Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
QFD
FASE DE ANLISIS
Diagrama
Causa Efecto
Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad
Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol
Medicin Y,
X1, X2, Xn
X's
Causas
potenciales
Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso
X's vitales
No
Causa
Raz?
Si
Causas raz
validadas
Qu es el FMEA?
El Anlisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
Tipos de FMEAs
Prototipo
Pre-produccin /Produccin
FMEAD
FMEAP
FMEAD
Falla
Controles
FMEAP
Caracterstica de Diseo
Forma en que el
producto o servicio falla
Paso de Proceso
Forma en que el proceso falla
al producir el requerimiento
que se pretende
Tcnicas de Diseo de
Verificacin/Validacin
Controles de Proceso
10
11
Diagrama de fronteras
Matriz de interfases
12
DFMEA
Es un anlisis detallado de los modos de falla
potenciales relacionados con las funciones
primarias y de interfases del sistema.
13
14
16
17
DVP
Lista de verificacin de Robustez
Caractersticas crticas/significativas
Especificaciones de diseo de Sistema /
Subsistema / Componente
Criterios de validacin
Liberacin de seguridad
Planes de control
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
Modos de fallas vs
Mecanismos de falla
Definiciones
Modo
Modo de
de Falla
Falla
--La
Laforma
formaen
enque
queun
unproducto
productoooproceso
procesopuede
puedefallar
fallarpara
para
cumplir
cumplircon
conlas
lasespecificaciones
especificacionesoorequerimientos.
requerimientos.
--Normalmente
Normalmentese
seasocia
asociacon
conun
un Defecto,
Defecto, falla
fallaooerror.
error.
Diseo
Proceso
Diseo
Proceso
Alcance
Omisiones
Alcanceinsuficiente
insuficiente
Omisiones
Recursos
Recursosinadecuados
inadecuados Monto
Montoequivocado
equivocado
Servicio
Serviciono
noadecuadoTiempo
adecuadoTiempode
derespuesta
respuestaexcesivo
excesivo
37
Definiciones
Efecto
Efecto
--El
Elimpacto
impactoen
enel
elCliente
Cliente cuando
cuandoel
elModo
Modode
deFalla
Fallano
nose
se
previene
previeneni
nicorrige.
corrige.
--El
Elcliente
clienteooel
elsiguiente
siguienteproceso
procesopuede
puedeser
serafectado.
afectado.
Ejemplos:
Ejemplos:
Diseo
Diseo
Serv.
Serv.incompleto
incompleto
Operacin
Operacinerrtica
errtica
Proceso
Proceso
Servicio
Serviciodeficiente
deficiente
Claridad
Claridadinsuficiente
insuficiente
Causa
Causa
--Una
Unadeficiencia
deficienciaque
quegenera
generael
elModo
Modode
deFalla.
Falla.
--Las
Lascausas
causasson
sonfuentes
fuentesde
de Variabilidad
Variabilidad asociada
asociadacon
con
variables
de
Entrada
Claves
variables de Entrada Claves
Ejemplos:
Ejemplos:
Diseo
Diseo
Material
Materialincorrecto
incorrecto
Demasiado
Demasiadoesfuerzo
esfuerzo
requerimientos
requerimientos
Proceso
Proceso
Error
Erroren
enservicio
servicio
No
No cumple
cumple
38
Preparacin
Preparacin del
del AMEF
AMEF
39
40
41
AMEF de Diseo
42
AMEF de Diseo
43
44
Equipo de trabajo
45
Qu se va incluir? Qu se va a excluir?
47
Entradas al DFMEA
Herramientas de robustez
48
Entradas al DFMEA
Diagrama de lmites
Entradas al DFMEA
Matriz de interfase
Entradas al DFMEA
Diagrama P
51
Entradas al DFMEA
Diagrama P
El Diagrama P:
Describe los factores de ruido, factores de control,
funciones ideales y estados de error
52
Entradas al DFMEA
Diagrama P
53
Entradas al DFMEA
Diagrama P
Los factores de control permiten hacer ajustes
para que las funciones del producto sean ms
robustos
Un estado de error se puede clasificar en dos
categoras:
1. Desviacin de la funcin intencionada con modos
de falla potenciales:
No funciona
Funciona parcialmente (incluye degradacin en el
tiempo)
Funcin intermitente
Sobrefuncin
54
Entradas al DFMEA
Diagrama P
2. Salida no intencionada del sistema (v. gr.
Vibraciones)
55
56
57
Ejemplos:
Almacenar fluido, X litros sin fugas
Controlar el flujo, X centmetros cbicos por segundo
Abrir con X fuerza
Mantener la calidad del fluido durante X aos bajo
condiciones de operacin
58
59
No funciona
Funciona parcialmente / sobre funcin /
degradacin con el tiempo
Funcin intermitente
Funcin no intencionada
60
Asumiendo la funcin:
Almacenar fluido, X litros, 0 fugas, durante 10 aos
62
63
64
Ruidos
Operacin inestable
Operacin intermitente
Fugas
65
66
Rango
Criterio
No
Sin efecto
Muy poco
componente o
Poco
comp. o
Menor
desempeo
Moderado
Significativo
6
comp. o
salvo. Falla parcial,
Mayor
seriamente
Extremo
Sistema
Serio
perder
reglamento del
Peligro
10
67
68
69
Mitigar el efecto
70
71
72
73
74
75
76
77
78
Criterios
Remota
fallas
con
idntico
Muy Poca
con
Servicio
Poca
Moderada
<1 en 1,500,000
Zlt > 5
2
4.5
1 en 150,000
Zlt >
1 en 30,000
Zlt > 4
Alta
800
Muy alta
2.5
1 en 4,500
Zlt > 3.5 5
Zlt > 3
1 en 150
7
1 en 50
8
1 en 15
1.5ocurrencia de la
Nota: El criterio se basa en la probabilidad de
causa/mecanismo. Se puede basar en el desempeo
de
un
9
1 en
6 diseo
similar en una aplicacin similar.
10
>1 en 3
1 en
6
Zlt >
Zlt > 2
Zlt >
Zlt > 1
Zlt < 1
Ocurrencia
80
Clasificacin
81
Clasificacin
82
Modelo DFMEA
Paso 3
Si las causas no se pueden eliminar en paso 1 o 2,
Identificar
Controles actuales de prevencin usados para establecer
la ocurrencia
Controles actuales de deteccin (vg. Pruebas) usadas
para establecer la Deteccin
Determinar la efectividad de los controles de Deteccin
en escala de 1 a 10
El RPN inicial (Risk Priority Number).
Acciones Recomendadas (Prevencinn and Deteccin).
Cuando ya se hayan implementado las acciones
recomenddas, se revisa el formato DFMEA en relacin a la
Severidad, Ocurrencia, Deteccin y RPN
83
84
De prevencin:
De deteccin:
85
87
88
89
90
2-3
4-5
6-7
10
93
DFMEA Acciones
recomendadas
Considerar acciones como las siguientes:
94
Dar seguimiento:
Desarrollar una lista de caractersticas especiales
parasu consideracin en el DFMEA
Dar seguimiento a todas las acciones recomendadas
y actualizar las acciones del DFMEA
95
96
97
98
FMEA de Proceso
99
PFMEA
Equipo
Alcance
100
Entradas al PFMEA
101
102
103
Ejemplos
104
106
107
108
Ruido
Operacin errtica
Inoperable
Inestable
Apariencia mala
Fugas
Excesivo esfuerzo
Retrabajos / reparaciones
Insatisfaccin del cliente
109
No se puede sujetar
No se puede tapar
No se puede montar
Pone en riesgo al operador
No se ajusta
No conecta
Daa al equipo
Causa excesivo desgaste de herramentales
110
Calif
.
10
Alto
Modera
do
Bajo
Muy
bajo
Menor
Muy
menor
Ninguno
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
Severidad
113
114
Calif
.
10
Alto
Modera
do
Bajo
Muy
bajo
Menor
Muy
menor
Ninguno
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
Paso 2 identificar:
Su tasa de ocurrencia
116
117
118
119
120
Ocurrencia:
121
122
124
125
126
En el paso 3 identificar:
128
Causas potenciales
De Diagrama de Ishikawa
Diagrama de rbol o
Diagrama de relaciones
130
Consideraciones
131
132
133
Inspeccin
Casi
imposibl
e
Muy
remota
Certeza absoluta de no
deteccin
Remota
Muy baja
Baja
Moderad
a
Moderad
amente
Alta
Alta
Muy Alta
Muy Alta
No se puede detectar o no es
verificada
El control es logrado solamente
con verificaciones indirectas o al
azar
El
control es logrado solamente
con inspeccin visual
El control es logrado solamente
con doble inspeccin visual
Cali
f
10
9
8
7
136
137
138
Acciones recomendadas
139
140
Planear Acciones
Requeridas para todos los CTQs
141
Acciones tomadas
142
RPN resultante
143
Causas probables
a atacar primero
144
145
146
CDFMEA
147
CDFMEA
Ocurrencia
Controles actuales
148
CDFMEA
Deteccin
Puede ser Sin deteccin en este momento con una
estimacin de 10. Se recomienda tomar una accin
para identificar e implementar un mtodo de
deteccin
149
Herramientas para el
FMEA
150
Herramientas
Diagramas de lmites
Diagramas de flujo de proceso
Matriz de caractersticas
Tormenta de ideas
rboles de funciones
Lista de efectos: FMEA de diseo
Lista de efectos: FMEA de proceso
Diagrama de Ishikawa
Tecnica de preguntas
151
Herramientas
152
Diagrama de lmites
153
154
Tormenta de ideas
155
rbol de funciones
Calentar el interior a XC
Enfriar a los ocupantes a XC
Eliminar la niebla del parabrisas en X segundos
156
Tcnica de preguntas
157
Tcnica de preguntas
Paso 3
Paso 1
Qu lo causa? Modo de falla
Paso 2
Qu efecto tiene?
