Lean Sigma BB Analisis B

Lean Seis Sigma
Programa de certificacin
de Black Belts
VI. Lean Seis Sigma Anlisis
B
Segunda Parte
P. Reyes / Abril de 2010
VI.F Mtodos de anlisis

adicionales
Mtodos adicionales de
anlisis
1. Anlisis de brecha
2. Anlisis de causa raz
3. Anlisis del Muda
VI.F.1 Anlisis de brecha
El anlisis de brecha (Gap Analysis) es una

herramienta de evaluacin para comparar el
desempeo actual de la organizacin, a un
desempeo potencial deseado.
Identifica la diferencia de lo que es y lo que

debera ser
Anlisis de brecha
Se pueden redirigir los esfuerzos a objetivos

como:
Permanecer en el negocio
Mantener o incrementar la participacin del
mercado
Mejorar el clima laboral
Igualar o exceder a Benchmarks
Igualar o exceder a la competencia
Reducir tiempos de ciclo
Lograr certificaciones
Mejorar la productividad
Mejorar los niveles de calidad
6
Anlisis de brecha
Se requieren tres categoras de informacin
Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?
Planeacin de escenarios
Al elaborar planes estratgicos, los directivos

pueden confiarse o ser orgullosos de aceptar
cambios. Por lo que se sugiere considerar
escenarios del mejor y del peor caso, para
evitar errores en la toma de decisiones
Los escenarios permiten imaginar el

desempeo futuro de la organizacin ante
riesgos, para tomar las mejores decisiones y
atender estos eventos. Aunque algunos
elementos sean desconocidos
8
El proceso de planeacin es como sigue:
Seleccionar al personal que pueda dar muchas

perspectivas
Desarrollar una lista de cambios percibidos,
sociales, tcnicos y econmicos
Agrupar estas percepciones en patrones
relacionados
Desarrollar una lista de las mejores
percepciones (prioridades)
El proceso de planeacin es como sigue:
Desarrollar un escenario grueso del futuro

basado en estas prioridades
Determinar como afectan los escenarios a la
organizacin
Determinar los cursos de accin potenciales a
tomar
Monitorear, evaluar, y revisar los escenarios
10
Por lo comn se perciben de 6 10 amenazas

u oportunidades en 2 o 3 escenarios
desarrollados. Evitar las siguientes trampas:
No utilizar un facilitador experimentado
Considerar escenarios como pronsticos
Hacer escenarios simplistas
Limitar el impacto global de los escenarios
11
Evitar las siguientes trampas..:
No incluir a un equipo directivo en el proceso
Tratar los escenarios solo como actividad

informativa
Limitar el estmulo imaginativo en el diseo del

escenario
No desarrollar escenarios para rea de impacto

clave del negocio
12
Planeacin Hoshin
Es una herramienta de ejecucin, usada para

organizar y desplegar planes estratgicos
Hoshin traduce la visin de la empresa en

resultados medibles dramticos y rupturas
estratgicas
Hoshin se enfoca a identificar los pocos logros

vitales de ruptura
13
Planeacin Hoshin
Tiene seis objetivos:
Alinear las metas organizacionales
Enfocarse en las pocas brechas vitales

estratgicas
Trabajar con otros para cerrar las brechas
Especificar los mtodos para lograr los objetivos
Hacer visible el enlace entre planes locales
14
Otras tcnicas de anlisis

clave
Benchmarking
Anlisis FODA
Anlisis PEST
Las cinco fuerzas competitivas de Porter
15
Evaluacin organizacional
Anlisis funcional con datos de coleccin:
Entrevistas cara a cara

Seleccin de muestra apropiada
Entradas de grupo de enfoque
Observaciones de visitas a la planta
Datos colectados de fuentes de la industria
Se divide a la organizacin en reas

funcionales clave
Liderazgo, prcticas de negocio, anlisis

financiero, mercadotecnia, gestin de la calidad,
diseo y desarrollo, manufactura, salud y
seguridad, etc
16
Evaluacin organizacional
Se deben analizar los resultados y presentarlos

a la direccin, quien debe promover e
implementar planes de accin claros
Normalmente el consultor colecta y resume la

informacin en categoras principales para su
revisin por la direccin. Quienes deben
generar e implementar las soluciones y guiar
al xito
17
Mtricas organizacionales
Se establecen metas de desempeo

organizacional y sus mtricas en las reas de:
Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado
Por cada meta organizacional mayor deben

desarrollarse mtricas, con unidades y
mtodos de medicin.
18
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo
Valor de acciones, inversin de capital, costos

personales, comparaciones competitivas, ROI,
ventas$
Tiempos de ciclo
Tiempos de ciclo actuales

Benchmarks internos
Benchmarks externos
Reduccin en tiempos de ciclo
19
Recursos
No. De proyectos de mejora, ROI de proyectos,
estudios de capacidad de procesos, reducciones de
variabilidad, costos de calidad con relacin a una
base, porcentaje de defectos con relacin a alguna
base
Respuestas del mercado

Encuestas con clientes
Anlisis de devoluciones
Desarrollo de nuevos productos
Retencin de clientes
Prdidas con clientes
Tasas de cortesas e instalaciones
20
Las mtricas permiten medir los avances en
relacin a las metas organizacionales
De acuerdo a Juran se debe tomar en cuenta lo

siguiente:
Las mtricas deben tener un significado

estndar
Deben apoyar el proceso de toma de decisiones
Deben proporcionar informacin valiosa
Debe ser fcil de instalar
Si son valiosas, deben usarse en todo
Las mtricas se basan en la retroalimentacin

con base en clientes, proveedores,21
o internas
VI.F.2 Anlisis de causa

raz
22
Anlisis de causa raz
Un equipo tiene la responsabilidad de

determinar la causa raz de una deficiencia y
corregirla. Pueden tomar varios pasos:
Situacin (presa con fuga)

Accin inmediata (desahogarla)
Accin intermedia (reparar la presa)
Accin en la causa raz (identificar que caus la
fuga para evitar su recurrencia y reconstruir la
presa)
23

Se pueden utilizar las siguientes herramientas:
Herramientas subjetivas:
Preguntar por qu cinco veces, tormenta de

ideas,
anlisis de flujo de proceso, PHVA, grupo

nominal,
observacin de operacin, diagrama de causa

efecto,
24 de
tcnicas de consenso, seis sombreros

Se pueden utilizar las siguientes herramientas:
Herramientas analticas:
Coleccin y anlisis de datos
Anlisis de Pareto, anlisis de regresin, hoja de

verificacin
Anlisis de matriz de datos

Anlisis de capacidad de procesos, divisin de
variacin
Subgrupos de datos, experimentos simples, DOE
25

Ante una accin correctiva permanente, la
direccin debe determinar si:
El anlisis de causa raz ha identificado el

impacto completo del problema
La accin correctiva es efectiva para eliminar o

prevenir la recurrencia
La accin correctiva es realista y sostenible

26
Los 5 Por qus
Se hace la pregunta Por qu? Cinco veces
Por qu? Nos faltaron partes por mquina

daada
Por qu? La mquina no ha tenido
mantenimiento en los ltimos 3 meses
Por qu? El departamento de mantenimiento se
ha reducido a 6 personas de 8
Por qu? Se pas del presupuesto, les quitaron
el tiempo extra y dos personas
Por qu? La empresa no ha tenido los
resultados esperados y el director ha hecho
recortes para salvar la situacin, teme por su
puesto
27
5Ws y 1H
El mtodo de las 5Ws y 1H se resume al

preguntar quin?, qu?, cundo?, dnde?,
por qu? Y cmo?.
Pueden usarse las ramas del diagrama de

causa efecto
28
Diagrama de causa efecto
Rompe el problema en partes ms pequeas

Muestra muchas causas potenciales
grficamente
Muestra como interactan las causas
Sigue las reglas de la tormenta de ideas
Las sesiones tienen tres partes:
Tormenta de ideas
Dar prioridades (identificar las tres causas
principales)
Desarrollo de un plan de accin
29
Diagrama de Pareto
Sirve para identificar problemas u

oportunidades prioritarias o mayores
De acuerdo a Juran permite identificar los

pocos vitales de los muchos triviales
El principio de Pareto sugiere que unas

cuantas categoras de problemas (20% aprox.)
presentan la mayor oportunidad para la
mejora (80% aprox.)
30
Mtodo de las 8 disciplinas Ford
El mtodo de Ford para el anlisis de causa

raz es:
D1. Establecer el equipo
D2. Describir el problema
D3. Desarrollar una accin de contencin
D4. Identificar la causa raz
D5. Desarrollar alternativas de solucin
D6. Implementar una accin correctiva
permanente
D7. Prevenir la recurrencia
D8. Reconocer al equipo y las contribuciones
individuales
31
Anlisis de rbol de falla FTA
FTA es un mtodo sistemtico deductivo, para

definir un evento singular especfico e
indeseable, y determinar todas las posibles
razones (fallas) que pueden hacer que ocurra
el evento
Se utiliza el las primeras fases del diseo

como herramienta para impulsar
modificaciones iniciales de diseo.
32
Otras reas de su aplicacin son:
Anlisis funcional de sistemas complejos

