Está en la página 1de 199

TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta

PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

CURSO TALLER DE
APLICACIÓN DE MINITAB

Elaboró: Dagoberto Salgado Horta Enero 2011


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

Página 1
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

CONTENIDO
MÓDULO 1. INTRODUCCIÓN

1. Características generales del Minitab


2. Pantallas y menús
3. Abrir, guardar e imprimir archivos
4. Cálculos con columnas y renglones
5. Aplicaciones

MÓDULO 2. HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS

1. Gráficos de barras y línea


2. Diagrama de Pareto y de Causa Efecto
3. Gráficas de dispersión de dos variables
4. Gráficas tridimensionales
5. Aplicaciones

MÓDULO 3. ESTADÍSTICA DESCRIPTIVA

1. Estadísticos de una muestra


2. Diagrama de caja y diagrama de tallo y hojas
3. Histogramas
4. Prueba de normalidad
5. Distribución normal estándar y distribución normal
6. Aplicaciones

MÓDULO 4. HERRAMIENTAS PARA ANÁLISIS - ESTADÍSTICA INFERENCIAL

1. Cálculo de probabilidades
2. Pruebas de hipótesis de una población
3. Pruebas de hipótesis de dos poblaciones
4. Tamaño de muestra y potencia
5. Análisis de varianza (ANOVA)
6. Correlación y Regresión lineal y cuadrática simple
7. Aplicaciones

MÓDULO 5. ESTADÍSTICA NO PARAMÉTRICA


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 vías)
8. Tablas de Contingencia.
9. Aplicaciones

Página 2
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 6. CONTROL ESTADÍSTICO DEL PROCESO

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


2. Estudios de capacidad de equipos de medición R&R
3. Estudios de capacidad de procesos normales
4. Estudios de capacidad de procesos no normales
5. Cartas de control por atributos: p, np, c, u
6. Estudios de capacidad de proceso por atributos
7. Cartas de control especiales (EWMA, CuSum)
8. Muestreo por atributos (AQL, AOQL, LTPD, Z1.4)
9. Ejercicios

MÓDULO 7. DISEÑO DE EXPERIMENTOS

1. Cartas Multivari
2. Diseño de experimentos factoriales completos
3. Diseño de experimentos factoriales de dos niveles
4. Diseño de experimentos fraccionales
5. Diseño de experimentos de Taguchi
6. Superficies de respuesta
7. Aplicaciones

MÓDULO 8. TÓPICOS ESPECIALES

1. Series de tiempo
2. Regresión múltiple
3. Análisis multivariado
4. Confiabilidad
5. Operaciones especiales
6. Aplicaciones

Página 3
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 1. INTRODUCCIÓN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadístico Minitab

1.1 Características generales del Minitab

Minitab es un paquete estadístico que incluye funciones de la estadística descriptiva,


estadística inferencial, diseño de experimentos, series de tiempo, estadística
multivariada, confiabilidad y otras funciones especiales para facilitar los cálculos y los
análisis estadísticos.

Todos las líneas de comando tendrán el formato siguiente (> separa menús):
Data > Change Data Type > Numeric to Text.

1.2 Pantallas y menús

Las pantallas y menus principales del Minitab se muestran a continuación:

Captura de datos
File > New

Hoja de trabajo nueva Proyecto nuevo,


manteniendo lo que ya se ha borra toda la
procesado como gráficas información que
sesiones, etc. exista en el
proyecto abierto.
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Letra “T” indica columna


Número de columna
Nombre de columna de texto

Numéricas Alfanumérica Fecha/hora

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

Data > Change Data Type > Numeric to Text.


Aparecerá una caja de diálogo 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 botón de
Select

1.3 Abrir, guardar e imprimir archivos

Para proyectos donde


se incluye todo, datos
gráficas, sesiones.

Se puede importar
Para hojas de trabajo una hoja de cálculo
(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
Open Worksheet

Página 5
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

1.4 Cálculos con columnas y renglones

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

Calc > Calculator

Columna donde
Columnas aparecerá el
que contienen resultado
los datos
Expresión a
calcular

Ejemplo: Velocidad por tiempo

Store result in C8
Expresion: C1*C2

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


Calc > Column o Row Statistics respectivamente:

Cálculos
disponibles

Columna (s) sobre la que se hará


el cálculo

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 través de


Editor > Enable commands
MTB > Let C4 = C1 + C2 + C3
o
Edit > Command line editor
Escribir la expresión Let C4 = C1 + C2 + C3
Submit commnads

1.5 Aplicaciones

Ejercicios con renglones y columnas

Página 6
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 2. HERRAMIENTAS PARA SOLUCIÓN DE PROBLEMAS


La teoría se puede consultar en el documento de word anexo: Herramientas Solución Probs.doc
2.1 Gráficos de barras y línea

Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab como ejemplo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.

Se puede obtener información sobre los archivos de Minitab con:


Help > Help > Data Sets Pulse.Mtw (dar doble click)
Para gráficas de barras:
File > Open Worksheet > Pulse.Mtw
Graph > Bar chart
Se muestran distintas opciones para representar las barras,
Para el caso de hombres y mujeres según su actividad se tiene:

Graph > Bar chart: Count of unique values, Stack


Categorical variables: Activity Sex

Chart of Activity, Sex


Sex
60 1
2

50

40
Count

30

20

10

0
Activity 0 1 2 3

Para cambiar la apariencia de las barras:

Colocarse en las barras y dar doble click, aparece el cuadro de diálogo


Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, también se puede seleccionar un tipo de trama por barra dando
Click en la gráfica, click en la sección específica y doble click, poner trama en Type.
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:
Data > Code > Numeric to text

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

Una vez cambiados los valores la gráfica se actualiza en forma automática colocándose
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now

Página 7
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo

Para gráficas de Pastel:

Graph > Pie chart


Se muestran distintas opciones para los datos fuente ya sea Chart Raw Data en cuyo
caso se establece una variable categórica en este caso Activity

La otra opción es que los valores ya estén tabulados previamente,


Chart values from a table

Pie Chart of Activity


C ategory
0
1
2
3

Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice

Cambiando el número de actividad por su nombre con:


Data > Code > Numeric to text
1 Nula
2 Baja
3 Media
4 Alta

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


de la gráfica de pastel, seleccionar la gráfica e ir a Slice Labels y marcar:
Category name, Frequency.

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

Editor > Annotation > Graph annotation tools

Para agregar texto


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

2.2 Diagrama de Pareto y de Causa Efecto

Diagrama de Pareto
Se utiliza el archivo PARETO anexo con estadísticas de los defectos en un producto
Copiar los datos de este archivo de datos para el módulo 2 en Minitab
Stat > Quality Tools > Pareto Chart
Página 8
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Para el diagrama de Pareto se tienen


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

Por ejemplo de la primera opción colocando Defectos en Chart defects in se tiene:

Pareto Chart of Defectos


200
100

80
150

60

Percent
Count

100

40

50
20

0 0
Defectos Rayas Sopladura Forma Terminación Other
Count 124 42 19 6 4
Percent 63.6 21.5 9.7 3.1 2.1
Cum % 63.6 85.1 94.9 97.9 100.0

Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás conceptos y los agrupa en la barra de otros.

Usando Operario en By Variable in se obtiene el diagrama estratificado siguiente:

Pareto Chart of Defectos by Operario


n
a ió
ur ac
ya
s
p lad r m
a
r mi
n
er
th
Ra So Fo Te O
Operario = A Operario = B Defectos
80
Ray as
60 Sopladura
40 Forma
Terminación
20 Other
Count

0
Operario = C Operario = D
80
60

40

20

y as ra rm
a
ió n e r
Ra du ac th
pla Fo in O
So r m
Te
Defectos

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


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

Diagrama de Causa efecto

Stat > Quality Tools > Cause and Effect


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

Página 9
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Los datos se colocan como sigue:

Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental

Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio

Cause-and-Effect Diagram Para cambiar el


Measurements Material Personnel tamaño de letra
hacer doble click en
C
D

S alud
ur

los títulos y
v
m

at
et

E
ur

F o ció n
ro

xp ión

F orma
Se
a

rm

er
le

seleccionar otro
ie
c

ac

nc
ia
D ureza H abilidad
tamaño de letra
Ca
A
m
Tie

ns
H
bie

a
m

or

or

nc
nt
po

as

al

io

A macen H umor
e

Temperatura H erramental
V elocidad
H umedad A brasión

V ibraciones D eformación
A juste
P olv o M antto.

Env ironment Methods Machines

2.3 Gráficas de dispersión de dos variables

Se utiliza de nuevo el archivo PULSE.MTW de Minitab anexo

Gráfica de dispersión simple


File > Open Worksheet > Pulse.mtw o Copiar los datos del archivo a Minitab
Graph > Scatterplot > Simple
Indicar en Y variable Weight y en X variable Height

La gráfica de dispersión simple se muestra a continuación:

Scatterplot of Weight vs Height


220

200

180
Weight

160

140

120

100

60 62 64 66 68 70 72 74 76
Height

Página 10
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Gráfica de dispersión Simple con una variable categórica:

Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaña Groups e indicando la variable
categórica Sex.

Scatterplot of Weight vs Height


220 Sex
1
2
200

180
Weight

160

140

120

100

60 62 64 66 68 70 72 74 76
Height

Para cambiar el tipo se símbolo por categoría para impresión en blanco y negro:

Click sobre cualquiera de los puntos, para seleccionarlos todos


Click sobre los puntos de una cierta categoría
Doble click para que aparezca el cuadro de diálogo que permita cambiar el color,
símbolo y tamaño para los puntos de ese grupo.

Gráfica de dispersión con estratificación por grupos:

Graph > Scatterplot > With Groups


Indicar en Y variable Weight y en X variable Height
Indicar en Categorical variables for Grouping Sex

La gráfica obtenida es similar a la mostrada arriba.

Identificación de puntos en una gráfica

Se utiliza el archivo de datos COCHES.MTW anexo:


Copiar los datos del archivo de datos para el módulo 2 COCHES
Graficando Potencia (CV) vs Previo de venta (pesetas) PVP se tiene:

Página 11
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Scatterplot of PVP vs Pot.(CV)


50000000

40000000

30000000
PVP

20000000

10000000

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

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


y esperar unos segundos:

Symbol, Row 180: Pot. (CV) = 225, PVP = 44652800

Para marcar más de un punto a la vez se utiliza Brush

Con el gráfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la ve,.
manteniendo presionado el botón izquierdo del ratón 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 gráfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)

Para poner la marca a cada punto se usa:

Stat > Scatter plot: With Groups


Labels > Data Labels > seleccionar Use Labels from Column Marca
Página 12
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mínimo y
máximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.

Eje X Minimum 50 Maximum 100


Eje Y Minimum 1500000 Maximum 2000000

Scatterplot of PVP vs Pot.(CV)


VO LKSW A GEN NISSA N FIA T
2000000 OPEL SEA T
C ITROEN
SEA T
SEA T
RENA ULT
1900000 HYUNDA I
FIA T NISSA N
PEUGEOT
LA NC IA
SEA T
FORD
1800000 VO LKSW A GEN FORD
RENA ULT PEUGEOT
SEA T FIA T A lfa Romeo
PVP

OPEL FIA T
SEA T C ITROEN
1700000 MA ZDA
PEUGEOT FORD
SEA T
VO LKSW A GEN SEA T ROVER
VO LKSW A GEN HYUNDA I
1600000 OPEL
PEUGEOT C ITROEN
FORD SUZUKI

1500000
50 60 70 80 90 100
Pot.(CV)

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


Editor > Crosshair

El cursor se convierte en una cruz que se puede colocar en el punto


para ver las coordenadas

Gráficas de dispersión Bivariantes con páneles:


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

Página 13
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Para modificar la apariencia de la gráfica, seleccionarla y:

Editor > Panel > Option


Seleccionar Don´t alternate panels
Seleccionar Both variable names and levels

Scatterplot of Quality vs Time


Temp = 350 Temp = 375 Temp = 400

2
Quality

0
Temp = 425 Temp = 450 Temp = 475
8

0
25 30 35 25 30 35 25 30 35
Time

Graficas bivariantes con distribuciones de frecuencia adicionales


Con los datos del archivo de datos del módulo 2 - COCHES
Graph > Marginal Plot

Se tienen 3 posibilidades después de indicar la variable Y y X como antes:

Gráfica de dispersión Simple con una variable categórica:


Marginal Plot of PVP vs Pot.(CV)

50000000

40000000

30000000
PVP

20000000

10000000

0
Marginal Plot of PVP vs Pot.(CV) 0 100 200 300 400 500
Pot.(CV)

Marginal Plot of PVP vs Pot.(CV)

50000000

40000000

50000000
30000000
PVP

40000000
20000000
30000000
10000000
PVP

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

Página 14
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Matrices de Graficas bivariantes

Graph > Matrix Plot

Se tienen varias posibilidades después 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 8 12

40000000

20000000 PVP

0
12

8
Num.C il.

400

200 P ot.( C V )

0
0 20000000 40000000 0 200 400

Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:

Página 15
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


0 200 400

40000000
En esta gráfica si en el
30000000
Editor se selecciona la

PVP
20000000
opción Brush y manualmente 10000000
seleccionamos una serie de 0
12
puntos en una ventana,
10
en forma automática se

Consumo
8
seleccionan en las otras
6
ventanas.
4

0 2500 5000 160 240 320


Cil.(cc) Pot.(CV) Velo.max

2.4 Gráficas bivariantes tridimensionales

Grafica bivariada en tres dimensiones


Graph > 3D Scatter Plot

Se utiliza de nuevo el archivo COCHES.MTW anexo


Indicar las variables para el eje
Z, Y y X

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

45000000

30000000
PVP

15000000

450
0 300
0 150 Pot.(CV)
2000
4000 6000 0
Cil.(cc)

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

Página 16
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Girar gráfica Zoom Posición inicial

Sobre la gráfica de 3 dimensiones se pueden usar también las opciones Brush,


modificar ejes, puntos, etc. haciendo doble click sobre ellos.

En algunos casos se desea tener los


líneas 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 categórica

Graph > 3D Scatter Plot


Indicar las variables Z, Y y X así como la
variable (s) categórica (s)

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


Num.C il.
2
4
5
6
8
12

45000000

30000000
PVP

15000000

450
0 300
150 P ot.( C V )
0 2000
4000 6000 0
C il.( cc)

Graph > 3D Scatter Plot


Superficie mallada (Wireframe) o superificie con textura (surface)

Generar datos para la superficie por medio de una función ya establecida con:

Página 17
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Calc > Make Mesh Data

Columnas donde
se guardan los
datos generados

Datos para un
sombrero vaquero

Obtener la gráfica 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 0

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

Curvas de nivel (Contour Plots) Contour Plot of C3 vs C2, C1


5.0
Graph > Contour Plot -0.4 -0.4

Columnas de datos para Z, Y y X de Mesh -0.4


-0.8 -0.8
0.4
2.5

0.4
0.0
C2

0.8

0.8
-2.5
0.0

-0.4 -0.8 -0.4


-0.8 -0.8
-5.0
-5.0 -2.5 0.0 2.5 5.0
C1

Página 18
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

2.5 Aplicaciones (Ver ejercicios de Aplicaciones Sección 2 en este libro)

MÓDULO 3. ESTADÍSTICA DESCRIPTIVA

3.1 Estadísticos de una muestra


Ver archivo Estadistica Descriptiva.doc anexo para una explicación de los conceptos teóricos

Se usa el archivo DETERGENTE.MTW anexo en la hoja de datos del módulo 3:


Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal
de 4 grs. indicando en cuál de las 2 líneas se ha llenado:

Estudio estadístico básico:

Stat > Basic statistics > Display descriptive statistics


Variables y variable categórica

Gráficas de los datos

Selección de estadísticos específicos

NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Peso en gr
Variable Línea N N* Mean SE Mean StDev Minimum Q1 Median
Peso en gr 1 250 0 3999.6 3.14 49.6 3877.0 3967.8 3999.5
2 250 0 4085.6 3.32 52.5 3954.0 4048.8 4087.0
Variable Línea Q3 Maximum
Peso en gr 1 4040.0 4113.0
2 4121.5 4202.0

Página 19
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Las gráficas obtenidas de la estadística descriptiva son las siguientes:

Histogram (with Normal Curve) of Peso en gr by Línea de llenado


3900 3960 4020 4080 4140 4200
1 2 1
50 Mean 4000
StDev 49.60
N 250
40 2
Mean 4086
StDev 52.51
Frequency

30 N 250

20

10

0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Línea de llenado

Individual Value Plot of Peso en gr vs Línea de llenado

4200

4150

4100
Peso en gr

4050

4000

3950

3900

1 2
Línea de llenado

Boxplot of Peso en gr by Línea de llenado

4200

4150

4100
Peso en gr

4050

4000

3950

3900

1 2
Línea de llenado

3.2 Diagrama de caja y diagrama de tallo y hojas

Para estos ejemplos se utiliza el archivo PULSE.MTW de Minitab


File > Open Worksheet > Pulse.mtw o copiar los datos del archivo anexo

Diagrama de caja

Página 20
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Graph > Boxplot

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


Calc > Calculator
Store result in variable Incremento
Expression Pulse2 - Pulse1

Gráfica de caja sencillo


Boxplot of Pulse1

100

90

80

Pulse1
70

60

50

Gráfica de caja por grupos

Boxplot of Incremento vs Ran, Sex


50

40

30
Incremento

20

10

-10

-20
Sex 1 2 1 2
Ran 1 2

Página 21
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


intercuartílico 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

Estratificación opcional por otra variable

Destacar valores que exceden  1.5 RIC


de Q1 y Q3

Definición del ancho de la "celda" de números

Stem-and-Leaf Display: Weight


Stem-and-leaf of Weight N = 92 Leaf Unit = 1.0
Tallo Hojas
1 9 5 Con Increment = 20
4 10 288 Leaf Unit = 10
13 11 002556688 Tallo Hojas
24 12 00012355555 1 0 9
37 13 0000013555688 13 1 000111111111
(11) 14 00002555558 37 1 222222222223333333333333
44 15 0000000000355555555557 (33) 1 444444444445555555555555555555555
22 16 000045 22 1 666666777777
16 17 000055 10 1 888899999
10 18 0005
6 19 00005 HI 21 Valor anómalo destacado

HI 215 Línea de profundidad (frec. Acumulada hasta la mediana () )

Diagrama de puntos

Graph > Dotplot

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

Página 22
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Dotplot of Incremento vs Ran, Sex

Ran Sex

1 1
2

2 1

2
-9 0 9 18 27 36 45
Incremento

3.3 Histogramas o distribuciones de frecuencia

Existen diferentes opciones para esta herramienta:

Indicando como variable Pulse1 se tiene:

Histogram of Pulse1
25

20

15
Frequency

10

0
50 60 70 80 90 100
Pulse1

Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.

