Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
de Green Belts
1
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
2
Seis Sigma - Análisis
FMEA
B. Pruebas de hipótesis
3
¿ Qué es el FMEA?
El Análisis de del Modo y Efectos de Falla es un grupo sistematizado de
actividades para:
5
Tipos de FMEAs
FMEA de Diseño (AMEFD), su propósito es analizar como
afectan al sistema los modos de falla y minimizar los
efectos de falla en el sistema. Se usan antes de la
liberación de productos o servicios, para corregir las
deficiencias de diseño.
6
Salidas del FMEA de Proceso
Una lista de modos potenciales de falla
7
Salidas del FMEA de Proceso
Una lista de procesos o acciones de proceso para
reducir la Severidad, eliminar las causas de los modos
de falla del producto o reducir su tasa de ocurrencia, y
mejorar la tasa de Detección de defectos si no se
puede mejorar la capacidad del proceso
8
FMEA de Proceso - PFMEA
9
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Resultados de Acción
O Controles de D
Función S Causa(s)
Efecto (s) c Diseño o e R Responsable S O D R
del Producto/ Modos de Falla e Potencial(es) Acción Acción
Potencial (es) c Proceso t P y fecha límite e c e P
Paso del Potenciales v o Mecanismos Sugerida Adoptada
de falla u Actuales e N de Terminación v c t N
proceso . de falla
r c
Modelo del PFMEA – Paso 1
Identificar todos los requerimientos funcionales dentro del
alcance
11
Modelo de PFMEA – Paso 1
tiempo
Funcionamiento intermitente
Función no intencionada
12
Modelo de PFMEA - Paso 1
13
CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA AMEFP
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Peligroso
con aviso
Calificación de severidad muy alta cuando un modo potencial de
falla afecta la operación segura del producto y/o involucra un no
Puede exponer al peligro al operador (máquina o ensamble)
sin aviso 9
cumplimiento con alguna regulación gubernamental, con aviso
Paso 2 identificar:
Las causas asociadas (primer nivel y raíz)
Su tasa de ocurrencia
15
Modelo de PFMEA – Paso 2
16
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de Falla
• Efectos Locales
– Efectos en el Área Local
– Impactos Inmediatos
• Efectos Finales
– Efecto en el Usuario Final del producto o Servicio
17
CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA AMEFP
Probabilidad Indices Posibles de ppk Calif.
falla
Muy alta: Fallas 100 por mil piezas < 0.55 10
persistentes
50 por mil piezas > 0.55 9
Moderada Los controles tienen una buena X X Detección de error en operaciones subsiguientes, o medición
Muy Alta Controles seguros para detectar X No se pueden hacer partes discrepantes porque el item ha
pasado a prueba de errores dado el diseño del 1
proceso/producto
Resultados de Acción
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Causas probables a
Insatisfacción
atacar primero
20
Calcular RPN (Número de Prioridad de
Riesgo)
21
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Resultados de Acción
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Causas probables a
Insatisfacción
atacar primero
Planear Acciones
Resultados de Acción
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
24
Ejemplo de AMEFP
25
Identificación de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de Relaciones
Diagrama de Árbol
Verificación de causas raíz
26
Tormenta de ideas
Técnica para generar ideas creativas cuando la mejor
solución no es obvia.
28
Diagrama de Ishikawa
Anotar el problema en el cuadro de la derecha
Mediciones
Materia Prima
Maquinaria
Personal y
Métodos
o
Las diferentes etapas del proceso de manufactura o
servicio
29
Diagrama de causa efecto
Divide los problemas en partes más pequeñas
30
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
13/0 2/1
Bandas de
Dancer transmisión
2/4 Taco generador 1/1 Causas a validar
del motor Empaques de arrastre
No strong
commitment
to the group
In = 2 Out = 0
Capacity
may not
meet needs
Planning In = 5 Out = 1
approach not
standardized Outcome
In = 0 Out = 5
External Lack of
Driver factors impact time and
implemen- resources
tation
In = 5 Out = 0
In = 0 Out = 2
Diagrama de árbol o sistemático
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
35
Diagrama de Arbol- Aplicación Sistema SMED
¿Cómo? ¿Cuándo?
Filmar la preparación 5- 12 - Mar-04
Preparación
para el SMED
Analizar el video 10 y 17 –Mar-04
38
Calendario de las actividades
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas de Abril’04 1804 J. R.
transmisión de vibración excesiva ejes principales y polea de transmisión del Embob. U. P.
ejes durante el ciclo de motor.
embobinadores cambio. 4.1.2 Tomar dimensiones de poleas(dientes
. de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas. 39
Verificación de posibles causas
Antes de invertir tiempo y dinero en la
implementación de una mejora para “contrarrestar”
una causa, asegurarse que la causa sea real.
40
IV A 1. Estudios Multivari
41
Estudios Multivari
La carta multivari permite analizar la variación dentro
de la pieza, de pieza a pieza o de tiempo en tiempo
42
Estudios Multivari
La variación dentro de las muestras (cinco puntos en
cada línea). La variación de muestra a muestra como
posición vertical de las líneas.
