 74 Sensor 36 48 Sensor 75 67 Sensor 13 61 Sensor

Transmitter Transmitter Transmitter Transmitter

21 91 138 49 81

Meter Meter Meter Meter Meter

2 Stat > Reliability/Survival > Distribution Analysis (Right Censoring) > Parametric Distribution Analysis 3 En Variables, seleccionar Weeks. 4 Click FMode. 5 En Use failure mode columns, seleccionar Failure. 6 En Change Distribution for Levels, seleccionar "Meter" in Level y seleccionar Logistic. Click OK. 7 Click Estimate. 8 En Estimate probabilities for these times (values), poner 52. Click OK. 9 Click Results. 10 Seleccionar Display analyses for individual failure modes according to display of results . 11 Click OK en cada cuadro de dilogo Los resultados se muestran a continuacin:

14/08 7:49:01

Distribution Analysis: Weeks Variable: Weeks Failure Mode: Failure = Meter Censoring Information Uncensored value Right censored value Count 20 60

Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Logistic

Parameter Estimates Standard Error 9.97694 4.71076 95.0% Normal CI Lower Upper 104.598 143.707 21.1805 39.9579

Parameter Location Scale

Estimate 124.153 29.0917

Log-Likelihood = -120.811 Goodness-of-Fit Anderson-Darling (adjusted) = 2.843 Correlation Coefficient = 0.985

Pgina 270 de 308

CURSO TALLER DE MINITAB 15 Characteristics of Distribution Standard Error 9.97694 8.54438 9.97694 8.88367 13.1805 10.3506 95.0% Normal CI Lower Upper 104.598 143.707 38.4172 72.4756 104.598 143.707 74.7807 109.604 130.280 181.947 46.5383 87.7965

P. Reyes / Agosto 2007

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR)

Estimate 124.153 52.7666 124.153 92.1924 156.113 63.9211

Table of Percentiles Standard Error 29.3278 19.2312 16.3624 14.7545 13.6581 12.8407 12.1993 11.6794 11.2485 10.8856 10.5767 9.07580 8.88319 9.25702 9.97694 10.9856 12.3301 14.2128 17.3632 17.8370 18.3656 18.9640 19.6538 20.4690 21.4663 22.7524 24.5679 27.6836 95.0% Normal CI Lower Upper -134.258 -19.2951 -47.2195 28.1653 -21.1366 43.0028 -5.89101 51.9454 4.92846 58.4672 13.3268 63.6614 20.1957 68.0162 26.0104 71.7929 31.0542 75.1474 35.5098 78.1807 39.5018 80.9619 66.0350 101.611 82.0928 116.914 94.2138 130.501 104.598 143.707 114.417 157.480 124.636 172.969 136.626 192.339 154.043 222.105 156.501 226.420 159.209 231.201 162.235 236.573 165.679 242.721 169.693 249.930 174.535 258.681 180.685 269.873 189.221 285.525 203.574 312.092

Percent 0.1 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99

Percentile -76.7765 -9.52708 10.9331 23.0272 31.6978 38.4941 44.1060 48.9016 53.1008 56.8453 60.2318 83.8232 99.5036 112.357 124.153 135.949 148.802 164.483 188.074 191.461 195.205 199.404 204.200 209.812 216.608 225.279 237.373 257.833

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.847471 0.962510

Time 52

Probability 0.922741

Distribution Analysis: Weeks Variable: Weeks Failure Mode: Failure = Sensor Pgina 271 de 308

CURSO TALLER DE MINITAB 15 Censoring Information Uncensored value Right censored value Count 30 50

P. Reyes / Agosto 2007

Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Weibull

Parameter Estimates Standard Error 0.234031 5.69945 95.0% Normal CI Lower Upper 2.34505 3.26664 88.6113 111.000

Parameter Shape Scale

Estimate 2.76775 99.1759

Log-Likelihood = -184.235 Goodness-of-Fit Anderson-Darling (adjusted) = 91.425 Correlation Coefficient = 0.984

Characteristics of Distribution Standard Error 5.20180 2.39714 5.49793 5.18047 5.99719 3.36804 95.0% Normal CI Lower Upper 78.6444 99.0805 30.0919 39.5176 76.7409 98.3477 53.8477 74.2421 100.442 123.994 42.2002 55.4436

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR)

Estimate 88.2730 34.4842 86.8751 63.2279 111.599 48.3708

Table of Percentiles Standard Error 1.98116 3.27552 3.72493 3.99019 4.17628 4.31797 4.43125 4.52483 4.60396 4.67210 4.73159 5.08268 5.25677 5.37997 5.49793 5.64198 5.84987 6.19298 95.0% Normal CI Lower Upper 5.08543 13.1467 13.3791 26.4694 17.9152 32.7388 21.2646 37.1087 24.0255 40.5844 26.4217 43.5241 28.5651 46.1016 30.5211 48.4159 32.3316 50.5291 34.0252 52.4832 35.6227 54.3079 48.5337 68.5566 58.7705 79.4549 67.9431 89.0968 76.7409 98.3477 85.6467 107.812 95.1880 118.164 106.248 130.567 Pgina 272 de 308

Percent 0.1 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80

Percentile 8.17657 18.8185 24.2183 28.0910 31.2260 33.9114 36.2891 38.4409 40.4188 42.2581 43.9840 57.6828 68.3345 77.8043 86.8751 96.0923 106.055 117.782

CURSO TALLER DE MINITAB 15 90 91 92 93 94 95 96 97 98 99 134.053 136.237 138.609 141.213 144.117 147.424 151.301 156.054 162.347 172.203 6.88597 6.99962 7.12855 7.27683 7.45040 7.65842 7.91618 8.25215 8.72977 9.54882 121.214 123.187 125.318 127.647 130.230 133.153 136.555 140.690 146.107 154.468 148.252 150.671 153.309 156.220 159.485 163.225 167.640 173.095 180.391 191.973

P. Reyes / Agosto 2007

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.755073 0.905001

Time 52

Probability 0.845809

Distribution Analysis: Weeks Variable: Weeks Failure Mode: Failure = Transmitter Censoring Information Uncensored value Right censored value Count 30 50

Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Weibull

Parameter Estimates Standard Error 0.181461 9.20506 95.0% Normal CI Lower Upper 1.39957 2.11596 86.9775 123.244

Parameter Shape Scale

Estimate 1.72088 103.535

Log-Likelihood = -187.488 Goodness-of-Fit Anderson-Darling (adjusted) = 182.549 Correlation Coefficient = 0.987

Characteristics of Distribution Standard Error 8.17112 7.14057 7.84373 6.15160 11.1735 8.75168 95.0% Normal CI Lower Upper 77.6011 109.792 42.9072 71.1978 69.6300 100.550 39.4770 63.8233 105.084 149.107 59.6474 94.2534

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR)

Estimate 92.3038 55.2711 83.6738 50.1951 125.175 74.9798

Pgina 273 de 308

CURSO TALLER DE MINITAB 15 Table of Percentiles Standard Error 0.824159 2.16923 2.81901 3.25814 3.59506 3.86991 4.10256 4.30450 4.48302 4.64307 4.78821 5.79410 6.47457 7.10925 7.84373 8.81472 10.2130 12.4098 16.5175 17.1633 17.8892 18.7163 19.6753 20.8139 22.2113 24.0159 26.5584 30.8855 95.0% Normal CI Lower Upper 0.788576 4.43608 3.94300 12.9566 6.40640 17.9521 8.51657 21.7618 10.4297 24.9741 12.2114 27.8130 13.8970 30.3922 15.5085 32.7783 17.0606 35.0147 18.5641 37.1312 20.0266 39.1494 33.3169 56.2905 45.5000 71.0909 57.4391 85.4909 69.6300 100.550 82.5614 117.292 96.9509 137.186 114.237 163.140 138.653 203.801 141.965 209.671 145.568 216.150 149.537 223.397 153.976 231.639 159.049 241.229 165.019 252.747 172.375 267.272 182.177 287.185 197.676 319.917
0.03 0.02 0.01 0.00 Rate 0 0.03 Rate 0.02 0.01 0.00 0

P. Reyes / Agosto 2007

Percent 0.1 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99

Percentile 1.87034 7.14758 10.7242 13.6138 16.1392 18.4292 20.5514 22.5464 24.4412 26.2546 28.0006 43.3062 56.8738 70.0751 83.6738 98.4064 115.327 136.516 168.100 172.528 177.383 182.773 188.857 195.875 204.226 214.642 228.733 251.475

Hazard Plot for Weeks


Complete Data - LSXY Estimates
Failure Mode = Sensor
Weibull Logistic

Failure Mode = Meter

Failure Mode = Meter Loc Scale 124.153 29.0917 Failure Mode = Sensor Shape Scale 2.76775 99.1759 Failure Mode = Transmitter Shape Scale 1.72088 103.535

0.06 Rate 100 Weeks 200 0.04 0.02 0.00 0 50 100 Weeks 150

Failure Mode = Transmitter


Weibull

100 Weeks

200

Survival Plot for Weeks


Complete Data - LSXY Estimates
Failure Mode = Sensor
Weibull - 95% CI 100

Failure Mode = Meter


Logistic - 95% CI 100

F ailure Mode = Meter Loc Scale 124.153 29.0917 F ailure Mode = Sensor Shape Scale 2.76775 99.1759

Table of Survival Probabilities


Percent 50 Percent 50

Time 52

Probability 0.736598

95.0% Normal CI Lower Upper 0.632389 0.815503


0 100

Failure Mode = Transmitter Shape Scale 1.72088 103.535


0 50 100 Weeks 150

0 0 100 Weeks 200

Failure Mode = Transmitter


Weibull - 95% CI

Percent

Distribution Analysis: Weeks Variable: Weeks

50

0 0 100 Weeks 200

Failure Mode: Failure = Meter, Sensor, Transmitter Censoring Information Uncensored value Count 80

Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Logistic, Weibull, Weibull
Failure Mode = Meter

Probability Plot for Weeks


Complete Data - LSXY Estimates
Failure Mode = Sensor
Weibull - 95% CI 90 50 P e rce n t 10 1 0.1

Table of Percentiles

Logistic - 95% CI 99 90

Failure Mode = Meter Loc Scale 124.153 29.0917 Failure Mode = Sensor Shape Scale 2.76775 99.1759 Failure Mode = Transmitter Shape Scale 1.72088 103.535

Pgina 274 de 308


10 1 0.1 -200 0 200

P e rce n t

50

10

100

Failure Mode = Meter


Logistic - 95% CI

Failure Mode = Sensor


Weibull - 95% CI 90 50

CURSO TALLER DE MINITAB 15


99 90 P e rce n t

Loc Scale 124.153 29.0917 Shape Scale 2.76775 99.1759 Failure Mode = Transmitter Shape Scale 1.72088 103.535