158
159
160
Diseo de experimentos
(DOE)
161
Preparar el proceso
Establecer el equipo
Describir el problema
Desarrollar las acciones de contencin o contingentes
Diagnosticar el problema (definir y verificar causa
raz)
Seleccionar y verificar acciones correctivas
permanentes (PCAs) para causas raz y puntos de
escape
Implementar y validar PCAs
Reconocer contribuciones del equipo y los miembros
162
Planes de control
2.
3.
Bitcora de preguntas
164
165
Despliegue de la funcin de
calidad (QFD)
166
167
168
169
FMEA Express
Es un proceso que aplica tcnicas de FMEA
simultaneamente tanto a los aspectos de
diseo como a los de manufactura de un
proyecto:
Consiste de cuatro fases:
170
FMEA Express
171
E-FMEA ambiental
172
E-FMEA ambiental
173
Matriz de requerimientos
ambientales con criterios
mltiples
174
E-FMEA
Ejemplos de acciones recomendadas (hacer una
revisin previa de efectos secundarios en la
vida del producto):
175
E-FMEA
Salidas del FMEA ambiental:
Recomendaciones de materiales
176
MFMEA FMEA de
maquinaria
177
FMEA de maquinaria
178
FMEA de maquinaria
179
FMEA de maquinaria
180
FMEA de maquinaria
181
FMEA de maquinaria
182
FMEA de maquinaria
183
FMEA de maquinaria
Criterios de Severidad
184
FMEA de maquinaria
185
FMEA de maquinaria
Criterios de Ocurrencia
186
FMEA de maquinaria
Criterios de Deteccin
187
Herramientas de la
Fase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas de
Hiptesis
188
189
Tormenta de ideas
190
Tormenta de ideas
191
Diagrama de Ishikawa
Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro
Clientes con
ventas bajas
Malos
itinerarios
Mtodos
Frecuencia
de visitas
Posicin de
exhibidores
Falta de
supervi
Falta de
cin
motivacin
Elaboracin
de pedidos
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Descompostura
del camin
repartidor
Maquinara
Personal
Medicin
Materiales
Rotacin de
personal
Ausentismo
Qu
produce
bajas ventas
Calidad del de
Tortillinas
producto
Ta Rosa?
Tipo de
exhibidor
Diagrama de relaciones
Perdida de mercado
debido a la
competencia
No hay flujo
efectivo de mat.
Por falta de
programacin
de acuerdo
a pedidos
Constantes
cancelaciones
de pedidos
de marketing
Falta de prog. De
la op. En base a
los pedidos
Influencia de la
situacin econ del
pas
Falta de
No hay control coordinacin al fincar
de inv..... En proc.
pedidos entre
marketing y la op.
Programacin
deficiente
Capacidad
instalada
desconocida
Altos
inventarios
Falta de control de
inventarios en
compras
Compras
aprovecha
ofertas
Mala prog. De
ordenes de compra
No hay coordinacin
entre marketing
operaciones
Compra de material
para el desarrollo de
nuevos productos por
parte inv..... Y desarrollo
No hay coordinacin
entre la operacin y las unidades
del negocio
Falta de coordinacin
entre el enlace de compras
Duplicidad Demasiados deptos
de cada unidad con compras
de funciones de inv..... Y desarrollo
corporativo
Influencia directa de
marketing sobre
compras
Falta de comunicacin
entre las unidades
del negocio
13/0
2/1
Bandas de
transmisin
Dancer
2/4
0/4
1/2
5/1
Taco generador
del motor
Poleas guas
Presin del
dancer
Mal guiado
1/4
Sensor
circunferencial
1/1
Empaques de arrastre
Causas a validar
0/3
5/2
Drive principal
4/1
Voltaje del motor
1/5
Ejes principales
1/5
Poleas de transmisin
Entradas
Salidas
Causa
Efecto
Diagrama de rbol o
sistemtico
Meta
Medio
Meta
Medio
Meta
Primer
nivel
Segundo
nivel
Medio
Tercer
nivel
Medios
Cuarto
nivel
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
196
Objetivo?
Implantar el
Sistema
SMED
Producto DJ
2702
Qu?
Elaboramos
un
Diagrama de Arbol
para
poder
analizar
nuestro
problema siguiendo
el sistema SMED.
Fase 1: Separacin
de la preparacin
interna de la externa
Fase 2: Conversin
de preparacin
interna en externa
Fase 3: Refinamiento
de todos los aspectos
de la preparacin.
Cundo?
Filmar la preparacin
5- 12 - Mar-04
Analizar el video
10 y 17 Mar-04
17- Mar-04
17- Mar-04
2- Mar-04
Realizar chequeo de
funciones
24- Mar-04
Analizar el transporte de
herramientas y materiales
24- Mar-04
12 - Abr- 04
15 Abr - 04
Realizacin de operaciones
en paralelo.
5 May -04
Uso de sujeciones
funcionales.
19 May -04
Eliminacin de ajustes
Verificacin de posibles
causas
198
por qu?
cmo?
cund
o?
dnd
e?
quin
?
1
Tacogenerad
or de motor
embobinador
Abril
04
1804
Embob
.
J. R.
2 Sensor
circular y de
velocidad de
linea.
Abril
04
1804
Embob
.
U. P.
3 Ejes
principales
de
transmisin.
Abril04
1804
Embob
.
F. F.
4 Poleas de
transmisin
de ejes
embobinador
es.
Abril04
1804
Embob
.
J. R.
U. P.
199
1. Estudios Multivari
200
201
202
Nmero de subgrupo
203
204
Procedimiento de muestreo:
Procedimiento de muestreo:
207
Posicional:
208
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
209
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
210
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
211
212
Cartas Multivari
8 AM
9 AM
10 AM
11 AM
12 AM
0.25
10
0.2500
0.2490
Izquierda
Mximo
Derecha
Mnimo
213
Un anlisis rpido revela que la mayor variacin es temporal con un cambio mayor entre las 10 AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con lecturas similares a las de las 8 AM. Conforme
pasa el tiempo las lecturas tienden a decrecer ms y ms, hasta que se invierten a las 10 A.M. en forma drstica.
La variacin en temperatura era causada por que la cantidad de refrigerante no era la adecuada, lo cual se notaba ms cuando
se paraba el equipo y se volva a arrancar. Se adicion, reduciendo la variacin en 50% aproximadamente..
214
Tambin se encontr que el acabado cnico era causado por que la herramienta de corte
estaba mal alineada. Se ajust, contribuyendo a otra reduccin del 10% de la variabilidad.
215
% var.
Causas de
Accin
% de variacin
Variacin
Total
Variacin
Correctiva
Reducida
Temporal
50
Bajo nivel de
Adicionar
Casi 50
Refrigerante
refrigerante
Ajuste no
Ajuste de la
no paralelo
herramienta de
Tiempo a tiempo
Dentro de
10
la flecha
Casi 10
corte
Dentro de
30
la flecha
Flecha a
flecha
Rodamiento
Nuevo
gastado
rodamiento
-???
Casi 30
216
Resultados:
Como beneficios se redujo a cero el desperdicio y no hubo necesidad de adquirir una nueva mquina.
Se observa que antes de cambiar equipo o mquinas, es conveniente realizar un estudio de variabilidad para identificar
las fuentes de variacin y tratar de eliminarlas.
217
Dimetro de Flecha
(0.150" +/- .002)
Variacin
de
proceso
Pieza a
pieza
Lote a lote
Programa
Dentro de
la pieza
Mquina
Variacin de
sist. medicin
Mquina a
mquina
Accesorios
Turno a
turno
Tiempo a
tiempo
Operador a
operador
218
219
Corrida en Minitab
MetalType
Strength
0.5
15
23
0.5
15
20
0.5
15
21
0.5
18
22
0.5
18
19
0.5
18
20
0.5
21
19
0.5
21
18
220
Corrida en Minitab
Resultados
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
0.5
23.5
1.0
2.0
22.5
Strength
21.5
20.5
19.5
18.5
17.5
15
18
21
MetalType
222
223
Correlacin
Definiciones
Correlacin
Accidentes laborales
Propsito:
Propsito: Estudiar
Estudiarla
laposible
posiblerelacin
relacin
entre
entredos
dosvariables.
variables.