E
S
P
E
S
O
R
Número de subgrupo 43
Estudios Multivari
Ejemplo de parte metálica
Centro más grueso
44
Estudios Multivari
Procedimiento de muestreo:
Seleccionar el proceso y la característica a
investigar
45
Estudios Multivari
Procedimiento de muestreo:
Realizar la carta Multivari
Unir los valores observados con una línea
48
Cartas Multivari
Ejemplo: Se toman 3 a 5 unidades consecutivas, repitiendo el
proceso tres o más veces a cierto intervalo de tiempo, hasta que al
menos el 80% de la variación en el proceso se ha capturado.
1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIÓN POSICIONAL DENTRO DE LA UNIDAD
49
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIÓN CÍCLICA DE UNIDAD A UNIDAD
50
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
51
Cartas Multivari
Ejemplo: Un proceso produce flecha cilíndricas, con
un diámetro especificado de 0.0250” 0.001”.
0.2500”
0.2490”
Izquierda
Máximo
Derecha
Mínimo
Cartas Multivari
Un análisis rápido revela que la mayor variación es temporal
con un cambio mayor entre las 10 AM y las 11 AM.
56
Cartas Multivari
Tipo de % var. Causas de Acción % de variación
Variación Total Variación Correctiva Reducida
Temporal 50 Bajo nivel de Adicionar Casi 50
Tiempo a tiempo Refrigerante refrigerante
Dentro de 10 Ajuste no Ajuste de la Casi 10
la flecha no paralelo herramienta de
corte
Dentro de 30 Rodamiento Nuevo Casi 30
la flecha gastado rodamiento
Flecha a 5 -??? - -
flecha
57
Cartas Multivari
Resultados:
La variación total en la siguiente corrida de producción se
redujo de 0.0025” a 0.0004”
Diámetro de Flecha
(0.150" +/- .002)
Variación
Variación de
de
sist. medición
proceso
Operador a
operador
Programa Máquina Accesorios
59
Cartas Multivari
Ejemplo (cont..):
• Al realizar la prueba de homogeneidad de varianza F, se
encontró que había una diferencia significante entre los
operadores.
62
Resultados
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
0.5
23.5
1.0
2.0
22.5
21.5
Strength
20.5
19.5
18.5
17.5
15 18 21
MetalType
63
IV.A.2 Regresión lineal simple
64
Definiciones
Correlación
Establece si existe una relación entre las variables y
responde a la pregunta, ”¿Qué tan evidente es esta
relación?"
Regresión
Describe con más detalle la relación entre las variables.
65
Correlación
Propósito: Estudiar la posible relación
entre dos variables.
Accidentes laborales
• • •
• • Correlación
• •
• • •
• • • • positiva,
• •
• •
•
•
posible
• • •
• • •
•
• •
66
Correlación de la información (R ) de las X y las Y
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
R=1 20
X
R=-1
15
Correlación Y 10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
15
X
R=0 20
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
R=>1 X
R=>-1
Correlaciones (Pearson)
Tabla de Correlación mínima
69
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.
y 0 1 X
72
Regresión Lineal Simple
La línea de regresión se calcula por el método de mínimos cuadrados.
Un residuo es la diferencia entre un punto de referencia en particular (xi,
yi) y el modelo de predicción ( y = a + bx ). El modelo se define de tal
manera que la suma de los cuadrados de los residuales es un mínimo. La
suma residual de los cuadrados es llamada con frecuencia la suma de los
cuadrados de los errores (SSE) acerca de la línea de regresión
yi y = b0 + b1x
ei •
•
•
• •
•
a y b son
•
• • •
• • • • Estimados de
•
•
•
•
• 0 y 1
•
• • •
• • •
•
• •
xi
SSE = ei2 = yi - yi2
Gráfica de la Línea de Ajuste
Recta de regresión
Y=-.600.858+5738.89X
R2 = .895
600
Retención
500 Regresión
95% Intervalo
de confianza
95% Intervalo
400 de predicción
74
Interpretación de los Resultados
75
Interpretación de los Resultados
77
Ejemplo
Considere el problema de predecir las ventas mensuales en
función del costo de publicidad. Calcular el coeficiente de
correlación, el de determinación y la recta.
1 1.2 101
2 0.8 92
3 1.0 110
4 1.3 120
5 0.7 90
6 0.8 82
7 1.0 93
8 0.6 75
9 0.9 91
10 1.1 105 78
Riesgos de la regresión
Los modelos de regresión son válidos como ecuaciones de
interpolación sobre el rango de las variables utilizadas en el
modelo. No pueden ser válidas para extrapolación fuera de
este rango.
* *
* * * Sin A y B
* * * *
*B
X 79
Riesgos de la regresión
Los outliers u observaciones aberrantes pueden distorsionar
seriamente el ajuste de mínimos cuadrados.
Y
*A *
* * *
**
* * *
** *
**
* * *
**
* *
Distancia Tiempo
0.8 200
2.2 400
1.0 160
0.6 120
1.0 360
1.4 280
2.2 560
0.6 320
81
Regresión lineal múltiple
82
Regresión múltiple
Cuando se usa más de una variable independiente para predecir
los valores de una variable dependiente, el proceso se llama
análisis de regresión múltiple, incluye el uso de ecuaciones
lineales.