La apariencia de las barras se puede cambiar haciendo clcik en estas.

Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaña Binning

Se deifnen los intervalos a través de sus


puntos de corte

Se indica el nuevo número de intervalos

Página 23
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Histogram of Pulse1
30

25

Frequency 20

15

10

0
48.00 56.66 65.33 74.00 82.66 91.33 100.00
Pulse1

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

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

Editor > Make Similar Graph

Histogram of Pulse2

30

25

20
Frequency

15

10

0
60 80 100 120 140
Pulse2

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

Página 24
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Graph > Histogram: Simple


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

Histogram of Pulse1
50 60 70 80 90 100
1 2
16

14

12
Frequency

10

0
50 60 70 80 90 100
Pulse1
Panel variable: Ran

3.4 Distribución normal estándar y distribución normal

La teoria se puede consultar en el archivo de Word anexo: Distribución Normal.doc

Calc > Probability distributions > Normal

Da la ordenada de probabilidad
en un punto del eje horizontal

Da la probabilidad acumulada
o área desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant

Da el valor para el cual se obtiene


la probabilidad acumulada que se
indica

Media cero y desv. Estándar uno


indica una distribución normal
estándar, con otros valores
se trata de la distribución normal

El área total de probabilidad es de 1.0


La media es de cero y la desv. Estandar 1
Ejemplos:

Densidad de probabilidad

Página 25
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Calc > Probability distributions > Normal


Seleccionar Probability Density
En Input Constant poner 1.5

Normal with mean = 0 and standard deviation = 1


x f( x )
1.5 0.129518

Probabilidad acumulada
Calc > Probability distributions > Normal
Seleccionar Cumulative Probability
En Input Constant poner 1.5

Normal with mean = 0 and standard deviation = 1


x P( X <= x )
1.5 0.933193

Probabilidad acumulada inversa

Calc > Probability distributions > Normal


Seleccionar Inverse Cumulative Probability
En Input Constant poner 0.9332

Normal with mean = 0 and standard deviation = 1


P( X <= x ) x
0.9332 1.50006

Dibujo de la gráfica 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

Último 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)

Página 26
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Indicar en Y C1 y en X C1

En la gráfica quitar los puntos dejando solo la línea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None

Scatterplot of C2 vs C1

0.4

0.3

0.2
C2

0.1

0.0

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

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

Editor > Annotation > Graph annotation tools


Seleccionar para el interior el color gris

Scatterplot of C2 vs C1

0.4

0.3

0.2
C2

0.1

0.0

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

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

Calc > Make Patterned data > Simple set of numbers


Store patterned data in C1

Calc > Probability distributions > Weibull

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

Página 27
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Graph > Scatterplot (With connect Line)


En la gráfica 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 gráficas de Weibull

Scatterplot of C2, C3, C4, C5 vs C1


1.6 Variable
a = 1, b =1
C2
a = 1, b =2
1.4 C3
a = 1, b =3 C4
1.2 a = 1, b =4 C5

1.0
Y-Data

0.8

0.6

0.4

0.2

0.0

0 1 2 3 4
C1

Areas bajo la curva normal

Excel =Distr.norm.estand( valor de Z)

Minitab Calc > Probablity distributions > Normal


Cumulative probability, Mean 0, standar deviation 1
Input constant (valor de Z)
Media = 0
Optional storage (K1 o K2)
Data> Display data K1 K2
K2 Calc > Calculator Store result in C1 Expresion K2 - K1

K1 Minitab Excel
K2 K1 Área Área
Área entre ± Z = 1 sigmas 0,933193 0,0668072 0,8663858 0,866385597

Área entre ± Z = 2 sigmas 0,97725 0,0227501 0,9544999 0,954499736

Área entre ± Z = 3 sigmas 0,99865 0,0013499 0,9973001 0,997300204

Área antes de Z = -1.5 0,0668072 0,0668072 0,066807201

Área después de Z = 0.8 0,211855 0,211855 0,211855399


Restar a 1 o dar - Z

Área entre Z=-1.5 y Z=0.6 0,725747 0,0668072 0,6589398 0,658939681

Para cambiar el número de decimales mostrado en las columnas seleccionándolas y


Editor > Format column > Numeric Fixed decimal with 8 u otro

Página 28
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

3.5 Prueba de normalidad

Utilizando el archivo de datos de DETERGENTE.MTW anexo


Copiar los datos del archivo a Minitab

Las hipótesis son las siguientes:

Ho: Los datos SI provienen de una población distribuida normalmente


Ha: Los datos NO provienen de una población distribuida normalmente

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 AD - El estadístico de Anderson
99.9
Mean
StDev
4043
66.76
Darling está en función de las
99 N
AD
500
0.426
distancias entre los puntos y la
95 P-Value 0.314
90 recta es mejor un valor menor
80
70
Percent

60
50
40 P Value indica la probabilidad
30
20 de equivocarnos al rechazar el
10
5 supuesto de normalidad cierto
1

0.1
3800 3900 4000 4100 4200 4300
Un valor P de menos de 0.05
Peso en gr indica que los datos no son
normales, en este caso si lo son.

Otra forma de hacerlo es con:

Graph > Probability Plot: Single


en GraphVariable indicar la columna de Pesos

Probability Plot of Peso en gr


Normal - 95% CI En la gráfica se deben observar
99.9
Mean
StDev
4043
66.76
la gran mayoría de puntos dentro
99 N 500
AD 0.426 del intervalo de confianza y
95 P-Value 0.314
90 obtener un P value mayor a 0.05
80
70 para indicar que los datos siguen
Percent

60
50
40
30
una distribución normal
20
10
5

0.1
3800 3900 4000 4100 4200 4300
Peso en gr

3.6 Aplicaciones

Ver hoja de aplicaciones de este módulo 3.

Página 29
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 4. HERRAMIENTAS PARA ANÁLISIS - ESTADÍSTICA INFERENCIAL

4.1 Cálculo de probabilidades

Distribución t de Student (para número de muestras menor a 30 o sigma desconocida)


Se usa para pruebas de hipótesis sobre medias de una y dos poblaciones

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

Excel =Distr.t( valor de t, gl, colas) Área bajo la curva

=Distr.t.inv( valor de probabilidad, gl) Estadístico t para una cierta área


El área siempre se divide entre 2

Minitab Calc > Probablity distributions > t


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

Estadístico t (valor a partir del cual inicia el área bajo la curva alfa)

Probabilidad alfa (valor del área bajo la curva corresp. A t)

Media = 0
1- Alfa Estadístico t Estadístico t
Datos Alfa Minitab en Minitab Excel
10 0,05 0,95 1,83311 1,833112933
10 0,1 0,9 1,38303 1,383028738

Distribución F de Fisher (para probar hipótesis de comparación de varianzas entre dos muestras)

Requiere dos parámetros 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 área bajo la curva)

Estadístico F (valor a partir del cual inicia el área bajo la curva alfa)

S12
Fc  S1 debe ser mayor a S2
0 S 22
Sólo valores positivos en eje horizontal
curva no simétrica

Datos de la Datos de la 1- Alfa Estadístico F


muestra 1 muestra 2 Alfa Minitab en Minitab Excel
10 10 0,05 0,95 3,17889 3,178893104
10 10 0,1 0,9 2,44034 2,440340438

Página 30
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Distribución Chi Cuadrada (para probar hipótesis de la varianza de una población)

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

Excel =Distr.Chi( valor de Chi, gl)

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

Minitab Calc > Probablity distributions > Chi Square


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

Estadístico Chi (valor a partir del cual inicia el área bajo la curva alfa)

S12
Fc 
0 S 22
Sólo valores positivos en eje horizontal
curva no simétrica

Datos de la 1- Alfa Estadístico Chi Cuadrado


muestra Alfa Minitab en Minitab Excel
10 0,05 0,95 16,919 16,9189776
10 0,1 0,9 14,6837 14,68365657

4.2 Pruebas de hipótesis de una población

Referirse a los materiales sobre Pruebas de hipótesis para la teoría de estas pruebas
MinitabPruebaHipótesis.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls

Las pruebas de hipótesis permiten probar una afirmación o rechazarla en relación


a parámetros de la población que pueden ser la media, varianza y proporción 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 información


que proporcionen se infiere sobre el comportamiento del parámetro en la población.

Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la población (en base a datos históricos)

Ho: Media = valor Ha: Media  Valor

Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035 3949 3969 3955 3969
3928 4017 3979 3984 3995
3974 4009 3970 4034 3991
4024 3983 3997 3964 3988

La desviación estándar histórica es de 25 g.


¿Se puede afirmar que el peso promedio es diferente a 25 g.?

Ho: Media = 25 Ha: Media  25

Página 31
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Stat > Basic Statistics > 1 - Sample Z

Indicar columna de datos

Esta sección se usa cuando hay


datos de media y muestras

Desviación estándar histórica


Media a probar

Nivel de confianza

Hipótesis alternativa, también se


puede probar "Menor que" o
"Mayor que"

Permite seleccionar varios tipos de gráficas

Individual Value Plot of Pesos


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

_
X Si la Ho queda fuera de la línea
Ho
azul, entonces se rechaza la
hipótesis nula Ho y se acepta la
3920 3940 3960 3980 4000 4020 4040 hipótesis alterna Ha indicando
Pesos
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
Página 32
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Variable N Mean StDev SE Mean 95% CI Z P


Pesos 20 3985.70 28.18 5.59 (3974.74, 3996.66) -2.56 0.011

Este es el intervalo de confianza del 95% donde se encuentra Él valor P es menor


la media del proceso de llenado (población). El 4000 no se a 0.05 por tanto se
encuentra en el intervalo por tanto el promedio difiere de lo rechaza la Ho y se
que se afirma acepta la alterna en
este caso el
promedio difiere de
los 4000 g.

Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el número 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 desviación estándar

One-Sample T: Pesos
Test of mu = 4000 vs not = 4000
Variable N Mean StDev SE Mean 95% CI T P
Pesos 20 3985.70 28.18 6.30 (3972.51, 3998.89) -2.27 0.035

Las conclusiones son iguales que en el caso 1

Caso 3. Prueba de hipótesis para una proporción

Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.

¿Para un 95% de confianza se confirma la sospecha de que menos del 10% de


usuarios usan estos accesorios?

Ho: Proporción >= 0.10 Ha: Proporción < 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 método exacto

Test and CI for One Proportion

Test of p = 0.1 vs p < 0.1


Upper Exact

Página 33
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Sample X N Sample p Bound P-Value


1 17 200 0.085000 0.124771 0.285

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


hipótesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hipótesis alterna.

Es válido decir que sólo el 10% de los usuarios utilizan los accesorios

4.3 Pruebas de hipótesis de dos poblaciones

Caso 1. Comparación de dos medias - Muestras independientes

H: Media A - Media B = 0 Ha: Media A - Media B  0

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


resistencias a la tracción son las siguientes:

Método A Método B
24,3 24,4
25,6 21,5
26,7 25,1
22,7 22,8
24,8 25,2
23,8 23,5
25,9 22,2
26,4 23,5
25,8 23,3
25,4 24,7
¿Se puede decir que los dos métodos producen resistencias a la tracción diferentes?
Usar un nivel de confianza del 95%.

Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B

Paso 1. Se realiza un análisis de comparación de varianzas poblacionales:


Ho: Varianza A = Varianza B Ha: Varianza A  Varianza B

Stat > Basic Statistics > 2 Variances

Test for Equal Variances: Método A, Método B


95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 1.01, p-value = 0.991

Página 34
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


varianzas, por tanto se asume que son iguales. Esta inf. se usará a continuación:

Paso 2. Se realiza un análisis de comparación de medias poblacionales


H: Media A - Media B = 0 Ha: Media A - Media B  0

Stat > Basic Statistics > 2 - Sample t

La gráfica de puntos individuales indica diferencia entre las muestras


Individual Value Plot of Método A, Método B
27

26

25
Data

24

23

22

21
Método A Método B

Y los resultados de la prueba estadística lo confirman:

Two-sample T for Método A vs Método B

N Mean StDev SE Mean


Método A 10 25.14 1.24 0.39
Método B 10 23.62 1.24 0.39

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


Estimate for difference: 1.52000
95% CI for difference: (0.35037, 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 hipótesis 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 

Página 35
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


sujetos u objetos, por ejemplo el peso de individuos antes y después de una rutina.

También se aplica cuando cuando antes de comparar se hacen parejas de sujetos


por ejemplo para comparar los promedios de alumos de dos universidades, primero
se forman parejas (dos ingenieros, dos administradores, dos arquitectos, etc.)

Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B, se seleccionan


10 personas a las que se les instala uno de esos lentes en cualquier lado al azar.
Después de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:

Persona Lente A Lente B


1 6,7 6,9
2 5,0 5,8
3 3,6 4,1
4 6,2 7,0
5 5,9 7,0
6 4,0 4,6
7 5,2 5,5
8 4,5 5,0
9 4,4 4,3
10 4,1 4,8

A un 95% de nivel de confianza


¿Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes?
Se colocan los datos en las columnas C1 y C2 para los Lentes A y B.

Ho: Diferencia de medias = 0 Ha: Diferencia de medias  0


Stat > Basic Statistics > Paired t

Individual Value Plot of Differences


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

_
X

Ho
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
Differences dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
Paired T-Test and CI: Lente A, Lente B métodos.

Paired T for Lente A - Lente B

N Mean StDev SE Mean


Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 -0.540000 0.343835 0.108730
Página 36
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


T-Test of mean difference = 0 (vs not = 0): T-Value = -4.97 P-Value = 0.001

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


diferencia de las dos medias y el valor P value es menor a 0.05
se rechaza la hipótesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos producen deterioros diferentes.

Caso 3. Comparación de dos proporciones

Ejemplo: En una encuesta a 300 clientes de la zona A, 33 estan descontentos


En otra zona B se encuestaron a 250 clientes y 22 se mostraron descontentos.
A un 95% de nivel de confianza o 5% de nivel de sigfinicancia,
¿Hay diferencia en las proporciones de clientes descontentos en las dos zonas?

Ho: Proporción A = Proporción B Ha: Proporción A  Proporción B


Stat > Basic Statistics > 2 - Proportions

Se usa la sección de datos


resumidos

Como Opciones NC = 95%


Alternate = Not equal, Test Dif = 0
Use Pooled estimate p for test

Test and CI for Two Proportions


Sample X N Sample p
1 33 300 0.110000
2 22 250 0.088000

Difference = p (1) - p (2)


Estimate for difference: 0.022
95% CI for difference: (-0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86 P-Value = 0.392

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


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

4.4 Tamaño de muestra y potencia

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

Página 37
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


la hipótesis nula siendo que en realidad es falsa.

El análisis de potencia puede ayudar a contestar preguntas como:

* ¿Cuántas muestras se deben tomar para el análisis?


* ¿Es suficiente el tamaño de muestra?
* ¿Qué 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 parámetros:

* Tamaños de muestra
* Diferencias - un corrimiento significativo de la media que se desea detectar
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa

Caso 1. Prueba t de una media poblacional

Ejemplo: Se tiene una población normal con media de 365 y límites de especificación
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el número de
defectos sería inaceptable, la desviación estándar histórica es de 2.403:

CORRIDA DE 2.5 GRS. EN PROMEDIO


Ha: Corrida
0.18 Ho: 367.5 Variable
Meta LIE 370
Original
0.16 LIE 360 C orrida
365
0.14

0.12

0.10
Y-Data

0.08

0.06

0.04

0.02

0.00

355 360 365 370 375


C1

Stat > Power and Sample Size > 1 - Sample t


Completar el diálogo como sigue:

Página 38
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Los resultados se muestran a continuación:

Power and Sample Size

1-Sample t Test

Testing mean = null (versus not = null)


Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403

Sample Se tiene un 53.76% de Potencia para detectar


Difference Size Power una diferencia de 2.5 si se usan 6 muestras
2.5 6 0.537662 O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.

¿cuántas muestras se requieren para tener un 80% de probabilidad de detectar


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

Stat > Power and Sample Size > 1 - Sample t

Se cambia este parámetro

Los resultados se muestran a continuación:

Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 0.962487

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


que realmente no son significativas.