P. Reyes Failure / Agosto 2007 Mode = Sensor

Percent 0.1 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99

Percentile -76.7766 -9.52708 4.18134 7.72617 10.3707 12.5881 14.5404 16.3074 17.9356 19.4550 20.8862 32.4556 41.6745 49.9792 57.9891 66.1511 74.9700 85.3122 99.5548 101.456 103.518 105.778 108.296 111.157 114.506 118.605 124.023 132.500

95.0% Normal CI 50 10 Lower Upper 10 -134.258 -19.2951 1 1 -47.2195 9.27227 0.1 0.1 -16.9494 12.6968 -200 0 200 10 100 Weeks Weeks 0.293470 15.1079 4.35150 17.4591 Failure Mode = Transmitter Weibull - 95% CI 6.77289 19.6042 90 8.74528 21.5580 50 10.4731 23.3531 10 12.0401 25.0185 13.4906 26.5768 1 14.8514 28.0459 0.1 25.8527 39.8636 1 10 100 1000 Weeks 34.7026 49.1932 42.7293 57.5579 50.5031 65.6076 Probability Plot for Weeks Multiple Distributions - 95% CI 58.4426 73.8054 Complete Data - LSXY Estimates 67.0254 82.6733 99.9 77.0704 93.1127 90.8017 107.62399 92.6213 109.57695 94.5891 111.69880 96.7417 114.03250 99.1316 116.63920 5 101.838 119.614 104.993 123.110 1 108.832 127.411 0.1 -100 -50 0 50 100 113.870 133.136 -150 Weeks 121.669 142.180
P e rce n t

Percent

P e rce n t

150

200

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.480067 0.664499

Time 52

Probability 0.574887

Conclusiones: La confiabilidad general del circuito a las 52 semanas es de 0.574887. Es decir el 57% de los circuitos sobrevive a las 52 semanas. Se tiene una seguridad del 95% que la confiabilidad real se ecnuentra entre 0.48 y 0.664. La confiabilidad individual para cada uno de los componentes es: Meter 0.922; sensor 0.8458; y Transmitter 0.736. Para mejorar la confiabilidad total es necesario mejorar la confiabilidad del transmisor y del sensor. Minitab 15 Anlisis de la confiabilidad no paramtrico Usar esta opcin si ninguna distrribucin ajusta a los datos. Se pueden estimar probabilidades de falla, probabilidades de supervivencia, tasas de falla y otras funciones. Cuando se tienen datos exactos censurados por la derecha, se puede seleccionar la estimacin de Kaplan Meir o Actuarial. Si el esquema tiene una variedad de censuras, se puede seleccionar el estimado de Turnbull o Actuarial. Por ejemplo: Se fabrican bobinados y se prueban a dos temperaturas 80C y 100C, se quiere saber: Pgina 275 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

- Los tiempos a los cuales falla la mitad de los bobinados (50avo. percentil es de inters) - Porcentaje de bobinados que sobreviven despus de varios periodos de tiempo - Tambin se quiere saber si las curvas de sobrevivencia de las dos temperaturas son similares Para esto se colectan los tiempos de falla para los bobinados en dos temperaturas. 50 muestras se prueban a 80C y 40 a 100C, algunas unidades se quitan de la prueba por razones no relacionadas En Minitab se indica una columna como indicadora de censura para designar en que tiempo suceden las fallas reales (1) y cuales unidades se retiraron de la prueba antes de la falla (0). 1 2 3 4 5 6 File > Open worksheet RELIABLE.MTW. Stat > Reliability/Survival > Distrib. Analysis (Right Cens.) > Nonparametric Distr. Analysis . En Variables, seleccionar Temp80 Temp100. En Assumed distribution, seleccionar Lognormal. Click Censor. seleccionar Use censoring columns y seleccionar Cens80 Cens100 . Click OK. Click Graphs. seleccionar Survival plot y Display Conf. Interv. . Click OK en los dilogos

Los resultados son los siguientes: Distribution Analysis: Temp80 Variable: Temp80 Censoring Information Uncensored value Right censored value Count 37 13

Censoring value: Cens80 = 0

Nonparametric Estimates

Characteristics of Variable Standard Error 3.83453 95.0% Normal CI Lower Upper 56.1968 71.2279

Mean(MTTF) 63.7123

Median = 55 IQR = * Q1 = 48

Q3 = *

Kaplan-Meier Estimates Number at Risk 50 49 48 46 45 44 43 42 41 40 39 38 35 Number Failed 1 1 2 1 1 1 1 1 1 1 1 3 1 Survival Probability 0.980000 0.960000 0.920000 0.900000 0.880000 0.860000 0.840000 0.820000 0.800000 0.780000 0.760000 0.700000 0.680000 Standard Error 0.0197990 0.0277128 0.0383667 0.0424264 0.0459565 0.0490714 0.0518459 0.0543323 0.0565685 0.0585833 0.0603987 0.0648074 0.0659697 95.0% Normal CI Lower Upper 0.941195 1.00000 0.905684 1.00000 0.844803 0.99520 0.816846 0.98315 0.789927 0.97007 0.763822 0.95618 0.738384 0.94162 0.713511 0.92649 0.689128 0.91087 0.665179 0.89482 0.641621 0.87838 0.572980 0.82702 0.550702 0.80930

Time 23 24 27 31 34 35 37 40 41 45 46 48 49

Pgina 276 de 308

CURSO TALLER DE MINITAB 15 50 51 52 53 54 55 56 58 59 60 61 62 64 66 67 74 34 33 29 28 27 26 25 24 22 21 20 19 18 17 16 13 1 4 1 1 1 1 1 2 1 1 1 1 1 1 2 1 0.660000 0.580000 0.560000 0.540000 0.520000 0.500000 0.480000 0.440000 0.420000 0.400000 0.380000 0.360000 0.340000 0.320000 0.280000 0.258462 0.0669925 0.0697997 0.0701997 0.0704840 0.0706541 0.0707107 0.0706541 0.0701997 0.0697997 0.0692820 0.0686440 0.0678823 0.0669925 0.0659697 0.0634980 0.0621592 0.528697 0.443195 0.422411 0.401854 0.381521 0.361410 0.341521 0.302411 0.283195 0.264210 0.245460 0.226953 0.208697 0.190702 0.155546 0.136632 0.79130 0.71680 0.69759 0.67815 0.65848 0.63859 0.61848 0.57759 0.55680 0.53579 0.51454 0.49305 0.47130 0.44930 0.40445 0.38029

P. Reyes / Agosto 2007

Distribution Analysis: Temp100 Variable: Temp100 Censoring Information Uncensored value Right censored value Count 34 6
Percent 100 90 80 70 60 50 40 30

Survival Plot for Temp80, Temp100


Kaplan-Meier Method - 95% CI Censoring Column in Cens80, Cens100
Variable Temp80 Temp100
Table of Statistics Mean Median I Q R 63.7123 55 * 44.7813 38 30

Censoring value: Cens100 = 0

Nonparametric Estimates

20 10

Characteristics of Variable Standard Error 4.43366

20

40

60 Data

80

100

120

Mean(MTTF) 44.7813

95.0% Normal CI Lower Upper 36.0914 53.4711

Median = 38 IQR = 30 Q1 = 24

Q3 = 54

Kaplan-Meier Estimates Number at Risk 40 39 38 37 36 35 32 31 30 29 28 27 Number Failed 1 1 1 1 1 3 1 1 1 1 1 1 Survival Probability 0.97500 0.95000 0.92500 0.90000 0.87500 0.80000 0.77500 0.75000 0.72500 0.70000 0.67500 0.65000 Standard Error 0.0246855 0.0344601 0.0416458 0.0474342 0.0522913 0.0632456 0.0660256 0.0684653 0.0706001 0.0724569 0.0740566 0.0754155 95.0% Normal CI Lower Upper 0.926617 1.00000 0.882459 1.00000 0.843376 1.00000 0.807031 0.99297 0.772511 0.97749 0.676041 0.92396 0.645592 0.90441 0.615810 0.88419 0.586626 0.86337 0.557987 0.84201 0.529852 0.82015 0.502188 0.79781

Time 6 10 11 14 16 18 22 24 25 27 29 30

Pgina 277 de 308

CURSO TALLER DE MINITAB 15 32 35 36 37 38 39 40 45 46 47 48 54 68 69 72 76 26 25 24 22 21 19 18 17 15 13 12 11 8 7 6 5 1 1 2 1 2 1 1 2 2 1 1 1 1 1 1 1 0.62500 0.60000 0.55000 0.52500 0.47500 0.45000 0.42500 0.37500 0.32500 0.30000 0.27500 0.25000 0.21875 0.18750 0.15625 0.12500 0.0765466 0.0774597 0.0786607 0.0789581 0.0789581 0.0786607 0.0781625 0.0765466 0.0740566 0.0724569 0.0706001 0.0684653 0.0666585 0.0640434 0.0605154 0.0559017 0.474972 0.448182 0.395828 0.370245 0.320245 0.295828 0.271804 0.224972 0.179852 0.157987 0.136626 0.115810 0.088102 0.061977 0.037642 0.015435 0.77503 0.75182 0.70417 0.67975 0.62975 0.60417 0.57820 0.52503 0.47015 0.44201 0.41337 0.38419 0.34940 0.31302 0.27486 0.23457

P. Reyes / Agosto 2007

Distribution Analysis: Temp80, Temp100 Comparison of Survival Curves

Test Statistics Method Log-Rank Wilcoxon Chi-Square 7.7152 13.1326 DF 1 1 P-Value 0.005 0.000

Conclusiones: El estimado de la mediana de tasa de falla para temperaturas de 80C y 100C es 55 y 88 meses resp. As el incremento de temperatura incrementa la mediana de falla en aproximadamente 17 meses. Los estiamdos de sobrevivencia se muestran en la tabla de Kaplan Meir. En este caso a 80C, 0.9 de los bobinados sobreviven 31 meses y a 100C, 0.9 de los bobinados sobreviven 14 meses. Para la diferencia de las curvas de sobrevivencia, el valor P menor a alfa, indica que si son diferentes las curvas de sobrevivencia para una diferencia de 20 C. Mintab 15 Anlisis de la confiabilidad no paramtrico con modos de falla mltiples Se disea un cassette de rayos X, para que sea competitivo la confiabilidad debe ser al menos del 90% de 20,000 ciclos. Se decide investigar tres modos de falla (Window, Hinge, y Screen) para ver que componente mejorar. Se tienen tiempos de intervalo de falla y no se esta seguro de la distribucin. 1 File > Open worksheet CASSETTE.MTW. Start End Freq 2500 7 2500 5000 5 2500 5000 6 5000 7500 6 5000 7500 2 7500 10000 3 7500 10000 1 10000 12500 2 12500 15000 2 12500 15000 3 15000 17500 1 15000 17500 1

Failure Window Window Hinge Window Hinge Window Hinge Hinge Window Hinge Window Hinge

Pgina 278 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

2 3 4 5 6 7 8

17500 20000 1 Screen 17500 20000 1 Window 17500 20000 1 Hinge 20000 22500 1 Screen 22500 25000 7 Screen 22500 25000 1 Hinge 25000 27500 3 Screen 25000 27500 1 Hinge 27500 30000 6 Screen 30000 32500 1 Window 32500 18 Stat > Reliability/Survival > Distr. Analysis (Arbitrary Censor) > Nonparametric Distr. Analysis . En Start variables, seleccionar Start. En End variables, seleccionar End. En Frequency columns (optional), seleccionar Freq. Click FMode. En Use failure mode columns, seleccionar Failure. Click OK. Click Graphs. Seleccionar Survival plot. Click OK en cada cuadro de dilogo.