Yu 0 1 X u1 2 X u 2 ....... k X uk u
83
Multicolinealidad
Una prueba fácil de probar si hay multicolinealidad entre dos
variables es que su coeficiente de correlación sea mayor a 0.7
84
Corrida en Minitab
Se introducen los datos en varias columnas C1 a C5
incluyendo la respuesta Y (heatflux) y las variables
predictoras X’s (North, South, East)
HeatFlux Insolation East South North
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
85
Corrida en Minitab
Utilzar el archivo de ejemplo Exh_regr.mtw
Opción: Stat > Regression > Regression
Para regresión lineal indicar la columna de respuesta
Y (Score2) y X (Score1)
3.5
Score2
2.5
Regression
1.5 95% CI
95% PI
2 3 4 5 6 7 8 9
Score1
88
Resultados de la regresión Múltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor Coef SE Coef T P
Constant 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
East 2.125 1.214 1.75 0.092
S = 8.598 R-Sq = 87.4% R-Sq(adj) = 85.9%
Analysis of Variance
Source DF SS MS F P
Regression 3 12833.9 4278.0 57.87 0.000
Residual Error 25 1848.1 73.9
Total 28 14681.9
Source DF Seq SS
North 1 10578.7
South 1 2028.9
East 1 226.3
89
Resumen de la Regresión
• La regresión sólo puede utilizarse con información de variables
continuas.
90
IV.B Pruebas de hipótesis
91
IV.B. Pruebas de hipótesis
1. Conceptos fundamentales
2. Pruebas para medias, varianzas y proporciones
5. Tablas de contingencia
6. Pruebas no paramétricas
92
IV.B.1 Conceptos
fundamentales
93
Análisis Estadístico
En CADA prueba estadística, se comparan algunos valores
observados a algunos esperados u otro valor observado
comparando estimaciones de parámetros (media, desviación
estándar, varianza)
Hipótesis alterna Ha
Es la hipótesis que se acepta como verdadera cuando se
95
Conceptos fundamentales
Ejemplos:
Se está investigando si una semilla modificada
proporciona una mayor rendimiento por hectárea, la
hipótesis nula de dos colas asumirá que los
rendimientos no cambian Ho: Ya = Yb
96
Conceptos fundamentales
Estadístico de prueba
Para probar la hipótesis nula se calcula un estadístico
de prueba con la información de la muestra el cual se
compara a un valor crítico apropiado. De esta forma se
toma una decisión sobre rechazar o no rechazar la Ho
inversamente
Incrementando el tamaño de muestra se pueden reducir ambos
riesgos.
Decisión realizada Ho en realidad es Ho en realidad es
Verdadera falsa
No hay evidencia para p = 1- p=
rechazar Ho Decisión correcta Error tipo II
Rechazar Ho p= p=1-
Error tipo I Decisión correcta
98
Conceptos fundamentales
Pruebas de dos colas
Si la Ho: , , , = cte. que un valor poblacional,
entonces el riesgo alfa se reparte en ambos extremos
de la distribución. Por ejemplo si Ho = 10 se tiene:
99
Conceptos fundamentales
Pruebas de una cola
Si la Ho: , , , >= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola izquierda de
la distribución. Por ejemplo si Ho: >= 10 y Ha: < 10
se tiene una prueba de cola izquierda:
100
Conceptos fundamentales
Pruebas de una cola
Si la Ho: , , , <= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola derecha de
la distribución. Por ejemplo si Ho: <= 10 y Ha: >
10 se tiene una prueba de cola derecha:
101
Conceptos fundamentales
Tamaño de muestra requerido
Normalmente se determina el error alfa y beta deseado
y después se calcula el tamaño de muestra necesario
para obtener el intervalo de confianza.
Z 2 / 2 2
n
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2 Z 2 / 2 2
n
(X )2
Z 2 / 2 ( )( 1 )
n
( p )2 103
Conceptos fundamentales
Ejemplo:
¿Cuál es el tamaño de muestra mínimo que al 95% de
nivel de confianza (Z=1.96) confirma la significancia de
una corrida en la media mayor a 4 toneladas/hora (E),
si la desviación estándar (sigma) es de 20 toneladas?
n = (1.96^2)(20^2)/(4)^2 = 96
ANOVA
Diseños factoriales de dos niveles
Diseños de Packett Burman
105
Estimación puntual
y por intervalo
106
7B2. Estimación puntual y por
intervalo
Las medias o desviaciones estándar calculadas de una muestra
se denominan ESTADÍSTICOS, podrían ser consideradas como
un punto estimado de la media y desviación estándar real de
población o de los PARAMETROS.