Correlacin
positiva,
posible
20
20
15
15
10
Correlacin Positiva
Evidente
25
5
0
10
15
20
25
Sin Correlacin
10
0
0
10
25
R=1
15
20
25
R=-1
20
15
25
Correlacin
Positiva
Correlacin
Negativa
5
0
0
20
10
15
X
15
10
20
25
25
R=
0
20
15
Y
10
10
5
0
0
10
15
X
20
25
R=>1
0
0
10
15
X
20
25
R=>-1
Correlaciones (Pearson)
Tabla de Correlacin mnima
n
3
4
5
6
7
8
9
10
11
12
13
14
95%
de confianza
1.00
0.95
0.88
0.81
0.75
0.71
0.67
0.63
0.60
0.58
0.53
0.53
99%
de confianza
1.00
0.99
0.96
0.92
0.87
0.83
0.80
0.76
0.73
0.71
0.68
0.66
n
15
16
17
18
19
20
22
24
26
28
30
95%
de confianza
0.51
0.50
0.48
0.47
0.46
0.44
0.42
0.40
0.39
0.37
0.36
99%
de confianza
0.64
0.61
0.61
0.59
0.58
0.56
0.54
0.52
0.50
0.48
0.46
7A2. Correlacin
La correlacin puede usarse para informacin de
atributos, variables normales y variables no normales.
La correlacin puede usarse con un predictor o
ms para una respuesta dada.
La correlacin es una prueba fcil y rpida para
eliminar factores que no influyen en la prediccin, para
una respuesta dada.
228
Supuestos de la regresin
lineal
Los principales supuestos que se hacen en el anlisis de
regresin lineal son los siguientes:
La relacin entre las variables Y y X es lineal, o al
menos bien aproximada por una
y lnea
recta.
X
0
230
y 0 1 X
231
ei
SSE =
ei2
xi
yi - yi2
a y b son
Estimados de
0 y 1
Retencin
600
Regresin
500
95% Intervalo
de confianza
95% Intervalo
de prediccin
400
0.18
0.19
0.20
233
234
Errores residuales
236
Errores residuales
^
Checar normalidad.
Checar el efecto del tiempo si su orden es conocido en los
datos.
Checar la constancia de la varianza y la posible necesidad
de transformar los datos en Y.
Checar la curvatura de ms alto orden que ajusta en las
Xs.
di
MS E
,....1 1,2,....., n
1 ( X i X )2
MSE 1
n
S
XX
237
Errores residuales
238
Ejemplo
Considere el problema de predecir las ventas
mensuales en funcin del costo de publicidad.
Calcular el coeficiente de correlacin, el de
determinacin y la recta.
MES
Publicidad
Ventas
1
2
3
4
5
6
7
8
9
1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9
101
92
110
120
90
82
93
75
91
239
Clculo manual
Calcular columnas para Suma X, Suma Y, Xi2, XiYi y Yi2
Xi
Yi
MES Publicidad
Ventas
Xi2
XiYi
Yi2
1
2
3
4
5
6
7
8
9
10
1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9
1.1
101
92
110
120
90
82
93
75
91
105
1.44
0.64
1.00
1.69
0.49
0.64
1.00
0.36
0.81
1.21
121.2
73.6
110.0
156
63.0
65.6
93.0
45.0
81.9
115.5
10201
8464
12100
14400
8100
6724
8649
5625
8281
11025
SUMA 9.4
959
9.28
924.8
93,569
240
Mtodo de mnimos
cuadrados
Donde:
Yest = Valor predicho de para un valor particular de x.
b0 = Estimador puntual de .(ordenada al origen)
b1= Estimador puntual de (pendiente)
Para el clculo de b0 y b1 se utilizamos las siguientes
frmulas:
241
Anlisis de varianza en la
regresin
SS E
SYY b1 S XY
2
S
n2
n2
SYY Yi 2
i 1
Y
n
X Y
i 1
S XY X iYi
i 1
i 1
i 1
ei Yi Y i
__
__
Yi Y i Yi Y (Y i Y ) (Y
__
__
Y ) 2 (Y i Y ) 2 (Yi Y i ) 2
242
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
se(b1 )
__ 2
1 X
se(b0 ) MSE
n S XX
X i2
1/ 2
__
n ( X i X )
MSE
S XX
S
S XX
1
X
b0 t ( n 2,1 )
2 n ( X X__ ) 2
i
b1
2
i
t ( n 2,1
( X
1
). S
2
__
1/ 2
X )2
243
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
( n 2) MSE
( n 2) MSE
2
2 / 2,n 2
12 / 2,n 2
Intervalos de confianza para la Y estimada promedio
^
Y0 t a / 2 , n 2
__
2
1 (X0 X )
MSE
S XX
n
__
Y0 t / 2 ,n 2
1 ( X 0 X )2
MSE 1
Y0 Y0 t / 2 ,n 2
n
S XX
__
1 ( X 0 X )2
MSE 1
n
S XX
244
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
b1
MSE
S XX
245
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
Coeficiente de correlacin r:
S XY
S XX SYY
Coeficiente de determinacin: r2
R2 mide la proporcin de la variacin total respecto a la
media que es explicada por la regresin. Se expresa en
porcentaje.
^
( SS .de.la.regresin . por.b0 )
R2
__
2
(
Y
Y
)
(Y
__
Y )2
SSE
SYY
246
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
Si
r n2
1 r2
t 0 t / 2,n 2
247
Riesgos de la regresin
248
Riesgos de la regresin
249
Clculo manual(cont..)
Clculo de la recta de regresin lineal:
Sxx = 9.28 - (9.4)^2/10 = 0.444
Sxy = 924.8 - (9.4)(959) / 10 = 23.34
Ymedia = 959 / 10 = 95.9
250
Ejemplo (cont..)
Clculo de S2 estimador de
S2 = SSE / (n - 2) = Syy - (Sxy)^2/Sxx
Syy = 93,569 - (959)^2 / 10 = 1600.9
SSE = Syy - b1*Sxy = 1600.9 - (52.567)(23.34) = 373.97
S2 = SSE / (n - 2) = 373.97 / 8 = 46.75
S = 6.84
El intervalo de confianza donde caern el 95% de los puntos
es el rango de 1.96S = 13.41 o sea a 13.41 de la lnea.
251
Ejemplo (cont..)
Inferencias respecto a la pendiente de la lnea b1:
Se usa el estadstico t = b1 / (S / Sxx)
El trmino del denominador es el error estndar de la
pendiente.
Para probar la hiptesis nula Ho: 1 = 0
En este caso tc = 52.57 / (6.84 / 0.444) = 5.12
El valor crtico tcrit. para alfa/2 = 0.025 con (n-2) = 8 grados
de libertad es 2.306.
Como tc > tcrtico se rechaza la hiptesis de que b1 = 0
existiendo la regresin.
252
Ejemplo (cont..)
Estableciendo un 95% de confianza para la pendiente de
la recta b1.
Usando la frmula b1 t0.025 (S / Sxx) se tiene:
52.57 2.306 * 6.84 / 0.444 = 52.57 23.67.
Por tanto una unidad de incremento en publicidad, har que
el volumen de ventas se encuentre entre $28.9 a $76.2.
253
Ejemplo (cont..)
Clculo del coeficiente de Correlacin:
________
r = Sxy / (SxxSyy)
____________
r = 23.34 / 0.444*1600.9 = 0.88
Como r es positivo, la pendiente de la recta apunta hacia
arriba y a la derecha.
El coeficiente de determinacin r^2 = 1 - SSE/Syy
r^2 = ( Syy - SSE ) / Syy = 0.774
254
Column 1
1
0.875442
Column 2
0.875442
1
Resultados de Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R
0.875442
Adjusted R Square0.737198
Observations
10
R Square
0.766398
Standard Error 6.83715
ANOVA
df
1
8
9
SS
MS
F
Significance F
Regression
1226.927 1226.927 26.24633 0.000904
Residual
373.973 46.74662
Total
1600.9
Confidence 95%
Coefficients Standard Error t Stat
P-value Lower
Upper
Intercept 46.48649
9.884566
4.702936
28.90597 76.22916
100
80
60
40
20
0
0
20
40
60
80
100
Sample Percentile
258
Residuals
20
10
0
-10 0
0.5
1.5
X Variable 1
259
Ejercicio
Calcular la recta de prediccin con sus bandas de
confianza, la correlacin y la determinacin para la
respuesta de un Taxi, los datos se muestran a
continuacin:
Distancia
Tiempo
0.8
200
2.2
1.0
0.6
1.0
1.4
2.2
0.6
400
160
120
360
280
560
320
260
Relaciones no Lineales
Qu pasa si existe una relacin causal, no lineal?
Cmo describira
El siguiente es un conjunto de datos
esta relacin?
experimentales codificados, sobre
resistencia a la compresin de una
aleacin especial:
Concentracin
x
10.0
15.0
20.0
25.0
30.0
Resistencia a
la Compresin
y
25.2 27.3 28.7
29.8 31.1 27.8
31.2 32.6 29.7
31.7 30.1 32.3
29.4 30.8 32.8
261
DF
2
12
14
SS
MS
F
p
38.9371 19.4686 9.54490 3.31E-03
24.4762 2.0397
63.4133
FUENTE DF
Lineal
1
Cuadrtica 1
Seq SS F
p
28.0333 10.3005 6.84E-03
10.9038 5.34584 3.93E-02
262
Regresin cuadrtica
263
Regresin cuadrtica
264
Regresin cuadrtica
Los residuos
No son normales
Se deben transforma
Las variables
265
x = 1/x
x = Raz cuadrada de (x)
x = log x
Trasformacin de funciones
Ejemplo: seaY 0 e 1 X
ln Y ln 0 1 X ln
se transforma como
267
268
269
270
Transformacin para
homoestacidad de la varianza
271
Transformacin para
homoestacidad de la varianza
272
Transformacin para
homoestacidad de la varianza
273
Transformacin para
homoestacidad de la varianza
274
Transformacin para
homoestacidad de la varianza
275
Transformacin para
homoestacidad de la varianza
276
Transformacin para
homoestacidad de la varianza
277
Transformacin para
homoestacidad de la varianza
278
279
Regresin mltiple
Yu 0 1 X u1 2 X u 2 ....... k X uk u
Se asume que los errores u tienen las caractersticas
siguientes:
Tienen media cero y varianza comn 2.
