Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
• 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.
• 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
$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