Caso 2. Prueba t de comparación de dos medias poblacionales

Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar


respecto a la desviación estándar, para una sigma poner 1 en diferencia y desviación
estándar, 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

Página 39
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Testing mean 1 = mean 2 (versus not =)


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

Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 0.912498

Se requieren tamaños de muestra de entre 17 y 23

Caso 3. Prueba de 1 proporción

Para estimar la potencia, Minitab requiere de dos de los siguientes parámetros:

* Tamaños de muestra
* La proporción - una proporción que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa

Suponiendo que se desea detectar una proporción de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:

Proporción que se desea detectar con alta


probabilidad (0.80, 0.90)

Es la proporción de la Hipótesis 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 tamaño de muestra de 500 se tiene:

Stat > Power and Sample Size > 2 - Sample t


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

Test for One Proportion


Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample
Proportion Size Power
0.04 500 0.865861

Por tanto con un tamaño de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
Página 40
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

4.5 Análisis de varianza (ANOVA)

Para la teoría revisar el artículo anexo en el archivo ANOVA.Doc

El Análisis de Varianza es una prueba de hipótesis que trata de probar la


igualdad de varias medias al mismo tiempo:

H 0
  1   2   3  ....   k

H 1 : Al menos dos medias son diferentes .


Requiere que las poblaciones sean normales y con varianza similar.

ANOVA de una vía con datos de tratamientos en diferentes columnas:

Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factor


para ver que variedad de árbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:

A B C
1,9 1,6 1,3
1,8 1,1 1,6
2,1 1,3 1,8
1,8 1,4 1,1
1,1 1,5
1,1
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?

Se colocan los datos en tres columnas distintas C1, C2 y C3:

Stat > ANOVA > One Way (Unstacked)

Residual Plots for A, B, C


Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
0.4
90
0.2
Residual
Percent

50 0.0

10 -0.2

1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value

Histogram of the Residuals


3
Frequency

0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual

Los residuos deben mostrar


un comportamiento normal
y aleatorio alrededor de la media
para que el análisis sea válido

Página 41
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Los resultados se muestran a continuación:

One-way ANOVA: A, B, C
Como el valor P value es menor
Source DF SS MS F P a 0.05 existe una diferencia
Factor 2 0.9000 0.4500 8.44 0.005 significativa entre algunas medias
Error 12 0.6400 0.0533
Total 14 1.5400

S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%

Individual 95% CIs For Mean Based on


Pooled StDev A produce más fenoles que B,C
Level N Mean StDev ----+---------+---------+---------+-----
A 4 1.9000 0.1414 (-------*--------)
B 5 1.3000 0.2121 (------*-------) La media de A es
C 6 1.4000 0.2828 (------*------) diferentes a A y B
----+---------+---------+---------+-----
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C
Desviación estándar poblacional son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons

Individual confidence level = 97.94% Como el cero no está en el


intervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C
Lower Center Upper -----+---------+---------+---------+----
B -1.0130 -0.6000 -0.1870 (---------*---------)
C -0.8974 -0.5000 -0.1026 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40

B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 0.4728 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40

El intervalo de la diferencia C-B si incluye


el cero por tanto B no es diferentes de C

ANOVA de una vía con datos de tratamientos en una sola columna Respuesta Factor
1,9 A
Los datos del ejemplo anterior arreglados en una 1,8 A
sola columna se muestran a continuación: 2,1 A
1,8 A
1,6 B
1,1 B
1,3 B
1,4 B
1,1 B
1,3 C
1,6 C
1,8 C
1,1 C
1,5 C
1,1 C

Página 42
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Stat > ANOVA > One Way

Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.

Residual Plots for Respuesta


Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
0.4
90
0.2
Residual
Percent

50 0.0

10 -0.2

1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data


3 0.4

0.2
Frequency

2
Residual

0.0
1
-0.2

0 -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Residual Observation Order

4.6 Correlación y Regresión lineal y cuadrática simple

Revisar el archivo anexo sobre Análisis de RegresiónRes.doc para conceptos de teoría.

Coeficiente de Correlación

Establece si existe una relación entre las variables y responde a la pregunta,


”¿Qué tan evidente es esta relación?".

La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.

* Es una medida de la fuerza de la relación lineal entre dos variables x y y.


* Es un número entre -1 y 1
* Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
* Un valor negativo indica que cuando una variable aumenta, la otra disminuye
* Si las dos variables no están relacionadas, el coeficiente de correlación tiende a 0.

Página 43
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Correlación Positiva Correlación Negativa


25
Evidente 25
Evidente
20 20

15 15

10
Y

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

15

Correlación

Y
10

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

10

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

Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw o copiar los datos del archivo anexo

Antes de calcular el coeficiente de correlación se sugiere hacer un diagrama


bivariante para identificar posibles valores anómalos, relaciones no lineales, etc.

Graph > Scatterplot: Simple Y = Weight y X = Height


Scatterplot of Weight vs Height
220

200

180
Weight

160

140

120

100

60 62 64 66 68 70 72 74 76
Height

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

Stat > Basic Statistics > Correlation


Seleccionar en Variables Weight Height
Seleccionar Display P values

Los resultados son los siguientes:

Correlations: Weight, Height


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

Página 44
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Si se agrega la variable "Pulse1":

Correlations: Weight, Height, Pulse1


Weight Height
Height 0.785 Correlaciones
0 P values

Pulse1 -0.202 -0.212 Correlaciones


0.053 0.043 P values
Cell Contents: Pearson correlation
P-Value

Regresión simple por medio de gráfica:

Stat > Regression > Fitted line Plot


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

Ecuación de
Fitted Line Plot Regresión
Weight = - 204.7 + 5.092 Height
220
S Desv. Estandar de
200
los residuos
180 (valor real-estimado
por la regresión)
Weight

160 S 14.7920
R-Sq 61.6%
140 R-Sq(adj) 61.2% R-Sq Coeficiente
de Determinación
120
en porcentaje de
100 variación explicada
por la ecuación de
60 62 64 66 68 70 72 74 76
Height regresión

R-Sq (Adj) - Sólo para regresión múltiple


Regression Analysis: Weight versus Height

The regression equation is


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

Regresión simple:
Efectúa un análisis de regresión 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 Ecuación de regresión

Página 45
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Predictor Coef SE Coef T P


Constant -204.74 29.16 -7.02 0.000
Height 5.0918 0.4237 12.02 0.000

S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%


Coef. De determinación
Analysis of Variance

Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000 Regresión significativa
Residual Error 90 19692 219
Total 91 51284

Unusual Observations

Obs Height Weight Fit SE Fit Residual St Resid


9 72.0 195.00 161.87 2.08 33.13 2.26R Puntos con un
25 61.0 140.00 105.86 3.62 34.14 2.38R residuo estándar
40 72.0 215.00 161.87 2.08 53.13 3.63R mayor a 2
84 68.0 110.00 141.50 1.57 -31.50 -2.14R

R denotes an observation with a large standardized residual.

En algunos casos hay puntos que están muy alejados de la mayoría de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.

Por ejemplo:

Usando el archivo PUNTOS_RX.MTW anexo:


Copiar los datos del archivo a Minitab
Graph > Scatterplot: Simple Y=yyX=x

Fitted Line Plot


Y = 14.16 + 4.075 X
70 S 3.47429
R-Sq 86.6%
R-Sq(adj) 86.3%
60

50

40
Y

30

20

10

0 2 4 6 8 10 12
X

Stat > Regression > Regression


Seleccionar en Response Y y en Predictors X

Unusual Observations

Obs X Y Fit SE Fit Residual St Resid


51 2.5 40.000 24.343 0.483 15.657 4.55R
52 12.0 60.000 63.056 2.178 -3.056 -1.13 X

R denotes an observation with a large standardized residual.

Página 46
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

X denotes an observation whose X value gives it large influenc

Regresión 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 mamíferos se tiene:

Copiar los datos del archivo a Minitab

Haciendo una gráfica de dispersión bivariada se tiene:

Graph > Scatterplot: Simple Y = Peso cerebro y X = Peso total


Scatterplot of Peso cerebro (g) vs Peso total (kg)
6000

5000

4000
Peso cerebro (g)

3000

2000

1000

0 1000 2000 3000 4000 5000 6000 7000


Peso total (kg)

En este caso los pesos de los elefantes pueden sesgar la ecuación de la recta
no se pueden eliminar como anómalos y se intentará transformarlos en forma
logarítmica:

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:

Página 47
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Como resultado se obtiene una gráfica mucho más uniforme:

Fitted Line Plot


logten(Peso cerebro (g)) = 0.9271 + 0.7517 logten(Peso total (kg))
100000.00
Regression
Intervalos de
10000.00
95% C I confianza de Ymedia
95% PI

S 0.301528
en base a una X
1000.00
Peso cerebro (g)
R-Sq 92.1%
R-Sq(adj) 91.9%
100.00
Intervalo de
10.00 predicción de Y para
1.00 valores individuales
0.10
en base a una X
0.01
1 0 0 0 00 0 00 0 Coeficiente de
00 01 10 00 .0 00 .0 00
0. 0. 0. 1. 10 0. 00 0. determinación
10 10 000
1
Peso total (kg)
muy cercano a uno

Regresión simple cuadrática:

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 gráfica siguiente de residuos que no varian aleatoriamente alrededor


de la media, sino más bien con un patrón que sugiere un modelo cuadrático:

Residuals Versus the Fitted Values


(response is Y)
1.0

0.5
Residual

0.0

-0.5

-1.0

15 20 25 30 35
Fitted Value

Repitiendo las instrucciones anteriores pero para modelo Quadratic se tiene:


Fitted Line Plot
Y = 15.12 + 2.829 X
+ 0.2355 X**2

Regression
35 95% C I
95% PI

S 0.228822
30 R-Sq 99.9%
R-Sq(adj) 99.9%

25
Y

20

15

0 1 2 3 4 5
X

Página 48
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Residuals Versus the Fitted Values


(response is Y)
0.50

0.25
Residual

0.00

-0.25

-0.50
15 20 25 30 35
Fitted Value

Los residuos aparecen en forma aleatoria indicando un modelo adecuado.

4.7 Aplicaciones

Ver aplicaciones del Módulo 4

Página 49
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 5. ESTADÍSTICA NO PARAMÉTRICA


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

• Desarrollar una Prueba de normalidad. Para la prueba de Bartlet


el valor de p debe ser < 0.05)
• Desarrollar una Prueba de Corridas (para verificar que no existen sucesos

no aleatorios que puedan haber distorsionado la información)


• Revisar la información para detectar errores (tipográficos, etc.).
Investiguar los valores atípicos.
• Una muestra pequeña (n < 30) proveniente de un universo normal,
se mostrará algunas veces como anormal.
• Intentar transformar los datos. Las transformaciones comunes incluyen:

•- Raíz cuadrada de todos los datos


•- Logaritmo de todos los datos
•- Cuadrado de todos los datos
• Si la información es todavía anormal, entonces usar las herramientas no paramétricas.

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

Prueba de Hipótesis

Variables Atributos

No Normales Tablas de
Contingencia de

Varianzas Medianas
Correlación
Correlación
Homogeneidad
Prueba de signos
de Varianzas
de Levene Wilcoxon
Normal
Mann-
Whitney Variancia Medias
Kruskal-
Chi Pruebas de t
Wallis
Prueba-F Muestra-1
Residuos
Prueba de Mood Muestra-2
Homogeneidad distribuidos
Friedman de la Variación ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión

Se tienen las pruebas siguientes como más comunes:

Página 50
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Pruebas de normalidad o aleatioriedad de los datos

Prueba de Rachas:
Calcula la probabilidad de que un X número de puntos o rachas de referencia,
estén por encima o por debajo del promedio aleatoriamente.
Se tiene pruebas paramétricas y no paramétricas.

Pruebas de igualdad de varianzas

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

Pruebas no paramétricas con la medianas o medianas

Pruebas de la Mediana
Prueba de signos: Prueba si el promedio de la mediana de la muestra
es igual a un valor conocido o a un valor a alcanzar.

Prueba Wilcoxon: Prueba si la mediana de la muestra es igual a un valor


conocido o a un valor hipotético.

Pruebas de la Mediana
Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales.
Comprueba el rango de dos muestras, por diferencia entre dos medianas del universo.

Prueba Kruskal-Wallis: Prueba si más de dos medianas de muestras son iguales.


Asume que todas las distribuciones tienen la misma forma.

Pruebas de la Mediana
Prueba de la mediana de Mood: Otra prueba para más de dos medianas.
Prueba más firme para los valores atípicos contenidos en la información.

Prueba de Friedman: Prueba si las medianas de las muestras, clasificadas


bajo dos categorías, son iguales.

Correlación: Prueba la relación lineal entre dos variables

5.1 Prueba de Rachas

Prueba de Rachas paramétrica:

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 variación es anormal formando grupos, oscilaciones, mezclas
y que se deben tomar acciones correctivas.

Si la muestra es de uno determina la línea central como la mediana y si la muestra


es de subgrupos une las medias de los subgrupos con una línea.

Las hipotesis de esta prueba son:


H0: Las rachas son aleatorias H1: Las rachas siguen un patrón no aleatorio

Por ejemplo con el archivo RADON.MTW de este módulo se tiene:


Copiar los datos del archivo RADON.MTW anexo

Página 51
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Stat > Quality Tools > Run Chart


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

Run Chart of Membrane

45

40
Membrane

35

30

25

20
1 2 3 4 5 6 7 8 9 10
Sample
Number of runs about median: 3 Number of runs up or down: 5
Expected number of runs: 6.00000 Expected number of runs: 6.33333
Longest run about median: 5 Longest run up or down: 3
A pprox P-Value for C lustering: 0.02209 A pprox P-Value for Trends: 0.13455
A pprox P-Value for Mixtures: 0.97791 A pprox P-Value for Oscillation: 0.86545

Interpretación de resultados

Como el P value de Clustering es menor a 0.05 indica que este patrón es significativo
y se deben investigar las posibles causas.

Prueba de rachas no paramétrica

H0: Las rachas son aleatorias H1: Las rachas siguen un patrón no aleatorio

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

Usar el archivo EXH_STAT.MTW.


Stat > Nonparametrics > Runs Test.
En Variables, seleccioanr Response . Click OK.

Los resultados son los siguientes:

Runs Test: Response


Runs test for Response
Runs above and below K = 1.23333
The observed number of runs = 8
The expected number of runs = 14.9333
11 observations above K, 19 below
P-value = 0.005

Interpretación de resultados: Como P value es menor a 0.05 se tiene evidencia de que


el comportamiento de las respuestas no es aleatorio y debe investigarse la causa.

5.2 Puebas de signos de la mediana

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

Ejemplo: Se evaluan los índices de precios de 29 casas. Los datos históricos indican
que el índice ha sido de 115. Probar a un alfa de 0.10 si el alfa se ha incrementado.

Página 52
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Copiar los datos del archivo EXH_STAT.MTW anexo

Stat > Nonparametrics > 1-Sample Sign.


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

Los resultados son los siguientes:

Sign Test for Median: PriceIndex

Sign test of median = 115.0 versus > 115.0

N Below Equal Above P Median


PriceIndex 29 12 0 17 0.2291 144.0

Interpretación de resultados: Como el valor P de la prueba es >0.05 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 Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.889 77.50

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


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

5.4 Prueba de rangos de dos muestras de Mann Whitney

H0: h1 = h2 versus H1: h1 ≠h2 , donde h es mediana de la población.

Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza

Ejemplo: Se compara la presión diastólica de dos muestras extraidas de dos poblaciones


Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas.

Página 53
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Stat > Nonparametrics > Mann-Whitney


En First Sample, sleccionar DBP1. En Second Sample, seleccionar DBP2. Click OK.
En Confidence level 95% y en Alternative, Seleccionar Not equal. Click OK.

Los resultados son los siguientes:

Mann-Whitney Test and CI: DBP1, DBP2


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

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


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

5.5 Prueba de igualdad de medianas de Kruskal Wallis

H0: Las medianas poblacionales son todas iguales versus H1: Al menos hay una diferente

Esta es una generalización de la prueba de Mann Whitney

Ejemplo: Se quiere probar si el efecto de tres tratamientos diferentes influyen en el }


crecimiento de bacterias a un 5% de nivel de significancia

Stat > Nonparametrics > Kruskal-Wallis.


En Response, seleccionar Growth.
En Factor, seleccionar Treatment. Click OK.

Los resultados son los siguientes:

Kruskal-Wallis Test: Growth versus Treatment

Kruskal-Wallis Test on Growth

Treatment N Median Ave Rank Z


1 5 13.20 7.7 -0.45
2 5 12.90 4.3 -2.38
3 6 15.60 12.7 2.71
Overall 16 8.5

H = 8.63 DF = 2 P = 0.013
H = 8.64 DF = 2 P = 0.013 (adjusted for ties)

Interpretación de resultados:
Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
medianas son diferentes estadísticamente.
La mediana 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:

Página 54
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

H0: h1 = h2 = h3, versus H1: no todas las h's son iguales con h's medianas poblacionales .
de OTIS para los tres niveles educacionales.

Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras


después se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia
significativa entre el nivel de educación 0 - Preprofesionales 1 -Profesionales
2 - Preparatoria

Usar el archivo de datos CARTOON.MTW


Copiar los datos a Minitab
Stat > Nonparametrics > Mood´s Median Test
En Response, seleccionar OTIS.
En Factor, seleccionar ED. Click OK.