Son estadsticamente independientes.
Estn distribuidos en forma normal.
280
Regresin mltiple
Estimacin de los parmetros del modelo
281
Regresin mltiple
Estimacin de los parmetros del modelo:
b = (XX)-1 XY
El vector de valores ajustados
Y Xb
como:
se puede expresar
Y Xb X ( X ' X ) 1 X ' Y Hy
La
varianza del modelo se estima como:
SSE (Y Y ) e e' e
2
i 1
2
i
SSE (Y Xb)' (Y Xb) Y ' Y b' X ' Y Y ' Xb b' X ' Xb Y ' Y 2b' X ' Y b' X ' Xb
s 2 MSE
SSE
Np
282
Tamao de muestra
283
284
285
286
287
288
289
0.01438
275
275
290
291
292
293
Multicolinealidad
294
Multicolinealidad
1
VIF j
1 R 2j
295
296
Escalamiento de residuos
Y 5 X 1 1000 X 2
297
Escalamiento de residuos
Residuos estandarizados
di
ei
,
MSE
298
Escalamiento de residuos
Residuos estudentizados
H = X (XX)-1X es
e la matriz sombrero o hat matriz.
ri
MSE (1 hii )
299
Escalamiento de residuos
e( i ) Yi Y( i )
i 1
RPr2 ediccin 1
PRESS
SYY
300
Grficas parciales de
regresin
301
Matriz sombrero
302
Matriz sombrero
303
Distancia de Mahalanobis
304
Influencia en coeficientes
individuales
305
Influencia en coeficientes
individuales
306
Ejemplo de regresin
mltiple
Solucin con Excel y Minitab
307
GMAT
711
670
662
650
680
660
660
670
646
653
660
645
646
640
675
630
651
630
630
637
630
611
626
603
640
% Aceptacin
7.4
12.8
14.7
15.1
25.0
16.0
14.8
12.6
20.5
13.3
18.9
28.0
20.9
30.8
23.5
19.8
17.5
27.3
44.7
25.4
36.0
23.2
33.0
20.7
18.9
0.8749313 R Square
0.76550478
Adjusted R Square
Observations
25
ANOVA
df
Regression
3
8.17E-07
Residual
21
4050.855918
SS
MS
1.12E+09
F
374977790.1
Significance F
22.851355
3.45E+08
16409433.67
Total
1.47E+09
24
Coefficients Standard
t Stat
P-value Lower 95% U pper 95%
Error
Intercept
122481.40 41473.13 2.953271081
0.007589
36233.29
208729.5
X Variable1 -926.873
-513.424
X Variable2 -59.9488
65.76118
-1340.32
-185.659
R Square
0.732691
Adjusted R Square
Standard Error
Observations
0.721069
4132.688
25
ANOVA
df
SS
F
Regression
63.04264
Residual
1
1.08E+09
4.88E-08
23
3.93E+08
Total
24
MS
Significance
1.08E+09
17079107
1.47E+09
Reduccin
del Modelo
Vuelva a correr
la regresin usando la categora
US News, como el nico agente de prediccin (predictor)
La ecuacin de regresin es:
y = 79230 - 910 x
Predictor
Constante
x
Coef
79230
-910.1
Desv. Estndar
1704
114.6
S = 4133
R2 = 73.3%
T
46.50
-7.94
p
0.000
0.000
R2 (ajustada) = 72.1%
Anlisis de Variancia
Fuente
Regresin
Error
Total
DF
1
23
24
SS
1076712008
392819470
1469531477
MS
1076712008
17079107
F
63.04
p
0.000
El
El Modelo
Modelo se
se simplifica
simplifica enormemente..poca
enormemente..poca
22
importancia
prctica
se
pierde
en
R
importancia prctica se pierde en R (ajustada)
(ajustada)
Corrida en Minitab
Insolation
East
South
271.8
783.35 33.53
40.55
16.66
264.0
748.45 36.50
36.19
16.46
238.8
684.45 34.66
37.31
17.66
230.7
827.80 33.13
32.52
17.50
251.6
860.45 35.75
33.71
16.40
257.9
875.15 34.46
34.14
16.28
North
312
Corrida en Minitab
Resultados de la regresin
lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor
Constant
Score1
Coef
SE Coef
1.1177
0.1093
10.23
0.000
0.21767
0.01740
12.51
0.000
S = 0.1274
R-Sq = 95.7%
R-Sq(adj) = 95.1%
Analysis of Variance
Source
Regression
DF
SS
MS
2.5419
2.5419
156.56
0.000
Residual Error
Total
0.1136
8
0.0162
2.6556
2.6414
Fit
SE Fit
0.0474
95.0% CI
(
2.5292,
New Obs
2.7536)
Score1
95.0% PI
(
2.3197,
2.9631)
314
Resultados de la regresin
lineal
Regression Plot
Score2 = 1.11771 + 0.217670 Score1
S = 0.127419
R-Sq = 95.7 %
R-Sq(adj) = 95.1 %
Score2
3.5
2.5
Regression
1.5
95% CI
95% PI
2
Score1
315
Resultados de la regresin
Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor
Coef
SE Coef
389.17
66.09
5.89
0.000
North
-24.132
1.869
-12.92
0.000
South
5.3185
0.9629
5.52
0.000
2.125
1.214
1.75
0.092
Constant
East
S = 8.598
R-Sq = 87.4%
R-Sq(adj) = 85.9%
Analysis of Variance
Source
Regression
DF
SS
MS
12833.9
4278.0
57.87
0.000
Residual Error
25
1848.1
Total
28
73.9
14681.9
Source
DF
Seq SS
North
10578.7
South
2028.9
East
226.3
316
7A2. Resumen de la
Regresin
La regresin slo puede utilizarse con informacin de variables
continuas.
Los residuos deben distribuirse normalmente con media cero.
Importancia prctica: (R2). Importancia estadstica: (valores p)
La regresin puede usarse con un predictor X o ms,
para una respuesta dada
Reduzca el modelo de regresin cuando sea posible,
sin perder mucha importancia prctica
317
318
Conceptos fundamentales
Estimacin puntual y por intervalo
Pruebas para medias, varianzas y proporciones
Pruebas comparativas para varianzas, medias y
prop.
5.
6.
7.
8.
Bondad de ajustes
Anlisis de varianza (ANOVA)
Tablas de contingencia
Pruebas no paramtricas
319
7B1. Conceptos
fundamentales
320
Anlisis
Estadstico
En CADA prueba estadstica, se comparan algunos
valores observados a algunos esperados u otro valor
observado comparando estimaciones de parmetros
(media, desviacin estndar, varianza)
Estas estimaciones de los VERDADEROS parmetros son
obtenidos usando una muestra de datos y calculando los
ESTADSTICOS...
La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de
la muestra de datos
Incrementando el tamao de la muestra mejora la
estimacin y tu confianza en las conclusiones estadsticas.321
7B1. Conceptos
fundamentales
Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada
Puede ser por ejemplo , , , = 5
Slo puede ser rechazada o no rechazada
Hiptesis alterna Ha
Es la hiptesis que se acepta como verdadera cuando
se rechaza Ho, es su complemento
Puede ser por ejemplo = 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
Esta hiptesis se acepta cuando se rechaza Ho
322
7B1. Conceptos
fundamentales
Ejemplos:
323
7B1. Conceptos
fundamentales
Estadstico de prueba
7B1. Conceptos
fundamentales
Tipos de errores
Se asume que un valor pequeo para es deseable, sin
embargo esto incrementa el riesgo .
Para un mismo tamao de muestra n ambos varan
inversamente
Incrementando el tamao de muestra se pueden reducir
ambos riesgos.