Evaluacin de requerimientos de seguridad,
confiabilidad,
defectos de diseo,
riesgos de peligro,
acciones correctivas,
simplificacin de mantenimiento y deteccin de
falla,
eliminacin lgica de causas de falla
33
Se prefiere el FTA en vez del FMEA cuando:
La seguridad el personal es importante

Se pueden identificar un nmero pequeo de
eventos superiores
Hay alto potencial de falla
El problema es cuantificar la evaluacin del
riesgo
La funcionalidad del producto es altamente
compleja
El producto no es reaprables
34
Se prefiere el FMEA en vez del FTA cuando:
Los eventos superiores no se pueden definir

explcitamente
Son factibles mltiples perfiles potencialmente
exitosos
La identificacin de todos los modos de falla es
importante
La funcionalidad del producto tiene poca
intervencin externa
35
Smbolos de compuertas lgicas para

determinar la confiabilidad del sistema. Hay
smbolos de eventos y smbolos de
compuertas
Smbolos de eventos
Evento superior, falla a nivel sistema o evento

indeseable
Evento bsico, evento falla de ms bajo nivel
a estudiar
Evento de falla, evento de falla de bajo nivel. Puede recibir
entradas o proporcionar salidas a una compuerta lgica
36
Smbolos de compuertas lgicas
AND. El evento de salida ocurre solo

Si ocurren todos los eventos de entrada
Simultaneamente
OR. El evento de salida ocurre si
Ocurre alguno de los eventos de
La entrada
37
Ejemplo: se asume que falla el sistema

superior
38
La probabilidad de falla del sistema es 5.02%.

Se indica que el teclado es prioritario (0.20),
despus la CPU (0.015) y el monitor (0.015)
39
VI.F.3 Anlisis del Muda
40
Anlisis de Muda
Las actividades que no agregan valor se

clasifican como Muda, de acuerdo a Imai son:
Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas
41
Sobreproduccin
Se produce ms en cierto momento, por:
Producir ms de lo necesario por el siguiente

proceso
Producir antes de lo requerido por el siguiente
proceso
Producir ms rpido de lo requerido por el
siguiente proceso
Sus consecuencias son:
Espacio extra en las instalaciones del cliente

Materias primas adicionales en uso
Utilizacin de energticos y transportes
adicionales
42
Inventario en exceso
Las partes, materias primas, inventario en

proceso, refacciones y productos terminados
forman el inventario, el inventario es Muda ya
que requiere:
Espacio en piso, Transporte, Montacargas

Sistemas de transportadores
Inters sobre el costo de los materiales
Puede verse afectado por:
El polvo, deterioro, obsolescencia

Humedad (oxidacin), dao durante el manejo
43
Inventario en exceso
Las partes, materias primas, inventario en

proceso, refacciones y productos terminados
forman el inventario, el inventario es Muda ya
que requiere:
Espacio en piso, Transporte, Montacargas

Sistemas de transportadores
Inters sobre el costo de los materiales
Puede verse afectado por:
El polvo, deterioro, obsolescencia

Humedad (oxidacin), dao durante el manejo
44
Reparaciones / defectos
Las reparaciones o el retrabajo de partes

defectivas significa un segundo intento de
producirlas bien. Se rompe el Takt Time
Puede haber desperdicio de materiales o

productos no recuperable
Si hay defectos, no puede implementarse el

flujo de una pieza
Los cambios de diseo tambin son Muda
45
Movimientos
Los movimientos adicionales del personal son

Muda. Caminar mucho, cargar pesado,
agacharse, estirarse mucho, repetir
movimientos, etc.
El lugar de trabajo debe disearse

ergonmicamente, analizando cada estacin
de trabajo
La ergonoma puede causar daos y

produccin perdida
46
Movimientos
Algunas reglas de la ergonoma incluyen:
Enfatizar la seguridad todas las veces

Adecuar el empelado a la tarea
Cambiar el lugar de trabajo para que se adecue
al empleado
Mantener posiciones neutrales del cuerpo
Redisear las herramientas para reducir
esfuerzo y daos
Variar las tareas con rotacin de puestos
Hacer que la mquina sirva al ser humano
47
Reprocesos
Consiste de pasos adicionales en el proceso de

manufactura, por ejemplo:
Remocin de rebabas
Maquinado de partes mal moldeadas
Agregar procesos de manejo adicionales
Realizar procesos de inspeccin
Repetir cambios al producto innecesarios
Mantener copias adicionales de informacin
48
Transportes
Todo transporte es Muda excepto la entrega al

cliente. Incluye:
Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones
Puede ser causado por:
Deficiente distribucin de planta o de celdas

Tiempos de espera largos, reas grandes de
almacenaje, o problemas de programacin
49
Esperas
Ocurre cuando un operador est listo para

realizar su operacin, pero permanece ocioso,
por falla de mquina, falta de partes, paros de
lnea, etc. El Muda de espera puede ser por:
Operadores ociosos
Fallas de maquinaria
Tiempos de ajuste y preparacin largos
Tareas no programadas a tiempo
Flujo de materiales en lotes
Juntas largas e innecesarias
50
Mudas adicionales
Otros mudas adicionales a los 7 desperdicios

son:
Recursos mal utilizados

Recursos poco utilizados
Actividades de conteo
Bsqueda de herramientas o partes
Sistemas mltiples
Manos mltiples
Aprobaciones innecesarias
Fallas de mquinas
Envo de producto defectivo al cliente o mal
servicio
51
VI.B.3 Regresin lineal

mltiple
52
Regresin mltiple
Cuando se usa ms de una variable independiente para

predecir los valores de una variable dependiente, el
proceso se llama anlisis de regresin mltiple, incluye
el uso de ecuaciones lineales.
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.
53
Regresin mltiple
Estimacin de los parmetros del modelo
Se trata de minimizar los errores cuadrticos en:

N
R ( 0 , 1 ,..., k ) (Yu 0 1 X u1 2 X u 2 ..... uk ) 2

u 1
El modelo de regresin mltiple en forma matricial es:

Y = X + = [1 : D] +
Y es un vector N x 1.
X es una matriz de orden N x (k + 1), donde la 1. columna
es 1s.
es un vector de orden (k + 1) x 1.
es un vector de orden N x 1.
D es la matriz de Xij con i = 1, 2, ..., N; j = 1,54
2, ......, k
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
SSE Y ' Y b' X ' Y
s 2 MSE
SSE
N 55
p
Tamao de muestra
Tomar 5 observaciones para cada una de las

variables independientes, si esta razn es
menor de5 a 1, se tiene el riesgo de
sobreajustar el modelo
Un mejor nivel deseable es tomar 15 a 20

observaciones por cada variable
independiente
56
Ejemplo de regresin
mltiple
Un embotellador est analizando las rutas de servicio de

mquinas dispensadoras, est interesado en predecir la
cantidad de tiempo requerida por el chofer para surtir
las mquinas en el local (Y).
La actividad de servicio incluye llenar la mquina con

refrescos y un mantenimiento menor.
Se tienen como variables el nmero de envases con que

llena la mquina (X1) y la distancia que tiene que
caminar (X2).
57
Ejemplo de regresin
mltiple
58
Ejemplo de regresin mltiple

Solucin matricial
59

Solucin matricial
60

Solucin matricial
61

Solucin matricial
Intervalo de confianza para Beta 1
b1 t.025, 22 se(b1 ) 1 b1 t.025, 22 se(b1 )

1.61591 ( 2.074) (10.6239)(0.00274378) 1 1.6191 ( 2.074)(0.17073)
Por tanto el intervalo de confianza para el 95% es:
1.26181 1 1.97001
62

Solucin matricial
El embotellador desea construir un intervalo de

confianza sobre el tiempo medio de entrega para un
local requiriendo:
X1 = 8 envases y cuya distancia es X2 = 275 pies.
2.34123
1
Y0 X ' 0 b 1,8,275 1.61591 19.22minutos
X0 8
0.01438
275
La varianza de la Y0 estimada es (tomando M8=inv(XX) :