107
Intervalo de confianza
Error de estimación
109
Estimación puntual y por
intervalo
95% de Nivel de Confianza significa que sólo tenemos un 5% de
oportunidad de obtener un punto fuera de ese intervalo.
p (1 p )
p Z
2
n
111
Instrucciones con Minitab
Intervalo de confianza para la media
En Options:
OK
112
Instrucciones con Minitab
Intervalo de confianza para proporción
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
113
Para n grande el IC es pequeño
114
Ejemplo
Dadas las siguientes resistencias a la tensión: 28.7,
27.9, 29.2 y 26.5 psi
115
Ejemplos para la media con
Distribución normal Z
116
Ejemplos para la media y varianza
con Distribución t
117
Ejemplos para proporciones con
Distribución Z
118
IV.B.2b Pruebas de hipótesis para
media, varianza y proporción
119
Elementos de una
Prueba de Hipótesis
120
Elementos de una
Prueba de Hipótesis
121
Pasos en la Prueba de Hipótesis
1. Definir el Problema - Problema Práctico
122
Pasos en la Prueba de Hipótesis
5. Establecer las Hipótesis
- Hipótesis Nula (Ho) - Siempre tiene el signo =, ,
d
t ; Pares.de.medias; d i . para.cada. par
Sd / n
( n 1) S 2
X 2
; DF ( n 1); prueba.una.v ar ianza
2
(O E ) 2
X 2
; DF ( r 1)(c 1); bondad .ajuste
E
126
Pasos en la Prueba de Hipótesis
11. Obtener el estadístico correspondiente de tablas o Excel.
-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a b
Ha: a > b Región de
Rechazo
0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a b
Ha: a < b Región de
Rechazo
-Z 0 Z
Prueba de hipótesis para la varianza
Las varianzas de la población se ditribuyen de
acuerdo a la distribución Chi Cuadrada. Por tanto las
inferencias acerca de la varianza poblacional se
basarán en este estadístico
130
Prueba de hipótesis para la varianza
2.17
5.99
Región de Región de
Rechazo Rechazo
0
-Z Z
s
IC. para.estimar. X Z Error estándar
Z alfa/2
101.5
1.95996398
2 n
Intervalo de confianza 2251 198.936344
El intervalo de confianza incluye a la media de la hipótesis
por tanto no se rechaza la Ho. 2052.064 <= <= ### ) 137
Prueba de hipótesis de una población
para muestras pequeñas con t
Se piensa que las ventas promedio de $5,775 se han incrementado gracias a la campaña publicitaria
Probar esta afirmación a un nivel de significancia alfa de 1%
Se inicia con el planteamiento de la hipótesis Alterna
Datos
Semanas n 15 media mu = 5775
Ventas prom X 6012
Desv. Estándar s 977 (Alfa = 0.01 (1-Alfa = 0.99
(Alfa/2 = 0.005 (1-Alfa/2 = 0.995
Paso 1. Establecimiento de hipótesis
s
IC. para.estimar. X t Error estándar 252.260315
2 n Z alfa/2 2.62449406
Como el intervalo de confianza Intervalo de confianza 6012 662.0557002
contiene a la media Hipótesis no se rechaza Ho 5349.94 <= <= 6674.06 )
139
Instrucciones con Minitab para la
prueba de hipótesis de una media
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
140
Prueba de hipótesis
para una proporción con Z
El gerente de mercado considera que el 50% de sus clientes gasta menos de $10 en cada visita a la tienda.
¿Estás de acuerdo con esta afirmación a un nivel de significancia del 5%?
Se inicia con el planteamiento de la hipótesis nula
Datos
Clientes n 50 Proporción media = 0.5
30 gastaron p 0.6
menos de$10 (Alfa = 0.05 (1-Alfa = 0.95
(Alfa/2 = 0.025 (1-Alfa/2 = 0.975
Paso 1. Establecimiento de hipótesis
Ho : c 0.5
Ha : c 0.5 Se trata de una prueba de dos colas
Paso 2. Cálculo del estadístico de prueba Zc
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Proportion Proporción de la hipótesis
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
144
Prueba de Hipótesis
Supongamos que tenemos muestras de dos reactores que
producen el mismo artículo. Se desea ver si hay diferencia
significativa en el rendimiento de “Reactor a Reactor”.
Reactor A Reactor B
89.7 84.7 Estadísticas Descriptivas
81.4 86.1
84.5 83.2 Variable Reactor N Media Desv.Std
84.8 91.9
87.3 86.3 Rendimiento A 10 84.24 2.90
79.7 79.3 B 10 85.54 3.65
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
Prueba de Hipótesis
Pregunta Práctica: Existe diferencia entre los reactores?
Ho: a b
Ha: a b
147
¿Qué representa esto?
Reactor A Reactor B
B B B B B BB BB B
A AA AAAA A A
80.0 82.5 85.0 87.5 90.0 92.5
¿Representan los reactores dos procesos diferentes?
149
Prueba F de dos varianzas
Método 1 Método 2
No. De CDs n1 15 n2 17 Alfa/2 0.025
Desv. Estan. s1 5.4 X2 4.8
Varianza s12 29.16 s22 23.04
Ho : 12 22
Ha : 12 22 Por tanto se trata de una prueba de dos colas
Tomamos a s12 como el mayor para comparar Fc contra Fexcel (1- Alfa/2)
f(F)
Fe(0.025) = 2.81701784
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
OK
153
Prueba de hipótesis de dos pob.