Decisin realizada
Ho en realidad es
Verdadera
Ho en realidad
es falsa
No hay evidencia
para rechazar Ho
p = 1-
Decisin correcta
p=
Error tipo II
Rechazar Ho
p=
Error tipo I
p=1-
Decisin
correcta
325
7B1. Conceptos
fundamentales
326
7B1. Conceptos
fundamentales
327
7B1. Conceptos
fundamentales
328
7B1. Conceptos
fundamentales
7B1. Conceptos
fundamentales
/2
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2
330
7B1. Conceptos
fundamentales
Ejemplo:
n = (1.96^2)(20^2)/(4)^2 = 96
Obtener 96 valores de rendimiento por hora y
determinar el promedio, si se desva por ms de
4 toneladas, ya ha ocurrido un cambio
significativo al 95% de nivel de confianza 331
332
333
334
335
Potencia de la prueba
Potencia 1
cierto
nmero de (1 , 1.5 )
336
Potencia de la prueba
337
Potencia de la prueba
Tamaos de muestra
Diferencias - un corrimiento significativo de la
media que se desea detectar
Valores de potencia - La probabilidad deseada
de rechazar Ho cuando es falsa
338
Considerando la potencia de
prueba
339
Estimacin de riesgos
340
Pruebas de Minitab
Prueba
Prueba
Prueba
Prueba
Prueba
z de una muestra
t de una muestra
t de dos muestras
de 1 proporcin
de 2 proporciones
ANOVA
Diseos factoriales de dos niveles
Diseos de Packett Burman
341
Calculo manual
342
Calculo manual
343
344
345
346
347
348
349
350
351
352
353
Ejercicios
Calcular los tamaos de muestra necesarios para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-muestra Z a=0.05, b=0.1 y 0.2, d = 1.5s
b. 1-muestra t a=0.05, b=0.1 y 0.2, d = 1.5s
c. 1-muestra t a=0.01, b=0.05, d = 0.5s y 1.0s
d. 2-muestras t a=0.05, b=0.1, d = 1.5s y 2.0s
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-muestra Z a=0.05, d = 0.5s, n = 25, 35
b. 1-muestra t a=0.05, d = 1.0s, n = 10, 20
c. 1-muestra t a=0.01, d = 1.0s, n = 10, 25
d. 2-muestras t a=0.05, d = 0.5s, n = 10, 25, 50, 75, 100
354
Ejercicios
Calcular el tamao de muestra requerido para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-proporcin a=0.05, b=0.1 & 0.2, P0 = 0.5, PA = 0.6
b. 1-proporcin a=0.01, b=0.1 & 0.2, P0 = 0.8, PA = 0.9
c. 2-proporcin a=0.05, b=0.1, P0 = 0.5, PA = 0.6, 0.8
d. 2-proporciones a=0.01, b=0.1, P0 = 0.8, PA = 0.85, 0.95
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-proporcin a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
b. 1-proporcin a=0.01, P0 = 0.9, PA = 0.95, n = 400, 500
c. 2-proporciones a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
d. 2-proporciones a=0.01, P0 = 0.9, PA = 0.95, n = =400, 500
355
358
Un Intervalo de Confianza
359
Intervalo de confianza
Error de estimacin
360
1.96 = Z0.025
361
C. I.
99
Multiplicador Z/2
2.576
95
1.960
90
1.645
85
1.439
80
1.282
Para tamaos de muestra >30, o conocida usar la distribucin Normal
Para muestras de menor tamao, o desconocida usar la distribucin t
362
para .n 30 X t
2
( n 1) s 2
2
2
, n 1
( n 1) s 2
p Z
2
, n 1
p (1 p )
n
363
Para n grande el IC es
pequeo
364
Para n grande el IC es
pequeo
365
Ejemplo
366
367
368
369
370
371
372
Elementos de una
Prueba de Hiptesis
Prueba Estadstica- Procedimiento para decidir no rechazar
Ho aceptando Ha o rechazar Ho.
Hiptesis Nula (Ho) - Usualmente es una afirmacin
representando una situacin status quo. Generalmente
deseamos rechazar la hiptesis nula.
Hiptesis Alterna (Ha) - Es lo que aceptamos si podemos
rechazar la hiptesis nula. Ha es lo que queremos probar.
373
Elementos de una
Prueba de Hiptesis
Estadstico de prueba: Calculado con datos de la muestra
(Z, t, X2 or F).
Regin de Rechazo Indica los valores de la prueba
estadstica para que podamos rechazar la Hiptesis nula
(Ho). Esta regin esta basada en un riesgo deseado,
normalmente 0.05 o 5%.
374
375
376
Regin de
Rechazo
Regin de
Rechazo
0
Rechazo
-Z
378
X1 X 2
; dos.medias; ' s desconocidas. pero.
1
1
Sp /
n1
n2
Sp
t
( n1 1) s12 ( n2 1) s22
; DF n1 n2 2
n1 n2 2
X1 X 2
2
1
2
2
s
s
n1
n2
DF formula.especial
379
d
; Pares.de.medias; d i . para.cada. par
Sd / n
( n 1) S 2
(O E ) 2
380
381
Estadstico
Prueba de Hiptesis
Calculado con
Datos de la muestr
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a b
Regin de
Rechazo
Regin de
Rechazo
-Z
Pruebas de Hiptesis de cola derecha:
Ho: a b
Ha: a > b
Regin de
Rechazo
0
Rechazo
-Z
383
2.17
Ejemplo: El material muestra una variacin (sigma) en la
resistencia a la tensin menor o igual a 15 psi con 95% de
confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.
X^2c =(7)(8)^2/(15)^2 = 1.99
Como La Chi calculada es menor a la Chi de Excel de 2.17 se debe
rechazar la hiptesis nula. Si hay decremento en la resistencia
385
Valores
observados
O
Inspector Inspector
1
2
Inspector
3
Total por
tratamient
o
Radios
detectados
27
25
22
74
Radios no
detectados
16
Total de la
muestra
30
30
30
90
386
Valores
esperados
E
Inspector Inspector
1
2
Inspector
3
Total por
tratamient
o
Radios
detectados
24.67
24.67
24.67
74
Radios no
detectados
5.33
5.33
5.33
16
Total de la
muestra
30
30
30
90
387
5.99
388
Regin de
Rechazo
s
n
Regin de
Rechazo
0
-Z
390
391
Gl=14;
392
393
Prueba de hiptesis
para una proporcin con Z
394
395
396
397
398
Prueba de Hiptesis
89.7
84.7
81.4
86.1
84.5
83.2
84.8
91.9
87.3
86.3
Rendimiento A
10 84.24
2.90
79.7
79.3
10 85.54
3.65
85.1
82.6
81.7
89.1
83.7
83.7
84.5
88.5
Variable
Reactor N
Media Desv.Std
Prueba de Hiptesis
Pregunta Prctica: Existe diferencia entre los
reactores?
Pregunta estadstica La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? O, su diferencia se da por
casualidad en una variacin de da a da.
a b
Ha: a b
Ho:
400
Prueba de Hiptesis
Hiptesis Estadstica: No
existe diferencia entre los
Reactores
Esto se llama Hiptesis
Nula (Ho)
401
Qu representa esto?
Reactor A
Reactor B
B
A
80.0
B B B B BB
AA
AAAA
A
82.5
85.0
BB
A
87.5
90.0
92.5
402
403
404
405
406
407
408
Sigmas desconocidas
y desiguales
409
410
411
412
413
414
415
Robustez
416
Resumen
417
418
419
420
421
422
(O
i
E
)
Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma
de distribucin particular planteada como hiptesis
Si el ajuste es razonablemente cercano, puede concluirse que s exite la forma de distribucin
planteada como hiptesis
2
2iK
Por ejemplo:
423
0.76020818
424
( f i ei ) 2
ei
i 1
n
2 2
5. Rechazar Ho si
o si p < alfa. Con gl=k-p-1 y alfa nivel
de significancia
425
Ejemplo:
Distribucin de Poisson =5
0.0067
0.8576
0.0337
4.3136
10
0.0842
10.7776
12
0.1404
17.9712
18
0.1755
22.4640
22
0.1755
22.4640
22
0.1462
18.7136
16
0.1044
13.3662
12
0.0653
8.3584
0.0363
4.6464
10 o ms
0.0318
4.0704426
Ejemplo:
Distribucin de Poisson =5
10
0.0067+0.0337
5.1712
10
0.0842
10.7776
12
0.1404
17.9712
18
0.1755
22.4640
22
0.1755
22.4640
22
0.1462
18.7136
16
0.1044
13.3662
12
0.0653
8.3584
9 o ms
0.0363+0.0318
8.7168
427
Estadstico y conclusin
Con los datos anteriores se calcula el estadstico Chi cuadrada que
se compara con Chi Cuadrada de alfa para k-p-1 grados de
libertad (K categoras: 9, p parmetros a estimar: 1 media).
( f i ei ) 2
ei
i 1
2
Ho se rechaza si
428
429
( f i ei ) 2
ei
i 1
n
430
66
61
65
54
93
60
86
70
70
73
73
55
63
56
62
76
54
82
79
76
68
53
58
85
80
56
61
61
64
65
62
90
69
76
79
77
54
64
74
65
65
61
56
63
80
56
71
79
84
431
432
Frecuencia
observada
(fi)
Frecuencia
esperada
(ei)
Menos de
55.10
55.10 a
59.68
59.68 a
63.01
63.01 a
65.82
65.82 a
68.42
68.42 a
71.02
Se registran las
frecuencias de
los datos
tomados de las
calificaciones
433
( f i ei ) 2
ei
i 1
2
Como
434
435
( f i ei ) 2
ei
i 1
2
5. Regla de rechazo:
2
2
Si no se puede rechazar la hiptesis nula
436
437
Proporcin
hipottica
Frecuencia
observada
Frecuencia
esperada
Empresa A
0.3
48
60
Empresa B
0.5
98
100
Empresa C
0.2
54
40
438
439
60
98
100
54
40
7.34
CumProb
0.974524
0.0254765
441
442
443
Introduccin
444
Contenido
ANOVA de un factor
o direccin
446
Introduccin
447
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
448
ANOVA - Condiciones
Peso porc.
de algodn
15
20
25
30
35
Respuesta
Resistencia de la tela
7
7
15
12
17
12
14
18
18
19
25
22
7
10
11
11
18
19
19
15
9
18
19
23
11
450
ANOVA Suma de
cuadrados total
Xij
Gran media
Xij
SCT
i 1
j 1
( Xij X )
451
Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X )
i 1
452
X1j
X3j
Media X1.
Media
X3.
Media X2.
Muestra 1
a
SCE
i 1
Muestra 2
b
(X
j 1
ij
X i)
Mues
2
453
X1j
X3j
Media X1.