1
Var (Y0 ) S 2 X ' 0 ( X ' X ) 1 X 0 10.62391,8,275 M 8 8 10.6239(0.05346) 0.56794
275
63

Solucin matricial
El intervalo de confianza sobre el tiempo medio de

entrega para un local requiriendo es para 95% de nivel
de confianza:
19.22 2.074 0.56794 Y0 19.22 2.074 0.56794
Que se reduce a: 17.66 Y0 20.78
64

Solucin matricial
El anlisis de varianza es:
65

Solucin matricial
El comportamiento de los residuos es como sigue:
66
Multicolinealidad
La multicolinealidad implica una dependencia cercana

entre regresores (columnas de la matriz X ), de tal
forma que si hay una dependencia lineal exacta har
que la matriz XX sea singular.
La presencia de dependencias cercanamente lineales

impactan dramticamente en la habilidad para estimar
los coeficientes de regresin.
La varianza de los coeficientes de la regresin son

inflados debido a la multicolinealidad. Es evidente por
los valores diferentes de cero que no estn en la
diagonal principal de XX. Que son correlaciones
simples entre los regresores.
67
Multicolinealidad
Una prueba fcil de probar si hay multicolinealidad

entre dos variables es que su coeficiente de correlacin
sea mayor a 0.7
Los elementos de la diagonal principal de la matriz XX

se denominan Factores de inflacin de varianza (VIFs) y
se usan como un diagnstico importante de
multicolinealidad. Para el componente j simo se
1
tiene:
VIF j
1 R 2j
Si es mayor a 10 implica que se tienen serios problemas

de multicolinealidad.
68
Anlisis de los residuos
Los residuos graficados vs la Y estimada, pueden

mostrar diferentes patrones indicando adecuacin o no
adecuacin del modelo:
Grfica de residuos aleatorios cuya suma es cero (null

plot) indica modelo adecuado
Grfica de residuos mostrando una no linealidad

curvilnea indica necesidad de transformar las variables
Si los residuos se van abriendo indica que la varianza

muestra heteroestacidad y se requiere transformar las
variables. Se puede probar con la prueba de Levene de
homogeneidad de varianzas
69
Escalamiento de residuos
En algunos casos es difcil hacer comparaciones directas

entre los coeficientes de la regresin debido a que la
magnitud de bj refleja las unidades de medicin del
regresor Xj. Por ejemplo:
Y 5 X 1 1000 X 2
Para facilitarla visualizacin de residuos ante grandes

diferencias en los coeficientes, se sugiere estandarizar o
estudentizar los residuos
70
Residuos estandarizados
Se obtienen dividiendo cada residuo entre la

desviacin estndar de los residuos
di
ei
,
MSE
Despus de la estandarizacin, los residuos

tienen una media de 0 y desviacin estndar de
1
Con ms de 50 datos siguen a la distribucin t,

de manera que si exceden a 1.96 (lmite
para
71
Residuos estudentizados
Son similares a los residuos donde se elimina una

observacin y se predice su valor, pero adems se
elimina la i-sima observacin en el clculo de la
desviacin estndar usada para estandarizar la sima observacin
Puede identificar observaciones que tienen una gran

influencia pero que no son detectadas por los
residuos estandarizados
H = X (XX)-1X es
e la matriz sombrero o hat matriz.
ri
MSE (1 hii )
72
El estadstico PRESS (Prediction Error Sum of Squares)

es una medida similar a la R2 en la regresin. Difiere en
que se estiman n-1 modelos de regresin.
En cada modelo se omite una observacin en la

estimacin del modelo de regresin y entonces se
predice el valor de la observacin omitida con el modelo
estimado. El residuo isimo ser:
e( i ) Yi Y( i )
El residuo PRESS es la suma al cuadrado de los residuos

individuales e indica una medida de la capacidad de
N
prediccin
2
PRESS
2
2
PRESS e( i ) Yi Y( i )
i 1
RPr ediccin 1
SYY 73
Grficas parciales de
regresin
Para mostrar el impacto de casos individuales es ms

efectiva la grfica de regresin parcial. Un caso outlier
impacta en la pendiente de la ecuacin de regresin (y
su coeficiente).
Una comparacin visual de la grfica de regresin

parcial con y sin la observacin muestra la influencia de
la observacin
El coeficiente de correlacin parcial es la correlacin de

la variable independiente Xi la variable dependiente Y
cuando se han eliminado de ambos Xi y Y
La correlacin semiparcial refleja la correlacin

74 entre las
Matriz sombrero
Los puntos de influencia son observaciones

substancialmente diferentes de las observaciones
remanentes en una o ms variables independientes
Contiene valores (sombrero en su diagonal) para cada

observacin que representa influencia. Representa los
efectos combinados de todos las variables
independientes para cada caso
75
Matriz sombrero
Los valores en la diagonal de la matriz sombrero miden

dos aspectos:
Para cada observacin miden la distancia de la
observacin al centro de la media de todas las
observaciones de las variables independientes
Valores altos en la diagonal indica que la observacin

tiene mucho peso para la prediccin del valor de la
variable dependiente, minimizando su residuo
El rango de valores es de 0 a 1, con media p/n, p es
el nmero de predictores y n es el tamao de
muestra. Valores lmite se encuentran en 2p/n y 3p/n
76
Distancia de Mahalanobis
D2 es una medida comparable a los valores sombrero

(hat values) que considera slo la distancia de una
observacin del valor medio de las variables
independientes.
Es otra forma de identificar outliers
La significancia estadstica de la distancia de

Malahanobis se puede hacer a partir de tablas del texto:
Barnett, V., Outliers in Statistical Data, 2nd. Edition,
Nueva York, Wiley, 2984
77
Influencia en coeficientes
individuales
El impacto de eliminar una observacin simple en

cada uno de los coeficientes de la regresin
mltiple se muestra con la DFBETA y su versin
estandarizada SDFBETA.
Se sugiere aplicar como lmites 1.0 o 2 para

tamaos de muestra pequeos y n para muestras
medias y grandes
La distancia de Cook (Di) captura el impacto de una

observacin:
La dimensin del cambio en los valores pronosticados
cuando se omite la observacin y la distancia de las
otras observaciones, el lmite es 1 o 4/(n-k-1)
78
Influencia en coeficientes
individuales
La medida COVRATIO estima el efecto de la

observacin en la eficiencia del proceso, en sus
errores estndar de los coeficientes de la
regresin. Considera a todos los coeficientes
colectivamente.
El lmite puede ser establecido en 1 3p/n, los

valores mayores al lmite hacen el proceso ms eficiente y
los menores ms ineficiente
La medida SDFFIT es el grado en que cambian los

valores ajustados o pronosticados cuando el caso se
elimina. El valor lmite es 2*raz((k+1)/(n-k-1))
Ejemplo de regresin
mltiple
Solucin con Excel y Minitab
80
Ejemplo de Regresin Mltiple

Cat. (US News) GMAT
Stanford
1
711 82000
Harvard
2
670 80000
Penn (Wharton) 3
662 79000
MIT (Sloan)
4
650 78000
Chicago
5
680 65000
Northwestern
6
660 70000
Columbia
7
660 83000
Dartmouth
8
670 70000
Duke
9
646 67500
Berkeley
10 653 70000
Virginia
11
660 66000
Michigan
12 645 65000
NYU
13 646 70583
Carnegie Mellon 14 640 67200
Yale
15 675 65000
U.N.C.
16 630 60000
UCLA
17 651 65000
Texas-Austin
18 630 60000
Indiana
19 630 61500
Cornell
20 637 64000
Rochester
21 630 58500
Ohio State
22 611 61000
Emory
23 626 60000
Purdue
24 603 63700
Maryland
25 640 53000
Salario Inicial ($)

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
% Aceptacin
81
nterpretacin de Resultados de Excel- Regresin Multiple

SUMMARY OUTPUT
Regression Statistics
Multiple R
0.8749313 R Square 0.76550478
Adjusted R Square
0.732005463 Standard Error 4050.855918 Observations
25
ANOVA
df SS
MS
F
Significance F
Regression 3
1.12E+09
374977790.1
22.851355 8.17E-07
Residual
21 3.45E+08
16409433.67
Total
24 1.47E+09
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
65.76118
69.49917
198.8104 -4.662094325 0.0001336

60.44875 -0.991730876 0.3326192
125.6138 -1.526337637 0.1418472
-1340.32 -185.659
-452.957
Resultados de Excel- Regresin slo con slo X1