Los resultados son los siguientes:


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

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

Ho: Los efectos de todos los tratamientos son cero


H1: Los efectos de los tratamientos difieren de cero

Ejemplo: Se quiere probar un tratamiento de drogas sobre la actividad enzimatica.


Se prueba con tres tratamientos en animales de diferentes granjas.

Usar el archivo EXH_STAT.MTW.


Stat > Nonparametrics > Friedman.
En Response, seleccionar EnzymeActivity.
En Treatment, selecionar Therapy. En Blocks, seleccionar Litter. Click OK.

Los resultados son los siguientes:

Friedman Test: EnzymeActivity versus Therapy blocked by Litter


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

Sum Los valores P son mayores a 0.10


of por tanto no hay evidencia para
Therapy N Est Median Ranks decir que el efecto de los
1 4 0.2450 6.5 tratamientos sea diferente de cero
2 4 0.3117 7.0
3 4 0.5783 10.5

Grand median = 0.3783

Página 55
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

5.8 Tablas de Contingencia

Para la teoría ver artículo Tablas de Contingencia.doc anexo


La Tabla de contingencia es una prueba de independencia entre variables.

Ho: La variable de renglón es independiente de la variable de columna


Las proporciones en todas las columnas de cada renglón son iguales

Ha: La variable de renglón tiene dependencia de la variable de columna


Las proporciones en las columnas de cada renglón son diferentes

Ejemplo: Se tiene interés de probar si la afiliación política depende del sexo y del
partído político, para lo cual se encuestan a 100 personas.

Del Archivo EXH_TABL.MTW de la carpeta de Minitab o anexo se toman los datos siguientes:

Democrat Republican Other


Hombres 28 18 4
Mujeres 22 27 1

Las instrucciones son las siguientes:

Open worksheet EXH_TABL.MTW.


Stat > Tables > Chi-Square Test (Tabla en Worksheet).
En Columns que contiene la tabla, indicar Democrat, Republican y Other. Click OK.

Los resultados son los siguientes:

Chi-Square Test: Democrat, Republican, Other

Expected counts are printed below observed counts


Chi-Square contributions are printed below expected counts

Democrat Republican Other Total


1 28 18 4 50
25.00 22.50 2.50 NOTA: Las frecuencias
0.360 0.900 0.900 esperadas deberían ser mayores
a 5.
2 22 27 1 50
25.00 22.50 2.50
0.360 0.900 0.900

Total 50 45 5 100

Chi-Sq = 4.320, DF = 2, P-Value = 0.115 El valor P es mayor a 0.05 y no


2 cells with expected counts less than 5. se rechaza Ho por tanto el tipo
de partido es independiente del
sexo de los votantes.

5.9 Aplicaciones

Ver ejercicios de aplicación del Módulo 5

Página 56
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 6. CONTROL ESTADÍSTICO DEL PROCESO


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

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

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

Usar el archivo CAMSHAFT.MTW.

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

En Subgroup sizes, poner 5 . Click OK.

Usar (Chart) Options si se desea algo de lo siguiente:


Parameters Para límites de la media o rango en base a datos históricos
de la Mean y/o Standar Deviation

Estimate Para omitir subrupos con los que el proceso sale de control
Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar

S limits Para mostrar límites en 2 y 3 (default) sigmas u en otra sigma


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

Tests Definir las pruebas estadísticas fuera de control a ser indicadas


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

Stages Para mostrar diferentes etapas de desempeño del proceso


Define stages (historical groups) with this variable xxx

Box Cox Para transformar datos sin un comportamiento normal


Optimal Lamda

Display Si se quiere condicionar el despliegue de subgrupos


Display all subgroups Display last xx subgroups

Store Para guardar los datos mostrados en la carta de control


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

Página 57
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

En este caso:

Xbar-R Chart of Supp2


1
1
U C L=602.474
602

Sample Mean _
_
X=600.23
600

598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample

8 U C L=8.225
Sample Range

_
4 R=3.890

0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 2, 14

Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal

Eliminando estos subgrupos se tiene:

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Subgroup sizes, poner 5 .
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar
Click OK OK.

El proceso ahora está dentro de control

Xbar-R Chart of Supp2


U C L=602.247
602

601
Sample Mean

_
_
600 X=599.938

599

598
LC L=597.629
2 4 6 8 10 12 14 16 18 20
Sample

U C L=8.465
8
Sample Range

_
4 R=4.003

0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample

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


tomando 5 muestras cada 15 minutos durante un periodo de 10 horas.

Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
número que identifique al operario de la máquina.
Página 58
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Hora de la primera y
última muestra
Incremento de 15 minutos

Repetir cada valor 5 veces para


cad muestra

Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 el operario B

Habilitar comandos en la ventana de Sesión con Editor > Enable Commands

MTB > Set c3 En C3 poner


DATA> 125 (1) 125 unos
DATA> 75 (2) 75 doces
DATA> end fin

Desabilitar ejecución de comandos con Editor > Enable Commands

El nombre de la columna se pone a mano OPERARIO

Carta de control de medias


VITA_C
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5 .

Seleccionar las opciones siguientes:


Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.

La carta obtenida es la siguiente:

Xbar Chart of Peso by Operario


1 2
3.30
UCL=3.2939

3.28
_
_
X=3.2671
Sample Mean

3.26

6
3.24 LCL=3.2402

3.22

3.20
1
1
8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora

Página 59
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Los patrones anormales detectados son:

Test Results for Xbar Chart of Peso by Operario

TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 22, 23

TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23

TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Test Failed at points: 5

Carta de control de rangos


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

R Chart of Peso

0.10 UCL=0.1020

0.08
Sample Range

0.06
_
R=0.0483
0.04

0.02

0.00 LCL=0

4 8 12 16 20 24 28 32 36 40
Sample

Carta de control de Desviación estándar S


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

0.03
Sample StDev

_
0.02 S=0.01950

0.01

0.00 LCL=0

4 8 12 16 20 24 28 32 36 40
Sample

Página 60
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Carta de control de lecturas individuales


CAMSHAFT
Utilizando los datos del archivo CAMSHAFT
Se copian o se carga el archivo Worksheet de Minitab CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK

La gráfica obtenida es la siguiente:


I-MR Chart of Supp1
1 1
U C L=601.176
601
Individual Value

600
_
X=599.548

599

598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation

2.4
1
U C L=2.000
Moving Range

1.8

1.2
__
0.6 M R=0.612

0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation

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

Test Results for I Chart of Supp1


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

Excluyendo los puntos que salen de control se tiene:

Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK. I-MR Chart of Supp1
601 U C L=600.943
Individual Value

600
_
X=599.531

599

LC L=598.118
598
1
1 10 20 30 40 50 60 70 80 90 100
O bser v ation

2.0
1 1 1
U C L=1.735
1.5
Moving Range

1.0

__
0.5 M R=0.531

0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser v ation

Página 61
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Repitiendo la operación 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


U C L=600.822
600.5
Individual Value

600.0
_
599.5 X=599.536

599.0

598.5
LC L=598.251
1 1
1 10 20 30 40 50 60 70 80 90 100
O bser vation

1.6 U C L=1.579

1.2
Moving Range

0.8
__
M R=0.483
0.4

0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation

El proceso es bastante estable

Carta de lecturas individuales:


CLORO

Ejemplo: En una industria química se toma una muestra cada 15 minutos y se mide
el pH y la concentración de cloro de la solución, los datos se muestran en el archivo
CLORO.MTW anexo de este módulo.

Separando las muestras del último día viernes se tiene:

Data > Copy > Columns to Columns


Copy from columns Hora pH Cl
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'

Seleccionar Subset the Data


Seleccionar Rows that Match Condition Fecha = DATE("08/11/2002")
función seleccionada Date (From text)
OK OK

Obteniendo la carta de control de lecturas individuales se tiene:

Stat > Control Charts > Variable charts for individuals


Variable pH V I Chart of pH V
Scale > Time: Stamp 'Hora V' 'Cl V' 14
1
OK 13 UCL=12.843
12

11
Individual Value

10
_
9 X=9.128

7
Uso de la función Stamp
6
LCL=5.413
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20

Página 62
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
11
Excluye el punto fuera de
Individual Value

10 +1SL=10.122
_
control y muestra los
9 X=9 límites de control a
8 -1SL=7.878
una, dos y tres sigmas
7
-2SL=6.756

6
-3SL=5.634
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20

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

Stat > Control Charts > Variable charts for individuals


Variable pH

I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups

OK

I Chart of pH by Fecha
04/11/2002 05/11/2002 06/11/2002
14
12 UCL=12.370

10 _
X=8.981
8
Individual Value

6 LCL=5.592
Hora V 6:15 8:00 10:00 12:00 14:00
Cl V 19 20 21 18 20
07/11/2002 08/11/2002
14 1
UCL=12.843
12
10 _
X=9.128
8
6
LCL=5.413
Hora V
Cl V

Carta deRangos Móviles


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

Página 63
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Moving Range Chart of pH V


5
UCL=4.564

Moving Range 3

2
__
MR=1.397
1

0 LCL=0

3 6 9 12 15 18 21 24 27 30
Observation

Carta de control de valores individuales y rangos móviles


CLORO
Stat > Control charts > Variable chart for individuals > I-MR
Variable ' pH V' OK
I-MR Chart of pH V
14
1
U C L=12.843
12
Individual Value

10 _
X=9.128
8

6
LC L=5.413
3 6 9 12 15 18 21 24 27 30
O bse r v ation

U C L=4.564
4
Moving Range

2
__
M R=1.397
1

0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bse r v ation

Carta de control X-S


CAMSHAFT
Se utilizan los datos del archivo CAMSHAFT.MTW anexo

Se usa para monitorear proveedores o grupos de máquinas


funciona mejor con tamaños de muestra >= 10
Tomando los datos de SUPP2 se tiene:

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

En Subgroup sizes, poner 10. Click OK.


Xbar-S Chart of Supp2
602 1
U C L=601.908

601
Sample Mean

_
_
X=600.23
600

599
LC L=598.552
1 2 3 4 5 6 7 8 9 10
Sample

3 U C L=2.952

Página 64
Sample StDev

2 _
S =1.720

1
X=600.23

Sample
600

599 TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta


LC L=598.552
1 2
PARA
3
LA
4
MEJORA
5 6
Y SOLUCIÓN
7 8
DE 9PROBLEMAS
10
Sample

3 U C L=2.952

Sample StDev
2 _
S =1.720

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

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

En Data Options seleccionar Specify which rows to exclude Rows 61:70.

Xbar-S Chart of Supp2


602
U C L=601.735

601
Sample Mean

_
_
600 X=600.042

599

LC L=598.349
598
1 2 3 4 5 6 7 8 9 10
Sample

3 U C L=2.979
Sample StDev

2 _
S =1.736

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

6.2 Estudios del sistema de medición R&R

Revisar la teoría de estudios en sistemas de medición 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 medición en el mismo ambiente de trabajo
y también por la misma persona, usando el mismo equipo.

Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones

Minitab ofrece varias alternativas de estudios a realizar:

1. Gage Run Chart: Análisis gráfico de los resultados como primeras conclusiones

2. Gage Linearity and Bias Study: ¿es igual el error en todo el rango de magnitudes a medir?

3. Gage R&R Study (Crossed): Estudios de repetibilidad y reproducibilidad (R&R)


para estudios cruzados (más comunes)

4. Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R)


para estudios anidados (pruebas destructivas)

5. Atribute Gage Study (Analytical Method): Estudios R&R para atributos


(características no medibles)
Página 65
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Diseños Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente características dimensionales

Diseños anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.

Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realización
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.

Análisis gráfico (Gage Run Chart):

Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner título al estudio
Gage Info: Para información adicional del estudio

Gage Run Chart of Medicion by Pieza, Operario


Reported by :
G age name: Tolerance:
Date of study : M isc:

1 2 3 4 5 O perario
16 1
2
3
Las piezas son diferentes
Mean
12 ver pieza 2 y 3 versus la
8y9
Medicion

6 7 8 9 10
16
El operario 2 tiene más
12
variabilidad en sus
Mean
mediciones y además
8
tiende a tener valores por
Operario
debajo de los otros 2
Panel variable: Pieza

Estudio R&R (Crossed)

Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Seleccionar Method of Análisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para información adicional de identificación del estudio

Tabla de Análisis de Varianza (ANOVA)

También se hubiera obtenido con:


Stat > ANOVA > Two way Response:Medición Row Factor:Pieza Column Factor:Operario

Two-Way ANOVA Table With Interaction


Source DF SS MS F P
Pieza 9 286.033 31.7814 33.1422 Pieza
0.000
significativa
Operario 2 45.635 22.8173 23.7942 Operario
0.000 significativo
Pieza * Operario 18 17.261 0.9589 0.6449 Interaccion
0.849 no significativa
Repeatability 60 89.217 1.4869
Total 89 438.145

Página 66
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Two-Way ANOVA Table Without Interaction


Source DF SS MS F P
Pieza 9 286.033 31.7814 23.2814 0.000
Operario 2 45.635 22.8173 16.7147 0.000
Repeatability 78 106.478 1.3651
Total 89 438.145

Tabla de componentes de la Varianza (informativa)

Varianza %Contribution
Source VarComp (of VarComp)
Total Gage R&R 2.08017 38.10
Repeatability 1.36510 25.00 Varianza relevante debida al equipo
Reproducibility 0.71507 13.10 Menor varianza debida al operador
Operario 0.71507 13.10
Part-To-Part 3.37959 61.90
Total Variation 5.45976 100.00
Usada cuando el equipo es para control del proceso
Tabla de análisis de la Variación
Usada cuando el equipo es para liberar producto
raiz (Varianza) Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.44228 7.4277 61.73 49.52
Repeatability 1.16838 6.0171 50.00 40.11
Reproducibility 0.84562 4.3549 36.19 29.03
Operario 0.84562 4.3549 36.19 29.03
Part-To-Part 1.83837 9.4676 78.68 63.12
Total Variation 2.33661 12.0336 100.00 80.22

El % de error total debe ser de cuando más el


Number of Distinct Categories = 1 10% o hasta 30% si la característica no es crítica.
En algunas industrias se toma 25% como aceptable
Este número debe ser de al
menos 4 indicando que el equipo discrimina las partes

Se tiene las siguientes variaciones:

Parte a parte: Variación entre las partes real

Repetibilidad: Variación debida al aparato o equipo de medición

Reproducibilidad: Variación introducida por los operarios

Variación total: Combinación de las anteriores

Ventana de gráficas

Página 67
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Gage R&R (ANOVA) for Medicion


Reported by :
Gage name: Tolerance:
Date of study : M isc:

Components of Variation Medicion by Pieza


80 % Contribution 18
% Study Var

Percent
% Tolerance

40 12

0 6
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Pieza
R Chart by Operario
Medicion by Operario
1 2 3
UCL=5.257 18
Sample Range

4
12
Operario 2 tiene una
_
2 R=2.042
Media más baja
0 LCL=0 6
1 2 3
Operario
Xbar Chart by Operario
1 2 3 Operario * Pieza Interaction
15.0 15.0 Operario

Si no hay interacción
Sample Mean

1
UCL=13.383

Average
2
12.5 _ 12.5
_ 3

10.0
X=11.293
10.0 significativa, estas
LCL=9.204
1 2 3 4 5 6 7 8 9 10 líneas son paralelas
Pieza

Carta de rangos: Muestra al operario 2 con mayor variabilidad que los demás
pero aun así estan dentro de control, de otra forma repetir las mediciones

Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medición discrimina las partes adecuadamente

Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag

File > Open worksheet > Gageaiag (en carpeta DATA)

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

Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15 (estándar 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 DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.000
Operator 2 0.04800 0.024000 4.1672 0.033
Part * Operator 18 0.10367 0.005759 4.4588 La0.000
interacción si es
Repeatability 30 0.03875 0.001292 significativa, el operador
Total 59 2.24913 tiene interacción con las
partes
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0044375 10.67
Repeatability 0.0012917 3.10

Página 68
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Reproducibility 0.0031458 7.56


Operator 0.0009120 2.19
Operator*Part 0.0022338 5.37
Part-To-Part 0.0371644 89.33
Total Variation 0.0416019 100.00 Debe ser menor al 10% (AIAG)
o menores al 25% (otras industrias)
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.066615 0.34306 32.66 17.15
Repeatability 0.035940 0.18509 17.62 9.25
Reproducibility 0.056088 0.28885 27.50 14.44
Operator 0.030200 0.15553 14.81 7.78
Operator*Part 0.047263 0.24340 23.17 12.17
Part-To-Part 0.192781 0.99282 94.52 49.64
Total Variation 0.203965 1.05042 100.00 52.52

Number of Distinct Categories = 4 Es adecuado mínimo 4

Gage R&R (ANOVA) for Response


Reported by :
G age name: Tolerance:
D ate of study : M isc:

Components of Variation Response by Part


100 % Contribution 1.00
% Study Var
Percent

% Tolerance
0.75
50

0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Part
R Chart by Operator
Response by Operator
1 2 3
UCL=0.1252 1.00
Sample Range

0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
1 2 3
Operator
Xbar Chart by Operator
1 2 3 Operator * Part Interaction
1.00 1.00 Operator
Sample Mean

_
UCL=0.8796
_
1
Average

2
X=0.8075
0.75 LCL=0.7354 0.75 3

0.50
0.50 Si hay interacción entre
1 2 3 4 5
Part
6 7 8 9 10
operadores y partes,
debe revisarse el método
La carta R esta dentro de control de medición

La carta de medias tiene más del 50% de puntos fuera de control, lo que es adecuado

Estudio R&R (Nested) para pruebas destructivas

Se usa el archivo RR_ANID.MTW que contiene datos de medición de 12 piezas realizadas


por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midió 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo

Se trata de un diseño anidado ya que cada operador solo mide una parte de las piezas.

Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10 Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.37317 7.07181 97.92 70.72
Repeatability 1.13529 5.84676 80.95 58.47
Página 69
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Reproducibility 0.77246 3.97818 55.08 39.78


Part-To-Part 0.28475 1.46644 20.30 14.66
Total Variation 1.40238 7.22225 100.00 72.22

Variación de partes muy


Number of Distinct Categories = 1 pequeña vesus la de
operario y equipo, el
Gage R&R (Nested) for Medicion sistema de medición
Reported by : no es adecuado
G age name: Tolerance:
D ate of study : M isc:

Components of Variation Medicion By Pieza ( Operario )


100 % Contribution 24
% Study Var
Percent

% Tolerance
22
50
20
0
Gage R&R Repeat Reprod Part-to-Part Pieza 1 2 3 4 5 6 7 8 9 10 11 12
Operario A B C
R Chart by Operario
Medicion by Operario
A B C
UCL=5.170 24
Sample Range

4
22
_
2 R=2.008
20
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
24 UCL=24.196
Sample Mean

_
_
22 X=22.142

20 LCL=20.087

Estudios de linealidad

La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala

Se usa el archivo GAGELIN.MTW anexo

En este archivo se muestran las mediciones hechas con el patrón (Master) y


con el sistema en estudio (Response), en distintos niveles de la escala

Amplitud de la
variabilidad del proceso

Gage Linearity and Bias Study for Response


Reported by :
G age name: Tolerance:
D ate of study : M isc:

G age Linearity
P redictor C oef S E C oef P
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 Data
Avg Bias
S lope -0.13167 0.01093 0.000 Ecuación
S 0.23954 R-S q 71.4%
Linearity 1.86889 % Linearity 13.2

0.5 G age Bias


Reference Bias % Bias P
A v erage -0.053333 0.4 0.040 Datos de promedios
2 0.491667 3.5 0.000
Bias

0.0 0 4 0.125000 0.9 0.293


6 0.025000 0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000

-0.5
Percent of Process Variation

10
Percent

-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias

Página 70
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

La ecuación de regresión es Diferencia = 0.7367 - 0.1317 Master

Linealidad = Pendiente * Ancho de variación 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 patrón

% De sesgo = |Sesgo| / Ancho del proceso * 100 = (-0.053/14.1941)*100 = 0.3757

El sesgo introducido por el sistema de medida es aprox. del 0.4% de la


variaciónn total

6.3 Estudios de capacidad de procesos para variables normales

Capacidad de procesos en base a carta X media - R


Para la teoría revisar el artículo 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 estadístico.

Stat > Quality Tools > Capability Análisis > Normal


Seleccionar R bar

Especificaciones

Boundary se usa cuando


es imposible tener piezas
fuera de este límite

Página 71
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Los resultados se muestran a continuación:


Sigma = R medio / d2 (constante)
Variabilidad dentro de subgrupos (Within) El proceso debe estar en control

Variabilidad global (Overall) Sigma = Desv. Estandar / c4 (cte.)


No importa si el proceso está
Process Capability of Peso fuera de control estadístico

LSL USL
P rocess D ata W ithin
LS L 3.08750 Ov erall
Target *
USL 3.41250 P otential (Within) C apability
S ample M ean 3.24312 Cp 2.54
C PL 2.43
S ample N
S tD ev (Within)
200
0.02136 C PU 2.64 Cp y Cpk a partir de
C pk 2.43
S tD ev (O v erall) 0.02917
C C pk 2.54
Std. Dev. Within
O v erall C apability
Pp 1.86
PPL 1.78 Pp y Ppk a partir de
PPU 1.94
P pk 1.78 Std. Dev. Overall
C pm *

Tanto el Cpk como Ppk


3.10 3.15 3.20 3.25 3.30 3.35 3.40
deben ser mayores a
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 0.00 P P M < LS L 0.05 uno para que el proceso
P P M > U S L 0.00 P P M > U S L 0.00 P P M > U S L 0.00
P P M Total 0.00 P P M Total 0.00 P P M Total 0.05 sea capáz, de otra
forma deben investigarse
las causas especiales

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

Visualización de las variaciones:


Con una gráfica Scatterplot se tiene:
Medidas Subgrupo Scatterplot of Medidas vs Subgrupo
2 1 20
4 1
5 1
15
6 1
12 2
Medidas

13 2 10

14 2
15 2
5
6 3
7 3
8 3 0
1.0 1.5 2.0 2.5 3.0
10 3 Subgrupo

Var 1=2.92 Var 2=1.67 Var 3 = 2.92


Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de corrección Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5
C4 que en este caso es 0.9776 Desv. Std. Within = raiz (2.5) = 1.58

Capacidad de procesos en base a carta I-MR

Ejemplo: Se mide el porcentaje de humedad en muestras tomadas cada 15 minutos de


alimentos para perros, su especificación es del 6 al 15%

Los valores obtenidos son los indicados en el archivo HUMEDAD.MTW anexo:

Página 72
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Stat > Quality Tools > Capability Análisis > Normal


Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar
OK

Process Capability of %Humedad

LSL USL
P rocess Data Within
LSL 6.00000 Overall
Target *
U SL 12.00000 P otential (Within) C apability
Cp 0.86
Sample M ean 10.85938
C PL 1.39
El Cpk es menor a 1
Sample N 32
StDev (Within) 1.16392 C P U 0.33 el proceso no es
StDev (O v erall) 1.43526 C pk 0.33
C C pk 0.86 capaz para cumplir
O v erall C apability
Pp 0.70
con especificaciones
PPL 1.13
PPU 0.26
P pk 0.26
C pm *

6.4 8.0 9.6 11.2 12.8


O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LSL 0.00 P P M < LSL 14.90 P P M < LSL 354.96
P P M > U SL 156250.00 P P M > U SL 163546.85 P P M > U SL 213388.49
P P M Total 156250.00 P P M Total 163561.75 P P M Total 213743.45

El proceso no tiene una capacidad suficiente de Cpk >1

Opción Six Pack para una información resumida:

Stat > Quality Tools > Capability Sixpack > Normal


Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar
OK

Process Capability Sixpack of %Humedad


I C har t C apability H istogr am
15
UCL=14.351
Individual Value

12 _
X=10.859

9
LCL=7.368
1
3 6 9 12 15 18 21 24 27 30 8.0 9.6 11.2 12.8

M oving Range C har t Nor mal P r ob P lot


UCL=4.290
A D : 0.315, P : 0.527
4
Moving Range

2 __
MR=1.313

0 LCL=0
3 6 9 12 15 18 21 24 27 30 8 10 12 14

Last 2 5 O bser vations C apability P lot


Within
Within O v erall
12 S tD ev 1.16392 S tD ev 1.43526
Values

Cp 0.86 Overall
Pp 0.70
10
C pk 0.33 P pk 0.26
8 C C pk 0.86 C pm *
Specs
10 15 20 25 30
Observation

Página 73
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Trend Analysis Plot for %Humedad


Stat > Time series > Trend Analysis Linear Trend Model
Variables %Humedad Yt = 9.42198 + 0.0871151*t
seleccionar Linear 14 Variable
Actual
OK 13 Fits

Accuracy Measures
12 MAPE 8.53237
MAD 0.88705

%Humedad
MSD 1.31670
11
Se observa que el %
10
ha ido aumentando con
el tiempo por alguna 9
razón a lo largo del día 8

7
3 6 9 12 15 18 21 24 27 30
Index

6.3 Estudios de capacidad de procesos para variables no normales

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

Transformación de Box Cox

Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribución
normal.

Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo

Haciendo una prueba de normalidad con:


Stat > Basic statistics > Normality test
Variable Warping
Anderson Darling

Se obtiene un valor P de 0.01 indicando que los datos no son normales.

Ahora se transforman los datos por el método de Box Cox:


Stat > Quality tools > Capability analysis > Normal
Single column - Warping Subgroup size - 1 Lower spec 0 Upper Spec 8
Box Cox seleccionar Box Cox Power transformation y Optimal Lamda
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5

LB* U S L*
P rocess D ata transformed data Within
LB 0.00000 O v erall
Target *
USL 8.00000 P otential (Within) C apability
S ample M ean 2.92307 Cp *
S ample N 100 C PL * Cpk = 0.78 el proceso
S tDev (Within) 1.68898 C P U 0.78
S tDev (O v erall) 1.79048 C pk 0.78 no es capaz de cumplir
C C pk 0.78

LB*
A fter Transformation
0.00000
O v erall C apability especificaciones.
Target* * Pp *
U S L* 2.82843 PPL *
PPU 0.74
S ample M ean*
S tDev (Within)*
1.62374
0.51337 P pk 0.74 Ppk es igual a 0.74
S tDev (O v erall)* 0.53934 C pm *

0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8


O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LB 0.00 P P M < LB* * P P M < LB* *
P P M > U S L 20000.00 P P M > U S L* 9472.66 P P M > U S L* 12754.26
P P M Total 20000.00 P P M Total 9472.66 P P M Total 12754.26

Página 74
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Stat > Quality tools > Capability analysis > Nonnormal


Single column - Warping Lower spec 0 Upper Spec 8
OK

Process Capability of Warping


Calculations Based on Weibull Distribution Model

LB USL
P rocess Data O v erall C apability
LB 0.00000 Pp *
Target * PPL *
USL 8.00000 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
Ppk es igual a 0.73
E xp. O v erall P erformance
S hape 1.69368
P P M < LB *
S cale 3.27812
P P M > U S L 10764.5
O bserv ed P erformance P P M Total 10764.5
P P M < LB 0
P P M > U S L 20000
P P M Total 20000

0.0 1.5 3.0 4.5 6.0 7.5

6.5 Cartas de control por atributos

Para la teoría ver articulo sobre Cartas de Control.doc

Se usan estas cartas para cuando las características se juzgan como pasa o no pasa

Carta P de proporción o fracción de unidades defectuosas, no conformes o defectivas

Ejemplo: El archivo MOTORES.MTW contiene datos de motores pequeños producidos


y los que al final del proceso han resultado defectuosos, correspondientes a 6 semanas.

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos
Subgroup sizes Producción
OK

P Chart of Defectuosos
1 1
0.055
UCL=0.05316 Se tienen límites de
0.050 control variables por
0.045 ser el tamaño de muestra
variable
Proportion

0.040 _
P=0.03812
0.035

0.030

0.025
LCL=0.02308
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes

Página 75
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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 tamaño de muestra a su promedio se tiene n = 1350

Stat > Control Charts > Attrutes chart > P


Variables Defectuosos
Subgroup sizes 1350
OK

P Chart of Defectuosos
0.055 UCL=0.05441

0.050

0.045
Proportion

0.040 _
P=0.03867

0.035

0.030

0.025
LCL=0.02292
0.020
3 6 9 12 15 18 21 24 27 30
Sample

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

Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados


al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.

Stat > Control Charts > Attributes chart > NP


Variables Defectuosos
Subgroup sizes 100
OK

NP Chart of Defectuosos
14
1

12 UCL=12.16

10
Sample Count

6 __
NP=5.39

0 LCL=0

1 7 14 21 28 35 42 49 56 63 70
Sample

Test Results for NP Chart of Defectuosos

Página 76
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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 límites de control

Stat > Control Charts > Attributes chart > NP


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

NP Chart of Defectuosos

12 UCL=11.98

10

8
Sample Count

6 __
NP=5.28

0 LCL=0

1 7 14 21 28 35 42 49 56 63 70
Sample

Carta de control C para defectos por unidad de inspección constante

Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe


el número de visitas recibidas en una página Web durante octubre y noviembre 2002
indicando también la fecha y día de la semana

Stat > Control Charts > Attributes chart > C


Variables Visitas
OK

C Chart of Visitas
160
1

140

120 1
Sample Count

100
1 1
UCL=87.3
80
_
C=63.4
60

40 LCL=39.5
1 1
11 11
20 1 1
1 6 12 18 24 30 36 42 48 54 60
Sample

Test Results for C Chart of Visitas

Página 77
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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 día 10 representa un pico debido a un anuncio especial anunciando la página
los otros puntos que salen de control se presentan los fines de semana.

Para eliminar los puntos correspondientes a sábados y domingos usar el botón Data Options
para recalcular los límites 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 recálculo de límites

C Chart of Visitas
120 1

110

100
UCL=94.20
Sample Count

90

80
_
70 C=69.24

60

50
LCL=44.28
40
1 6 12 18 24 30 36 42 48 54 60
Sample

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


18 rows excluded

Carta de control U para el núemro de defectos por unidad de inspección variable

Ejemplo: Se utiliza el archivo TEJIDO.MTW anexo


Contiene el número de manchas de cada tela y su superficie corresp. en metros cuadrados
Página 78
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Stat > Control Charts > Attributes chart > U


Variables Numero Manchas
Subgroup size Superficie
OK

U Chart of Numero manchas

20 UCL=19.44 Los límites de control


son variables debido a
Sample Count Per Unit

15
que el tamaño de muestra
_ es variable
10 U=9.87

0 LCL=0.30

3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes

El proceso está en control estadístico

6.6 Estudios de capacidad por atributos

Estudio de capacidad para variables que siguen una distribución binomial (fracción defectiva)

Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el número de clientes no satisfechos de entrevistas a 50 en cada una.

Stat > Quality tools > Capability Analysis > Binomial


Defectives Descontentos
Sample size seleccionar Constant size 50
Target 0
OK
Test Results for P Chart of Descontentos
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 6, 13, 28
3 puntos fuera de control
Binomial Process Capability Analysis of Descontentos
P C har t Binomial P lot
1
Expected Defectives

0.6 1 30
P r opor tion

0.4 U C L=0.3983 20
_
0.2 P =0.222 10

LC L=0.0457
Puntos fuera de control
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 15 30
Sample O bser ved Defectives

C umulative % Defective Dist of % Defective

S ummary S tats Tar

30.0 (using 95.0% confidence) 16


% D efectiv e: 22.20
% Defective

27.5 Low er C I: 20.12 12


U pper C I: 24.39
25.0 Target: 0.00 8
P P M D ef: 222000
22.5 Low er C I: 201196 4
U pper C I: 243898
20.0
P rocess Z: 0.7655 0
5 10 15 20 25 30 Low er C I: 0.6938 0 10 20 30 40 50 60 70
Sample U pper C I: 0.8374

Página 79
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que más influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:

Asi el porcentaje de clientes insatisfechos por agencia se encuentra


entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.

Binomial Process Capability Analysis of Descontentos


P C har t Binomial P lot
U C L=0.3602

Expected Defectives
0.3 15
P r opor tion

_
0.2 P =0.1929 10

0.1 5

LC L=0.0255
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 10 20
Sample O bser ved Defectives

C umulative % Defective Dist of % Defective


Tar
24.0 S ummary S tats
10.0
(using 95.0% confidence)
22.5 % D efectiv e: 19.29
7.5
% Defective

Low er C I: 17.25
21.0 U pper C I: 21.45
5.0
Target: 0.00
19.5
P P M D ef: 192857
Low er C I: 172495 2.5
18.0
U pper C I: 214517
P rocess Z: 0.8674 0.0
5 10 15 20 25 30 0 5 10 15 20 25 30 35
Low er C I: 0.7908
Sample
U pper C I: 0.9444

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 distribución de Poisson (número 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 Número de defectos
Constant size 1
Target 0
OK

Página 80
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

El proceso es estable en torno a 3 defectos por unidad.

Poisson Capability Analysis of Num. defectos


U C har t P oisson P lot

Sample Count P er Unit


U C L=8.474

Expected Defects
7.5 6

5.0 4
_
U =3.15
2.5 2

0.0 LC L=0 0
4 8 12 16 20 24 28 32 36 40 0.0 2.5 5.0
Sample O bser ved Defects

C umulative DP U Dist of DP U
Tar
4 S ummary S tats 16
(using 95.0% confidence)
M ean D ef: 3.1500 12
3 Low er C I: 2.6240
U pper C I: 3.7505
DP U

8
M ean D P U : 3.1500
2
Low er C I: 2.6240
U pper C I: 3.7505 4
M in D P U : 0.0000
1
M ax D P U : 6.0000 0
10 20 30 40 0 1 2 3 4 5 6
Targ D P U : 0.0000
Sample

El número de muestras es suficiente Los valores siguen una distribución


de Poisson

6.7 Cartas de control especiales (EWMA y CuSum)

Gráfica de Sumas acumuladas ( CuSum )


Se usa para registrar al centro del proceso.Se corre en tándem (una tras otra)
Es más sensible que la gráfica X al movimiento de los pequeños cambios sostenidos
en el centro del proceso.
Es más sensible que la gráfica X al movimiento de separación gradual del centro del proceso.
Es menos sensible que la gráfica X al desplazamiento grande e único del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parámetros clásicos son h = 4; k = 0.5
Son más eficientes que las cartas de Shewhart para detectar pequeños corrimientos en la
media del proceso (2 sigmas o menos)

Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamaño n y
se calcula la media de cada muestra Xi-media. Después se determina Sm o S’m como sigue:
m

Sm   (X i
  0 )...  0  m e d ia .e n .c o n tr o l .e s tim a d a
i 1
m
1
S m     0 )...  d e s v .e s ta n d a r .d e .la s .m e d ia s
'
(X

i X
X i 1

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

Carta X media - Rango

Stat > Control Charts > Variables Charts for Subgroups > Xbar
Página 81
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Xbar-R Chart of AtoBDist


5.0 U C L=4.70
No se observa que el
2.5
proceso tenga corrimiento
Sample Mean

_
0.0
_
X=0.44 o esté fuera de control
-2.5
LC L=-3.82
-5.0
2 4 6 8 10 12 14 16 18 20 22 24
Sample

16 U C L=15.61

12
Sample Range

8 _
R=7.38

0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample

Carta de Sumas acumuladas con Límites Superior e inferior

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

CUSUM Chart of AtoBDist

10.0
Los puntos 4-10 estan
fuera de límite superior
7.5 de control, el proceso
5.0
UCL=5.68 está fuera de control
Cumulative Sum

2.5 Se tienen corridas por


0.0 0
arriba del límite superior
de control, no visibles en
-2.5 la carta X-R anterior
-5.0
LCL=-5.68

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

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 S’m como función de m.