Media X2.
Muestra 1
Muestra 2
Media
X3.
Mues
454
gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
455
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
456
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
457
SCTR
a-1
CMTR
SCE
n-a
CME
Variacin total
SCT
n-1
CMT
VALOR F
CMTR/CME
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
458
Fexcel
Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Zona de rechazo
De Ho o aceptar Ha
Fc
459
T q , a , n a
CME
b
461
D2 = X1 X3
D3 = X2 X3
etc.
462
2(CME ) F ,1,n a
DMS
b
Para diseos balanceados (los
tratamientos tienen igual no. De
columnas), se calcula un factor DMS
contra el que se comparan las
diferencias Xi Xi. Significativas si lo 463
DMS j ,k
1 1
(CME ) F ,a 1,n a
b j bk
Ejemplo:
Mquin
as
Datos
Su
m
a
Prom
.
465
Ejemplo:
Cuadrado
medio
Mquin
as
466
Ejemplo:
-2
-2
-3
467
Ejemplo:
One-way ANOVA: A, B, C
Source
DF
SS
MS
Factor
137.20
68.60
33.19
Error
12
24.80
2.07
Total
14
162.00
S = 1.438
R-Sq = 84.69%
0.000 Rechazo Ho
R-Sq(adj) = 82.14%
Mean
StDev
---------+---------+---------+---------+
6.200
0.837
(-----*----)
0.600
1.673
-0.800
1.643
(----*-----)
(-----*----)
---------+---------+---------+---------+
0.0
2.5
5.0
7.5
468
Corrida en Minitab
11.94
14.42
10.06
7.19
7.03
14.66
469
Corrida en Minitab
470
Resultados
DF
Carpet
SS
MS
111.6
37.2
2.60
0.101
Error
12
172.0
Total
15
14.3
283.6
Mean
14.483
3
4
StDev
4
4
---------+---------+---------+-------
3.157
9.735
12.808
17.005
3.566
(-------*-------)
(-------*--------)
1.506
(--------*-------)
5.691
(-------*-------)
---------+---------+---------+-------
Pooled StDev =
3.786
10.0
15.0
20.0
471
472
ANOVA de 2 vas
473
474
ANOVA 2 vas
Para el tratamiento en renglones
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para el factor de bloqueo en columnas
Maquinas
Maq 1
Maq 2
Maq 3
ANOVA de 2 vas
b
SCBl a ( X j X )
j 1
gl.SCBl b 1
CMBl SCBl /(b 1)
478
ANOVA de 2 vas
ANOVA Estadstico Fc y
Fexcel
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
480
ANOVA Estadstico Fb
MCBl
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
481
VALOR F
SCTR
a-1
CMTR
CMTR/CME
SCBl
b-1
CMBL
CMBL/CME
SCE
(a-1)(b-1)
CME
Variacin total
SCT
n-1
CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
482
Fexcel
Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Fc
Tr o Bl
Zona de rechazo
De Ho o aceptar Ha
483
Y estimada
eij yij y
ij
Error o residuo
MSE
b
Error estndar
Rk r0.05, k , gl . MSE * s yi .
Factor de comparaci
s yi .
486
Corrida en Minitab
Suplemento
Lago
34
Rose
43
Rose
57
Dennison
40
Dennison
85
Rose
68
Rose
67
Dennison
53
Dennison
41
Rose
24
Rose
42
Dennison
52
Dennison
487
Corrida en Minitab
488
DF
SS
MS
Lake
Resultados
9.25
21
21
0.21
0.666
Interaction
561
281
2.71
0.145
Suppleme
1919
959
0.015
Error
6
Total
622
11
104
3123
Individual 95% CI
Suppleme
Mean
1
--+---------+---------+---------+--------43.5
(-------*-------)
68.3
3
39.8
(--------*-------)
(--------*-------)
--+---------+---------+---------+--------30.0
45.0
60.0
75.0
Individual 95% CI
Lake
Dennison
Rose
Mean
51.8
49.2
------+---------+---------+---------+----(----------------*----------------)
(----------------*----------------)
------+---------+---------+---------+----42.0
48.0
54.0
60.0
489
ANOVA 3 y 4 factores
Cuadrado Latino
Aos exp.
Empleado
1
Maana
B=15
Turno
Tarde
A=18
Noche
C=11
C=12
B=20
A=9
3
A=17
A, B, C = Mquinas 1, 2 y 3
C=19
B=10
492
SCTr a ( X Tr X )
j 1
gl.SCTr a 1 b 1
CMTr SCTr /(b 1)
493
494
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
495
MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
496
VALOR F
Renglores
SCRen
a-1
CMRen
CMRen/CME
Columnas
SCCol
b-1
CMCol
CMCol/CME
Tratamiento
SCTr
a-1
CMTr
CMTr/CME
SCE
(a-2)(a-1)
CME
Variacin total
SCT
n-1
CMT
497
498
499
Aa=-1
Bc=-5
Ce=-6
Db=-1
Ed=-1
Bb=-8
Cd=-1
Da=5
Ec=2
Ae=11
Cc=-7
De=13
Eb=1
Ad=2
Ba=-4
Dd=1
Ea=6
Ac=1
Be=-2
Cb=-3
Ee=-3
Ab=5
Bd=-5
Ca=4
Dc=6
500
501
502
ANOVA Cuadrado
Grecolatino
b
SCG a ( X m X )
m 1
gl.SCG b 1
CMG SCG /(b 1)
503
504
MCG
Fc
MCE
Fexcel FINVALFA , gl .SCTr , gl .SCE
505
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
506
VALOR F
Renglores
SCRen
a-1
CMRen
CMRen/CME
Columnas
Letras griegas
Tratamiento
SCCol
SCG
SCTr
b-1
a-1
a-1
CMCol
CMG
CMTr
CMCol/CME
CMG/CME
CMTr/CME
SCE
(a-3)(a-1)
CME
Variacin total
SCT
n-1
CMT
507
508
7B7. Tablas de
contingencia
509
510
Para qu se utiliza?
1. Para probar si una serie de datos
observada, concuerda con el modelo (serie
esperada) de la informacin.
2. Para probar las diferencias entre las
proporciones de varios grupos (tabla de
contingencia).
Para todos los casos,
511
Esperada
(fo - fe)2
fe
( fo )
( fe )
Aguilas
63
50
3.38
Soles
37
50
3.38
2 = 3.38 + 3.38
2 = 6.76
c=
2
j=1
513
514
515
.250
.100
.050
.025
.010
.005
.001
1
2
3
4
5
1.323
2.773
4.108
5.385
6.626
2.706
4.605
6.251
7.779
9.236
3.841
5.991
7.815
9.488
11.070
5.024
7.378
9.348
11.143
12.832
6.635
9.210
11.345
13.277
15.086
7.879
10.597
12.838
14.860
16.750
10.828
13.816
16.266
18.467
20.515
6
7
8
9
10
7.841
9.037
10.219
11.389
12.549
10.645
12.017
13.362
14.684
15.987
12.592
14.067
15.507
16.919
18.307
14.449
16.013
17.535
19.023
20.483
16.812
18.475
20.090
21.666
23.209
18.548
20.278
21.955
23.589
25.188
22.458
24.322
26.125
27.877
29.588
11
12
13
14
15
13.701
14.845
15.984
17.117
18.245
17.275
18.549
19.812
21.064
22.307
19.675
21.026
22.362
23.685
24.996
21.920
23.337
24.736
26.119
27.488
24.725
26.217
27.688
29.141
30.578
26.757
28.300
29.819
31.319
32.801
31.264
32.909
34.528
36.123
37.697
16
17
18
19
20
19.369
20.489
21.605
22.718
23.828
23.542
24.769
25.989
27.204
28.412
26.296
27.587
28.869
30.144
31.410
28.845
30.191
31.526
32.852
34.170
32.000
33.409
34.805
36.191
37.566
34.267
35.718
37.156
38.582
39.997
39.252
40.790
43.312
43.820
45.315
21
22
23
24
25
24.935
26.039
27.141
28.241
29.339
29.615
30.813
32.007
33.196
34.382
32.671
33.924
35.172
36.415
37.652
35.479
36.781
38.076
39.364
40.646
38.932
40.289
41.638
42.980
44.314
41.401
42.796
44.181
45.558
46.928
46.797
48.268
49.728
51.179
52.620
26
27
28
29
30
30.434
31.528
32.620
33.711
34.800
35.563
36.741
37.916
39.087
40.256
38.885
40.113
41.337
42.557
43.773
41.923
43.194
44.461
45.722
46.979
45.642
46.963
48.278
49.588
50.892
48.290
49.645
50.993
52.336
53.672
54.052
55.476
56.892
58.302
59.703
40
50
60
45.616
56.334
66.981
51.805
63.167
74.397
55.758
67.505
79.082
59.342
71.420
83.298
63.691
76.154
88.379
66.766
79.490
91.952
73.402
86.661
99.607
70
80
90
100
77.577
88.130
98.650
109.141
85.527
96.578
107.565
118.498
90.531
101.879
113.145
124.342
95.023
106.629
118.136
129.561
100.425
112.329
124.116
135.807
104.215
116.321
128.299
140.169
112.317
124.839
137.208
149.449
516
Tabla de contingencia
517
Tabla de contingencia
518
Tabla de contingencia
519
Partes defectuosas
mquina 1
fo = 517
fo = 17
Total = 534
mquina 2
fo = 234
fo = 11
Total = 245
751
28
Total
779
Partes defectuosas
mquina 1
fo = 751*534/779
fo = 28*534/779
Total = 534
mquina 2
fo = 751*245/779
fo = 28*245/779
Total = 245
mquina 1
Partes
buenas
530.53
mquina 2
233.47
Partes defectuosas
3.47
1.53
779
232
233.47
764
3
1.53
5
235
769
Tabla de Chi2
Tabla de valores crticos seleccionados para Chi2
DF
.250
.100
.050
1
2
3
4
5
1.323
2.773
4.108
5.385
6.626
2.706
4.605
6.251
7.779
9.236
3.841
5.991
7.815
9.488
11.070
6
7
8
9
10
7.841
9.037
10.219
11.389
12.549
10.645
12.017
13.362
14.684
15.987
11
12
13
14
15
13.701
14.845
15.984
17.117
18.245
16
17
18
19
20
19.369
20.489
21.605
22.718
23.828
.025
.010
.005
5.024
7.378
9.348
11.143
12.832
6.635
9.210
11.345
13.277
15.086
7.879
10.597
12.838
14.860
16.750
10.828
13.816
16.266
18.467
20.515
12.592
14.067
15.507
16.919
18.307
14.449
16.013
17.535
19.023
20.483
16.812
18.475
20.090
21.666
23.209
18.548
20.278
21.955
23.589
25.188
22.458
24.322
26.125
27.877
29.588
17.275
18.549
19.812
21.064
22.307
19.675
21.026
22.362
23.685
24.996
21.920
23.337
24.736
26.119
27.488
24.725
26.217
27.688
29.141
30.578
26.757
28.300
29.819
31.319
32.801
31.264
32.909
34.528
36.123
37.697
23.542
24.769
25.989
27.204
28.412
26.296
27.587
28.869
30.144
31.410
28.845
30.191
31.526
32.852
34.170
32.000
33.409
34.805
36.191
37.566
34.267
35.718
37.156
38.582
39.997
39.252
40.790
43.312
43.820
45.315
.001
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reduccin de tiempo de ciclo.