SUMMARY OUTPUT
Regression Statistics
Multiple R
0.855974
R Square 0.732691
Adjusted R Square
0.721069
Standard Error
4132.688
Observations 25
ANOVA
df
Regression
Residual
Total
SS
MS
F
1
1.08E+09
23 3.93E+08
24 1.47E+09
Significance F
1.08E+09
63.04264
17079107
4.88E-08
Coefficients Standard Error

t Stat
P-value Lower 95% Upper 95%
Intercept
79230.32
1703.951
46.49801
2.98E-2475705.43405
82755.20595
114.6201 -7.93994
4.88E-08-1147.186411
-672.9674353
Con
Conslo
sloX1,
X1,el
el Modelo
Modelose
sesimplifica
simplificaenormemente
enormemente
2
poca
pocaimportancia
importanciaprctica
prcticase
se pierde
pierdeen
enRR2 (ajustada)
(ajustada)
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
Desv. Estndar T
79230 1704
46.50
-910.1 114.6
-7.94
S = 4133
R2 = 73.3%
p
0.000
0.000
R2 (ajustada) = 72.1%
Anlisis de Variancia
Fuente
Regresin
Error
Total
DF
1
23
24
SS
MS
F
1076712008
1076712008
392819470
17079107
1469531477
p
63.04
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
Se introducen los datos en varias columnas C1

a C5 incluyendo la respuesta Y (heatflux) y las
variables predictoras Xs (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

Opcin: Stat > Regression > Regression
Para regresin lineal indicar la columna de
respuesta Y (Score2) y X (Score1)
En Regresin lienal en opciones se puede

poner un valor Xo para predecir la respuesta e
intervalos. Las grficas se obtienen Stat >
Regression > Regression > Fitted line Plots
Para regresin mltiple Y (heatflux) y las

columnas de los predictores (north, south,
86
east)
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
Predicted Values for New Observations

New Obs
1
2.6414
Fit
SE Fit
0.0474
95.0% CI
(
2.5292,
New Obs
1
2.7536)
95.0% PI
(
2.3197,
Score1
7.00
87
2.9631)
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
88
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
89
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
90
VI.B.4 Herramientas
multivariadas
91
Herramientas multivariadas
1. Introduccin
2. Anlisis de componentes principales
3. Anlisis factorial
4. Anlisis discriminante
5. MANOVA
92
Introduccin
En el anlisis multivariado se incluyen dos o

ms variables dependientes Y1, Y2, etc.
Consideradas simultneamente para las
variables independientes X1, X2, ., Xn
Normalmente se resuelven con herramientas

computacionales tales como Minitab y SPSS.
Entre las herramientas principales se

encuentran:
Componentes principales, anlisis factorial,

anlisis discriminante, anlisis de
conglomerados, anlisis cannico, 93
MANOVA
Anlisis de componentes
principales
El anlisis (PCA) y el anlisis factorial (FA) se

usan para encontrar patrones de correlacin
entre muchas variables posibles y
subconjuntos de datos
Busca reducirlas a un menor nmero de

componentes o factores que representen la
mayor parte de la varianza.
Normalmente se requieren al menos 100

observaciones y cinco observaciones por
variable
94
Anlisis de componentes
principales
Pasos de anlisis en Minitab
Se usa una matriz de correlacin para

determinar la relacin entre componentes
Las matrices definen cantidades como
eigenvalores y eigenvectores
Se suman los eigenvalores y se calculan las
proporciones de cada componente
Se identifican los PC1, PC2, que explican la
mayor parte de la varianza
Se puede hacer un diagrama de Pareto como
apoyo
95
Ejemplo: Alimentos en
Europa
96
Corrida en Minitab
2Stat > Multivariate > Principal components
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 3. Seleccionar
Correlation Matrix
5Click Graphs y seleccionar Scree Plot, Score plot
for first 2 components Loading plot for first 2
components
8 Click Storage e indicar las columnas donde se
guarden los coeficientes y los valores Z (scores) Coef1
Coef 2 y Z1 Z2
9. Click OK en cada uno de los cuadros de dilogo
97
Europa
Dos componentes exceden

El eigenvalor de ref. de 1
98
Europa
99
Ejemplo: factores principales para

crecimiento tecnolgico en la
comunidad
Factores independientes
Miles de trabajadores en alta tecnologa

Cultura emprendedora (inicios por ao)
Interacciones con la universidad (proyectos por
ao)
Clases de creatividad (porcentaje de
profesionales)
Cantidad de capital de aventura (millones de
dlares)
100
Matriz de correlacin del

ejemplo
101
Resultados
La suma de los eigenvalores es aprox. cinco
La proporcin de la varianza explicada por el

componente 1 es de 71.7%
PC1 y PC2 explican el 89.2% de la varianza,

por tanto son los componentes principales
102
Anlisis factorial
Es una tcnica de reduccin de variables para

identificar factores que expliquen la variacin,
aunque se reiere un juicio subjetivo.
Las variables de salida estn relacionadas

linealmente con las variables de entrada.
Las variables deben ser medibles y simtricas.

Debe haber cuatro o ms factores de entrada
para cada variable independiente
103
Anlisis factorial
Se especifican un cierto nmero de factores

comunes
El anlisis factorial se hace en dos etapas:
Extraccin de factores, para identificar los

factores principales para un estudio posterior
Rotacin de factores, para hacerlos ms
significativos
104
Corrida con Minitab

2Stat > Multivariate > Factor Analysis.
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 4.
En Method of Extraction, seleccionar Principal
components
6En Type of Rotation, seleccionar Varimax.
7Click Graphs y seleccionar Loading plot for first 2
factors y Scree Plot.
Click Results y seleccionar Sort loadings.
Seleccionar Storage e indicar columnas para
ponderaciones, coeficientes, Zs, eigenvalores, etc.
Click OK en cada uno de los cuadros de d
105
Ejemplo
106
Ejemplo:
107
Anlisis discriminante
Si se tiene una muestra con grupos conocidos,

el anlisis discriminante clasifica las
observaciones o atributos en dos o ms grupos
Puede utilizarse como herramienta predictiva o

descriptiva
Las variables deben ser multivariadamente

normales, con la misma varianza y covarianza
poblacional entre variables dependientes, y las
muestras exhiben independencia
108
pases
109
Corrida con Minitab

2Stat > Multivariate > Discriminant
Analysis.
3En Groups, poner SalmonOrigin.
4 En Predictors, poner Freshwater Marine.
Click OK.
110
Corrida con Minitab
111
Anlisis de conglomerados
112
Anlisis de conglomerados
Se usa para determinar agrupaciones o

clasificaciones de un conjunto de datos
Las personas se pueden agrupar por IQ,

padres, hbitos de estudio, etc.
Se trata de dar sentido a grandes cantidades

de datos de cuestionarios, ecnuestas, etc.
113
Ejemplo
Suponer que un estudio

de mercado trata de
determinar segmentos
de mercado en base a los
patrones de lealtad de
marcas (V1) y tiendas
(V2), medidas del 0 al 10
en 7 personas (A-G).
Variables V1
V2
114
Corrida en Minitab
Stat > Multivariate Anlisis > Cluster

Observations
Distance Measured Euclidean Seleccionar
Show Dendogram OK
115
Anlisis de correlacin
cannico
Prueba la hiptesis de que los efectos pueden

tener causas mltiples y de que las causas
pueden tener efectos mltiples (Hotelling
1935)
Es como una regresin mltiple para

determinar la correlacin entre dos conjuntos
de combinaciones lineales, cada conjunto
puede tener varias variables relacionadas.
La relacin de un conjunto de variables
dependientes a un conjunto de variables
independientes forma combinaciones lineales
116
Anlisis de correlacin
cannico
Se usan los ms altos valores de correlacin

para los conjuntos. Los pares de
combinaciones lineales se denominan variates
cannicas con correlaciones cannicas (Rc con
valor mayor a 0.3)
Por ejemplo se quiere determinar si hay una

correlacin entre las caractersticas de un
ingeniero industrial y las habilidades
requeridas en la descripcin de puesto del
mismo ingeniero.
117
coches
118
coches
119
coches
120
coches
121
Ejemplo: Statgraphics coches