Comparando dos medias con Z
Investigar si el ambiente libre de tensiones mejoran el engorde y la calidad de la carne de vacas
Las varianzas poblacionales son desconocidas
Determinar el intervalo de confianza al 90% donde se encuentra la media. Alfa = 0.10
Ze (0.90)= 1.28
Zc = 1.03099301 Valor p para Zc es igual a
P(-Zc) = 0.149402368
p > Alfa
Como Zc es menor que Zexcel, no cae en el área de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que no hay diferencia entre vacas de vacaciones y normales
Paso adicional. El Intervalo de confianza del 90% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
s12 s 22
X 1 X 2 = Error estándar 6.11061372
n1 n2 Z (alfa/2) = 1.64485363
( X 1 X 2 ) Z / 2 s X 1 X 2 = Intervalo de confianza
6.3 + - 10.05106514
La diferencia es del orden de cero,es decir ( -3.75107 < = u < = 16.3511 )
155
Prueba de dos medias
muestras pequeñas
Sigmas descono-
cidas e iguales
Sigmas desconocidas
y desiguales 156
Prueba de hipótesis de dos pob.
Comparando dos medias con t
Investigar si hay diferencia en los promedios de las ventas diarias de dos tiendas
Las varianzas de las dos poblaciones son iguales pero desconocidas 1 2
2 2
Ho : T 1 T 2
Ha : T 1 T 2 Por tanto se trata de una prueba de dos colas
n1 n2 2
p
25
Paso 3. Determinar la te de Excel o de tablas para una alfa de 0.01 que corresponde a alfa/2 = 0.005
Se tienen n1 + n2 - 2 grados de libertad o sean 25
te (0.01) = 2.78743581 DIST.T.INV (0.01, 25)
157
Asi es para dos colas
Paso 4. Comparando los valores tc calculado contra texcel (0.01) se tiene
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Difference (normalmente 0)
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
159
Prueba de hipótesis de dos pob.
Comparando dos proporciones con Z
Investigar si tiene razon el analista sobre si los bonos convertibles se sobrevaloraron más que los
bonos de ingresos.
Probar la hipótesis a un 10% de nivel de significancia o error de equivocarse en rechazar Ho.
Convertibles Ingresos
Bonos n1 312 n2 205 Alfa 0.1
Sobrevalorad X1 202 X2 102 1-Alfa 0.9
7.8
p1 0.647 p2 0.498 Fracción de las muestras
Paso 1. Establecimiento de hipótesis
Ho : 1 2 0....otra. forma....Ho : 1 2
Por tanto se trata de una prueba de cola derecha
Ha : 1 2 > 0..........................Ha : 1 > 2
Paso 2. Cálculo del estadístico de prueba Zc
p1 p 2 0.150 = > Zc = 3.393046759
Zc
p1 (1 p1 ) p 2 (1 p 2 )
0.04417119
n1 n2
Tomamos a p1 como el mayor para comparar Zc contra Ze positiva (1- Alfa)
Paso 3. Determinar la Ze de Excel o de tablas para 1-Alfa 0.9
Ze (0.9) = 1.28155157 DIST.NORM.STAND.INV (0.9)
160
Paso 4. Comparando los valores Zc calculado contra Zexcel (0.9) se tiene
Zc = 3.39304676
Ze(0.9) = 1.281551566
Valor p para Zc es igual a
P(-Zc) = 0.00034946
p < Alfa
Como Zc es mayo que Zexcel, si cae en el área de rechazo,
y por tanto hay suficiente evidencia para rechazar Ho y aceptar Ha
Se concluye que la diferencia en conv. entre los bonos es significativa
Paso adicional. El Intervalo de confianza del 98% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
p1 (1 p1 ) p2 (1 p2 )
s p1 p 2 = Error estándar 0.044171193
n1 n2 Zexcel (para alfa/2) 1.644853627
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Difference Normalmente 0
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
163
Prueba de hipótesis de dos pob.
Comparando datos pareados con t
Las muestras pareadas de tamaño 25 reportaron una diferencia media de 45.2 y una desviación
estándar de las diferencias de 21.6. Pruebe la igualdad de medias a un nivel del 5%.
Paso 1. Establecimiento de Hipótesis
Ho : 1 2
Ha : 1 2 Grados de libertad = No. de pares - 1
No. Pares de muestras n = 25
Paso 2. Se calcula el estadístico tc: Diferencia media = 45.2
Desv. Estándar de difs. = 21.6
Alfa 0.05
d gl = 24
tc = 10.462963
sd
n
Paso 3. Se determina el valor crítico del estadístico t de Excel o tablas para Alfa / 2 0.025
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Mean (normalmente 0)
Indicar el signo de la hipótesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
166
Robustez
Los procedimientos estadísticos se basan en
supuestos acerca de su comportamiento teórico.
Cuando los estadísticos obtenidos no son afectados
por desviaciones moderadas de su expectativa
teórica, se dice que son robustos.