235
223.38
4217
4228.62
4452
3
12.84
253
243.16
256
18
17.66
334
334.34
352
5414
5700
Total
286
1
6.61
127
121.39
128
200
208.55
3836
3827.45
4036
54
13.23
202
242.77
256
5
36.38
699
667.62
704
12
6.61
278
116
121.39
5102
128
Total
5380
Chi2 = 0.057 + 0.003 + 4.765 + 0.260 + 0.351 + 0.019 +125.666 + 6.847 + 27.065 + 1.475
+ 4.386 + 0.239 = 171.132
DF= 5; valor P = 0.000
Coeficiente de
Contingencia
Chi2
N
CC
Mquina
8.734
5700
0.15
Operador
171.132
5380
3.18
x 100
Controlador Mayor
SI el tamao de la muestra (N), es similar para los grupos. Al dividir entre N,
probablemente, llevar a la misma ruta que hubiera alcanzado con slo ver la
estadstica Chi2.
Sin embargo, si N tiene una variacin considerable, dependiendo del grupo de
variacin que se investiga, el coeficiente de contingencia puede ser una herramienta
valiosa para determinar la prioridad sobre qu grupo debe investigarse primero.
54
13.23
202
242.77
256
5
36.38
699
667.62
704
12
6.61
116
121.39
128
Ejercicios
1. Se quiere evaluar la habilidad de tres inspectores de rayos
X en un aeropuerto para detectar artculos clave. Como
prueba se pusieron radios de transistores en 90 maletas,
cada inspector fue expuesto a 30 maletas conteniendo radios
mezcladas entre otras que nos los contenan. Los resultados
se resumen a continuacin:
Inspectores
1
2
3
Radios detectados
Radios no detectados
27
3
25
5
22
8
Ejercicios
1. Se quiere evaluar si hay preferencia por manejar en un
carril de una autopista dependiendo de la hora del da. Los
datos se resumen a continuacin:
Carril
Izquierdo
Central
Derecho
Hora del da
1:00
3:00
44
37
28
50
8
13
5:00
18
72
30
Coeficiente de Contingencia
C2
X2
X2 N
532
Coeficiente de Contingencia
C2
2
X2
66
.
22
2
0.38
2
2
X N
66.22 393
Max C
k 2
82
0.866
k
8
533
Correlacin de atributos
X
N (k 1)
534
7B8 Pruebas de
Hiptesis no paramtricas
535
Pruebas no paramtricas
536
Prueba de Hiptesis
Atributo
Variable
No Normal
Varianza
Homogeneidad
de la Variacin
de Levene
Tablas de
Contingencia de
Medianas
Correlacin
Correlacin
Prueba de signos
Wilcoxon
MannWhitney
KurskalWallis
Prueba de Mood
Friedman
Normal
Variancia
Prueba-F
Homogeneidad
de la Variacin
de Bartlett
Medias
Pruebas de t
Muestra-1
Muestra-2
ANOVA
Una va
Dos vas
Correlacin
Regresin
Residuos
distribuidos
normalmente
Datos No Normales
Pruebas de Variancias
Pruebas de Varianzas
X2 : Compara la variancia de una
Homogeneidad de la varianza de
muestra con una variancia de un Levene : Compara dos o ms
universo conocido.
varianzas de muestras de la misma
poblacin.
Prueba F : Compara dos varianzas
de muestras.
Homogeneidad de la variancia de
Bartlett: Compara dos o ms
varianzas muestras de la misma
poblacin.
538
Datos No Normales
Pruebas de la Mediana
539
7B8. Definiciones
Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).
Mediana
28.0
35.0
42.0
49.0
56.0
63.0
C1
++++++
Promedio = 40.35
Mediana = 39.5
Prueba t de 2 muestras
ANOVA de un factor
Prueba de Rachas
Considere los siguientes datos (que se muestran aqu en orden cronolgico):
325, 210, 400, 72, 150, 145, 110, 507, 56, 120, 99, 144, 110, 110,
320, 290, 101, 0, 80, 500, 201, 50, 140, 80, 220, 180, 240, 309, 80
Promedio
500
Primera
"corrida"
400
300
200
100
0
Segunda racha"
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.
Nmero total de Rachas: 12
Nmero total de puntos > al promedio: 11
Nmero total de puntos < al promedio: 18
Prueba de Rachas
Ho: Los datos son aleatorios
Ha:Los datos NO so aleatorios
Prueba de Rachas
Promedio K = 184.4483
Promedio
Este es el valor p
de las Prueba de
Corridas
n1 = 11n2 = 18
DesStG = 2.4843
Runs Test: C1
Runs test for C1
Runs above and below K = 184.448
The observed number of runs = 12
The expected number of runs = 14.6552
11 observations above K, 18 below
P-value = 0.285
P > 0.05
No rechazar
Ho
547
Valor
0
50
56
72
80
80
80
99
101
110
No.
11
12
13
14
15
16
17
18
19
20
Valor
110
110
120
140
144
145
150
180
201
210
Signo
+
+
+
+
+
+
+
+
No.
21
22
23
24
25
26
27
28
29
Valor
220
240
290
309
320
325
400
500
507
Signo
+
+
+
+
+
+
+
+
+
115
100
200
300
400
500
144
Corrida en Minitab
SignTestforMedian:Signos
Signtestofmedian=115.0versusnot
=115.0
NBelowEqualAbove
PMedian
Signos2912017
0.4583144.0
Como P > 0.05 no se rechaza Ho y la mediana es 115
552
Casa
Limpiad
or
10
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)
Familia
10
Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas
10.2
9.5
0.7
0.7
9.6
9.8
-0.2
0.2
-2
9.2
8.8
0.4
0.4
3.5
3.5
10.6
10.1
0.5
0.5
5.5
5.5
9.9
10.3
-0.4
0.4
3.5
-3.5
10.2
9.3
0.9
0.9
10
10
10.6
10.5
0.1
0.1
10
10
Eliminar
11.2
10.6
0.6
0.6
10
10.7
10.2
0.5
0.5
5.5
5.5
11
10.6
9.8
0.8
0.8
9
T = 556
44
T 0
n(n 1)(2n 1)
6
En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.
= raiz(10 x 11 x 21/6) = 19.62
Z = (T )/ = 44/19.62 = 2.24
Z alfa/2 = Z0.025 = 1.96
Como Zc = 2.24 > Z0.025 se rechaza Ho, los mtodos son diferentes
557
Achievement
77
88
85
74
75
62
80
70
83
558
Prueba de MannWhitney
Se llev a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, despus de diez minutos de
ejercicios aerbicos.
Los datos resultantes se muestran a continuacin.
Edad 40-44
C1
Tuvieron diferencias
140
significativas las frecuencias de
135
pulso de ambos grupos?
150
140
144
154
160
144
136
148
Edad 16-20
C2
130
166
128
126
140
136
132
128
124
Prueba de MannWhitney
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160
Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166
n1 = 10
Ta = 130.5
n2 = 9
Tb = 55.5
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: 1 = 2
Ha: 1 2
1, 2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5
P(Ua) = 0.006
Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ua = 14.5
Ub = 79.5
Utilizando el estadstico Z y la distribucin normal se tiene:
45
12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.