La primera correlacin de 0.94 tiene correlaciones
cannicas asociadas:
U1 = 0.262 Engine Size + 0.127 Horsepower +
0.024 Length + 0.041 Wheelbase - 0.068 Width +
0.004 Rear Seat + 0.658 Weight
V1 = 0.257 Mid Price 0.097 * GPM Highway +
0.652 GPM City + 0.322 U Turn Space
Las variables estn estandarizadas. Parece haber
una relacin primaria entre peso del vehculo y las
millas por galn de rendimiento.
122
MANOVA
(Anlisis de varianza mltiple)
Es un modelo para analizar la relacin entre

una o ms variables independientes y dos o
ms variables dependientes
Prueba si hay diferencias significativas en las

medias de grupos de una combinancin de
respuestas Y.
Los datos deben ser normales, con covarianza

homogenea y observaciones independientes
123
MANOVA
(Anlisis de varianza mltiple)
124
Diferencias de ANOVA y MANOVA
125
Ejemplo:
Extrusin de pelcula plstica
Se realiza un estudio para determinar las

condiciones ptimas para extruir pelcula
plstica.
Se miden tres respuestas Tear, gloss y

opacity cinco veces en cada combinacin de
dos factores tasa de extrusin y cantidad de
aditivo cada grupo se pone en niveles bajos
y altos.
Se utiliza el MANOVA balanceado para probar

la igualdad de las medias.
126
Ejemplo:
127
Ejemplo:
1Abrir el archivo EXH_MVAR.MTW.
2Seleccionar Stat > ANOVA > Balanced
MANOVA.
3En Responses, poner Tear Gloss Opacity.
4En Model, poner Extrusion | Additive.
5Click Results. En Display of Results,
seleccionar Matrices (hypothesis, error,
partial correlations) y Eigen analysis.
6 Click OK en cada cuadro de dilogo.
128
Ejemplo
129
Ejemplo:
Las matrices SSCP evalan la contribucin a la
variabilidad de manera similar a la suma de
cuadrados en la ANOVA univariada.
Las correlaciones parciales entre Tear y Gloss son
pequeas. Como la estructura de las
correlaciones es dbil, se pueden realizar
anlisis univariados de ANOVA para cada una
de las respuestas.
130
VI.B.5 Anlisis de datos

por atributos
131
Anlisis de datos por

atributos
Si los CTQs son variables continuas, se usa la

regresin, dependiendo de la naturaleza de la
caracterstica crtica para el cliente (CTSs)
como ste la expresa:
CTS
HERRAMIENTA
Nominal (Verde, Rojo, azul) Regresin Logstica
Nominal
Atributo (Pasa/No pasa)
Regresin Logstica
Binaria
Ordinal (1, 2, 3, 4, 5)
Regresin Logstica
Ordinal
132

atributos
El anlisis de datos por atributos se organiza

en valores, categoras o grupos dicotmicos
Las decisiones incluyen: si / no, pasa / no pasa,

bueno / malo,
pobre/justo/bueno/superior/excelente, etc.
Entre los modelos no lineales de regresin

usados se tienen: regresin logstica, regresin
logit y regresin probit
133

atributos
Regresin logstica
Relaciona variables independientes categricas

a una variable dependiente (Y). Minitab incluye
los modelos binario, ordinal y nominal
Regresin logit
Es subconjunto del modelo log-lineal. Tiene solo

una variable dependiente, usa determinaciones
de probabilidad o tasa de probabilidad
134

atributos
Regresin probit
Es similar a la prueba de vida acelerada, la

unidad se somete a esfuerzo con la respuesta
pasa/falla, bueno o malo. Es una respuesta
binaria en un tiempo de falla futuro
135
Regresin logstica o binaria

En caso de informacin cualitativa es
necesario traducir las preferencias del cliente
expresadas como atributos a un intervalo de
valores
aceptables
de
variables
(Especificaciones).
136
Es similar a la regresin mltiple excepto que

la respuesta es binaria (si/no, bueno/malo,
etc.) Sus coeficientes se determinan por el
mtodo de mxima verosimilitud
Su funcin tiene forma de S, con valores

mximos de Cero y Uno.
Yi = 0, 1
137
La probabilidad de que el resultado est en

cierta categora es:
El mtodo de clculo del coeficiente b es

diferente que en la regresin lineal
Los coeficientes se determinan con la relacin

sig.:
138
Regresin logstica
Condiciones:
Hay solo dos resultados posibles

Hay solo un resultado por evento
Los resultados son independientes
estadsticamente
Todos los predictores relevantes estn en el
modelo
Es mutuamente exclusivo y colectivamente
exhaustivo
Los tamaos de muestra son mayores que para
la regresin mltiple
Los efectos positivos se obtienen con

139b1>1 y
Regresin logstica
Relacin con ajuste pobre
Relacin con buen ajuste
140
Regresin logstica Procedimiento
Definir el atributo a traducir (y)

Definir la variable apropiada para el atributo
(x)
Definir el modelo matemtico a probar
Determinar los defectos que est dispuesto a
aceptar
Recolecte informacin de x vs y. Asigne 1
si falla y 0 si es aceptable.
Analice la informacin mediante Regresin
Logstica Binaria
141
Regresin logsticaProcedimiento
142

Coeficientes del modelo
P-Value de Deviance
Observe el P-Value de Deviance en la

Sesin, debe de ser grande (P >0.10)
Obtenga los coeficientes del modelo (De la
Sesin)
143

Construya el modelo de regresin para la
probabilidad de falla estar dado por :
b +b x +....
e
Donde :
P(Falla) =
b +b x +....
b , b , ... = Coeficientes del modelo
1 +e
0
Identifique el(los) valor(es) de x que le

generarn como mximo la cantidad de
defectos que usted est dispuesto a aceptar
[4]
144
Ejemplo de riesgo de paro

cardiaco
Para Fuma, el coeficiente negativo de -1.193 y la tasa

de posibilidades de 0.30, indica que quien fuma, tiende
a tener una tasa de pulso ms alta que los sujetos que
no fuman. Si los sujetos tienen el mismo peso, las
posibilidades de que los fumadores tengan un pulso
bajo sea slo del 30% de las posibilidades de que los no
fumadores tengan un pulso bajo.
145
Regresin logstica ordinal

Cuando la respuesta CTS es de tipo ordinal
(Varias categoras de respuesta como
totalmente de acuerdo, de acuerdo, en
desacuerdo y totalmente en desacuerdo) y
el Factor CTQ es de naturaleza continua,
entonces, para definir Especificaciones, la
herramienta a utilizar es la Regresin
Logstica Ordinal.
146
Regresin logstica ordinal Procedimiento
Defina la variable de respuesta a traducir

(y CTS)
Defina el CTQ (x) variable a relacionar con
el CTS
Defina el modelo matemtico a probar
Determine los defectos que est dispuesto a
aceptar en la categora de inters
Recolecte informacin de x vs y
Analice la informacin mediante Regresin
Logstica Ordinal
147
Stat > Regression > Ordinal Logistic

Regression
Seleccione la respuesta (y)

Seleccione los trminos que estima tiene el
modelo [3]
Constantes y
Coeficientes
del modelo
148
Observe el P-Value de Deviance en la

Sesin, debe de ser grande (P >0.10)
Obtenga las constantes y coeficientes del

modelo (De la Sesin)
Construya los modelos de regresin para la

probabilidad acumulada por categora
149

P
acumulada hasta
categora i
e
1+
Ki+b1x1+ b2x2....
Ki+b1x1+ b2x2....
Donde :
Ki = Constante de la categora i
b1, b2, ... = Coeficientes del modelo
Constantes y
Coeficientes
del modelo
Identifique el(los) valor(es) de x que le generarn como mximo la

cantidad de defectos que usted est dispuesto a aceptar en la
categora de inters [4]
150
LIE LSE
Expectativas
(CTSs)
Especificaciones
Tipo
Importan.
CTQs
Producto
(General)
Matriz de
Diseo
Una vez que se tienen establecidos los CTQs

con los que se medir el desempeo del
producto, es necesario indicar las
Especificaciones de los mismos
Parmetros
de Diseo
(DPs)
Otra
Clientes
Usuarios
Finales
Producto
(Especfico)
151
Anlisis Logit
Usa razones para determinar que tanta

posibilidad tiene una observacin de pernecer
a un grupo que a otro.
Una posibilidad de 0.8 de estar en el grupo A

se puede expresar como una tasa de
posibilidades de 4:1 ( que es p/(1-p)), cuyo
logaritmo es el logit.
La probabilidad para un valor L est dado por

la ecuacin
152
Anlisis Logit - ejemplo

50 estudiantes tomaron un examen, donde solo 27
pasaron. Cules son las posibilidades de pasar?
Posibilidades = P/(1-P) = 0.54/0.46 = 1.17 o 1.71:1
Un estudiante que estudia 80 horas tiene un 54.5% de
pasar, cules son las posibilidades?
Posibilidades = 0.545/(1-0.545) = 1.198 o 1.198:1
Logit = ln(p/(1-p)) = ln(1.189) = 0.1809 y despejando al
Exp(b1) = exp(0.1082) = 1.11 que es la tasa de pasar a
otro nivel
153
Anlisis Probit
Es similar a las pruebas de vida acelerada y

anlisis de sobrevivencia. Un artculo sujeto a
esfuerzo puede fallar o sobrevivir. El modelo
probit tiene un valor esperado de 0 y una
varianza de 1.
Requiere tamaos de muestra muy grandes

para diferenciarse del modelo logit
Los coeficientes b del modelo logit difieren del

probit en 1.814 con: bl = -1.1814154
bp
VI.C.7 Pruebas de bondad

de ajuste
155
(O
i
E
)
Bondad de ajuste
PRUEBAS DE BONDAD DE AJUSTE
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:
Ho: La distribucin poblacional es uniforme