Los resultados se muestran a continuacin: Distribution Analysis, Start = Start and End = End Variable Start: Start Frequency: Freq End: End
100

Survival Plot for Start


Multiple Distributions Arbitrary Censoring

Failure Mode: Failure = Hinge, Screen, Window


90

Percent

Censoring Information Right censored value Interval censored value Left censored value

Count 18 55 7

80 70 60 50

Turnbull Estimates Interval Lower Upper * 2500 2500 5000 5000 7500 7500 10000 10000 12500 12500 15000 15000 17500 17500 20000 20000 22500 22500 25000 25000 27500 27500 30000 30000 32500 32500 * Probability of Failure 0.0875 0.1375 0.1000 0.0500 0.0250 0.0625 0.0250 0.0375 0.0125 0.1000 0.0500 0.0750 0.0125 0.2250

40

Percent

Standard Error 0 0.0315919 0.0385022 0.0335410 0.0243670 0.0174553 100 0.0270633 90 0.0174553 0.0212408 80 0.0124216 70 0.03354100 0.0243670 0.0294480 100 0.0124216 90 * 80
Percent 70 0

30

5000

10000

15000

20000 Start

25000

30000

35000

Survival Plot for Start


Arbitrary Censoring
Failure Mode = Hinge
Turnbull Method 100 Percent

Failure Mode = Screen


Turnbull Method

80

60 10000 20000 Start 30000 0 10000 20000 Start 30000

F ailure Mode = Window


Turnbull Method

10000

Time 2500 5000

Survival Probability 0.9125 0.7750

Standard Error 0.0315919 0.0466871

95.0% Normal CI Lower Upper 0.850581 0.974419 0.683495 0.866505 Pgina 279 de 308

20000 Start

30000

CURSO TALLER DE MINITAB 15 7500 10000 12500 15000 17500 20000 22500 25000 27500 30000 32500 0.6750 0.6250 0.6000 0.5375 0.5125 0.4750 0.4625 0.3625 0.3125 0.2375 0.2250 0.0523659 0.0541266 0.0547723 0.0557443 0.0558842 0.0558318 0.0557443 0.0537464 0.0518223 0.0475781 0.0466871 0.572365 0.518914 0.492648 0.428243 0.402969 0.365572 0.353243 0.257159 0.210930 0.144249 0.133495 0.777635 0.731086 0.707352 0.646757 0.622031 0.584428 0.571757 0.467841 0.414070 0.330751 0.316505

P. Reyes / Agosto 2007

Conclusiones: La confiabilidad general a los 20,000 ciclos de cassette es de 0.4750 con el 95% de nivel de confianza de que se encuentra entre 0.3655 y 0.5844. Dado que la confiabilidad es menor que la meta, se requiere identificar la confiabilidad de cada componente para mejorar. De las grficas de supervivencia se determina que la confiabilidad a los 20, 000 ciclos para los componentes son: Hinge = 0.73574 Window = 0.6516 Esto es lo que se requiere mejorar Screen = 9.9744 Minitab 15 Identificacin de la distribucin de probabilidad que mejor ajusta a los datos (censura arbitr.) Se usa para identificar cual distribucin ajusta mejor a los datos. Por ejemplo: Se tiene inters en la proporcin de llantas que fallan o se desgastan ms de 2/32" en cuerdas. Se desea saber cuantas llantas duran ms de 45,000 millas. Se tratade identificar la distribucin que mejor ajusta a los datos. Se inspeccionan llantas buenas cada 10,000 millas para ver si ya fallaron y se registra la informacin. 1 File > Open worksheet TIREWEAR.MTW. Start End Freq 10000 8 10000 20000 10 20000 30000 14 30000 40000 25 40000 50000 37 50000 60000 87 60000 70000 145 70000 80000 231 80000 90000 145 90000 71 Stat > Reliability/Survival > Distrib. Analysis (Arbitrary Censoring) > Distrib. ID Plot . En Start variables, seleccionar Start. En End variables, seleccionar End. En Frequency columns, seleccionar Freq. Seleccionar Specify. Dejar las 3 distr. De default. En Distribution 4, seleccionar Smallest extreme value. Click OK.

2 3 4 5

Los resultados se muestran a continuacin:

Results for: Tirewear.MTW Goodness-of-Fit Anderson-Darling (adj) Correlation Coefficient

Distribution

Pgina 280 de 308

CURSO TALLER DE MINITAB 15 Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic 2.387 2.960 6.411 2.831 2.321 2.601 6.034 2.589 2.325 2.600 2.592 0.948 0.880 * 0.911 0.998 0.975 * 0.987 0.998 0.975 0.987

P. Reyes / Agosto 2007

Table of Percentiles Standard Error 4005.60 1249.06 15.2114 2229.28 2501.03 2021.26 13.4867 2491.15 2509.70 2029.28 2500.77 4395.50 1333.82 77.6336 2437.41 1700.45 1553.87 68.8088 1747.06 1700.67 1556.84 1749.15 4050.07 1335.70 159.466 2378.18 1358.30 1321.57 141.337 1426.92 1356.88 1322.75 1427.18 1504.02 1238.08 1049.09 1266.43 637.879 95% Normal CI Lower Upper 8946.43 25368.5 17018.0 21927.3 469.015 528.678 13307.9 22141.2 4569.44 14373.3 13838.3 21761.5 10408.6 10461.5 8818.79 18583.9 4461.24 14299.1 13768.5 21723.1 8707.07 18509.9 20222.1 25001.3 2393.68 23427.1 30339.8 29595.1 12090.2 30104.8 30366.5 29597.3 30095.4 28977.9 30670.8 4916.81 30249.4 41730.0 37975.9 14295.5 39728.1 41780.4 38000.8 39741.5 69867.1 62077.0 32346.8 63370.7 71288.5 37732.9 30237.6 2698.18 33028.6 37005.5 35686.2 12359.9 36953.2 37033.0 35700.0 36952.0 44982.1 35912.1 5542.28 39599.9 47054.5 43156.3 14849.6 45321.5 47099.3 43185.9 45335.9 75764.4 66931.3 36461.6 68336.2 73789.0

Distribution Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull

Percent 1 1 1 1 1 1 1 1 1 1 1 5 5 5 5 5 5 5 5 5 5 5 10 10 10 10 10 10 10 10 10 10 10 50 50 50 50 50

Percentile 15065.1 19317.3 497.954 17165.5 9471.38 17799.9 10435.0 13701.3 9380.16 17745.8 13608.5 27623.1 27495.1 2541.38 27816.6 33672.6 32640.7 12224.3 33529.0 33699.7 32648.6 33523.7 36103.8 33188.2 5220.19 34610.3 44392.3 40566.1 14569.9 42524.8 44439.8 40593.3 42538.7 72756.0 64458.5 34342.6 65806.7 72538.8

Pgina 281 de 308

CURSO TALLER DE MINITAB 15 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic 50 50 50 50 50 50 68600.2 40070.0 69051.2 72547.7 68618.2 69047.9 804.604 929.830 748.472 635.757 802.647 746.986 67023.2 38288.4 67584.2 71301.6 67045.0 67583.8

P. Reyes / Agosto 2007 70177.2 41934.6 70518.2 73793.8 70191.3 70511.9

Table of MTTF Standard Error 2589.36 1571.48 1513.52 1790.48 686.70 804.43 1341.46 747.84 685.90 802.65 746.99 95% Normal CI Lower Upper 69234.6 79392.7 70696.3 76858.1 46666.6 52603.0 72635.4 79656.5 68069.1 70761.0 67060.3 70213.6 50816.8 56077.4 67623.1 70554.6 68059.6 70748.3 67045.0 70191.3 67583.8 70511.9

Distribution Weibull Lognormal Exponential Loglogistic 3-Parameter Weibull 3-Parameter Lognormal 2-Parameter Exponential 3-Parameter Loglogistic Smallest Extreme Value Normal Logistic

Mean 74139.9 73712.8 49546.0 76065.0 69415.1 68636.9 53382.3 69088.9 69403.9 68618.2 69047.9

Probability Plot for Start


LSXY Estimates-Arbitrary Censoring
Weibull 90 50 Percent Percent 10 99 90 50 10 1 0.1 10000 Start Exponential 90 50 Percent 10 Percent 90 50 10 100000 0.1 10000 Start Smallest Extreme Value 100000 Lognormal

Correlation Coefficient Weibull 0.948 Lognormal 0.880 Exponential * Smallest Extreme Value 0.998

0.1

100

1000

10000 Start

100000

0.1

50000 Start

100000

Conclusiones: La distribucin de Valor Extremo es la que mejor ajusta los datos, su estadstico Anderson Darling es el menor. La tabla de percentiles y MTTFs permite ver como pueden cambiar las diferentes distribuciones. Mintab 15 Visualizacin de grficas de confiabilidad Se usa esta opcin para generar varias grficas que permitan ver los datos de pruebas de vida desde diferentes formas. Por ejemplo: Se tiene inters en la proporcin de llantas que fallan o se desgastan ms de 2/32" en cuerdas. Se desea saber cuantas llantas duran ms de 45,000 millas. Se tratade identificar la distribucin que mejor ajusta a los datos. Se inspeccionan llantas buenas cada 10,000 millas para ver si ya fallaron y se registra la informacin. 1 2 File > Open worksheet TIREWEAR.MTW. Stat > Reliability/Survival > Distrib. Analysis (Arbitrary Censoring) > Distrib. Overview Plot. Pgina 282 de 308

CURSO TALLER DE MINITAB 15 3 4 5 En Start variables, seleccionar Start. En End variables, seleccionar End. En Frequency columns, seleccionar Freq. En Distribution, seleccionar Smallest extreme value. Click OK.