Si el proceso se corre gradualmente hacia arriba o hacia abajo, será indicado en la carta.
Su sensibilidad está determinada por los parámetros 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 último punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar acción

Página 82
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

25
Vmask Chart of AtoBDist
25 20

Cumulative Sum
20 15
Cumulative Sum

10
15

5
10

0 Target=0

5 2 4 6 8 10 12 14 16 18 20 22 24
Sample

0 Target=0

2 4 6 8 10 12 14 16 18 20 22 24
Sample
Indica situación fuera
de control en el punto
de medición actual

Vmask Chart of AtoBDist


40

30
Cumulative Sum

20

10

0 Target=0

-10

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

Carta EWMA de promedios móviles 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 más sensible que la carta X al movimiento de separación 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

Página 83
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Puntos fuera de control

EWMA Chart of AtoBDist


2.0
UCL=1.861

1.5

1.0

_
EWMA

_
0.5 X=0.442

0.0

-0.5

-1.0 LCL=-0.978

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

Test Results for EWMA Chart of AtoBDist


TEST. One point beyond control limits.
Test Failed at points: 5, 6

Carta de promedios móviles

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

3 UCL=2.900

2
Moving Average

1 _
_
X=0.442
0

-1

-2 LCL=-2.017

-3

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

TEST. One point beyond control limits.


Test Failed at points: 5, 6 Fuera de control el punto 6

Página 84
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

6.8 Muestreo por atributos

Para la teoría ver el documento Muestreo de Aceptación.Doc anexo

Cálculo de la probabilidad de aceptación -Curva característica de operación (OC)

La probabilidad deaceptar lotes con una cierta fracción defectiva p


en base a un tamaño de muestra n utilizando la distribución Binomial es:

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


n -muestra, p -fracción defectiva

Minitab Calc > Probability distributions > Binomial


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

p Pa = b
Curva OC con
0,005 0,98969 Pa
n = 89, c = 2
0,010 0,93969
0,020 0,73658
0,030 0,49848
0,040 0,30416
0,050 0,17208
0,060 0,09187
0,070 0,04682
0,080 0,02296
0,090 0,01089
0,100 0,00501
0,110 0,00225
0,120 0,00098 Fracción 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 envíe el proveedor con esta fracción defectiva

Cálculo del nivel de calidad promedio de salida (AOQ) en inspección rectificadora

La inspección 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 fracción def. total.

La fracción defectiva que se ingresa al almancén AOQ una vez que


se aplica el plan de muestreo n = 89, c = 2 es:

Página 85
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

p Pa AOQ = Pa . P
0,005 0,98969 0,00495
0,01 0,93969 0,00940
0,02 0,73658 0,01473
0,03 0,49848 0,01495
0,04 0,30416 0,01217
0,05 0,17208 0,00860
0,06 0,09187 0,00551
0,07 0,04682 0,00328
0,08 0,02296 0,00184

AOQ

AOQL = 1.55%

0.03 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 está plasmado en tablas de muestreo de aceptación por


atributos indicadas en el artículo de Muestreo de Aceptación.Doc

6.8 Aplicaciones

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

Página 86
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MÓDULO 7. DISEÑO DE EXPERIMENTOS


7.1 Cartas Multivari

Las cartas Multivari permiten observar en una sola carta el


comportamiento de varias fuentes de variación. Para la teoría se
anexa un archivo Cartas Multivari.doc.

Carta Multivari con tres fuentes de variación

Ejemplo: Una empresa produce ejes para rotores eléctricos con


diámetros de 0.250  0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.

La variabilidad considerada al tomar los datos se estima que proviene


de las siguientes fuentes:

** Diferencia de diámetros en los extremos del eje izquierdo y derecho.

** Diferencia de diámetro máximo y mínimo en una misma posición


que implica falta de redondez

** Variación de una pieza a otra producidas en forma consecutiva

** Variación a lo largo del tiempo (largo plazo)

Las cartas Multivari nos permiten visualizar estas fuentes de variación:

Los datos del archivo ROTOR.MTW anexos indican lo siguiente:


Hora: Hora de toma de muestra
Eje : Número de eje
Posición: indica si se trata de diámetro mínimo o máximo medido
Diametro: Valor del diámetro

Stat > Quality tools > Multi Vari Chart


Response Diametro
Factor 1 Posición Factor 2 Eje Factor 3 Hora
OK
Multi-Vari Chart for Diametro by Posicion - Hora
1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro

2.500

2.495

2.490

1 2 3 1 2 3 1 2 3
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

Página 87
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Se pueden eliminar las líneas de conexión con Options y eliminando la marca


en Connect Means for Factor 1

Multi-Vari Chart for Diametro by Posicion - Hora


1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro

2.500

2.495

2.490

1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora

El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.

Carta Multivari con cuatro fuentes de variación

Se puede descomponer en dos columnas la columna "Posición", creando las columnas


"Redondez" donde se indica si el diámetro medido es máximo o mínimo, y la columna
"Inclinación" donde se indica si corresponde a la izquierda o a la derecha.

Para crear la columna "Inclinación" se tiene:

Calc > Make Patterned Data > Text Values


Store Patterned Data in Inclinación
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 Inclinación
OK

Página 88
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Multi-Vari Chart for Diametro by Eje - Inclinacion


Max Min Max Min
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500

2.495

Diametro 2.490

Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510

2.505

2.500

2.495

2.490

Max Min Max Min Max Min


Redondez
Panel variables: Inclinacion, Hora

7.2 Diseño de experimentos factoriales completos

Ver el archivo Diseño de experimentos.doc para la teoría.

Diseño de experimentos factoriales completos de dos niveles

Ejemplo: En un proceso de fabricación de Mofles se desea mejorar el proceso


de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseño de 2 factores y 3 niveles.

Factor Nivel bajo Nivel Alto


A. Caudal gas 8 12
B. Corriente A 230 240
C. Vel. Cadena 0,6 1

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


entre mayor sea mejor calidad

Paso 1. Generar diseño


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

Puede colocar la matriz del diseño en orden aleatorio o estándar con


Stat > DOE > Display Design: Estándar order for design

Para cambiar de unidades sin codificar a unidades codificadas:


Stat > DOE > Display Design: Coded o Uncoded Units

Paso 2. Introducir los datos en el diseño:

StdOrder Caudal Corriente Velocidad Y


1 8 230 0,6 10
2 12 230 0,6 26,5
3 8 240 0,6 15

Página 89
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

4 12 240 0,6 17,5


5 8 230 1 11,5
6 12 230 1 26
7 8 240 1 17,5
8 12 240 1 20

Paso 3. Analizar el diseño

Stat > DOE > Factorial > Analyze Factorial Design


Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK

Los resultados se muestran a continuación.

La ecuación del modelo se puede formar a partir de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units

Term Coef
Constant -893.750
Caudal 102.625
Corriente 3.75000
Velocidad 186.250
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000
Corriente*Velocidad -0.750000
Caudal*Corriente*Velocidad 0.125000

Las gráficas donde se indica cuales factores son significativos son:

Pareto Chart of the Effects


(response is Y, Alpha = .05)
5.646
F actor N ame
A C audal
A
B C orriente
C V elocidad Son significativos A y AB
AB

C
Term

BC

ABC
Normal Probability Plot of the Effects
AC
(response is Y, Alpha = .05)
99
0 1 2 3 4 5 6 7 8 9 Effect Ty pe
Effect Not Significant
95 Significant
Lenth's PSE = 1.5
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
Percent

60
50
40
30
20

10 AB
5

1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5

Página 90
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Stat > DOE > Factorial > Analize Facorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1

EFFE1
9
-1
1,5
-6,5
-0,5
1
0,5

Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación

Stat > DOE > Factorial Plots


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

Main Effects Plot (data means) for Y


Caudal Corriente
22
El único factor
20
significativo es A
18

16
Mean of Y

14

8 12 230 240
Velocidad
22

20

18

16

14

0.6 1.0

Interaction Plot (data means) for Y


28 C audal

26
8 La interacción significativa
12
es AB
24

22 Los mejores resultados


20 se obtienen con:
Mean

18
Corriente = 230
Caudal = 12
16

14

12

10
230 240
Corriente

Página 91
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Cube Plot (data means) for Y

El cubo proporciona los


17.5 20.0
valores de las respuestas
en las diferentes
15.0 17.5
combinaciones de los
240 factores

Corriente 11.5 26.0


1

Velocidad Es el mejor resultado


10.0 26.5
230 0.6
8 12
Caudal

La experimentación podría continuar en esta dirección

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

Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:

Factor Nivel Bajo Nivel Alto


A. Tipo de cola X Y
B. Temperatura 30 40
C. Cantidad 2 3
D. Temp.sec. 80 90
E. Presión 1 1,5

Al principio se realizó un diseño fraccional de dos niveles y cinco factores, en cada


condición se midió la fuerza de adhesión en 100 botellas y se tomó como respuesta el promedio.

Paso 1. Generar el diseño

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 diseño

StdOrder Temp Cola Cantidad Temp secado Presion Y


1 30 2 90 1,5 24
2 30 2 80 1 16
3 40 2 80 1,5 22,5
4 40 2 90 1 24,5
5 30 3 90 1 25
6 30 3 80 1,5 16
7 40 3 80 1 24,5
8 40 3 90 1,5 23,5

Página 92
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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 diseño

Stat > DOE > Factorial > Analyze Factorial Design


Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK

La ecuación del modelo se puede obtener de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units

Term Coef
Constant -36.0000
Cola -2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
Temp Cola*Presion -0.200000

Los factores significativos se observan de las gráficas siguientes

Pareto Chart of the Effects


(response is Y, Alpha = .05)
2.823
F actor N ame
A C ola
D Son significativos los
B Temp C ola
C C antidad
A D Temp secado factores A, B, D
E P resion

B
Term

BE

BC

0 1 2 3 4 5
Effect
Lenth's PSE = 0.75

Página 93
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)
99
Effect Ty pe
Not Significant
95 Significant
90 D F actor N ame
A C ola
80 B Temp C ola
B
70 C C antidad
Percent
60 D Temp secado
E P resion
50
40
30
20

10 A
5

1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75

Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK

Main Effects Plot (data means) for Y


Cola Temp Cola
24

23
La mejor respuesta es
22
con:
21
Cola = X
Mean of Y

20
Temp Cola = 40
X Y 30 40 Temp Sec = 90
Temp secado
24

23

22

21

20

80 90

Cube Plot (data means) for Y

24.0

23.5
40

Temp Cola 24.5


90

Temp secado
Después de este
16.0 experimento de filtración
30 80 se puede hacer otro más
X Y
Cola completo sólo con los
factores A, B, D
Página 94
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MODULO 8. TÓPICOS ESPECIALES


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

INTRODUCCIÓN
Definición de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo periódicos y consecutivos.

Aplicación: la aplicación de estos métodos tiene dos propósitos: comprender las


fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronósticos, monitoreo,
retroalimentación y control en avance.

Análisis de tendencias
Modelan componentes en una serie que normalmente son fáciles 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 últimos 60 meses.

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


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

Los resultados son los siguientes:

Fitted Trend Equation


Yt = 320.762 + 0.509373*t + 0.0107456*t**2

Accuracy Measures
MAPE 1.7076
MAD 5.9566
MSD 59.1305

Página 95
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el método de descomposición:

Método de Descomposición

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 así como el error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.

Las intrucciones de Minitab son las siguientes:

Después de correr el ejemplo de Análisis de Tendencias con el archivo EMPLOY.MTW


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

Los resultados se muestran a continuación:

Time Series Decomposition for RESI1

Additive Model Time Series Decomposition Plot for RESI1


Data RESI1 Additive Model
20
Length 60 Variable
A ctual
Fits
Trend
Seasonal Indices 10 Forecasts

Period Index A ccuracy Measures


MA PE 881.582
1 -8.4826 MA D 2.802
RESI1

0 MSD 11.899
2 -13.3368
3 -11.4410
4 -5.8160 -10
5 0.5590
6 3.5590
-20
7 1.7674 1 7 14 21 28 35 42 49 56 63 70
8 3.4757 Index

9 3.2674
10 5.3924 Component Analysis for RESI1
11 8.4965 Additive Model
12 12.5590 Original Data

10
Accuracy Measures
Data

0
MAPE 881.582
-10
MAD 2.802
-20
MSD 11.899 1 6 12 18 24 30 36 42 48 54 60
Index
Forecasts Seasonally Adjusted Data
Period Forecast
Seas. Adj. Data

10

0
61 -8.4826
-10
62 -13.3368
-20
63 -11.4410
1 6 12 18 24 30 36 42 48 54 60
64 -5.8160 Index
65 0.5590

Página 96
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

66 3.5590
67 1.7674 Seasonal Analysis for RESI1
Additive Model
68 3.4757
69 3.2674 Seasonal Indices Original Data, by Seasonal Period

70 5.3924 10
10
71 8.4965
0
72 12.5590 0

-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Percent Variation, by Seasonal Period Residuals, by Seasonal Period


10
12

5
8

0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Time Series Decomposition Plot for RESI1


Additive Model
20 Variable
A ctual
Fits
Trend
10 Forecasts

A ccuracy Measures
MA PE 881.582
MA D 2.802
RESI1

0 MSD 11.899

-10

-20
1 2 3 4 5 6 7 8 9 10 11 12
Index

Página 97
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

La descomposición genera tres tipos de gráficas:

Una gráfica de serie de tiempo mostrando los datos originales con la línea de tendencia ajustada,
valores estimados y pronósticos

Un análisis de componentes con gráficas separadas para la serie, datos sin tendencia, datos ajustados
con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos).

Un análisis estacional, mostrando los índices estacionales y la variación porcentual dentro de cada
estación respecto a la suma de la variación por estación y gráficas de caja de los residuos por
periodo estacional.

METODO DE WINTERS

Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad.

Instrucciones de Minitab

Open Worksheet EMPLOY.MTW.


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

Winters' Method for Food


Multiplicative Method Winters' Method Plot for Food
Multiplicative Method
Smoothing Constants
85 Variable
Actual
Alpha (level) 0.2 80 Fits
Gamma (trend) 0.2 Forecasts
95.0% PI
Delta (seasonal) 0.2 75
Smoothing Constants
Accuracy Measures Alpha (level) 0.2
70 Gamma (trend) 0.2
MAPE 1.88377
Food

Delta (seasonal) 0.2


MAD 1.12068 65 Accuracy Measures
MSD 2.86696 MAPE 1.88377
60 MAD 1.12068
MSD 2.86696

55

50

1 7 14 21 28 35 42 49 56 63 70
Index

Interpretación de los resultados

Página 98
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

8.2 Regresión múltiple - Matriz de correlaciones

Se utiliza el archivo COCHES.MTW anexo en los archivos de trabajo del Módulo 2.


Cargar los datos a Minitab

Stat > Matrix Plot: Simple


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

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


0 2500 5000 160 240 320
12

8
Num.Cil.
4

5000

Cil.(cc)
2500

0
400

Pot.(CV) 200

320 0

240
Velo.max

160

4 8 12 0 200 400

Parece que la relación entre Potencia y Velocidad máxima es cuadrática.

Cambiando la escala horizontal del número 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 (renglón 244)

Evaluando la fuerza de la relación entre los predictores por medio de un análisis de


correlación se tiene:

Stat > Basic statistics > Correlation


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

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


Num.Cil. Cil.(cc)
Cil.(cc) 0.852
0
Pot.(CV) 0.829 0.854
0.000 0.000
Cell Contents: Pearson correlation

Aquí se observa que hay MULTICOLINEALIDAD entre las variables predictoras.


por lo que el modelo puede ser inestable.