Ha: La distribucin poblacional no es uniforme
Se usa el estadstico Chi-Cuadrado
Oi = Frecuencia de los eventos observados en los datos muestrales
Ei = Frecuencia de los eventos esperados si la hiptesis nula es correcta

Para que la prueba sea confiable Ei >= 5. De otra forma se combinan las categorias para
cumplir con este requisito.
K = Nmero de categoras o clases
156
Bondad de ajuste
Ejemplo:
Se venden n = 48 botes en 4 meses. Si la demanda es uniforme se esperara que se vendieran
12 botes / mes. La cantidad real que se vendi fue:
Ventas (Oi) Ventas (Ei)
Tipo de bote observadas esperadas
A
15
12
B
11
12
C
10
12
D
12
12
DISTR.CHI
Entonces el estadstico Chi Cuadrado de la muestra es = 1.17 el valor P corresp.=
0.76020818
El Chi Cuadrado de excel se determina con alfa = 0.05 y K - 1 grados de libetad = 3

Chi cuadrado de excel = 7.815
El estadstico Chi cuadrado calculado de 1.17 es menor al de excel de 7.815 por tanto se acepta
la hiptesis nula
PRUEBA.CHI.INV
157
Prueba de Bondad de ajuste

para la distribucin de Poisson
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. De
Poisson
Ha: Caso contrario
2. Tomar una muestra aleatoria, anotar la frecuencia
observada fi y calcular la media de ocurrencias
3. Calcular la frecuencia esperada de ocurrencias ei.
Multiplicar el tamao de muestra con la prob. de Poisson
para cada valor de la variable aleatoria.
Si hay menos
n
( f i ei ) 2
2
de 5 combinar las categoras
e
i 1
i
4. Calcular el estadstico
de prueba
2 2
5. Rechazar Ho si
158 y alfa
o si p < alfa. Con gl=k-p-1
Ejemplo:
Distribucin de Poisson =5
Ho: No. de clientes que llega en intervalos de 5 min. tiene una

distribucin de Poisson
Ha: No se sigue una distribucin de
Poisson
Clientes
Frec. observada f(x) de Poisson
128*f(x)
cantidad
esperada
0
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
0.0318
1594.0704
10 o ms
Ejemplo:
Distribucin de Poisson =5
Combinando X=0,1 y X=9, 10 o ms para que la frecuencia

observada sea mayor a 5 y se pueda aplicar la distribucin Chi
Cuadrada se tiene
Clientes
Frec. Observada f(x) de Poisson
128*f(x)
frecuencia
(fi)
esperada (ei)
0o1
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
160
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
2 2
Ho se rechaza si
o si p es mayor que alfa.
El valor de Chi Cuadrada calculado es de 10.9766 y el

valor Chi Cuadrada de alfa 0.05 con 2 gl. Es de 14.07 no
se rechaza Ho
161
En este caso p = 0.14 > 0.05 por tanto no se
rechaza Ho y

para la distribucin Normal
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. Normal
Ha: Caso contrario
2. Tomar una muestra aleatoria, calcular la media y la
desviacin estndar
3. Definir K intervalos de valores de forma que la
frecuencia esperada sea 5 cuando menos para cada uno
(intervalos de igual probabilidad). Anotar la frecuencia
observada de los valores de datos fi, en cada intervalo
162

4. Calcular el nmero de ocurrencias esperado ei, para
cada intervalo de valores. Multiplicar el tamao de
muestra por la probabilidad de que una variable
aleatoria est en el intervalo.
5. Calcular el estadstico de prueba

2 2
6. Rechazar Ho si
nivel de significancia
( f i ei ) 2
ei
i 1
n
o si p < alfa. Con gl=k-p-1 y alfa
163

Ejemplo: datos de calificaciones: Media = 68.42; S =

10.41
Calificaciones
71
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
164

Ho: la poblacin tiene una distribucin normal con media
68.42 y S=10.41 Ha: Caso contrario
Para una muestra de 50 con una frecuencia mnima
esperada de 5 se tiene el 10% al menos por cada celda
La primera celda correspondiente al 10% est en Z =
-1.28 con
X = (Media - Z*S) = 55.10
Para el rea del 20%, Z = -0.84 y X = 59.68
y as sucesivamente
165

Intervalo
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
71.02 a
Se registran las
frecuencias de
los datos
tomados de las
calificaciones
166

Se determina el estadstico Chi Cuadrado = 7.2
( f i ei ) 2

ei
i 1
2
El Valor de Chi Cuadrado de alfa = 0.10 para k p 1

grados de libertad. K = 10 categoras, p = 2
parmetros. Gl = 7. Chi Cuadrado es 12.017
Como 2 2 no se puede rechazar la hiptesis nula de

normalidad de las calificaciones
167

para la distribucin Multinomial
1. Enunciar la hiptesis nula y alternativa
Ho: La poblacin sigue una distribucin de probabilidad
multinomial con probabilidades especificadas para cada
una de las K categoras
Ha: Caso contrario
2. Tomar una muestra aleatoria y anotar las frecuencias
observadas fi para cada categora
3. Suponiendo que Ho es cierta, determinar la frecuencia
esperada ei, en cada categora multiplicando la
probabilidad de la categora por el tamao de muestra
168

4. Se determina el estadstico Chi Cuadrado de prueba
( f i ei ) 2

ei
i 1
2
5. Regla de rechazo:
2
2
Si
no se puede rechazar la hiptesis nula
Rechazar si el valor p es menor a alfa

Con alfa nivel de significancia y los grados de libertad son
k-1
169

Ejemplo: El ao pasado la participacin de mercado para
la empresa A fue del 30%, 50% para la empresa B y
20% para la empresa C. La empresa C hace una prueba
con un nuevo producto para estimar su impacto en las
preferencias del mercado.
Se tom una muestra de 200 clientes resultando
preferencias de compra de: 48 para A, 98 para B y 54
para C.
De acuerdo a las probabilidades esperadas, en los 200
clientes las preferencias esperadas son:
A=200*0.3=60, B=200*0.5=100, C=200*0.2=40
170

Datos para calcular el estadstico de prueba Chi Cuadrado
Categora
Proporcin
hipottica
Frecuencia
observada
Frecuencia
esperada
Empresa A
0.3
48
60
Empresa B
0.5
98
100
Empresa C
0.2
54
40
171

Chi Cuadrado calculado = 7.34
Chi cuadrado de alfa = 0.05 con k 1 = 2 grados de
libertad = 2 es de 5.99. El valor p correspondiente es
de 0.025.
Como 7.34 es mayor a 5.99 o el valor p de 0.025 es menor
a alfa de 0.05 se rechaza la hiptesis nula Ho y se
concluye que el nuevo producto modificar las
preferencias del mercado actuales
La participacin de la empresa C aumenta con el nuevo
producto
172
Prueba de Bondad
de ajuste en Minitab
La columna C1 Observadas contiene las frecuencias
observadas y la C2 esperadas las frecuencias
esperadas
Calc > Calculator > Store result in variable ChiCuadrada
Teclear en el cuadro de expresin sum((ObservadasEsperadas)**2/Esperadas)
Calc > Probability distributions > Chi Square
Seleccionar Cummulative probability
Degrees of freedom 2
Input column ChiCuadrada; Optional Storage CumProb
OK
Calc > Calculator > Store results in variable p
173
Prueba de Bondad
de ajuste en Minitab
Ejemplo: investigacin de mercado
Observadas Esperadas ChiCuadrada

48
60
7.34
98
100
54
40
CumProb
0.974524
174
p
0.0254765
Prueba de Bondad
de ajuste en Excel
Ejemplo: investigacin de mercado
1. Calcular el estadstico Chi Cuadrada con =(A2-B2)^2/B2

y Suma
Chi cuadrada = 7.34
2. El valor P es =distr.chi(7.34, 2)
3. El estadstico Chi Cuadrada de alfa es:
=prueba.chi.inv(0.05,2) = 5.99
4. Como p es menor a alfa de 0.05 se rechaza la Ho
175
VI.C.8 Tablas de contingencia

Prueba Chi2 (2)
176
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,
Ho: No hay diferencia