P. Reyes / Agosto 2007

Los resultados se presentan a continuacin: Distribution Overview Plot: Start = Start and End = End Using frequencies in Freq Goodness-of-Fit Anderson-Darling (adj) 2.325 Correlation Coefficient 0.998

Distribution Smallest Extreme Value

Distribution Overview Plot for Start


LSXY Estimates-Arbitrary Censoring
Probability Density F unction 90 0.00002 Percent PDF 50 10 1 0.00000 0 50000 Start Survival F unction 100 0.0003 100000 0.1 Smallest Extreme V alue Table of Statistics Loc 78016.2 Scale 14920.4 Mean 69403.9 StDev 19136.2 Median 72547.7 I QR 23462.8 A D* 2.325 C orrelation 0.998

0.00001

50000 Start Hazard F unction

100000

Percent

50

Rate 0 50000 Start 100000

0.0002

0.0001 0

0.0000 0 50000 Start 100000

Conclusiones: Estas cuatro grficas describen las tasas de falla en el tiempo. Se puede observar que aprox. El 90% de las llantas duran ms de 45,000 millas. Minitab 15 Anlisis de confiabilidad Paramtrico (censurado arbitrario) Se usa para analizar la confiabilidad con datos censurados arbitrariamente o tiempos de falla reales. 1 2 3 4 5 6 7 8 File > Open worksheet TIREWEAR.MTW. Stat > Reliability/Survival > Distrib. Analysis (Arbitrary Cens.) > Parametric Distr. Analysis En Start variables, seleccionar Start. En End variables, seleccionar End. En Frequency columns, seleccionar Freq. En Assumed Distribution, seleccionar Smallest extreme value. Click OK. Click Graphs. seleccionar Survival plot, y click OK. Click Estimate. En Estimate probabilities for these times (values) , enter 45000. Click OK in each dialog box.

Los resultados son los siguientes: Distribution Analysis, Start = Start and End = End Variable Start: Start Frequency: Freq Censoring Information Right censored value End: End

Count 71 Pgina 283 de 308

CURSO TALLER DE MINITAB 15 Interval censored value Left censored value 694 8

P. Reyes / Agosto 2007

Estimation Method: Least Squares (failure time(X) on rank(Y)) Distribution: Smallest Extreme Value

Parameter Estimates Standard Error 587.866 517.593 95.0% Normal CI Lower Upper 76864.0 79168.4 13939.7 15970.1

Parameter Location Scale

Estimate 78016.2 14920.4

Log-Likelihood = -1468.686 Goodness-of-Fit Anderson-Darling (adjusted) = 2.325 Correlation Coefficient = 0.998

Characteristics of Distribution Standard Error 685.900 663.838 635.757 915.593 594.993 813.932 95.0% Normal CI Lower Upper 68059.6 70748.3 17878.3 20482.5 71301.6 73793.8 57632.4 61221.4 81723.6 84055.9 21920.6 25113.6

Mean(MTTF) Standard Deviation Median First Quartile(Q1) Third Quartile(Q3) Interquartile Range(IQR)

Estimate 69403.9 19136.2 72547.7 59426.9 82889.7 23462.8

Table of Percentiles Standard Error 2509.70 2159.90 1956.18 1812.11 1700.67 1609.86 1533.27 1467.08 1408.84 1356.88 1020.23 833.021 712.680 635.757 594.162 585.974 613.919 693.170 705.872 720.004 95.0% Normal CI Lower Upper 4461.24 14299.1 15564.4 24031.1 22089.6 29757.7 26741.1 33844.5 30366.5 37033.0 33343.0 39653.5 35872.0 41882.3 38073.6 43824.5 40025.5 45548.0 41780.4 47099.3 53636.9 57636.1 61001.6 64267.0 66597.0 69390.6 -50000 71301.6 73793.8 75547.3 77876.4 79637.4 81934.3 83913.4 86319.9 89101.7 91818.9 100 89744.4 92511.4 80 90429.2 93251.6
99 90 80 70 60 50 40 30 20 10

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

Percentile 9380.16 19797.7 25923.6 30292.8 33699.7 36498.2 38877.1 40949.1 42786.8 44439.8 55636.5 62634.3 67993.8 72547.7 76711.9 80785.8 85116.6 90460.3 91127.9 91840.4

Probability Plot for Start


Smallest Extreme Value - 95% CI Arbitrary Censoring - LSXY Estimates
Table of Statistics Loc 78016.2 Scale 14920.4 Mean 69403.9 StDev 19136.2 Median 72547.7 I QR 23462.8 AD* 2.325 Correlation 0.998

Percent

5 3 2 1

0.1

-25000

25000 Start

50000

75000

100000

Survival Plot for Start


Smallest Extreme Value - 95% CI Arbitrary Censoring - LSXY Estimates
Table of Statistics Loc 78016.2 Scale 14920.4 Mean 69403.9 StDev 19136.2 Median 72547.7 I QR 23462.8 A D* 2.325 C orrelation 0.998

Pgina 284 de 308

Percent

60 40 20

100

CURSO TALLER DE MINITAB 15 80 93 94 95 96 97 98 99 92609.1 93449.8 94386.7 95458.6 96735.9 98368.5 100802 735.876 753.934 774.855 799.741 830.594 871.722 936.048 91166.8 91972.2 92868.0 93891.2 95107.9 96659.9 98967.7 94051.4 60 94927.5 40 95905.4 20 97026.1 98363.8 0 100077 0 102637
Percent

P. Reyes / Agosto 2007

Table of Statistics Loc 78016.2 Scale 14920.4 Mean 69403.9 StDev 19136.2 Median 72547.7 I QR 23462.8 A D* 2.325 C orrelation 0.998

20000

40000

60000 Start

80000

100000

Table of Survival Probabilities 95.0% Normal CI Lower Upper 0.877714 0.912340

Time 45000

Probability 0.896380

Conclusiones: Como se muestra en la tabla de distribucin, la media y la mediana hasta que falla las llantas son 69,403.9 y 72,547.7 millas respectivamente. Los tiempos de falla correspondientes a las proporciones se observa en la tabla de percentiles. Por ejemplo para que falle el 5% de las llantas se requieren 33,699.7 millas y para que falle el 50% se requieren 72,547.7 millas.

Minitab 15

Anlisis de confiabilidad Noparamtrico (censurado arbitrario) Se usa para datos censurados arbitrariamente o tiempos de falla reales donde ninguna distribucin ajusta los datos. Se pueden estimar probabilidades de supervivencia, proababilidades acumuladas de falla, estimacin de tasas de falla y grficas de superviviencia y de tasa de falla. Se puede estimar con Turnbull o Actuarial. Por ejemplo: En una fbrica de llantas, hay inters en encontrar que tanto falla la llanta o se desgasta por debajo de 2/32", dentro de un rango de recorrido. Hay inters en saber cuantas llantas duran ms de 45,000 millas Se inspeccionan las llantas buenas en intervalos de 10,000 millas para ver si ya estan fallando. 1 File > Open worksheet TIREWEAR.MTW. Start End Freq 10000 8 10000 20000 10 20000 30000 14 30000 40000 25 40000 50000 37 etcetera 2 Stat > Reliability/Survival > Distrib. Analysis (Arbitrary Cens.) >Nonparametric Distr. Analysis Parametric Distr. Analysis 3 En Start variables, seleccionar Start. En End variables, seleccionar End. 4 En Frequency columns, seleccionar Freq, y click OK. 5 Click OK en cada cuadro de dilogo Los resultados son los siguientes: Results for: Tirewear.MTW Distribution Analysis, Start = Start and End = End Variable Start: Start End: End Frequency: Freq Censoring Information Count Right censored value 71 Interval censored value 694 Pgina 285 de 308

CURSO TALLER DE MINITAB 15 Left censored value 8

P. Reyes / Agosto 2007

Turnbull Estimates
Interval Lower Upper * 10000 10000 20000 20000 30000 30000 40000 40000 50000 50000 60000 60000 70000 70000 80000 80000 90000 90000 * Probability of Failure 0.010349 0.012937 0.018111 0.032342 0.047865 0.112549 0.187581 0.298836 0.187581 0.091850 Standard Error 0.0036400 0.0040644 0.0047964 0.0063628 0.0076784 0.0113672 0.0140409 0.0164640 0.0140409 *

Survival Standard 95.0% Normal CI Time Probability Error Lower 10000 0.989651 0.0036400 0.982516 20000 0.976714 0.0054243 0.966083 30000 0.958603 0.0071650 0.944560 40000 0.926261 0.0093999 0.907838 50000 0.878396 0.0117552 0.855356 60000 0.765847 0.0152311 0.735995 70000 0.578266 0.0177621 0.543453 80000 0.279431 0.0161393 0.247798 90000 0.091850 0.0103879 0.071490

Upper 0.996785 0.987345 0.972646 0.944685 0.901436 0.795700 0.613079 0.311063 0.112210

La tabla de los estimados de Turnbull muestra las probabilidades de falla. Por ejemplo, 18.76% de las llantas se estima que fallen entre 60,000 y 70,000 millas. Se puede ver en la columna de probabilidades de supervivencia que el 92.63% de las llantas se estima que sobrevivan hasta 40,000 millas. Minitab 15 Pre - proceso de datos de garanta Se usa para procesar datos de fallas de campo en un formato de matriz triangular a datos de falla regulares de forma de analizar datos de vida. Por ejemplo: En una fbrica de refrigeradores se usan datos de garantas para predecir el nmero de compresores de refrigeradores que se reclamarn en garanta los prximos cinco meses. 1 File > Open worksheet COMPRESSOR.MTW.

Stat > Reliability/Survival > Warranty Analysis > Pre-Process Warranty Data . Pgina 286 de 308

CURSO TALLER DE MINITAB 15 3 4 En Shipment (sale) column, seleccionar Ship. En Return (failure) columns, seleccionar Month1-Month12. Click OK. Start time 0 1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 10 11 12 5 6 7 8 End time 1 2 3 4 5 6 7 8 9 10 11 12 Frequencies 7 5 7 10 12 4 8 6 5 5 0 0 998 999 998 999 994 994 988 989 993 979 1000 1000

P. Reyes / Agosto 2007

Se ven con Data > Display data Start time/End time/Freq.

Stat > Reliability/Survival > Warranty Analysis > Warranty Prediction . En Start time, seleccionar 'Start time'. En End time, seleccionar 'End time'. Click Prediction. En Production quantity for each time period, poner 1000. Click OK en cada cuadro de dilogo.

Los resultados se muestran a continuacin: Warranty Prediction: Start = Start time and End = End time * NOTE * 22 cases were used; 2 cases contained missing values or zero frequencies. Using frequencies in Frequencies Distribution: Weibull with shape = 1.31962, scale = 328.914 Estimation method: Least squares (failure time(X) on rank(Y)) Summary of Current Warranty Claims Total number of units 12000 Observed number of failures 69 Expected number of failures 71.2094 95% Poisson CI (55.6367, 89.7905) Number of units at risk for future time periods 11931 Production Schedule Future time period 1 2 3 Production quantity 1000 1000 1000 Table of Predicted Number of Failures Future Time Period 1 Potential Number of Failures 12931 Predicted Number of Failures 13.9815 4 1000 5 1000

95% Poisson CI Lower Upper 7.6403 23.466 Pgina 287 de 308

CURSO TALLER DE MINITAB 15 2 3 4 5 13931 14931 15931 16931 29.3874 46.2486 64.5942 84.4519 19.7387 33.8905 49.8093 67.4053 42.106 61.642 82.393 104.498

P. Reyes / Agosto 2007

Predicted Number of Failures Plot


Weibull - 95% CI 100 80 60 40 20 0 0 1 2 3 F uture Tim e Period 4 5

Se puede observar de las reclamaciones actuales en garanta, que de 12,000 unidades en el campo durante el periodo de coleccin de datos, 69 compresores fallaron. Usando la distribucin de Weibull para modelar el tiempo de falla, aproximadamente se espera que fallen 71 unidades. En la tabla de nmero pronosticado de fallas y su grfica, se puede concluir con un 95% de nivel de confianza que las fallas en los siguientes 5 meses son entre 64 y 104.

