Proyecto del primer parcial de bioestadística

Sandra Jacqueline Pérez Padilla

1 de octubre del 2018

En la empresa de textiles ARTEX S.A. de C.V se realizo un análisis de las

diferencias en los kilos de desperdicio(piezas con fallas) en los meses de Julio-
Diciembre del 2016, donde fue el inicio del análisis, en la siguiente prueba de Enero-
Junio del 2017 se cambiaron los hilos por un proveedor diferente, En el segundo
semestre del año Julio-Diciembre se cambió al proveedor antiguo y se optó por
darles un mantenimiento regular de las máquinas, al no observar mejoras visibles
en lo que va del presente año se formuló la hipótesis de que la gran mayoría de las
fallas era por error humano, así que se incentivó económicamente al departamento
que redujera más los niveles de desperdicio, fomentando así el trabajo en equipo y
esperando tener una mejora en los niveles de desperdicio. Los resultados obtenidos
a lo largo del tiempo se analizaron mediante un análisis de varianza (ANOVA) para
comprobar que efectivamente se obtuvo una mejora en los niveles de desperdicio
al incentivar a los empleados.
A continuación, se presenta una tabla de datos, que fueron los kilogramos de merma
y desperdicio recolectados semanalmente.
Incentivo Material Mantenimiento Inicio
44.58 70.22 66.33 84.6
53.09 57.58 96.1 81.86
47.3 44.32 86.69 56.55
54.55 43.72 51.5 63.77
82.01 78.48 61.46 58.1
82.94 65.62 38.36 97.35
50.24 79.32
Se realizó una Grafica de cajas, para ver la distribución de los datos

• Se formulo nuestra prueba de hipotesis:

H0 : μ1 = μ2 = μ3 = μ4 (Todos los meses tienen la misma cantidad de kilos de
desperdicio)
HA : No todas las medias son iguales (Al menos una de las estrategias para reducir
la merma funcionó.)
• Estadístico de prueba
MSA
V. R. =
MSW

Con ayuda del programa R se encontró el estadístico de prueba:

Grados de Suma de Suma de Valor F Valor p
libertad Cuadrados medias experimental
Tejido 3 2396 798.7 3.126 0.046

Residuales 22 5622 255.5

 • Distribución de la estadística de prueba.
Si Ho es verdadera y se cumplen las condiciones, entonces R.V. sigue una
distribución F con los grados de libertad: 3 y 22.

• Regla de decisión.
Suponga que α = .05. El valor crítico de F es 3.049 a partir del valor obtenido
mediante R. La regIa de decisión, entonces, es rechazar Ho si el valor calculado de
R.V: es mayor 0 igual a 3.049.

• Calculo de la estadística de prueba

A partir de R se obtuvo el valor del estadístico de prueba mediante el comando
anova.

• Decisión estadística.
Debido a que el valor calculado para R. V= 3.126, es mayor que el valor critico F,
3.049, se rechaza Ho

• Valor de p.
Puesto que 3.126 > 3.049 (el valor de F0.95 para 3 y 22 grados de libertad),
p=0.0464 < .005 para esta prueba, lo cual nos ayuda a confirmar que se rechaza la
hipótesis nula.

• Conclusión.
Puesto que se ha rechazado la hipótesis nula, donde todos los valores eran iguales,
se concluye que al menos alguna de las pruebas realizadas sea diferente,
esperando que sea la de incentivo y control(inicio) puesto que visualmente en la
gráfica de cajas se observó una mayor diferencia entre estas, para determinar si
realmente fue esa la diferencia entre las pruebas se realizara una prueba Tukey
para cerciorarnos de la veracidad de nuestra hipótesis inicial.

• Prueba Tukey
Se realizo una prueba Tukey en el programa r, para encontrar donde estaba la
mayor diferencia entre las medias de los valores obtenidos en las diferentes pruebas
para reducir el desperdicio, encontrando así:
Prueba Diferencia Iwr upr P
Inicio-Incentivo 26.60 1.90 51.30 *0.03
Material-Incentivo 16.30 -8.39 41.01 0.28
Mantenimiento-Incentivo 10.65 -13.07 34.37 0.60
Material-Inicio -10.29 -35.92 15.33 0.68
Mantenimiento-inicio -15.95 -40.65 8.74 0.30
Mantenimiento-Material -5.65 -30.35 19.04 0.92
Una vez realizada la prueba Tukey, se observó quede las comparaciones, la única
que cumplía condición p< 0.05 era la primera de Inicio-Incentivo, lo cual nos indica
que efectivamente incentivar a los empleados para que ayuden a reducir los
errores y así disminuir la cantidad de desperdicio, es la mejor estrategia en la
empresa, se espera seguir así con las mediciones a lo largo del año para ver la
evolución de los niveles de merma.
Codigo en R:
> G.0 <- c(44.58, 53.09, 47.3, 54.55, 32.01, 82.94, 50.24)
> G.1 <- c(84.6, 81.86, 56.55, 83.77, 68.1, 97.35)
> G.2 <- c(66.33, 96.1, 86.69, 51.5, 61.46, 48.36)
> G.3 <- c(70.22,57.58,44.32,43.72,78.48,65.62,79.32)
> datos <- list("INCENTIVO"=G.0, "INICIO"=G.1, "MANTENIMIENTO"=G.2,"MATERIAL"=G.3)
> NEC <- c(G.0, G.1, G.2, G.3)
> tej <- rep(1:4, c(7,6,6,7))
> tej <- factor(tej, labels = c("G.0", "G.1", "G.2", "G.3"))
> Tabla.ANOVA <- aov(NEC ~ tej)
> anova(Tabla.ANOVA)
Analysis of Variance Table

Response: NEC
Df Sum Sq Mean Sq F value Pr(>F)
tej 3 2396.2 798.72 3.1255 0.04644 *
Residuals 22 5622.1 255.55
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(Tabla.ANOVA)
Df Sum Sq Mean Sq F value Pr(>F)
tej 3 2396 798.7 3.126 0.0464 *
Residuals 22 5622 255.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> qf(0.95, 3, 22)
[1] 3.049125
> TukeyHSD(Tabla.ANOVA, ordered = FALSE, conf.level = 0.95)
Tukey multiple comparisons of means
95% family-wise confidence level

Fit: aov(formula = NEC ~ tej)

$tej
diff lwr upr p adj
G.1-G.0 26.603571 1.907095 51.300048 0.0316528
G.2-G.0 16.305238 -8.391239 41.001715 0.2850878
G.3-G.0 10.650000 -13.077607 34.377607 0.6051334
G.2-G.1 -10.298333 -35.927078 15.330412 0.6838689
G.3-G.1 -15.953571 -40.650048 8.742905 0.3027723
G.3-G.2 -5.655238 -30.351715 19.041239 0.9192925

> datos
$INCENTIVO
[1] 44.58 53.09 47.30 54.55 32.01 82.94 50.24

$INICIO
[1] 84.60 81.86 56.55 83.77 68.10 97.35

$MANTENIMIENTO
[1] 66.33 96.10 86.69 51.50 61.46 48.36

$MATERIAL
[1] 70.22 57.58 44.32 43.72 78.48 65.62 79.32