167
Resumen
168
IV.B:4 ANOVA para un factor
169
Introducción
Cuando es necesario comparar 2 o más medias poblacionales al
mismo tiempo, para lo cual se usa ANOVA.
distribuyen normalmente
El término de error tiene un efecto distribuido normalmente
e independiente
170
Introducción
Con el ANOVA las variaciones en la respuesta se dividen
en componentes que reflejan los efectos de una o más
variables independientes
171
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
172
ANOVA - Condiciones
Todas las poblaciones son normales
173
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
Peso porc. Respuesta
de algodón Resistencia de la tela
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
174
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT ( Xij X )
i 1 j 1
175
ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X ) 2
i 1
176
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
a b
SCE (X ij X i) 2
i 1 j 1 177
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
179
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
180
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINVALFA, gl.SCTr , gl.SCE
181
Tabla final de ANOVA
TABLA DE ANOVA
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
182
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Fc
183
ANOVA – Toma de decisión
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
184
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
CME
T q , a , n a
b
Para diseños balanceado
(mismo número de columnas
en los tratamientos) el valor
de q se determina por medio
de la tabla en el libro de texto
185
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xi’s:
D1 = X1 – X2 D2 = X1 – X3 D3 = X2 – X3 etc.
186
ANOVA – Identificar las medias
diferentes por Prueba de Diferencia
Mínima Significativa DMS
2(CME ) F ,1,na
DMS
b
Para diseños 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 exceden
187
Prueba DMS para Diseños no
balanceados
1 1
DMS j ,k (CME ) F ,a 1,n a
b j bk
Para diseños no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi – Xi’
188
Ejemplo:
Considerar un experimento de un factor (máquina)
con tres niveles (máquinas A, B, C). Los datos se
muestran a continuación y debe verificarse si existe
diferencia significativa a un alfa = 0.05
189
Ejemplo:
A B C
5 2 1
7 0 0
6 1 -2
7 -2 -3
6 2 0
191
Ejemplo:
One-way ANOVA: A, B, C
Source DF SS MS F P
192
Corrida en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subíndices de los renglones en una
columna C2 Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2
193
Corrida en Minitab
Opción: stat>ANOVA – One Way (usar archivo
Exh_aov)
En Response indicar la col. De Respuesta (Durability)
196
¿Para qué se utiliza?
2
197
Ejemplo 1: Chi Cuadrada( 2 )
198
Ejemplo 1: Chi Cuadrada( 2 )
Aguilas 63 50 3.38
Soles 37 50 3.38
2 = 3.38 + 3.38
2 = 6.76
199
Ejemplo 1: Chi cuadrada
Función de Distribución Acumulada Chi2 con 1 grado de
libertad (d.f)
2c P(2c > x)
6.7600 p = 1 - 0.9907 = 0.0093
201
Tabla de contingencia
Una tabla de clasificación de dos vías (filas y columnas) que
contiene frecuencias originales, se puede analizar para
determinar si las dos variables (clasificaciones) son
independientes o tienen una asociación significativa.
202
Tabla de contingencia
Para esta prueba se usa la prueba Chi Cuadrada donde:
203
Tabla de contingencia
Ejemplo: Cada una de las 15 celdas hace una contribución al
estadístico Chi Cuadrado (una celda)
204
Ejemplo 2: Chi2 Para comparación de dos
grupos; ¿son las mismas proporciones?)
Ho: No existen diferencias en los índices de defectos de las dos máquinas.
Ha: Existen diferencias en los índices de defectos de las dos máquinas.
2 232 3 235
233.47 1.53
Total 764 5 769
Nota: Chi cuadrada no podrá aplicarse en los casos donde los conteos seas menores a 5 en 20%
de celdas.
Si cualquiera de los conteos esperados en las celdas es menor a uno, no deberá usarse Chi2.
Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categorías pueden ser de utilidad.
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reducción de tiempo de ciclo.
Máquina a máquina
Ho: No existe diferencia en los índices de defecto de las diferentes
máquinas
Ha: Existe diferencia en los índices de defecto de las diferentes
máquinas
Tamaño de la muestra:
5000 + total de oportunidades (172 piezas)
Prueba de chi2 (máquina a máquina)
Los conteos esperados están colocados debajo de los conteos observados
Con fugas Sin fugas Total
1 30 610 640
32.11 607.89
3 3 253 256
12.84 243.16
4 18 334 352
17.66 334.34
2 1 127 128
6.61 121.39
4 54 202 256
13.23 242.77
5 5 699 704
36.38 667.62
6 12 116 128
6.61 121.39
Total 278 5102 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
¿Qué sucede si los grupos múltiples de variación son estadísticamente significativos?
(en este caso, operador a operador y máquina a máquina)
6 12 116 128
6.61 121.39
(Estos mismos operadores fueron quienes
tuvieron los números más grandes de chi2)
Operador a operador: = 0.000
Rechace
Ho y acepte Ha
(Existe una diferencia significativa entre los operadores)
¿Cuál es el próximo paso? Hable con todos los operadores para averiguar qué diferencias
pueden existen en sus técnicas.