Minitab 15

Curva de crecimiento paramtrica Se usa para realizar un anlisis paramtirco en un sistema reparable. Se puede usar un proceso de ley de potencia o un proceso homogeneo de Poisson para estimar el promedio de fallas de la tasa de ocurrencia de fallas (ROCOF) en el tiempo. Si se tienen una columna de datos de ms de un sistema, Minitab asume que los datos son de procesos idnticos y proporciona un estimado conjunto de curva de crecimiento. En este caso Minitab prueba la igualdad de formas o escalas en estos sistemas. Lo mismo ocurre si se proporciona la opcin By Variable o hay dos o ms columnas. Por ejemplo: Se quiere estimar la tasa de reemplazo de una vlvula en una flota de 24 motores diesel. 1 File > Open worksheet VSEAT.MTW. ID Days 2003 348 2003 514 2004 375 2004 379 2004 489 2004 604 2006 276 Stat > Reliability/Survival > Repairable System Analysis > Parametric Growth Curve . En Variable/Start variables, seleccionar Days. En System ID, seleccionar ID. Click OK.

2 3 4 5

Los resultados son los siguientes: Pgina 288 de 308

N um ber of F ailures

CURSO TALLER DE MINITAB 15 Parametric Growth Curve: Days System: ID Model: Power-Law Process Estimation Method: Maximum Likelihood Parameter Estimates Parameter Shape Scale Estimate 4.00405 420.130 Standard Error 0.406 18.590 95% Normal CI Lower Upper 3.28239 4.88436 385.229 458.193

P. Reyes / Agosto 2007

Test for Equal Shape Parameters Bartlett's Modified Likelihood Ratio Chi-Square Test Statistic 23.62 P-Value 0.425 DF 23 Trend Tests MIL-Hdbk-189 TTT-based Pooled 34.73 33.20 0.000 0.000 142 96 Laplace's TTT-based Pooled 9.13 5.73 0.000 0.000 Anderson-Darling 50.59 0.000

Test Statistic P-Value DF

Event Plot for Days


System Column in ID
2003 2004 2006 2007 2008 2009 2011 2012 2013 2014 2015 2016 2019 2020 2021 2023 2024 2025 2026 2027 2028 2030 2034 2035

ID

100

200

300 Days

400

500

600

700

Mean Cumulative Function for Days


System Column in ID 7 6 5 4 3 2 1 0 200 300 400 Days
Parameter, MLE Shape Scale 4.00405 420.130

M CF

Pgina 289 de 308


500 600 700

2 1 0 200 300

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

400 Days

500

600

700

El estimado de la forma (4.004) es mayor a 1, indicando que la tasa de falla se incrementa. Se puede asegurar con un 95% de nivel de confianza que la forma verdadera se encuentra entre (3.28, 4.88) La prueba de parmetros indica que no hay evidencia suficiente de mostrar que los sistemas vengan de diferentes poblaciones (P value = 0.425) Como el valor P de la tendencia es menor a 0.05, hay evidencia de que la tendencia creciente de la tasa de falla es significativa. La grfica de eventos muestra un patrn de fallas que es ms frecuente conforme pasa el tiempo. La grfica de MCF contra tiempo muestra una curva que es cncava hacia arriba. Esta grfica es consistente con una forma que es mayor a uno, o un sistema que se est deteriorando. Minitab 15 Curva de crecimiento no paramtrica Se usa para realizar un anlisis no paramtrico de un sistema reparable, cuando se estima una curva de crecimiento del costo promedio de mantener un sistema o el promedio de reparaciones en el tiempo sin asumir una distribucin especfica. Si se proporcionan dos o ms columnas (datos exactos) o pares de columnas (datos de intervalos), Minitab compara los diferentes sistemas reparables. Por ejemplo: Se quieren comparar dos diferentes tipos de frenos usados en el metro. Se incluyen datos de tiempos de reemplazo y tipos de componentes para 29 trenes. El tiempo final para cada uno de los trenes es la falla final para ese tren. 1 Open the worksheet TRAIN.MTW. ID Days Type 181 287 1 181 687 1 182 317 1 182 498 1 182 657 1 183 203 2 183 211 2 183 277 2 Stat > Reliability/Survival > Repairable System Analysis > Nonparametric Growth Curve . En Variables/Start variables, seleccionar Days. Enr System Information, seleccionar System ID, seleccionar ID. Marcar By variable, y seleccionar r Type. Click OK.

2 3 4 5 6

Los resultados se muestran a continuacin:

Nonparametric Growth Curve: Results for Type = 1 System: ID

Days

Pgina 290 de 308

CURSO TALLER DE MINITAB 15 Nonparametric Estimates

P. Reyes / Agosto 2007

Table of Mean Cumulative Function Mean Cumulative Function 0.07143 0.14286 0.21429 0.28571 0.35714 0.42857 0.50000 0.57143 0.64286 0.71429 0.78571 0.85714 0.92857 1.00000 1.07143 1.14286 1.21429 1.28571 1.35714 1.42857 1.50000 1.57143 1.64286 1.71429 1.78571 1.86264 1.93956 2.03047 2.13047 2.24158 2.35269 2.46380 2.63047 2.83047 3.03047 3.23047 3.73047 4.23047

Time 33 88 250 272 287 302 317 364 367 391 402 421 431 444 462 481 498 500 500 548 552 625 635 650 657 687 687 700 708 710 710 710 719 724 724 724 730 730

Standard Error 0.068830 0.093522 0.109664 0.120736 0.128060 0.132260 0.133631 0.132260 0.128060 0.157421 0.149098 0.170747 0.158574 0.174964 0.158574 0.137661 0.149098 0.187044 0.191853 0.219328 0.242226 0.280566 0.259653 0.256120 0.270649 0.266655 0.260862 0.254826 0.274527 0.268755 0.257586 0.240267 0.347216 0.425594 0.443994 0.410559 0.471307 0.410559

95% Normal CI Lower Upper 0.01081 0.47218 0.03960 0.51540 0.07859 0.58426 0.12481 0.65408 0.17686 0.72120 0.23407 0.78471 0.29613 0.84423 0.36303 0.89945 0.43506 0.94990 0.46374 1.10019 0.54168 1.13970 0.58008 1.26653 0.66444 1.29771 0.70969 1.40906 0.80165 1.43200 0.90253 1.44718 0.95456 1.54468 0.96675 1.70992 1.02872 1.79042 1.05735 1.93013 1.09304 2.05848 1.10744 2.22982 1.20522 2.23940 1.27912 2.29750 1.32679 2.40338 1.40692 2.46596 1.49012 2.52456 1.58771 2.59671 1.65498 2.74258 1.77214 2.83537 1.89833 2.91581 2.03516 2.98273 2.03084 3.40714 2.10800 3.80055 2.27405 4.03849 2.51818 4.14424 2.91221 4.77864 3.49769 5.11677

System 179 132 128 137 181 119 182 112 167 112 175 137 155 119 101 145 182 119 128 112 137 137 169 169 182 179 181 175 169 145 155 167 137 112 128 132 101 119

Results for Type = 2 System: ID

Nonparametric Estimates

Table of Mean Cumulative Function

Pgina 291 de 308

CURSO TALLER DE MINITAB 15 Mean Cumulative Function 0.06667 0.13333 0.20000 0.26667 0.33333 0.40000 0.46667 0.53333 0.60000 0.66667 0.73333 0.80000 0.86667 0.93333 1.00000 1.06667 1.13333 1.20000 1.26667 1.33333 1.40000 1.46667 1.53333 1.60000 1.66667 1.73333 1.80000 1.87143 1.94835 2.02527 2.11618 2.21618 2.32729 2.45229 2.59515 2.73801 2.93801 3.18801 3.52134 4.02134 5.02134 Standard Error 0.064406 0.087771 0.103280 0.114180 0.121716 0.157762 0.159629 0.207989 0.263312 0.261052 0.274334 0.269979 0.264435 0.257624 0.249444 0.257624 0.264435 0.269979 0.257624 0.277555 0.295146 0.280740 0.324779 0.309839 0.335548 0.319258 0.342540 0.340512 0.338097 0.349310 0.347441 0.345034 0.341839 0.337430 0.331033 0.315398 0.298009 0.449834 0.511478 0.535360 0.535360 95% Normal CI Lower Upper 0.01004 0.44284 0.03670 0.48447 0.07269 0.55029 0.11521 0.61721 0.16295 0.68186 0.18465 0.86652 0.23869 0.91237 0.24834 1.14538 0.25386 1.41809 0.30945 1.43622 0.35227 1.52661 0.41289 1.55006 0.47658 1.57604 0.54335 1.60321 0.61330 1.63052 0.66442 1.71243 0.71738 1.79046 0.77210 1.86504 0.85023 1.88706 0.88664 2.00507 0.92615 2.11630 1.00786 2.13434 1.01238 2.32237 1.09468 2.33859 1.12325 2.47298 1.20810 2.48693 1.23962 2.61370 1.31007 2.67333 1.38662 2.73764 1.44435 2.83985 1.53391 2.91948 1.63337 3.00696 1.74512 3.10369 1.87262 3.21141 2.02109 3.33227 2.18466 3.43152 2.40832 3.58420 2.41776 4.20364 2.64893 4.68108 3.09778 5.22025 4.07443 6.18831

P. Reyes / Agosto 2007

Time 19 22 39 54 61 91 93 119 148 173 185 187 192 194 203 205 211 242 250 264 277 293 306 369 373 382 415 416 419 419 432 434 441 447 448 448 460 461 464 503 511

System 228 212 192 214 219 192 243 192 192 190 228 235 205 216 183 243 183 190 204 243 183 184 192 206 183 200 243 235 219 228 216 204 214 212 205 206 200 192 190 184 183

Event Plot for Days

Mean Cumulative Function for Days

Comparisons for Days Comparison: (Type = 1) - (Type = 2)

Table of Mean Cumulative Difference Function Pgina 292 de 308

CURSO TALLER DE MINITAB 15 Mean Cumulative Difference Function -0.06667 -0.13333 -0.06190 -0.12857 -0.19524 -0.26190 -0.19048 -0.25714 -0.32381 -0.39048 -0.45714 -0.52381 -0.59048 -0.65714 -0.72381 -0.79048 -0.85714 -0.92381 -0.99048 -1.05714 -1.05238 -1.11905 -1.04762 -1.11429 -1.04286 -1.10952 -1.03810 -1.10476 -1.03333 -0.96190 -0.89048 -0.95714 -1.02381 -1.09048 -1.01905 -0.94762 -1.01429 -1.08571 -1.23956 -1.16813 -1.09670 -1.18761 -1.28761 -1.39872 -1.32729 -1.45229 -1.73801 -1.93801 -2.18801 -2.11658 -2.44991 -2.37849 -2.30706 -2.16420