Página 99
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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

Se obtienen los siguientes resultados:


Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
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
Num.Cil. -5.7177 0.9893 -5.78 0.000 Significativo (P value < 0.05)
Cil.(cc) -0.002178 0.001610 -1.35 0.177 No significativo (Pvalue > 0.05)
Pot.(CV) 0.52092 0.01927 27.03 0.000 Significativo (P value < 0.05)

S = 9.76245 R-Sq = 89.1% R-Sq(adj) = 89.0% Coef. De determinación


Analysis of Variance
Source DF SS MS F P
Regression 3 187887 62629 657.14 0.000
Residual Error 240 22873 95
Total 243 210760
R residuos con
Source DF Seq SS más de 2 sigmas
Num.Cil. 1 98419
Cil.(cc) 1 19841 X residuos muy
Pot.(CV) 1 69627 alejados del
grupo normal
Unusual Observations
Obs Num.Cil. Velo.max Fit SE Fit Residual St Resid
10 6.0 222.000 195.351 1.123 26.649 2.75R
22 4.0 211.000 189.259 0.705 21.741 2.23R
24 8.0 235.000 218.470 2.254 16.530 1.74 X
25 6.0 250.000 291.719 2.707 -41.719 -4.45RX
26 8.0 235.000 218.470 2.254 16.530 1.74 X
28 12.0 250.000 274.371 3.822 -24.371 -2.71RX
46 8.0 295.000 301.772 3.109 -6.772 -0.73 X
47 12.0 302.000 306.890 3.838 -4.890 -0.54 X
48 2.0 127.000 160.358 1.396 -33.358 -3.45R
76 4.0 232.000 248.215 2.335 -16.215 -1.71 X
102 8.0 270.000 274.250 2.646 -4.250 -0.45 X
106 6.0 216.000 194.581 1.514 21.419 2.22R
117 8.0 250.000 267.300 2.249 -17.300 -1.82 X
118 12.0 250.000 280.769 3.738 -30.769 -3.41RX
129 4.0 150.000 181.879 0.697 -31.879 -3.27R
130 4.0 170.000 195.591 0.820 -25.591 -2.63R
144 6.0 233.000 205.988 1.059 27.012 2.78R
164 4.0 252.000 252.816 2.499 -0.816 -0.09 X
165 6.0 280.000 302.562 3.060 -22.562 -2.43RX
179 8.0 210.000 213.943 5.300 -3.943 -0.48 X
180 8.0 200.000 213.943 5.300 -13.943 -1.70 X

R denotes an observation with a large standardized residual.


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

Página 100
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Predicted Values for New Observations


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

Obs Num.Cil. Cil.(cc) Pot.(CV)


1 4.00 1124 100

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

Residual Plots for Velo.max


Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99.9
99 20
90

Residual
Percent

0
50

10 -20

1
-40
0.1
-40 -20 0 20 40 150 200 250 300
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data


80
20
60
Frequency

Residual

0
40
-20
20
-40
0
-40 -30 -20 -10 0 10 20 1 20 40 60 80 100 120 140 160 180 200 220 240
Residual Observation Order

El comportamiento de los residuos vs Potencia sugiere que es necesaria


una transformación de variables por ejemplo sacarle raíz cuadrada.

Residuals Versus Pot.(CV)


(response is Velo.max)
30

20

10

0
Residual

-10

-20

-30

-40

-50
0 100 200 300 400 500
Pot.(CV)

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

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

The regression equation is


Velo.max = 73.5 - 1.42 Num.Cil. - 0.00699 Cil.(cc) + 12.8 Pot2

Predictor Coef SE Coef T P


Constant 73.502 2.258 32.56 0.000
Num.Cil. -1.4201 0.6770 -2.10 0.037
Cil.(cc) -0.006988 0.001202 -5.82 0.000 Significativo (P value < 0.05)
Pot2 12.8232 0.3177 40.36 0.000

Página 101
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

S = 7.03547 R-Sq = 94.4% R-Sq(adj) = 94.3% Mejora el ajuste

Predicted Values for New Observations

Obs Fit SE Fit 95% CI 95% PI


1 1342.286 29.024 (1285.111, 1399.461) (1283.455, 1401.117)XX
XX denotes a point that is an extreme outlier in the predictors.

Values of Predictors for New Observations


Obs Num.Cil. Cil.(cc) Pot2
1 4.00 1124 100

Residual Plots for Velo.max


Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99.9
20
99

90
0

Residual
Percent

50

10 -20

1
0.1 -40
-40 -20 0 20 150 200 250 300
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data


20
40
Frequency

0
Residual

30

20
-20
10

0 -40
-30.0 -22.5 -15.0 -7.5 0.0 7.5 15.0 1 20 40 60 80 100 120 140 160 180 200 220 240
Residual Observation Order

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

Residuals Versus Pot2


(response is Velo.max)

20

10

0
Residual

-10

-20

-30

-40
5.0 7.5 10.0 12.5 15.0 17.5 20.0 22.5
Pot2

Selección de la mejor ecuación: Best Subsets

Permite obtener un "buen modelo" en función de su sencillez o facilidad de


interpretación.

Stat > Regression > Stepwise

Variables candidatas a entrar en


el modelo

Variables forzadas a entrar en los


modelos
Página 102
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Mínimo numero de variables en el modelo 1

Máximo número de variables en el modelo


todas

Número 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 X Buenos modelos
1 86.6 86.5 385.3 10.813 X
2 94.3 94.2 29.3 7.0849 X X Incluye sólo Cil.(cc) y Pot2
2 93.6 93.6 58.0 7.4544 X X
3 94.8 94.8 3.9 6.7261 X X X
3 94.4 94.3 26.5 7.0355 X X X Incluye Num.Cil, Cil.(Cc), Pot2
4 94.9 94.8 5.0 6.7269 X X X X

Selección de la mejor ecuación: Stepwise

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

Variable de respuesta

Variables candidatas a entrar en


lós modelos

Página 103
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Criterio para la entrada y salida


de variables

El método 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 además de
la seleccionada y el número de
pasos entre pausas.

Los resultados obtenidos son los siguientes:

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


Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is Velo.max on 4 predictors, with N = 244


N(cases with missing observations) = 3 N(all cases) = 247

Step 1 2 3 Variables que entran en cada


Constant 78.97 71.48 43.58 paso y su calidad de ajuste
Pot2 10.41 12.69 17.41
T-Value 54.66 40.50 18.33
P-Value 0.000 0.000 0.000

Cil.(cc) -0.00845 -0.00722


T-Value -8.58 -7.48
P-Value 0.000 0.000

Pot.(CV) -0.206
T-Value -5.23
P-Value 0.000

S 8.08 7.08 6.73


R-Sq 92.51 94.26 94.85
R-Sq(adj) 92.48 94.21 94.78 Modelo adecuado
Mallows C-p 109.0 29.3 3.9

8.3 Análisis Multivariado


Se usa el archivo IBEROAMERICA.MTW de indicadores sociales de los 22 países
iberoamericanos de 1998.

Página 104
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Componentes principales:

Calcula nuevas variables ("Componentes") en función de las variables disponibles


que sintetizan la información que estas contienen. Estas pocas variables vitales son las
que mejor explican el comportamiento de los datos.

Stat > multivariate > Principal components

Todas

Número de componentes principales


(5)

En Scores se almacenan las


coordenadas de cada observación
(país) en los ejes de los componentes
principales

Componentes: Primero C13, segundo C14, tercero C15

Los valores propios o eigenvalores representan la proporción de la variabilidad total


explicada por ese componente.

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

Eigenanalysis of the Correlation Matrix

Eigenvalue 5.5117 2.0441 1.4691 0.8631 0.5554 0.2638 0.1386 0.0660


Proportion 0.501 0.186 0.134 0.078 0.050 0.024 0.013 0.006
Cumulative 0.501 0.687 0.820 0.899 0.949 0.973 0.986 0.992

Eigenvalue 0.0475 0.0350 0.0056


Proportion 0.004 0.003 0.001
Cumulative 0.996 0.999 1.000

Valores propios asociados a cada componente principal

Valores propios = 5.5117 + 2.0441 + 1.4691 + ........... + 0.0056 = 11


Proporción = 50.1% + 18.6% + ...... + 0.001 = 100%

Abajo se presenta la aportación de cada variable a cada compenente principal:

Variable PC1 PC2 PC3 PC4 PC5


Población (miles) 0.016 0.667 0.150 0.023 0.191
Superficie (km2) -0.024 0.679 0.076 0.004 0.122
Página 105
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

% menores 15 años -0.398 -0.076 0.008 0.073 0.013


Esperanza vida al nacer 0.358 -0.157 0.140 -0.125 0.564
Tasa de mortalidad infan -0.370 0.162 -0.111 0.096 -0.487
Teléfonos por 1.000 hab 0.387 -0.033 0.010 0.266 -0.320
Usuarios Internet por 1000 hab 0.310 0.030 0.053 0.625 0.045
PIB $/hab 0.380 0.085 0.018 0.235 -0.352
% PIB Agricultura -0.334 -0.093 -0.062 0.561 0.330
% PIB Industria 0.272 0.122 -0.555 -0.314 -0.067
% PIB Servicios 0.019 -0.066 0.791 -0.197 -0.228

El primer componente esta El tercero está centrado en la


formado por aportaciones distribución del PIB y servicios
de las variables ligadas al
desarrollo

El segundo componente está


relacionado con el tamaño del
país

Gráfica de Pareto de los valores propios que permite visualizar la importancia de cada
uno de los componentes

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


6

5
La primera componente representa el 50%
4
y la segunda el 18.6% de la variación total
Eigenvalue

1 2 3 4 5 6 7 8 9 10 11
Component Number

La siguiente gráfica representa cada una de las observaciones (países) en las


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

TAMAÑO

DESARROLLO
Página 106
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Agregando etiquetas a cada punto, seleccionar la gráfica y:


Add > Data Labels: Use Labels from Column: Pais

Score Plot of Población (miles), ..., % PIB Servicios


6 Brasil

4
Second Component

2 México

A rgentina
1
Perú
Boliv ia España
Venezuela
C olombia Portugal
0 Ecuador
C hile
Guatemala Rep. Dominicana C uba Puerto Rico
El Salv
Nicaragua Paraguay
Honduras ador
Uruguay
PanamáC osta Rica
-1

-2
-4 -3 -2 -1 0 1 2 3 4 5
First Component

No siempre se le puede dar un nombre a los componentes


La siguiente gráfica muestra las variables en las coordenadas que corresponden
a sus valores en las dos componentes principales.

Loading Plot of Población (miles), ..., % PIB Servicios


0.7 Superficie (k m2)
Población (miles)
0.6

0.5
Second Component

0.4

0.3

0.2
Tasa de mortalidad infan
% PIB Industria
PIB $/hab
0.1

0.0 Usuarios Internet por 1000 hab


% menores 15 años % PIB Serv icios
Teléfonos por 1.000 hab
-0.1
% PIB A gricultura
Esperanza v ida al nacer
-0.2
-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Desarrollo

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


la distribución del PIB en la industria y servicios, se puede obtener la gráfica de la
tercera vesus la primera componente como sigue:

Scatterplot of C15 vs C13


3
Panamá

México
2
C olombia
Tercer Componente

Uruguay
C osta Rica A rgentina
1 C hile
El Salv ador España
Guatemala
Paraguay
0 Brasil
Rep. Dominicana
Perú
Boliv ia
Ecuador Puerto Rico
-1 Nicaragua Honduras
Venezuela
C uba

Portugal
-2
-4 -3 -2 -1 0 1 2 3 4 5
Primer Componente

Página 107
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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


grafican en una grafica de dispersión, se pueden btener gráficas de un tercer componente
vesrus el primero, haciendo una columna con los títulos de las variables para usarse como
títulos en los puntos de una gráfica de dispersión, como sigue:

Columna de Pais
variables Población (miles)
Superficie (km2)
% menores 15 años
Esperanza vida al nacer
Tasa de mortalidad infan
Teléfonos 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
Pais % menores 15 años
C18

Superficie (k m2) Usuarios Internet por 1000 hab


0.00 PIB $/hab Población (miles) Teléfonos por 1.000 hab
Tasa de mortalidad infan
Esperanza v ida al nacer
-0.25

-0.50 % PIB A gricultura

-0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4


C16

Para agregar líneas a la gráfica, insertar celdas de ceros en las columnas corresponientes a los
coeficientes del tercer y primer componentes (entre cada una de sus celdas):
Seleccionar la gráfica y agregar líneas con: Add > Calculated Line; Y tercer comp; X primer comp

Comp 1 Comp 3
0,0156420 0,1498280
Scatterplot of Comp 3 vs Comp 1
0,0000000 0,0000000 % PIB Industria
-0,0238230 0,0764970 0.75
0,0000000 0,0000000
-0,3978570 0,0080330 0.50
Servicios Industrai

0,0000000 0,0000000
0,3576520 0,1395810 0.25
Pais % menores 15 años
Población (miles)
0,0000000 0,0000000 Superficie (k m2)
Teléfonos por 1.000 hab

-0,3701140 -0,1109600 0.00 PIB $/hab Usuarios Internet por 1000 hab
Tasa de mortalidad infan
0,0000000 0,0000000 Esperanza v ida al nacer

-0.25
0,3873530 0,0098170
0,0000000 0,0000000
-0.50 % PIB A gricultura
0,3095390 0,0527510
0,0000000 0,0000000 -0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
0,3799270 0,0179240 Desarrollo

0,0000000 0,0000000
-0,3335910 -0,0616860
0,0000000 0,0000000

Página 108
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

0,2722960 -0,5545960
0,0000000 0,0000000
0,0191980 0,7907320
0,0000000 0,0000000

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

Stat > Multivariate > Cluster observations


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

Dendrogram with Single Linkage and Euclidean Distance

81.25

87.50
Similarity

Los Clusters se identifican fácilmente


93.75 ya que para cada uno las líneas son
de diferente color

100.00
1 2 14 9 5 8 18 11 6 15 7 12 3 16 4 13 17 20 10 19 22 21
Observations
Fila del País
1er

Con esto se puede hacer una gráfica de dispersión para analizar los clusters, por ejemplo para
Esperanza de vida y PIB por habitante se tiene:

Seleccionando la gráfica y editando los símbolos por grupos correspondientes a los clusters.

Scatterplot of Esperanza vida al nacer vs PIB $/hab


80 C luster
España 1
C osta Rica 2
C uba 3
C hile Portugal Puerto Rico
75
Esperanza vida al nacer

Panamá
Venezuela Uruguay A rgentina
México
Rep. Dominicana
C olombia
Ecuador
70 Paraguay
El Salv ador
Nicaragua Perú
Brasil

Honduras

65 Guatemala

Boliv ia

60
0 2000 4000 6000 8000 10000 12000 14000 16000
PIB $/hab

Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
Página 109
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

1 21 99.6131 54.06 2 14 2 2 Cluster


Primer
2 20 99.4939 70.73 7 12 7 2
Segundo Cluster
3 19 99.2755 101.25 2 9 2 3 con 3
Tercer
4 18 99.2675 102.37 2 5 2 4
observaciones 2, 14, 9
5 17 98.9909 141.02 8 18 8 2
etc..
6 16 98.9137 151.81 2 8 2 6
7 15 98.7540 174.12 3 16 3 2
8 14 98.7458 175.28 2 11 2 7
9 13 98.1957 252.15 6 15 6 2
10 12 97.9917 280.66 3 4 3 3
11 11 97.9498 286.51 2 6 2 9
12 10 97.2457 384.91 2 7 2 11
13 9 96.6741 464.79 13 17 13 2
14 8 95.7750 590.44 1 2 1 12
15 7 95.4151 640.73 1 3 1 15
16 6 94.7709 730.75 1 13 1 17
17 5 93.5426 902.41 1 20 1 18
18 4 87.1791 1791.70 19 22 19 2
19 3 85.3070 2053.32 10 19 10 3
20 2 84.7016 2137.93 10 21 10 4
21 1 81.2502 2620.26 1 10 1 Se22forma un solo Cluster
al final
Final Partition
Number of clusters: 3
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 18 36798918 1151.26 3319.75
Cluster2 3 7382783 1319.42 1962.60
Cluster3 1 0 0.00 0.00

Cluster Centroids
Grand
Variable Cluster1 Cluster2 Cluster3 centroid
% menores 15 años 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
Teléfonos por 1.000 hab 78.78 284.3 385.0 120.73
Usuarios Internet por 1000 hab 2.78 8.0 31.0 4.77
PIB $/hab 2442.39 10251.0 14350.0 4048.45
% PIB Agricultura 14.09 2.9 5.9 12.19
% PIB Industria 29.71 43.6 37.8 31.96
% PIB Servicios 56.57 53.6 56.3 56.15

Distances Between Cluster Centroids

Cluster1 Cluster2 Cluster3


Cluster1 0.0 7811.37 11911.6
Cluster2 7811.4 0.00 4100.3
Cluster3 11911.6 4100.32 0.0

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


Otro ejemplo con el archivo COCHES.MTW

Stat > Multivariate > Cluster Variable


Linkage Method: Single Distance Measure: Correlation Number of Clusters 7
Seleccionar Show Dendogram
Página 110
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

En Storage poner C13 - Para tener identificado a que cluster corresponde cada observación
OK

Dendrogram with Single Linkage and Correlation Coefficient Distance

59.47

72.98
Similarity

86.49

100.00
P )
cc
) il. o
ng
.
ch
.
so e. ax tu
. e.
PV CV l .( .C m
Pe et Al el
t.( su Lo An al o.
m
Ac
Po Ci Nu
m
on M e l
C V
Variables

Cluster 1 formado por 6 variables afines Los otros 6 clusters se forman de una variable cada uno
indicados con un color diferente

Análisis discriminante

Este análisis se aplica cuando ya se sabe a que grupo pertenece cada observación y lo que se desea
saber es cómo la variables disponibles afectan a la clasificación para poder asignar una nueva
observación de la que se conocen los valores de las variables pero no el grupo al que pertenece.

Ejemplo: Con los datos del archivo COCHES.MTW se usan los primeros 150 coches y considerando
solo los de 4, 6 y 8 cilindros:

Data > Code > Numeric to Numeric


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

Data > Subset worksheet


Name: Coches 1:150
Seleccionar Especify which rows to include: Row Numbers 1:150
OK

Utilizando esta nueva hoja ahora se realiza el análisis discriminate con:

Stat > Multivariate > Discriminant Analysis


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

Página 111
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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 discriminación de los primeros 150 coches a los 97 restantes:ç

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
discriminación a la hoja COCHES 151:247.