El operador 5 encontró un modo de mejor de hacer el ensamble, con lo cual consiguió mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonómica. Se añadió
un colocador para ensamblar la parte en forma segura. (Esto también redujo el tiempo que
requerían los operadores para “acostumbrarse” a trabajar en esta forma)
Ejercicios
Radios detectados 27 25 22
Radios no detectados 3 5 8
216
Pruebas no paramétricas
Las pruebas paramétricas asumen una distribución para la
población, tal como la Normal
217
Prueba de Hipótesis
Variable Atributo
No Normal Tablas de
Contingencia de
Varianza Medianas
Correlación
Correlación
Homogeneidad
Prueba de signos
de la Variación
de Levene Wilcoxon
Normal
Mann-
Whitney Variancia Medias
Kurskal-
Wallis Pruebas de t
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
Resumen de pruebas de Hipótesis
Datos Normales 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 más
universo conocido. varianzas de muestras de la misma
población.
Prueba F : Compara dos varianzas
de muestras.
Homogeneidad de la variancia de
Bartlett: Compara dos o más
varianzas muestras de la misma
población.
219
Resumen de pruebas de Hipótesis
Datos Normales Datos No Normales
Pruebas de los Promedios Pruebas de la Mediana
Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).
Moda : Valor que se repite con más frecuencia sobre el conjunto de datos.
Ejemplo:
Se cuestionó a veinte personas sobre cuánto tiempo les tomaba estar
listas para ir a trabajar, en las mañanas. Sus respuestas (en minutos) se
muestran más adelante. ¿Cuáles son el promedio y la mediana para esta
muestra?
Promedio
Mediana
500 Promedio
Primera 400
"corrida" 300
200
100
Segunda ”racha"
Prueba de Rachas
Promedio K = 184.4483 Promedio
Z = (G - MediaG) / DesvStG
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 228
Prueba de Signos de la Mediana
115 144
Después de todo, tal vez
esto SEA lo correcto.
Corrida en Minitab
Stat > Nonparametrics > 1-Sample sign Variable C1
Confidence interval 95% Test Median 115 Alternative Not equal
Sign Test for Median: Signos
Sign test of median = 115.0 versus not
= 115.0
233
Prueba de Signos de la Mediana
Para observaciones pareadas
T 0 T
n(n 1)( 2n 1)
6
En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.
Como Zc = 2.24 > Z0.025 se rechaza Ho, los métodos son diferentes
238
Prueba en Minitab para prueba de
mediana con Wilconox
File> Open worksheet > Exh_Stat
Stat > Nonparametrics > 1-Sample Wilconox Achievement
Variables C1 Test Median 77 77
Altenative Not equal 88
85
Wilcoxon Signed Rank Test: Achievement
Test of median = 77.00 versus median not = 77.00 74
for Wilcoxon Estimated 75
for Wilcoxon Estimated
N Test Statistic P Median 62
Achievement 9 8 19.5 0.889 77.50 80
70
Ho: Mediana = 77 Ha: Mediana <> 77
Como P de 0.889 >> alfa de 0.05 no se rechaza Ho 83
239
Prueba de Mann-Whitney
Se llevó a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, después de diez minutos de
ejercicios aeróbicos.
n1 = 10 n2 = 9
Ta = 130.5 Tb = 55.5
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas
Ho: 1 = 2 Ha: 1 2 1, 2 = Medianas de las poblaciones
Ordenando los datos y asignándoles su posición relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 14.5 Ub = 79.5
Utilizando el estadístico Z y la distribución 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 crítico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrítico se rechaza la Hipótesis Ho de que las medianas son iguales.
135 5 -31 7 9 -5 -1 3 7 11
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
edad
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
información), Minitab usa este punto estimado para calcular el valor p.