P. Reyes / Agosto 2007

Time 19 22 33 39 54 61 88 91 93 119 148 173 185 187 192 194 203 205 211 242 250 264 272 277 287 293 302 306 317 364 367 369 373 382 391 402 415 416 419 421 431 432 434 441 444 447 448 460 461 462 464 481 498 500

Standard Error 0.064406 0.087771 0.111541 0.124114 0.133322 0.139830 0.153496 0.183399 0.185008 0.228047 0.279427 0.277299 0.289837 0.285719 0.280486 0.274074 0.266399 0.274074 0.280486 0.285719 0.279994 0.298435 0.302679 0.318886 0.321731 0.308568 0.310335 0.350677 0.351196 0.350677 0.349114 0.335260 0.359155 0.343985 0.355960 0.352358 0.373582 0.371724 0.379800 0.388808 0.383618 0.381917 0.379729 0.376828 0.384013 0.380094 0.360677 0.345574 0.482663 0.476966 0.535496 0.529680 0.532767 0.546276

95% Normal CI Lower Upper -0.19290 0.05957 -0.30536 0.03869 -0.28052 0.15671 -0.37183 0.11469 -0.45654 0.06607 -0.53597 0.01216 -0.49132 0.11037 -0.61660 0.10231 -0.68642 0.03880 -0.83744 0.05649 -1.00481 0.09052 -1.06730 0.01969 -1.15855 -0.02241 -1.21714 -0.09714 -1.27355 -0.17407 -1.32765 -0.25330 -1.37928 -0.33501 -1.46099 -0.38663 -1.54022 -0.44073 -1.61714 -0.49714 -1.60116 -0.50360 -1.70397 -0.53413 -1.64086 -0.45438 -1.73929 -0.48928 -1.67344 -0.41228 -1.71431 -0.50474 -1.64634 -0.42985 -1.79208 -0.41745 -1.72166 -0.34500 -1.64922 -0.27459 -1.57473 -0.20622 -1.61424 -0.30004 -1.72774 -0.31988 -1.76467 -0.41628 -1.71672 -0.32138 -1.63823 -0.25701 -1.74649 -0.28208 -1.81428 -0.35715 -1.98395 -0.49517 -1.93018 -0.40608 -1.84858 -0.34482 -1.93616 -0.43907 -2.03187 -0.54336 -2.13729 -0.66015 -2.07995 -0.57464 -2.19726 -0.70733 -2.44492 -1.03109 -2.61532 -1.26070 -3.13401 -1.24201 -3.05142 -1.18174 -3.49947 -1.40036 -3.41664 -1.34033 -3.35126 -1.26285 -3.23488 -1.09352 Pgina 293 de 308

CURSO TALLER DE MINITAB 15 503 511 548 552 625 635 650 657 687 700 708 710 719 724 730 -2.66420 -3.66420 -3.59277 -3.52134 -3.44991 -3.37849 -3.30706 -3.23563 -3.08178 -2.99087 -2.89087 -2.55754 -2.39087 -1.79087 -0.79087 0.568698 0.568698 0.578546 0.587608 0.604423 0.595004 0.593471 0.599884 0.595533 0.592914 0.601644 0.586803 0.638098 0.674662 0.674662 -3.77883 -4.77883 -4.72670 -4.67303 -4.63456 -4.54467 -4.47024 -4.41138 -4.24900 -4.15296 -4.07007 -3.70765 -3.64152 -3.11319 -2.11319 -1.54957 -2.54957 -2.45884 -2.36965 -2.26527 -2.21230 -2.14387 -2.05988 -1.91456 -1.82878 -1.71167 -1.40743 -1.14022 -0.46856 0.53144

P. Reyes / Agosto 2007

Event Plot for Days


System Column in ID
Type 1 ID 101 112 119 128 132 137 145 155 167 169 175 179 181 182 183 184 190 192 200 204 205 206 212 214 216 219 228 235 243

100

200

300

400 Days

500

600

700

800

Mean Cumulative Function for Days


System Column in ID 5
Type 1 2

3 M CF 2 1 0 0

100

200

300

400 Days

500

600

700

800

Se muestra la funcin acumulada promedio estimada y sus lmites de confianza. Para el tren tipo 1, es de 0.07143 a 33 das con un intervalo al 95% de nivel de confianza de (0.01,0.47) Pgina 294 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para el tren tipo 2, es de 0.066 ms fallas a 19 das. Como el IC contiene al cero, no hay diferencias significativas entre grupos. La grfica de evetnos muestra cuando ocurren las fallas para cada uno de los sistemas. Cada lnea se extiende al ltimo da de observacin. Usar esta grfica para visualizar tendencias dentro y entre grupos. Se observa que las fallas han ocurrido a tasa constante. Las primeras fallas ocurren un poco antes para los trenes tipo 1. La grfica de la funcin acumulada promedio muestra el comportamiento para cada grupo, donde: - La lnea que representa al tren tipo 2 es casi recta hasta los 450 das, indicando una tasa de falla constante hasta ese punto. - La lnea representando los trenes tipo 1 es ligeramente cncava hacia arriba, indicando que la tasa de falla es ligermanete creciente. - La lnea que representa los trenes tipo 1 est a la derecha de los trenes tipo 2, indicando que las fallas ocurren con menos frecuencia que en los trenes tipo 1. Minitab 15 Pruebas de vida acelerada Se usa para investigar la relacin entre el tiempo de falla y uno o dos predictores. El primero es una variable de aceleracin, El segundo puede ser otra variable de aceleracin o un factor. Las variables de aceleracin, son variables que exceden las condiciones de operacin normales para acelerar el proceso de falla para ahorrar tiempo y costo. Es necesario conocer la relacin entre la variable de aceleracin y los tiempos de falla. Se siguen los pasos: 1. Establecer los niveles de la variable de aceleracin en las unidades de prueba. 2. Registrar los tiempos de falla (o de censura) 3. Realizar los anlisis de pruebas de vida acelerada, Minitab extrapola al valor de diseo para determinar como se comportan las unidades bajo condiciones normales de operacin. La salida ms simple incluye una tabla de regresin, grfica de relacin, y grfica de probabilidad para cada nivel de la variable aceleradora con base en el modelo ajustado. La grfica de relacin muestra la relacin entre la variable aceleradora y el tiempo de falla con percentiles para nivel de la variable aceleradora. Por default se indican lneas en el percentil 10, 50 y 90. El nivel de 50 es una buena referencia para comparar el tiempo de vida en diferentes niveles de la variable aceleradora. La grfica de probabilidad se crea para cada nivel de la variable aceleradora con base en el modelo ajustado (lnea) y con base en el modelo no paramtrico (puntos). Por ejemplo: Se desea investigar la deterioracin de un asilante usado para motores elctricos. Los motores normalmente operan a 80C y a 100C. Para ahorrar tiempo y dinero se decide realizar una prieba de vida acelerada. Se colectan tiempos de falla para el aislante en temperaturas anormales de 110, 130 y 150 y 170C, para acelerar la deterioracin. Con informacin de tiempo de estas temperaturas, se puede extrapolar a 80C y a 100C. Se sabe que la funcin de Arrhenius aproxima la relacin entre tiempo de falla y temperatura. Para ver que tan bien ajusta el modelo, se dibuja una grfica de probabilidad con base en los residuos estandarizados. 1 Open the worksheet INSULATE.MTW. Pgina 295 de 308

CURSO TALLER DE MINITAB 15 Temp 170 170 170 170 170 170 170 170 2 3 4 5 6 7 ArrTemp 26.1865 26.1865 26.1865 26.1865 26.1865 26.1865 26.1865 26.1865 Plant 1 1 1 1 1 1 1 1 FailureT 343 869 244 716 531 738 461 221 Censor F F C F F F F F

P. Reyes / Agosto 2007

Stat > Reliability/Survival > Accelerated Life Testing . En Variables/Start variables, seleccionar FailureT. En Accelerating variable, seleccionar Temp. En Relationship, seleccionar Arrhenius. Click Censor. En Use censoring columns, seleccionar Censor, y click OK. Click Graphs. En Design value to include on plot, poner 80. Click OK. Click Estimate. In Enter new predictor values, seleccionar Design, y click OK en los dialogos

Los resultados son los siguientes: Accelerated Life Testing: FailureT versus Temp Response Variable: FailureT Censoring Information Uncensored value Right censored value Count 66 14

Censoring value: Censor = C Estimation Method: Maximum Likelihood Distribution: Weibull Arrhenius

Relationship with accelerating variable(s):

Regression Table Standard Error 0.986180 0.0350418 0.256969 95.0% Normal CI Lower Upper -17.1203 -13.2546 0.762042 0.899403 2.36332 3.37596

Predictor Intercept Temp Shape

Coef -15.1874 0.830722 2.82462

Z -15.40 23.71

P 0.000 0.000

Log-Likelihood = -564.693

Probability Plot (Fitted Arrhenius) for FailureT

Anderson-Darling (adjusted) Goodness-of-Fit At each accelerating level Fitted Model 23.373 1.088 5.428 Pgina 296 de 308

Level 110 130 150

CURSO TALLER DE MINITAB 15 170 2.732

P. Reyes / Agosto 2007

Table of Percentiles Standard Error 27446.9 4216.51 95.0% Normal CI Lower Upper 113918 223557 29543.4 46209.9

Percent 50 50

Temp 80 100

Percentile 159584 36948.6

Probability Plot (Fitted Arrhenius) for FailureT


Weibull - 95% CI Censoring Column in Censor - ML Estimates
99 90 80 70 60 50 40 30 20 10 5 3 2 1 Temp 110 130 150 170 Temp 80
Table of Statistics Shape Scale A D* 2.82462 21435.2 23.373 2.82462 6152.7 1.088 2.82462 1987.2 5.428 2.82462 710.7 2.732 F 14 18 17 17 C 6 2 3 3

Percent

100

1000

10000 F ailureT

100000

1000000

Table of Statistics at Design Value Shape Scale 2.82462 181695

Relation Plot (Fitted Arrhenius) for FailureT


Weibull - 95% CI Censoring Column in Censor - ML Estimates
Percentiles 90 50 10

100000

F ailureT

10000

1000

100

80

90

100

110

120 Temp

130

140

150 160 170

De la tabla de regresion, se obtienen los coeficientes de regresion del modelo con base en Weibull. Loge (tiempo de falla) = - 15.1874 + 0.83072 (ArrTemp) + (1/2.8246)* Ep Donde Ep = el isimo percentil de la distribucin estndar de valor extremo. ArrTemp = 11604.83 / (Temp + 273.16) 31.0988048022 10.8240153381 50212.3021367143