Prueba de Mann-Whitney
16-20 aos de edad
40-44 aos de
edad
140
135
150
140
144
154
160
144
136
148
130
10
5
20
10
14
24
30
14
6
18
166
-26
-31
-16
-26
-22
-12
-6
-22
-30
-18
128
12
7
22
12
16
26
32
16
8
20
126
14
9
24
14
18
28
34
18
10
22
140
0
-5
10
0
4
14
20
4
-4
8
136
4
-1
14
4
8
18
24
8
0
12
132
8
3
18
8
12
22
28
12
4
16
128
12
7
22
12
16
26
32
16
8
20
124
16
11
26
16
20
30
36
20
12
24
Corrida en Minitab
Prueba de Kruskal
Wallis
Ordenando los datos de ventas y asignndoles el (rango) de su posicin relativa se tiene
(promediando posiciones para el caso de que sean iguales):
Zona 1
(15.5) 147
(17.5) 17.5
(9) 128
(19) 162
(12) 135
(10) 132
(22) 181
(13) 138
Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119
Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169
n1 = 8
Ta = 118
n2 = 10
Tb = 111.5
n3 = 7
Tc = 95.5
N = n1 + n2 + n3 = 25
Prueba de Kruskal
Wallis
Corrida en Minitab
568
(O E )
E
2
569
570
P>0.05
Chi-Square = 49.08
DF = 2
P = 0.0005 Se
rechaza Ho
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+--------+---------+-0
47 9
29 24 106.0 21.5
15 55 116.5 16.3
(------*------)
(----*----)
----+---------+---------+---------+--
571
573
EnzymeActivity
Therapy
Litter
0.15
0.26
0.23
0.99
0.55
0.26
-0.22
0.99
0.55
0.66
0.77
0.99
575
rechazar Ho
S = 3.80 DF = 2 P = 0.150 (adjusted for
ties)
Sum
of
Therapy N Est Median Ranks
1
0.2450
6.5
0.3117
7.0
0.5783 10.5
576
577
578
579
580
Prueba de igualdad de
varianzas de Levene
581
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
582
Rot
Temp
Oxygen
13
10
10
10
10
10
10
15
10
10
10
10
10
10
26
16
19
16
24
16
15
16
22
16
18
16
20
16
10
24
16
10
16
10
Prueba de igualdad 11
3
de Varianzas-Minitab10
Se estudian tamaos de papa
inyectando con bacterias y
sujetas a diferentes
temperaturas. Antes del
ANOVA se verifica la
igualdad de varianzas
583
Resultados
584
Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard
deviations
Temp Oxygen N
Lower
StDev
Upper
10
10
10
16
16
16
rechazar Ho
Levene's Test (any continuous distribution)
585
586
587
El coeficiente de correlacin de
rangos de Spearman (rs)
r 1
6 d
N N
3
6(5.5)
rs 1
1 0.03 0.97
990
588
Coeficiente de correlacin
de rangos para monotona
de preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8
fabricantes
Rang
Fab.
Preferencia
Precio
(rango)
o
Di
449.50 (1)
36
525.00 (5)
-1
479.95 (3)
-1
499.95 (4)
580.00 (8)
-7
49
549.95 (7)
-4
16
469.95 (2)
36
532.50 (6)
-1
Di
cuadrada
589
Coeficiente de correlacin
de rangos para monotona
de preferencias
Ho: No existe asociacin entre los rangos
Ha: Existe asociacin entre los rangos o es positiva o negativa
El coeficiente de correlacin de rangos de Spearman es:
Rs = 1 6*suma(di cuadrada) / (n(n cuadrada 1))
En este caso: Rs = 1 6(144)/(8*(64-1) = -0.714
R0 se determina de la tabla de Valores crticos del coeficiente de
correlacin del coeficiente de correlacin de rangos de
Spearman
Rt = 0.686
Por tanto si hay asociacin significativa en las preferencias
590
Tabla de constantes
n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Alfa=0.05
0.900
0.829
0.714
0.643
0.600
0.564
0.523
0.497
0.475
0.457
0.441
0.425
0.412
0.388
0.377
0.368
0.359
0.351
0.343
0.336
0.329
0.329
0.323
0.317
0.311
0.305
Alfa = 0.025
0.886
0.786
0.738
0.683
0.648
0.623
0.591
0.566
0.545
0.525
0.507
0.490
0.476
0.462
0.450
0.438
0.428
0.418
0.409
0.400
0.392
0.385
0.377
0.370
0.364
591
Preci
o
449
525
479
Correlations: Preferencia,
Precio
499
580
Pearson correlation of
Preferencia and Precio =
-0.714
549
469
532
P-Value = 0.047
592
Correlations: Colageno,
Proline
Pearson correlation of
Colageno and Proline =
0.935
P-Value = 0.002
Paciente
Colgeno
Proline
7.1
2.8
7.1
2.9
7.2
2.8
8.3
2.6
9.4
3.5
10.5
4.6
11.4
593
Resumen de pruebas
no paramtricas
594
Resumen de pruebas
no paramtricas
595
596
597
598
Causas
Resultados
Ensamble de ojillos,
bloques y contrapesos no
adecuados en aspas.
SI ES CAUSA RAIZ
2
3
Amortiguadores daados.
SI ES CAUSA RAIZ
5
6
7
Causa
Raz
NO ES CAUSA RAIZ
NO ES CAUSA RAIZ
SI ES CAUSA RAIZ
SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
X
X
Preguntas ejemplo
1. En un sentido amplio, cuantas de las siguientes causas
de variacin en estudios multi vari pueden incluir
elementos de proceso relacionados con el tiempo:
I. Posicional
II. Cilndrica
III. Temporal
a. I y II
c. II y III
b. I y III
d. I, II y III
2. En un estudio de anlisis de regresin con dos variables,
que representa el trmino Beta 1?:
a. La pendiente de la lnea
b. La interaccin de la medicin
c. La interseccin en el eje X
d. La interseccin en el eje Y
3. Se hace un estudio entre la velocidad de coches y su
consumo de gasolina. El coeficiente de correlacin es de
0.35. Despus se encontr que el velocmetro est
equivocado y debi haber marcado 5 km. De ms. Se
recalcula el coeficiente de correlacin, que debe dar:
a. 0.30 b. 0.35 c. 0.40 d. -0.35
Preguntas ejemplo
4. La siguiente ecuacin es:
a. La covarianza de X y Y
b. El coeficiente de correlacin de X y Y
c. El coeficiente de determinacin de X y Y
d. La varianza del producto de X y Y
5. Segn la figura, Cul de las afirmaciones siguientes es
falsa?
Preguntas ejemplo
6. Un problema de correlacin:
a. Se resuelve estimado el valor de la variable
dependiente para varios valores de la variable
independiente
b. Considera la variacin conjunta de las dos
mediciones, ninguna de las cuales es
restringida por el experimentador
c. Es un caso donde la distribucin relevante
debe ser geomtrica
d. Se resuelve al asumir que las variables son
normales e independientemente distribuidas
con media cero y varianza s
Preguntas ejemplo
7. Una muestra aleatoria de tamao n se toma de una gran
poblacin con desviacin estndar de 1.0. El tamao de
muestra se determina de manera que haya un 0.05 de
probabilidad de riesgo de exceder 0.1 de error de tolerancia
al usar la media de la muestra para estimar la Mu. Cul de
los siguientes valores es el ms cercano al tamao de muestra
requerido?
a. 365
b. 40
c. 200
d. 100
Preguntas ejemplo
10. En una muestra aleatoria de 900 vehculos, 80% tienen
frenos ABS. Cul es el intervalo del 95% para el
porcentaje de vehculos con frenos ABS?
a. 0.778 0.821 c. 0.639 0.964
b. 0.771 0.829
d. 0.774 0.826
11. Determinar si los siguientes dos tipos de misiles tienen
diferencias significativas en sus varianzas a un nivel del
5%:
Misil A:61 lecturas
Varianza = 1.347 km2.
Misil B:31 lecturas
Varianza = 2.237 km2.
a. Hay diferencia significativa ya que Fcalc < Ftablas
b. No hay diferencia significativa por que Fcalc < Ftablas
c. Hay diferencia significativa por que Fcalc > Ftablas
d. No hay diferencia significativa pro que Facla > Ftablas
12. El valor crtico para t, cuando se hace una prueba t de
dos colas, con muestras de 13 y alfa de 0.05 es:
a. 1.782
c. 2.064
b. 2.179
d. 1.711
Preguntas ejemplo
13. Tres personas en entrenamiento se les proporciona el mismo
lote de 50 piezas y se les pide que las clasifiquen como buenas
o defectuosas, con los resultados siguientes:
Persona
Preguntas ejemplo
15. Los supuestos bsicos del anlisis de varianza oncluyen:
I. Las observaciones vienen de poblaciones normales
II. Las observaciones vienen de poblaciones con vaianzas
iguales
III. Las observaciones vienen de poblaciones con medias
iguales
a. I y II
c. II y III
b. I y III
d. I, II y III
Preguntas ejemplo
17. Cul de las siguientes afirmaciones son verdaderas en
relacin a las pruebas no paramtricas?
I. Tienen mayor eficiencia que sus equivalentes pruebas
paramtricas
II. Pueden ser aplicadas a estudios de correlacin
III. Requieren supuestos acerca de la forma oi naturaleza de
las poblaciones involucradas
IV. Requieren clculos que son ms difciles que sus
equivalentes pruebas paramtricas
a. Slo II
c. II y IV
b. I y III
d. I, II y III