Ha: Hay diferencia
177
Ejemplo 1: Chi Cuadrada(

2
)
Se lanza una moneda al aire 100 veces y
que obtenemos 63 guilas y 37 soles.
La proporcin de guilas y soles sucede
por casualidad? O, se concluye que la
moneda est cargada?
Ho: La moneda es buena

Ha: La moneda est cargada
178
Ejemplo 1: Chi Cuadrada(

Observada
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
Estadstico Chi Cuadrada

(fo - fe)2
fe
179
Ejemplo 1: Chi cuadrada

Funcin de Distribucin Acumulada Chi2 con 1 grado de
libertad (d.f)
2c
P(2c > x)
6.7600
p = 1 - 0.9907 = 0.0093
De tablas X2Crtica, (0.05, 1) = 3.8414
Ho: La moneda es buena.
Ha: La moneda est cargada.
Para un 95% de confianza antes de concluir que la moneda est
cargada, se requiere que X2c > X2Crtica o que el valor de p sea
0.05.
Como p 0.05, se puede concluir -con un 95% de confianza que la moneda est cargada.
180
Clculo en Excel del estadstico Chi cuadrada

1. Posicionarse en una celda vaca
2. Accesar el men de funciones con Fx
3. Seleccionar STATISTICAL o ESTADSTICAS, CHIINV.
4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parmetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.
181
Tabla de Valores Crticos Seleccionados de Chi2

df
.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
182
Tabla de contingencia
Una tabla de clasificacin de dos vas (filas y columnas)

que contiene frecuencias originales, se puede analizar
para determinar si las dos variables (clasificaciones) son
independientes o tienen una asociacin significativa.
La prueba Chi Cuadrada probar si hay dependencia

entre las dos clasificaciones.
Adems se puede calcular el coeficiente de

contingencia (correlacin) que en todo caso muestra la
fuerza de la dependencia
183
Para esta prueba se usa la prueba Chi Cuadrada donde:
Entre mayor sea su valor, mayor ser la diferencia de la

discrepancia entre frecuencias observadas y tericas.
Esta prueba es similar a la de bondad de ajuste.
184
Ejemplo: Cada una de las 15 celdas hace una

contribucin al estadstico Chi Cuadrado (una celda)
Asumiendo Alfa = 0.1 y Gl= (reng 1)*(Col 1) = 4*2 =

8 Chi-Cuadrado de alfa = 20.09
Como Chi Cuadrada calculada >> Chi C. Alfa, se
rechaza Ho de igualdad de resultados entre negocios
185
Ejemplo 2: Chi2 Para comparacin de

dos grupos; son las mismas
proporciones?)
Ho: No existen diferencias en los ndices de defectos de las dos mquinas.
Ha: Existen diferencias en los ndices de defectos de las dos mquinas.
Los valores observados (fo) son los siguientes:
Partes buenas
Partes defectuosas
mquina 1
fo = 517
fo = 17
Total = 534
mquina 2
fo = 234
fo = 11
Total = 245
Total
751
28
779
El ndice de defectos totales es 28 / 779 = 3.6%
186
Ejemplo 2: Chi2 Para comparacin de

dos grupos; son las mismas
proporciones?)
Clculo de los valores esperados
Partes buenas
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
779
Basados en este ndice, los valores esperados (fe) seran:
mquina 1
Partes
buenas
530.53
mquina 2
233.47
Partes defectuosas
3.47
1.53
187
Prueba de chi cuadrada:

Los conteos esperados estn debajo de los conteos observados
Partes buenas
Partes Defectuosas
Total
1
532
2
534
530.53
3.47
2
Total
232
233.47
764
3
1.53
5
235
769
Chi2 = 0.004 + 0.624 + 0.009 + 1.418 = 2.056

DF= 1; valor de p = 0.152
2 celdas con conteos esperados menores a 5.0
Nota: Chi cuadrada no podr 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 deber usarse Chi 2.
Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categoras pueden ser de utilidad.
188
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
189
.001
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reduccin de tiempo de ciclo.
Variacin en familias a probar

Operador a operador
Ho: No existe diferencia en los ndices de defecto de los diferentes
operadores
Ha: Existe diferencia en los ndices de defecto de los diferentes
operadores
Mquina a mquina
Ho: No existe diferencia en los ndices de defecto de las diferentes
mquinas
Ha: Existe diferencia en los ndices de defecto de las diferentes
mquinas
Tamao de la muestra:
5000 + total de oportunidades (172 piezas)
190
Prueba de chi2 (mquina a mquina)

Los conteos esperados estn colocados debajo de los conteos observados
Con fugas Sin fugas Total
1
30
610
640
32.11
607.89
2
235
223.38
3
3
12.84
4
Total
18
17.66
286
4217
4228.62
253
243.16
4452
256
334
334.34
352
5414
5700
Chi2 = 0.139 + 0.007 + 0.604 + 0.032 + 7.546 + 0.399 + 0.006 +

0.000 = 8.734
DF= (4-1)(2-1) = 3; valor P = 0.033
191
Prueba de chi2 (operador a operador)

Los conteos esperados estn colocados debajo de los conteos observados.
Con gotera Sin gotera
Total
1
6
122
128
6.61 121.39
2
1
6.61
127
121.39
128
200
3836
4036
208.55
3827.45
54
202
256
13.23
242.77
5
699
704
36.38
667.62
128
12
116
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
192
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?

(en este caso, operador a operador y mquina a mquina)
Se utiliza un procedimiento denominado Coeficiente de Contingencia como clave

para determinar qu grupo de variacin debe investigarse primero.
Chi Cuadrada
Coeficiente de
Contingencia
Chi2
x 100
N
N
CC
Mquina
8.734
5700
0.15
Operador
171.132
5380
3.18
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.
193
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?

(en este caso, operador a operador y mquina a mquina)
Ahora que la informacin nos
ha llevado a investigar a los
Con gotera Sin gotera Total
grupos de operador a
1
6
122
128
operador. Qu debemos
6.61 121.39
hacer ahora?
Encontremos cul de los
2
1
127
128
operadores estaban fuera del
6.61
121.39
estndar.
Era alguno de ellos
3
200
3836
4036
notablemente peor (o mejor)
208.55
3827.45
que el resto?
Mucho peor que

lo esperado
54
202
256
13.23
242.77
Mucho mejor que

lo esperado
5
699
704
36.38
667.62
12
116
6.61 121.39
(Estos mismos operadores fueron quienes

tuvieron los nmeros ms grandes de chi2)
128
194
Operador a operador: = 0.000

Rechace
Ho y acepte Ha
(Existe una diferencia significativa entre los operadores)
Los operadores 4 y 5 estn fuera del estndar:
El operador 4 es notablemente peor que el resto,
El operador 5 es notablemente mejor que los dems
Cul es el prximo paso? Hable con todos los operadores para averiguar qu diferencias
pueden existen en sus tcnicas.
El operador 4 no tena experiencia en este tipo de trabajo y apenas se estaba acostumbrado a
soldar este producto en particular.
El operador 5 encontr un modo de mejor de hacer el ensamble, con lo cual consigui mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonmica. Se aadi
un colocador para ensamblar la parte en forma segura. (Esto tambin redujo el tiempo que
requeran los operadores para acostumbrarse a trabajar en esta forma)
195
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 25 22
3 5 8
Con un 95% de confianza, existe una diferencia entre los

inspectores?
Ho: p1 = p2 = p3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
196
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:
Hora del da
Carril
1:00
3:00
Izquierdo 44 37 18
Central
28 50 72
Derecho
8 13 30
5:00
Con un 95% de confianza, existe una diferencia entre las

preferencias de los automovilistas dependiendo de la hora?
Ho: P1 = P2 = P3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
197
Coeficiente de Contingencia
Coeficiente de contingencia es el grado de relacin o

dependencia de las clasificaciones en la tabla de
contingencias es:
C2
X2
X2 N
Donde N es la frecuencia total y X es el estadstico Chi