La tabla de percentiles muestra los 50avos. Percentiles para las temperturas que se seleccionaron. Pgina 297 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Para estimar que tanto dura el aislamiento en el campo. A 80C dura cerca de 159,584.5 horas y a 100C dura 36,948.57 horas o 4.21 aos. En la grfica de relacin, se puede observar la distribucin de fallas para cada temperatura, en este caso para los percentiles 10, 50 y 90avo. La grfica de probabilidad con base en el modelo ajustado puede ayudar a determinar si la distribucin, transformacin, y supuesto de forma similar (Weibull) en cada nivel de la variable aceleradora son adecuadas. En este caso los puntos se ajustan a las lneas adecuadamente, por tanto se verifica que los supuestos del modelo son adecuados para los niveles de la variable aceleradora. Minitab 15 Regresin con datos de vida Se usa para ver si uno o ms predictores afectan el tiempo de falla de un producto. La meta es obtener un modelo que pronostique el tiempo de falla. El modelo puede incluir factores, covariados, interacciones y trminos anidados. Esta opcin difiere de los modelos de regresin normales, en que acepta datos censurados y usa diferentes distribuciones. Para obtener el modelo se requiere la siguiente inforemacin: - La variable de respuesta (tiempos de falla) - Los trminos del modelo, predictores y en su caso interacciones entre estos y trminos anidados. algunas de las variables pueden ser factores. Se puede obtener un modelo con: - Hasta 7 factores y 50 covariados. - Factores cruzados o anidados - Covariados que estan cruzados entre ellos, con factores, o anidados dentro de los factores. Ejemplos de modelos: A A A A X A*X | X X X*X X(A) Se obtiene un modelo completo con un covariado cruzado con un factor Mtodo alterno para especficar el modelo anterior Modelo con un coavariado cruzado con el mismo para un trmino cuadrtico Modelo con un covariado anidado dentro de un factor

Este modelo es una generalizacin del modelo lineal general (GLM), cualquier modelo ajustado por el GLM tambin puede ser ajustado por el procedimiento de datos de vida. En este modelo se asume que que cualquier variable es una covariada a menos que se especifique como un factor, en cambio en el GLM asume que que cualquier variable en el modelo es un factor a menos que se especifique como covariada. Restricciones del modelo Estos modelos tienen las mismas restricciones que los modelos lineal general. - El modelo debe ser de rango completo, o sea que debe haber suficientes datos para estimar todos los trminos del modelo. Si se tiene un modelo de dos factores cruzados con dos factores, donde hay una celda vaca, una forma de correrlo es eliminar algunas de las interacciones de alto orden no importantes. - El modelo debe ser jerrquico, es decir si se incluye una interaccin, todas las interacciones de menor orden y efectos principales que comprendan el trmino de interaccin, deben aparecer en el modelo. Por ejemplo:

Pgina 298 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Se desea investigar la deterioracin de un asilante usado para motores elctricos. Los motores normalmente operan a 80C y a 100C. Se desea predecir los tiempos de falla para el aislante con base en la planta en que fue fabricado y la temperatura de operacin del motor. Se colectan tiempos de falla para el aislante en temperaturas anormales en 110, 130 y 150 y 170C, para la planta 1 y la planta 2. Con informacin de tiempo de estas temperaturas, se puede extrapolar a 80C y a 100C. Se sabe que la funcin de Arrhenius aproxima la relacin entre tiempo de falla y temperatura. Para ver que tan bien ajusta el modelo, se dibuja una grfica de probabilidad con base en los residuos estandarizados. 1 2 3 4 5 6 7 File > Open worksheet INSULATE.MTW. Stat > Reliability/Survival > Regression with Life Data . En Variables/Start variables, seleccionar FailureT. En Model, seleccionar ArrTemp Plant. En Factors (optional), seleccionar Plant. Click Censor. En Use censoring columns, seleccionar Censor, y click OK. Click Estimate. En Enter new predictor values, seleccionar ArrNewT NewPlant, y click OK. Click Graphs. Sel. Probability plot for standardized residuals, y click OK en los dilogos.

Los resultados se muestran a continuacin: Regression with Life Data: FailureT versus ArrTemp, Plant Response Variable: FailureT Censoring Information Count Uncensored value 66 Right censored value 14 Censoring value: Censor = C Estimation Method: Maximum Likelihood Distribution: Weibull Relationship with accelerating variable(s): Linear Regression Table Standard 95.0% Normal CI Predictor Coef Error Z P Lower Upper Intercept -15.3411 0.950822 -16.13 0.000 -17.2047 -13.4775 ArrTemp 0.839255 0.0339710 24.71 0.000 0.772673 0.905837 Plant 2 -0.180767 0.0845721 -2.14 0.033 -0.346525 -0.0150083 Shape 2.94309 0.270658 2.45768 3.52439 Log-Likelihood = -562.525 Anderson-Darling (adjusted) Goodness-of-Fit Standardized Residuals = 0.711 Table of Percentiles Standard 95.0% Normal CI Percent ArrTemp Plant Percentile Error Lower Upper 50 32.8600 1 182094 32466.2 128390 258261 50 32.8600 2 151981 25286.6 109690 210578 50 31.0988 1 41530.4 5163.76 32548.4 52990.9 50 31.0988 2 34662.5 3913.87 27781.0 43248.6

Probability Plot for SResids of FailureT


Smallest Extreme Value - 95% CI Censoring Column in Censor - ML Estimates
99.9 99 90 80 70 60 50 40 30 20 10 5 3 2 1
Table of Statistics Loc -0.0000000 Scale 1.00000 Mean -0.577216 StDev 1.28255 Median -0.366513 IQR 1.57253 Failure 66 Censor 14 AD* 0.711

Percent

Pgina 299 de 308

Percent

80 70 60 50 40 30 20 10 5 3 2 1

CURSO TALLER DE MINITAB 15

Scale Mean StDev Median IQR Failure Censor AD*

1.00000 -0.577216 1.28255 -0.366513 1.57253 66 14 0.711

P. Reyes / Agosto 2007

0.1

-8

-6

-4 -2 Standardized Residuals

De la tabla de regresin, se obtienen los coeficientes para el modelo de regresin. Para la distribucin Weibull, la ecuacin que describe la relacin entre temperatura y tiempo de falla para las plantas 1 y 2 es respectivamente: Loge (tiempo de falla) = - 15.3411 + 0.83925 (ArrTemp) + (1/2.9431)* Ep Donde Ep = el isimo percentil de la distribucin estndar de valor extremo. ArrTemp = 11604.83 / (Temp + 273.16) La tabla de percentiles muestra los percentiles 50avos. Para la combinacin de temperaturas y plantas que se introducjeron. El percentil 50avo. Es un buen estimado de que tanto dura el aislante en el campo - Para motores operando a 80C, el aislante de planta 1 dura cerca de 182093.6 horas o 20.77 aos el aislante de la planta 2 dura cerca de 151980.8 horas o 17.34 aos. - Para motores operando a 100C, el aislante de planta 1 dura cerca de 41530.38 horas o 4.74 aos el aislante de la planta 2 dura cerca de 34662.51 horas o 3.95 aos. Como puedes ver de los valores P bajos, las plantas difieren significativamente a un alfa de 0.05 y la temperatura es un predictor significativo. La grfica de probabilidad para los residuos determina si son adecuados los supuestos de la distrib., transformacin y forma silimar (Weibull o exponencial) o parmetros de escala (otras distribuciones) Si los puntos se apegan a la lnea de ajuste de manera adecuada, o se encuentran dentro del IC se puede asumir que el modelo es adecuado. Minitab 15 Anlisis Probit Se usa para estimar percentiles, probabilidades de supervivencia, y probabilidades aculumadas de falla para la ditribucin de un esfuerzo, y obtencin de grficas de probabilidad. Se puede comparar la potencia del esfuerzo para diferentes condiciones con distribuciones Weibull, lognormal y loglogstica. Los datos se ingresan en columnas como sigue: - Dos columnas conteniendo la variable de respuesta, preparada en formato de evento / intento o respuesta / frecuencia. - Una columna conteniendo una variable de esfuerzo (tratada como covariada en Minitab) - (Opcional) una columna conteniendo un factor. Formato evento / intento Temperatura Eventos 80 2 120 4 140 7 160 9

Intentos 10 10 10 10

Ejemplo: en 140C hay 7 eventos o fallas Pgina 300 de 308

CURSO TALLER DE MINITAB 15 y 3 no eventos o sin falla.

P. Reyes / Agosto 2007

Formato respuesta / frecuencia Temperatura Respuesta 80 1 80 0 120 1 120 0 140 1 140 0 160 1 160 0

Frecuencia 2 8 4 6 7 3 9 1

Respuesta: 1 - Unidad con falla, 0 sin falla Frecuencia: Cuantas veces ocurri la observacin Por ejemplo: Un fabricante quiere determinar la vida para dos tipos de focos en voltajes de hogar tpicos 117 V +-10% (105 a 129V). Se someten los dos tipos de focos a cinco niveles de esfuerzo en el rango: 108, 114, 120, 126, y 132 V y se define el evento como el foco falla antes de las 800 horas. 1 File > Open worksheet LIGHTBUL.MTW. Blows Trials Volts 2 50 108 6 50 114 11 50 120 27 50 126 45 50 132 3 50 108 8 50 114 13 50 120 31 50 126 46 50 132

Type A A A A A B B B B B

2 Stat > Reliability/Survival > Probit Analysis . 3 Seleccionar Response in event/trial format. 4 En Number of events, seleccionar Blows. En Number of trials, seleccionar Trials. 5 En Stress (stimulus), seleccionar Volts. 6 En Factor (optional), seleccionar Type. 7 En Assumed distribution, seleccionar Weibull. 8 Click Estimate. En Estimate probabilities for these stress values , poner 117, y click OK. 9 Click Graphs. quitar Display confidence intervals on above plots . Click OK en los dilogos. Los resultados se muestran a continuacin: Probit Analysis: Blows, Trials versus Volts, Type Distribution: Normal Response Information Variable Value Count Blows Event 192 Non-event 308 Trials Total 500 Factor Information Factor Levels Values Type 2 A, B Pgina 301 de 308

CURSO TALLER DE MINITAB 15 Estimation Method: Maximum Likelihood Regression Table Standard Error 7.67326 1.58695 0.159832

P. Reyes / Agosto 2007

Variable Constant Volts Type B Natural Response

Coef -97.0190 20.0192 0.179368 0

Z -12.64 12.61 1.12

P 0.000 0.000 0.262

Test for equal slopes: Chi-Square = 0.258463 Log-Likelihood = -214.213 Goodness-of-Fit Tests Method Pearson Deviance Chi-Square 2.51617 2.49188 DF 7 7 P 0.926 0.928

DF = 1

P-Value = 0.611

Type = A Tolerance Distribution Parameter Estimates Standard Parameter Estimate Error Shape 20.0192 1.58695 Scale 127.269 0.737413 Table of Percentiles 95.0% Normal CI Lower Upper 17.1384 23.3842 125.832 128.722

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

Percentile 101.141 104.731 106.901 108.476 109.720 110.753 111.639 112.416 113.110 113.737 118.082 120.881 123.069 124.960 126.714 128.454 130.330 132.683 132.980 133.298 133.641 134.018 134.439