Corrida en Minitab
Stat > Nonparametrics > Mann Whitney
First Sample C1 Second Sample C2 Conf. Level 95%
Alternative Not equal
n1 = 8 n2 = 10 n3 = 7 N = n1 + n2 + n3 = 25
Ta = 118 Tb = 111.5 Tc = 95.5
Prueba de Kruskal Wallis
249
Prueba de Medianas de Mood
Se determina el estadístico Chi Cuadrada con:
(O E ) 2
2
E
Probar Ho: Todas las medianas son iguales
Ha: Al menos una mediana es diferente
250
Corrida con Minitab
Se les da a 179 participantes una conferencia con
dibujos para ilustrar el tema. Después se les da la
prueba OTIS que mide la habilidad intelectual. Los
participantes se clasificaron por nivel educativo 0-No
prof., 1-Prof., 2-Prepa
253
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados de salida:
Se muestra el estadístico de prueba con distribución
254
Diseños factoriales aleatorias
bloqueados de Friedman
Ejemplo:
Se evalúa el efecto del tratamiento de una droga en
la actividad enzimática con tres niveles, probado en
cuatro animales
255
Diseños factoriales aleatorias
bloqueados de Friedman
Datos: EnzymeActivity Therapy Litter
0.15 1 1
0.26 1 2
0.23 1 3
0.99 1 4
0.55 2 1
0.26 2 2
-0.22 2 3
0.99 2 4
0.55 3 1
0.66 3 2
0.77 3 3
0.99 3 4 256
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
Friedman Test: EnzymeActivity versus Therapy
blocked by Litter
S = 2.38 DF = 2 P = 0.305 No rechazar Ho
258
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
259
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
260
Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
261
Prueba de igualdad de
varianzas de Levene
Se usa para probar la hipótesis nula de que las varianzas de k
múltiples poblacionales son iguales
262
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
263
Rot Temp Oxygen
13 10 2
Prueba de igualdad 11 10 2
de Varianzas-Minitab 3
10
10
10
2
6
4 10 6
Se estudian tamaños de papa 7 10 6
inyectando con bacterias y
15 10 10
sujetas a diferentes
2 10 10
temperaturas. Antes del
7 10 10
ANOVA se verifica la
igualdad de varianzas 26 16 2
19 16 2
24 16 2
Stat > ANOVA > Test for
15 16 6
equal variances
22 16 6
Response Rot
18 16 6
Factors Temp Oxigen
20 16 10
Confidence level 95%
24 16 10
8 16 10
264
Resultados
265
Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard deviations
Temp Oxygen N Lower StDev Upper
10 2 3 2.26029 5.29150 81.890
10 6 3 1.28146 3.00000 46.427
10 10 3 2.80104 6.55744 101.481
16 2 3 1.54013 3.60555 55.799
16 6 3 1.50012 3.51188 54.349
16 10 3 3.55677 8.32666 128.862
Bartlett's Test (normal distribution)
Test statistic = 2.71, p-value = 0.744 P>0.05 no rechazar Ho
Levene's Test (any continuous distribution)
Test statistic = 0.37, p-value = 0.858
266
Prueba de la concordancia del
Coeficiente de Kendall
El coeficiente expresa el grado de asociación entre las
calificaciones múltiples realizadas por un evaluador
268
El coeficiente de correlación de
rangos de Spearman (rs)
El coeficiente de correlación es una medida de la asociación que
requiere que ambas variables sean medidas en al menos una
escala ordinal de manera que las muestras u observaciones a
ser analizadas pueden ser clasificadas en rangos en dos series
ordenadas
6 d 2
6(5.5)
rs 1 1 0.03 0.97
990
269
Coeficiente de correlación de
rangos para monotonía de
preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8 fabricantes
Rango
Fab. Preferencia Precio
Di
(rango) Di cuadrada
1 7 449.50 (1) 6 36
2 4 525.00 (5) -1 1
3 2 479.95 (3) -1 1
4 6 499.95 (4) 2 4
5 1 580.00 (8) -7 49
6 3 549.95 (7) -4 16
7 8 469.95 (2) 6 36
8 5 532.50 (6) -1 1 270
Coeficiente de correlación de
rangos para monotonía de
preferencias
Ho: No existe asociación entre los rangos
Ha: Existe asociación entre los rangos o es positiva o negativa
Rt = 0.686
271
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364 272
Corrida con Minitab
Para la corrida en Minitab primero se Fabric Prefe- Preci
deben determinar los rangos en ante rencia Precio o
forma manual para las variables X
y Y. 1 7 1 449
Stat > Basic statistics > Correlation 2 4 5 525
Variables Preferencia Precio 3 2 3 479
Correlations: Preferencia, Precio 4 6 4 499
Pearson correlation of 5 1 8 580
Preferencia and Precio = -0.714 6 3 7 549
P-Value = 0.047 7 8 2 469
8 5 6 532
273
Ejemplo con Minitab
Se estudia la relación entre colágeno y
Proline en pacientes con cirrosis Paciente Colágeno Proline
Stat > Basic statistics > Correlation
1 7.1 2.8
Variables Colágeno Proline
2 7.1 2.9
3 7.2 2.8
Correlations: Colageno, Proline
4 8.3 2.6
Pearson correlation of Colageno 5 9.4 3.5
and Proline = 0.935
6 10.5 4.6
P-Value = 0.002 7 11.4 5
274
Resumen de pruebas
no paramétricas
Prueba de signos de 1 muestra: Prueba la igualdad de la
mediana a un valor y determina el intervalo de confianza
275
Resumen de pruebas
no paramétricas
276
277
278
Salidas de la Fase de Análisis
Causas raíz validadas
279
Resumen de la validación de las causas
# de
Causa Causas Resultados Causa
Raíz
1 Ensamble de ojillos, bloques y SI ES CAUSA RAIZ X
contrapesos no adecuados en
aspas.
2 Amortiguadores dañados. SI ES CAUSA RAIZ X
3 Desgaste de bujes en los
carretes. NO ES CAUSA RAIZ
4 Fabricación y reemplazo de NO ES CAUSA RAIZ
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
SI ES CAUSA RAIZ X
5 bandas de transmisión de
aspas.
Método de Balanceo no
6 SI ES CAUSA RAIZ X
adecuado.
7 Desalineación de pinolas en NO ES CAUSA RAIZ
cuna.