Por medio de Matrices se tiene:

1. Insertar una columna de unos entre Modelo y PVP

2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminación
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 discriminación
MTB > copy c18 m4 para 4, 6 y 8 cilindros

3. Obtener las funciones de discriminación para cada observación

MTB > multi m1 m2 m5


MTB > multi m1 m3 m6 Valores de la función de discrimianción para 4, 6 y 8 cilindros
MTB > multi m1 m4 m7

4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21
Editor Enable comands
MTB > copy m5 c19 MTB > copy c3 c4 c6-c15 m1
MTB > copy m6 c20 MTB > copy c16 m2
MTB > copy m7 c21 MTB > copy c17 m3
MTB > copy c18 m4
5. Identificar cual es la función que da el valor máximo para MTB > multi m1 m2 m5
cada coche MTB > multi m1 m3 m6
MTB > rmax c19-c21 c22 (Calc > Row Statistics) MTB > multi m1 m4 m7
MTB > copy m5 c19
MTB > let c23=c19=c22 MTB > copy m6 c20
MTB > let c24=c20=c22 MTB > copy m7 c21
MTB > let c25=c21=c22 MTB > rmax c19-c21 c22
MTB > let c23=c19=c22
6. Colocar en c26 el número de cilindros asignado MTB > let c24=c20=c22
MTB > let c25=c21=c22
MTB > let c26=4*c23+6*c24+8*c25 MTB > let c26=4*c23+6*c24+8*c25
MTB > code (18) '*' c26 c26
Para poner * en los valores missing de las funciones MTB > .
discriminantes en C26

Página 112
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

MTB > Code (18) '*' c26 c26

7. Para comparar mediante una tabla cruzada

Stat > Tables > Descrpitive statistics


Categorical variables:
For rows 'Num.Cil.' For columns 'c26'
OK

Tabulated statistics: Num.Cil., C26


Rows: Num.Cil. Columns: C26
4 6 8 Missing All
4 80 3 0 4 83
6 0 5 1 1 6
8 0 0 0 2 0
Missing 0 1 0 0 *
All 80 8 1 * 89
Cell Contents: Count

De los 89 coches se han acertado a clasificar como de 4 cilindros 80. De los 6 de 6 cilindros
se han clasificado bien 5 y el de 8 cilindros no se clasificaron 2. La mejor discriminación
fue con los de 4 por tener mas coches en la muestra.

8.4 Confiabilidad
La confiabilidad permite determinar la probabilidad de funcionamiento de un sistema
bajo condiciones establecidas

Ejemplo: Una empresa fabrica bombas de inyección 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 todavía funcionaban cuando se paró elç
experimento.

Análisis no paramétrico

Modelo para estimar la confiabilidad y sus funciones para datos completos o censurados
por la derecha y sin suponer ningún modelo teórico.

Stat > Relibility/survival > Distribution Analysis (Right Censoring) > Nonparamtric Distribution Analysis
Variables: Duración
Censor: Si los datos son completos no tocar, si no especificar cuantos hay censurados por la derecha
Graphs: Surival Plot Hazard Plot

Nonparametric Survival Plot for Duracion


Kaplan-Meier Method
Complete Data
100
Table of S tatistics
M ean 71060.1
M edian 51710
IQ R 84266
80

60
Percent

40

20

0
0 50000 100000 150000 200000 250000 300000
Duracion

Página 113
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Nonparametric Hazard Plot for Duracion


Empirical Hazard Function
Complete Data
1.0
Table of S tatistics
M ean 71060.1
M edian 51710
IQ R 84266
0.8

0.6
Rate

0.4

0.2

0.0
0 50000 100000 150000 200000 250000 300000
Duracion

Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value 40
Nonparametric Estimates
Characteristics of Variable
Standard 95.0% Normal CI
Mean(MTTF) Error Lower Upper
71060.1 10634.4 50216.9 91903.2
Median = 51710
IQR = 84266 Q1 = 12504 Q3 = 96770
Kaplan-Meier Estimates

Momento falla Bombas que Unidades Confiabilidad


Number
siguen función que fallan empírica
at Number Survival Standard 95.0% Normal CI
Time Risk Failed Probability Error Lower Upper
3607 40 1 0.975 0.0246855 0.926617 1.00000
4100 39 1 0.950 0.0344601 0.882459 1.00000
5734 38 1 0.925 0.0416458 0.843376 1.00000
5768 37 1 0.900 0.0474342 0.807031 0.99297
7025 36 1 0.875 0.0522913 0.772511 0.97749
8089 35 1 0.850 0.0564579 0.739344 0.96066
9411 34 1 0.825 0.0600781 0.707249 0.94275
10640 33 1 0.800 0.0632456 0.676041 0.92396
10681 32 1 0.775 0.0660256 0.645592 0.90441
12504 31 1 0.750 0.0684653 0.615810 0.88419
13030 30 1 0.725 0.0706001 0.586626 0.86337
17656 29 1 0.700 0.0724569 0.557987 0.84201
22339 28 1 0.675 0.0740566 0.529852 0.82015
28698 27 1 0.650 0.0754155 0.502188 0.79781
31749 26 1 0.625 0.0765466 0.474972 0.77503
34585 25 1 0.600 0.0774597 0.448182 0.75182
36863 24 1 0.575 0.0781625 0.421804 0.72820
43403 23 1 0.550 0.0786607 0.395828 0.70417
49389 22 1 0.525 0.0789581 0.370245 0.67975
51710 21 1 0.500 0.0790569 0.345051 0.65495
56084 20 1 0.475 0.0789581 0.320245 0.62975
63311 19 1 0.450 0.0786607 0.295828 0.60417
68135 18 1 0.425 0.0781625 0.271804 0.57820
71329 17 1 0.400 0.0774597 0.248182 0.55182

Página 114
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

77223 16 1 0.375 0.0765466 0.224972 0.52503


77629 15 1 0.350 0.0754155 0.202188 0.49781
87564 14 1 0.325 0.0740566 0.179852 0.47015
94596 13 1 0.300 0.0724569 0.157987 0.44201
96104 12 1 0.275 0.0706001 0.136626 0.41337
96770 11 1 0.250 0.0684653 0.115810 0.38419
101214 10 1 0.225 0.0660256 0.095592 0.35441
102993 9 1 0.200 0.0632456 0.076041 0.32396
123815 8 1 0.175 0.0600781 0.057249 0.29275
140341 7 1 0.150 0.0564579 0.039344 0.26066
142312 6 1 0.125 0.0522913 0.022511 0.22749
148521 5 1 0.100 0.0474342 0.007031 0.19297
168021 4 1 0.075 0.0416458 0.000000 0.15662
204471 3 1 0.050 0.0344601 0.000000 0.11754
242796 2 1 0.025 0.0246855 0.000000 0.07338
272193 1 1 0.000 0.0000000 0.000000 0.00000

¿Cuál es la fiabiliad después de 40,000 horas de funcionamiento?


0,575

Identificación del mejor modelo para los datos

Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot
Variables: Duración
Seleccionar Use all distributions
OK
Goodness-of-Fit
Anderson-Darling Correlation
Distribution (adj) Coefficient
Weibull 0.776 0.977
Lognormal 1.072 0.977
Exponential 0.654 *
Loglogistic 1.337 0.968
3-Parameter Weibull 0.653 0.992
3-Parameter Lognormal 0.849 0.982
2-Parameter Exponential 0.670 *
3-Parameter Loglogistic 1.117 0.971
Smallest Extreme Value 7.328 0.839

Menor es Mayor es mejor


mejor

Probability Plot for Duracion


LSXY Estimates-Complete Data
C orrelation C oefficient
Weibull Lognormal
Weibull
99
0.977
90
Lognormal
90
0.977
50
E xponential
P er cent

P er cent

50 *
10 Loglogistic
0.968
10

1 1
1000 10000 100000 1000000 1000 10000 100000 1000000
Dur acion Dur acion

E xponential Loglogistic
99
90
90
50
P er cent

P er cent

50
10
10

1 1
1000 10000 100000 1000000 1000 10000 100000 1000000
Dur acion Dur acion

Página 115
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

La gráfica que muestra los puntos más alineados es la que mejor se adapta
a los datos

Análisis paramétrico

Se usa la distribución identificada anteriormente:

Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis
Variables: Duración
Assumed Distribution: Exponential
Graphs: Probability Plot All Points Display confidence intervals
OK

Probability Plot for Duracion


Exponential - 95% CI
Complete Data - LSXY Estimates
99
Table of S tatistics
M ean 72651.5
90 S tD ev 72651.5
80 M edian 50358.2
70 IQ R 79815.9
60 F ailure 40
50 C ensor 0
40 A D* 0.654
30
Percent

20

10

3
2

1
1000 10000 100000 1000000
Duracion

Table of Percentiles

Standard 95.0% Normal CI


Percent Percentile Error Lower Upper
1 730.172 116.736 533.752 998.875
2 1467.76 234.657 1072.92 2007.89
3 2212.91 353.788 1617.63 3027.26
4 2965.78 474.153 2167.97 4057.18
5 3726.54 595.779 2724.08 5097.90
6 4495.34 718.692 3286.07 6149.62
7 5272.37 842.919 3854.08 7212.60
8 6057.80 968.489 4428.22 8287.06
9 6851.82 1095.43 5008.64 9373.27 A las 7654 horas, un 10% de las
10 7654.60 1223.78 5595.48 10471.5 bombas ya no funcionan por tanto
20 16211.7 2591.84 11850.7 22177.6 la confiabilidad es del 90%
30 25913.0 4142.83 18942.3 35448.9
40 37112.3 5933.31 27128.9 50769.5
50 50358.2 8051.00 36811.6 68890.0
60 66569.9 10642.8 48662.3 91067.6
70 87470.5 13984.3 63940.5 119659
80 116928 18693.8 85473.9 159958
90 167286 26744.9 122286 228847
91 174941 27968.6 127881 239319
92 183498 29336.7 134136 251025
93 193199 30887.7 141228 264296
94 204399 32678.2 149414 279617
95 217645 34795.9 159097 297737
96 233856 37387.7 170948 319915

Página 116
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

97 254757 40729.2 186226 348507


98 284215 45438.7 207759 388805
99 334573 53489.7 244571 457695

¿Cuál es la confiabiliad a las 40000 horas?

Podemos usar el botón ESTIMATE Estimate survival probability 40000


OK

Table of Survival Probabilities

95.0% Normal CI
Time Probability Lower Upper
40000 0.576619 0.470865 0.668669

La confiabilidad a las 40000 horas es del 0.5766

La confiabilidad noparamétrica fue de 0.755 muy parecida

Forma rápida
Una forma rápida de ver la confiabilidad y riesgo es a través de:

Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot
Variables: Duración
Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis
OK

Distribution Overview Plot for Duracion


LSXY Estimates-Complete Data
Table of S tatistics
P robability D ensity F unction E xponential
M ean 72651.5
0.000015
S tD ev 72651.5
90
M edian 50358.2
50 IQ R 79815.9
0.000010
F ailure 40
P er cent
P DF

C ensor 0
10 A D* 0.654
0.000005

0.000000
1
0 100000 200000 300000 1000 10000 100000 1000000
Dur acion Dur acion

S urv iv al F unction H azard F unction


100
0.0000175
P er cent

0.0000150
Rate

50
0.0000125

0.0000100
0
0 100000 200000 300000 0 100000 200000 300000
Dur acion Dur acion

Distribution Overview Plot for Duracion


Kaplan-Meier Estimates-Complete Data

Survival Function Hazard Function


100 1.0

80 0.8

60 0.6
Percent

Rate

40 0.4

20 0.2

0 0.0
0 100000 200000 300000 0 100000 200000 300000
Duracion Duracion

Página 117
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

8.5 Comandos especiales

Preguntas frecuentes

No sale el indicador MTB > de comandos

Temporal Editor > Enable commands


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

Algunas columnas en las que deberían haber datos están vacias


Puede ser que la hoja de datos se muestre a partir de una fila mayor a 1

Una columna debe ser numérica sin embargo se muestra como texto

Convertirla con: Data > Change Data Type > Text to Numeric
Change text column C1 Store numeric column C1

Copia de columnas con condiciones


Usando el achivo PULSE.MTW
Se calcula la diferencia entre Pulse1 y Pulse2
Calc > Calculator
Store result in variable C10 (Incremento)
Expression 'Pulse2' - 'Pulse1'
Seleccionar solo las personas que han corrido
Data > Copy > Columns to Columns
Copy from columns 'Incremento' 'Sexo'
Store Copied Data in columns C11 c12
Seleccionar Name the columns containing the copied data
Subset the data:
Seleccionar Rows that match
Condition: Ran = 1
Diagrama de caja estratificado por sexo
Graph > Boxplot > One Y:With groups
Graph variables Incremento_1
Categorical variables 'Sex_1'

Apilado y separación de columnas (se usa el archivo PAN.MTW)


Columna con todos los pesos de las columnas correspondientes a la máquina 1
Data > Stack > Columns
Stack the following columns 'Máquina 1, Pieza 1'....'Máquina 1, Pieza 4'
Sel. store stacked data in Column of current worksheet 'Máquina 1'

Codificación y ordenación de datos (se usa el archivo CLIENTES.MTW)


Se desea codificar a los clientes según el valor de sus compras para el primer trimestre
Categoría 3 Menos de 50,000; Cat. 2 entre 50,000 y 100,000; Cat. 1 Más de100,000
Calc > Row statistics
Sumas Sel. Statistic Sum input vars. 'ENERO' - 'MARZO' store result in Total
Codificación Data > Code > Numeric to numeric
Code data from columns Total
Into columns Categoría
Original values New
00:49,9 3
50:100 2
100.1:999 1
Numeros de cliente en columnas separadas por categoría
Data > Unstack columns
Página 118
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

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' 'Facturación'

otra opción
Manip > Rank
Rank data in total Store ranks in C13
NOTA. Si dos clientes coinciden les pone el número promedio de ellos

Personalización de Minitab
Opciones de configuración Tools > Options

Lenguaje de Session Window > Submiting Commands


comandos Seleccionar Enable Command Language

Configurar Graphics > Regions > Graph


gráficas Fill Pattern; Background color N

No pregunte Graphics > Graph Management


al cerrar Prompt to save a graph before closing Never
gráficas

Cambios en Click sobre una barra de herramientas


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

Personalizar Tools > Customize


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

Hacer una Tools > Customize > Toolbars: New


barra de Se puede ir llenado la barra de herramientas vacía con opciones
herramientas de menu
nueva

Comandos en la pantalla de sesión


Editor > Commands enable
Histograma de 100 números MTB > Random 100 c1
aleatorios MTB > Histo c1 Solo se requieren las primeras 4 letras
random 100 c1; Un ; indica continuación de instrucción
normal 0,0,1,0. Un . Indica fin de la instrucción
Histogram c1;
Bar.

Instrucciones ejecutables Edit > Command Line Editor


Escribir los comandos y al final pulsar Submit Commands para ejecutar

Archivos ejecutables Se pueden grabar las instrucciones en un archivo ASCII y ejecutarlas


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

Página 119
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Select file (buscarlo en archivos con *.txt) histo c1


#
Se pueden realizar varios histogramas como sigue: Random 100 c2;
normal 10,4.
histo c2

Gráficas personalizadas
Hacer todos los cambios necesarios a las gráficas y copiar
las instrucciones una vez seleccionada la gráfica:
Editor > Copy Command Language
Pegar las instrucciones en un archivo desde el que se puedan accesar

Macros, panorama general

Minitab contiene un lenguaje de programación 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
Ejecución: Random 100 c1;
Indicar el directorio donde está 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
Ejecución 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
Declaración 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: Núm. de iteraciones
# n: Tamaño de las muestras
# c_med: columna (vector) donde se van almacenando las medias
# c_conta: Columna donde aparece el contador
# i: número de iteración
# media: valor de la media de la muestra
# c_mues: nombre del vector que contiene la muestra generada
#
#
MCONSTANT itera n i media # Declaración de constantes
MCOLUMN c_mues c_med c_conta # Declaración de vectores
#

Página 120
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

brief 0 #Pantalla de sesión


#
LET i=1 # Inicializa el contador
WHILE i<= itera # Realiza la simulación
RANDOM n c_mues;
INTEGER 1 6.
MEAN c_mues media
LET c_med(i)=media
LET i=i+1
LET C_conta(1)=i
ENDWHILE
#
HISTO c_med
#
ENDMACRO

Ejecución de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2

itera n c_med c_conta

Página 121
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 122
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 123
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 124
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 125
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 126
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 127
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 128
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 129
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 130
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 131
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 132
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 133
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 134
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 135
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 136
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 137
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 138
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 139
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 140
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 141
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 142
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 143
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 144
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 145
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 146
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 147
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 148
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 149
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 150
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 151
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 152
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 153
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 154
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 155
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 156
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 157
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 158
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 159
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 160
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 161
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 162
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 163
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 164
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 165
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 166
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 167
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 168
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 169
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 170
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 171
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 172
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 173
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 174
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 175
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 176
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 177
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 178
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 179
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 180
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 181
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 182
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 183
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 184
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 185
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 186
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 187
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 188
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 189
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 190
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 191
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 192
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 193
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 194
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 195
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 196
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 197
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

Página 198
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS

TE("10/10/2002")

Página 199