95.0% Fiducial Standard CI (V) Error Lower Upper 1.84244 96.9868 104.341 1.63546 101.043 107.573 1.50897 103.501 109.527 1.41713 105.287 110.946 1.34490 106.698 112.068 1.28539 107.868 113.001 1.23483 108.872 113.802 1.19095 109.752 114.506 1.15225 110.536 115.135 1.11771 111.246 115.706 0.898619 116.121 119.700 0.790097 119.201 122.342 0.735850 121.550 124.472 0.717911 123.523 126.372 0.728520 125.299 128.191 0.764984 127.010 130.050 0.830361 128.802 132.108 0.943441 130.989 134.754 0.959732 131.261 135.092 0.977596 131.551 135.455 0.997402 131.864 135.848 1.01968 132.206 136.280 1.04522 132.587 136.765 Pgina 302 de 308

CURSO TALLER DE MINITAB 15 96 97 98 99 134.922 135.500 136.243 137.358 1.07534 1.11242 1.16159 1.23831 133.023 133.542 134.207 135.198 137.323 137.993 138.857 140.159

P. Reyes / Agosto 2007

Table of Survival Probabilities 95.0% Fiducial CI Lower Upper 0.780679 0.878549

Stress 117

Probability 0.830608

Type = B Tolerance Distribution

Parameter Estimates Standard Error 1.58695 0.704348 95.0% Normal CI Lower Upper 17.1384 23.3842 124.761 127.522

Parameter Shape Scale

Estimate 20.0192 126.134

Table of Percentiles 95.0% Fiducial Standard CI (V) Error Lower Upper 1.86171 96.0399 103.471 1.65621 100.059 106.673 1.53027 102.496 108.607 1.43857 104.267 110.012 1.36626 105.666 111.123 1.30652 106.828 112.045 1.25563 107.823 112.837 1.21135 108.697 113.533 1.17218 109.476 114.156 1.13711 110.180 114.720 0.910842 115.029 118.659 0.792908 118.102 121.256 0.727988 120.452 123.344 0.698947 122.429 125.203 0.698766 124.211 126.984 0.725223 125.925 128.806 0.781440 127.719 130.828 0.885656 129.901 133.434 0.901010 130.172 133.767 0.917912 130.461 134.125 0.936720 130.773 134.513 0.957949 131.114 134.939 0.982380 131.493 135.418 1.01129 131.927 135.969 1.04700 132.444 136.631 1.09453 133.104 137.484 1.16901 134.090 138.772 Pgina 303 de 308

Percent 1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90 91 92 93 94 95 96 97 98 99

Percentile 100.239 103.797 105.947 107.508 108.742 109.765 110.643 111.413 112.101 112.723 117.028 119.803 121.972 123.845 125.584 127.309 129.168 131.500 131.794 132.109 132.449 132.822 133.240 133.719 134.292 135.028 136.132

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Table of Survival Probabilities 95.0% Fiducial CI Lower Upper 0.745980 0.854567

Stress 117

Probability 0.800867

Table of Relative Potency Factor: Type Relative Potency 0.991080 95.0% Fiducial CI Lower Upper 0.975363 1.00678

Comparison A VS B

Probability Plot for Blows


Normal Probit Data - ML Estimates
99 95 90 80 70 60 50 40 30 20 10 5 1 Type A B
Table of Statistics Mean StDev 124.255 8.04021 122.920 8.04021

Percent

100

110

120 Volts

130

140

La pruebas de bondad de ajuste (P values de 0.926 y 0.928) y la grfica de probabilidad sugieren que la distribucin de Weibull ajusta los datos adecuadamente. Como la prueba de pendientes similares no es significativa, la comparacin de los focos ser similar independientemente del nivel de voltaje. En este caso, los focos A y B no son significativamente diferentes, dado que los coeficientes asociados no es diferente de cero significativamente (p = 0.262). En 117 V que porcentaje de focos duran ms de 800 horas? 83% del tipo A y 80% del tipo B. A que voltaje fallan el 50% de los focos antes de 800 horas?, la tabla de percentiles muestra que el 50% de los focos tipo A fallan antes de las 800 horas en 124.96 volts y del tipo a los 123.85 Volts.

8.5 Comandos especiales


Preguntas frecuentes No sale el indicador MTB > de comandos Temporal Permanente Editor > Enable commands Activar ventana de sesin Tools > Options > Session Window > Submitting commands Seleccionar Enable (aparece MTB > al iniciar Minitab)

Pgina 304 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Algunas columnas en las que deberan haber datos estn vacias Puede ser que la hoja de datos se muestre a partir de una fila mayor a 1 Una columna debe ser numrica sin embargo se muestra como texto
Convertirla con:

Data > Change Data Type > Text to Numeric Change text column C1 Store numeric column C1

Copia de columnas con condiciones Usando el achivo PULSE.MTW Se calcula la diferencia entre Pulse1 y Pulse2 Calc > Calculator Store result in variable C10 (Incremento) Expression 'Pulse2' - 'Pulse1' Seleccionar solo las personas que han corrido Data > Copy > Columns to Columns Copy from columns 'Incremento' 'Sexo' Store Copied Data in columns C11 c12 Seleccionar Name the columns containing the copied data Subset the data: Seleccionar Rows that match Condition: Ran = 1 Diagrama de caja estratificado por sexo Graph > Boxplot > One Y:With groups Graph variables Incremento_1 Categorical variables 'Sex_1'

Random 100 c1; normal 10,3. histo c1 # Random 100 c2; normal 10,4. histo c2

Apilado y separacin de columnas (se usa el archivo PAN.MTW) Columna con todos los pesos de las columnas correspondientes a la mquina 1 Data > Stack > Columns Stack the following columns 'Mquina 1, Pieza 1'....'Mquina 1, Pieza 4' Sel. store stacked data in Column of current worksheet 'Mquina 1' Codificacin y ordenacin de datos (se usa el archivo CLIENTES.MTW) Se desea codificar a los clientes segn el valor de sus compras para el primer trimestre Categora 3 Menos de 50,000; Cat. 2 entre 50,000 y 100,000; Cat. 1 Ms de100,000 Calc > Row statistics Sumas Sel. Statistic Sum input vars. 'ENERO' - 'MARZO' store result in Total Codificacin Data > Code > Numeric to numeric Code data from columns Total Into columns Categora Original values New 00:49.9 3 50:100 2 100.1:999 1 Numeros de cliente en columnas separadas por categora Data > Unstack columns Unstack the data in Total Sel. After last column in use Name the columns containing then stacked data Ordenar clientes por su rango de compras Data > Sort Sort Columns CLIENTE Total By columns Total seleccionar Descending Store sorted data in seleccionar Columns of current worksheet Clientes ordenados' 'Facturacin' otra opcin Pgina 305 de 308

CURSO TALLER DE MINITAB 15

P. Reyes / Agosto 2007

Manip > Rank Rank data in total Store ranks in C13 NOTA. Si dos clientes coinciden les pone el nmero promedio de ellos Personalizacin de Minitab Opciones de configuracin Lenguaje de comandos Configurar grficas No pregunte al cerrar grficas Cambios en barras de herramientas

Tools > Options Session Window > Submiting Commands Seleccionar Enable Command Language Graphics > Regions > Graph Fill Pattern; Background color N Graphics > Graph Management Prompt to save a graph before closing Never

Click sobre una barra de herramientas Botn derecho para ver la lista de barras disponibles o con Tools > Toolbars Tools > Customize Commands para seleccionar y arrastrar cualquier opcin nadicional del menu y dejarla en la barra de herramientas existente como en Office Tools > Customize > Toolbars: New Se puede ir llenado la barra de herramientas vaca con opciones de menu

Personalizar la barra de herramientas

Hacer una barra de herramientas nueva Comandos en la pantalla de sesin Histograma de 100 nmeros aleatorios

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

Solo se requieren las primeras 4 letras Un ; indica continuacin de instruccin Un . Indica fin de la instruccin

Instrucciones ejecutables

Edit > Command Line Editor Escribir los comandos y al final pulsar Submit Commands para ejecutar

Archivos ejecutables

Se pueden grabar las instrucciones en un archivo ASCII y ejecutarlas File > Other Files > Run an Exe Random 100 c1; Number of times to execute 10 normal 10,3. Select file (buscarlo en archivos con *.txt) histo c1 # Se pueden realizar varios histogramas como sigue: Random 100 c2; normal 10,4. histo c2 Grficas personalizadas Hacer todos los cambios necesarios a las grficas y copiar las instrucciones una vez seleccionada la grfica: Editor > Copy Command Language Pegar las instrucciones en un archivo desde el que se puedan accesar Pgina 306 de 308

CURSO TALLER DE MINITAB 15 Macros, panorama general

P. Reyes / Agosto 2007

Minitab contiene un lenguaje de programacin sencillo para elaborar programas hechos a la medida incluye instrucciones de control generales IF/ELSEIF/ELSE/ENDIF, DO/ENDO, WHILE/ENDWHILE EXIT devuelve el control a la ventana del Minitab Simulador de media muestral Macros globales GMACRO GMACRO Nombre MacroG_SimulaMedia.txt (archivo) Cuerpo de la macro Let k2=1 ENDMACRO # WHILE k2<=5000 Ejecucin: Random 100 c1; Indicar el directorio donde est integer 1 6. almacenada la macro Mean c1 k1 Tools > Options > General Let c2(k2) = k1 indicar carpeta en Initial directory Let k2=k2 +1 Let c3(1)=k2 Ejecucin MTB > %Macrog_SimulaMedia.txt ENDWHILE # ENDMACRO Macros locales Permiten tener varias variables de entrada / salida de cualquier nombre MACRO Ident. Nombre + variables de entrada y salida Declaracin de variables: constantes, vectores y matrices Cuerpo de la macro ENDMACRO MACRO Local_SimulMedia # Nombre itera n c_med + Variables c_conta de Entrada/Salida # # Significado de las variables utilizadas: # # itera: Nm. de iteraciones # n: Tamao de las muestras # c_med: columna (vector) donde se van almacenando las medias # c_conta: Columna donde aparece el contador # i: nmero de iteracin # media: valor de la media de la muestra # c_mues: nombre del vector que contiene la muestra generada # # MCONSTANT itera n i media # Declaracin de constantes MCOLUMN c_mues c_med c_conta # Declaracin de vectores # brief 0 #Pantalla de sesin # LET i=1 # Inicializa el contador WHILE i<= itera # Realiza la simulacin RANDOM n c_mues; INTEGER 1 6. MEAN c_mues media LET c_med(i)=media LET i=i+1 LET C_conta(1)=i ENDWHILE Pgina 307 de 308

CURSO TALLER DE MINITAB 15 # HISTO c_med # ENDMACRO Ejecucin de la Macro MTB > %Local_SimulaMedia.txt 5000 100 c1 c2 itera n c_med c_conta

P. Reyes / Agosto 2007

Pgina 308 de 308