Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CARTAGENA DE INDIAS D. T. y C.
2020
PROBLEMA #4
En primer lugar y antes de empezar a resolver el ejercicio se aplicará las pruebas para evaluar
la normalidad de los datos y así poder estar seguros de que se cumple con esta condición para los
índices de capacidad.
> lillie.test(tiempo)
Lilliefors (Kolmogorov-Smirnov) normality test
data: tiempo
D = 0.15246, p-value = 8.87e-05
> ks.test(tiempo, pnorm, mean(tiempo), sd(tiempo))
One-sample Kolmogorov-Smirnov test
data: tiempo
D = 0.15246, p-value = 0.0485
alternative hypothesis: two-sided
Para ese ejercicio los datos no siguen distribución normal, por lo tanto, su aplicación con los
índices de capacidad debe ser visto de manera reservada.
> logtiempo<-log(tiempo)
> lillie.test(logtiempo)
Lilliefors (Kolmogorov-Smirnov) normality test
data: logtiempo
D = 0.059607, p-value = 0.6885
Lo que hemos realizado con el comando logtiempo<-log(tiempo) es almacenar los datos que
están en el vector tiempo dentro de un nuevo vector llamado logtiempo pero con los datos en su
forma logarítmica. Comprobando posteriormente que la normalidad de estos si es verdadera debido
al que P – Value para este nuevo vector es mayor α=0.05.
Con los datos transformados podemos pasar a calcular los índices de capacidad con el método
del percentiles de Clements, el cual depende de los percentiles 𝑃0.50 , 𝑃0.00135 , 𝑃0.99865 y que
podemos obtener en R – Studio de la siguiente forma:
B. Estime los índices del inciso anterior transformando previamente los datos a normalidad
con el método de Box-Cox.
Solucion pasó a paso:
Se observa claramente la curvatura de los datos, lo cual confirma la normalidad de los mismos.
Procedemos a transformarlos en R – Studio, obteniendo los siguientes datos:
> library(fpp)
> lambda <- BoxCox.lambda(tiempo, method = c("loglik"), lower =-2, upper =2)
> lambda
[1] 0.35
> boxtiempo<-BoxCox(tiempo, lambda)
> as.matrix(boxtiempo)
> lillie.test(boxtiempo)
Lilliefors (Kolmogorov-Smirnov) normality test
data: boxtiempo
D = 0.090676, p-value = 0.1073
Imagen 16: Diagrama de dispersión datos transformados con Box-Cox Fuente: Autor
> BoxCox(50,lambda)
[1] 8.377815
attr(,"lambda")
[1] 0.35
> quantile(boxtiempo, c(0.99865, 0.00135, 0.5))
99.865% 0.135% 50%
7.7908036 0.9313021 4.6829023
Los índices calculados con ambas transformaciones, están ubicando la capacidad del proceso
en la misma categoría, solo con un pequeño aumento en su capacidad cuando la transformación
fue hecha por Box-Cox. Por esta razón, ambos índices son estimaciones certeras del proceso.