Cuadrado calculado
198
Coeficiente de Contingencia
Para los datos del ejemplo anterior se tiene:
C2
2
X2
66
.
22
2
0.38
2
2
X N
66.22 393
El valor mximo de C se obtiene de:
Max C
k 2
82
0.866
k
8
199
Correlacin de atributos
Para tablas de orden k * k, el coeficiente de correlacin,

r, es :
X
N (k 1)
Donde 0<= r <= 1
200
VI.C.9 Pruebas de
Hiptesis no paramtricas
201
Pruebas no paramtricas
Las pruebas paramtricas asumen una distribucin para

la poblacin, tal como la Normal
Las pruebas no paramtricas no asumen una

distribucin especfica de la poblacin
Bajo los mismos tamaos de muestra la Potencia o

probabilidad de rechazar Ho cuando es falsa es mayor
en las pruebas paramtricas que en las no paramtricas
Una ventaja de las pruebas no paramtricas es que los

resultados de la prueba son ms robustos contra
violacin de los supuestos
202
Prueba de Hiptesis
Atributo
Variable
No Normal
Varianza
Homogeneidad
de la Variacin
de Levene
Tablas de
Contingencia de
Medianas
Correlacin
Correlacin
Prueba de signos
Normal
Wilcoxon
MannWhitney
KurskalWallis
Prueba de Mood
Friedman
Variancia
Prueba-F
Homogeneidad
de la Variacin
de Bartlett
Medias
Pruebas de t
Muestra-1
Muestra-2
Residuos
distribuidos
normalmente
ANOVA
Una va
Dos vas
Correlacin
Regresin
203
Resumen de pruebas de Hiptesis

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 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.
204
Resumen de pruebas de Hiptesis

Datos Normales
Pruebas de los Promedios
Datos No Normales
Pruebas de la Mediana
Prueba t de 1 muestra : Prueba si el promedio

de la muestra es igual a un promedio
conocido o meta conocida.
Prueba t de 2 muestras : Prueba si los dos
promedios de las muestras son iguales.
ANOVA de un factor: Prueba si ms de dos
promedios de las muestras son iguales.
ANOVA de dos factores : Prueba si los
promedios de las muestras clasificadas
bajo dos categoras, son iguales.
Prueba de signos o Prueba Wilcoxon : Prueba si

la mediana de la muestra es igual a un valor
conocido o a un valor a alcanzar.
Prueba Mann-Whitney : Prueba si dos medianas
de muestras son iguales.
Prueba Kruskal-Wallis: Prueba si ms de dos
medianas de muestras son iguales. Asume que
todas las distribuciones tienen la misma forma.
Prueba de la mediana de Mood : Otra prueba
para ms de dos medianas. Prueba ms firme
para los valores atpicos contenidos en la
informacin.
Prueba Friedman : Prueba si las medianas de las
muestras, clasificadas bajo dos categoras, son
iguales.
Correlacin : Prueba la relacin lineal entre dos
variables.
Correlacin : Prueba la relacin lineal entre

dos variables.
Regresin : Define la relacin lineal entre una
variable dependiente y una independiente.
(Aqu la "normalidad" se aplica al valor
residual de la regresin)
205
Acciones a tomar con datos No Normales

Revise y asegrese de que los datos no siguen una distribucin normal.
Desarrollar una Prueba de normalidad (para verificar realmente lo

anormal. Para la prueba de Bartlet el valor de p debe ser < 0.05)
Desarrollar una Prueba de Corridas (para verificar que no existen
sucesos no aleatorios que puedan haber distorsionado la informacin)
Revisar la informacin para detectar errores (tipogrficos, etc.).
Investiguar los valores atpicos.
Una muestra pequea (n < 30) proveniente de un universo normal, se
mostrar algunas veces como anormal.
Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos
Si la informacin es todava anormal, entonces usar las herramientas no
paramtricas.
206
7B8. Definiciones
Promedio : Es la media aritmtica de la informacin. Es la suma de todos

los datos, dividida entre el nmero de datos de referencia.
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 ms frecuencia sobre el conjunto de datos.

Ejemplo:
Se cuestion a veinte personas sobre cunto tiempo les tomaba estar
listas para ir a trabajar, en las maanas. Sus respuestas (en minutos) se
muestran ms adelante. Cules son el promedio y la mediana para esta
muestra?
30, 37, 25, 35, 42, 35, 35, 47, 45, 60
39, 45, 30, 38, 35, 40, 44, 55, 47, 43
207
Un dibujo dice ms que mil palabras

Promedio
Mediana
28.0
35.0
42.0
49.0
56.0
63.0
C1
++++++
Promedio = 40.35
Mediana = 39.5
El promedio puede estar influenciado considerablemente por los

valores atpicos porque, cuando se calcula un promedio, se incluyen
los valores reales de estos valores.
La mediana, por otra parte, asigna la misma importancia a todas las
observaciones, independientemente de los valores reales de los
valores atpicos, ya que es la que sencuentra en la posicin media de
los valores ordenados.
208
Pruebas Alternativas comnmente

usadas
Pruebas para datos No normales
Analoga con datos normales
Prueba de Corridas (la misma

prueba para ambos tipos de
informacin)
Prueba de Corridas : Calcula la

probabilidad de que un X nmero de
puntos de referencia, est por encima o
por debajo del promedio aleatoriamente.
Prueba de signos, de 1 muestra :

Prueba la probabilidad de que la
mediana de la muestra, sea igual al valor
hipottico.
Prueba Mann-Whitney : Comprueba el

rango de dos muestras, por la diferencia
entre dos medianas del universo.
Prueba t de 2 muestras
Prueba de la Mediana de Mood :

Prueba para ms de dos medianas del
universo. Ms robusta para los valores
atpicos o para los errores en la
informacin.
ANOVA de un factor
Prueba t de una muestra
209
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
Es importante tener los datos registrados en orden cronolgico.

Una representacin grfica de los datos se asemeja a esto:
600
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
Nmero de rachas observado = 12

Nmero de rachas esperado = 14.6552
=> No se rechaza Ho
11 observaciones por encima de K; 18 por
debajo
La prueba es significativa en p= 0.2860
No se puede rechazar Ho con valor alfa = 0.05
Este es el valor p
de las Prueba de
Corridas
Ya que p > 0.05, no podemos rechazar la hiptesis nula.

Los datos son aceptados, siendo aleatorios.
Clculos de la Prueba de Rachas

El estadstico Z cuando n > 20 se calcula como:
Z = (G - MediaG) / DesvStG
Con MediaG = 1 + (2n1*n2) / (n1 + n2)
DesvStG = Raiz [ (2n1*n2) (2n1*n2 - n1 -n2) / (n1 + n2)^2* (n1+n2 -1)
Del ejemplo anterior G = 12;
MediaG = 14.655
n1 = 11n2 = 18
DesStG = 2.4843
Z1 = (12 - 14.655) / 2.4843 = -1.0687

P(Z1) = 0.1430 y para dos colas se tiene
P(Z1) + P(Z2) = 0.2860 > Alfa crtico de 0.05, no rechazndose Ho
Si las n1 y n2 son menores a 21, entonces se consulta la tabla de
valores crticos para el nmero de Rachas G
212
Corrida con Minitab
Stat > Nonparametrics > Runs Test

Variable C1, Above and below the mean
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
213
Prueba de Signos de la Mediana

Ho : La mediana de la muestra es igual a la mediana de la hiptesis
Ha : Las medianas son diferentes
Ejemplo (usando los datos del ejemplo anterior):
Ho: Valor de la mediana = 115.0
Ha: Valor de la mediana diferente de 115.0
N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12
0
17
0.4576
144.0
Ya que p >0.05, no se puede rechazar la hiptesis nula.
No se puede probar que la mediana real y la mediana hipottica son
diferentes.
En las pginas siguientes se muestra el detalle del clculo.
214
Clculos de la Prueba de Signos de la

Mediana
Ejemplo: Con los datos del ejemplo anterior y ordenndo de menor a
mayor se tiene: n = 29, Mediana de Ho = 115
No. Valor
1 0 2 50 3 56 4 72 5 80 6 80 7 80 8 99 9 101 10 110 -
Signo No. Valor Signo

11 110 - 21 220 +
12 110 - 22 240 +
13 120 + 23 290 +
14 140 + 24 309 +
15 144 + 25 320 +
16 145 + 26 325 +
17 150 + 27 400 +
18 180 + 28 500 +
19 201 + 29 507 +
20 210 +
No. Valor
Signo
Con la mediana en 144. Si el valor contra el cual se desea

probar es 115, entonces hay 12 valores por debajo de el (-) y 17
valores por arriba (+).
215
Clculos de la Prueba de Signos de la

Mediana
El estadstico X es el el nmero de veces que ocurre el signo menos

frecuente, en este caso el 12 (-).
Cmo n 25, se calcula el estadstico Z para la prueba de signos con:
Z = [ (Y + 0.5) - (0.5*n) ]/ 0.5 n
En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola izquierda
en forma similar P(Z2) 0-2288 para la cola derecha, por lo que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.
Si n hubiera sido < 25 entonces se hubiera consultado la tabla de
valores crticos para la prueba de signo.
216

Es esto correcto?144 podra ser igual a 115?
Bueno, veamos una grfica de la informacin
115
100
200
300
400
500
144
Despus de todo, tal vez

esto SEA lo correcto.
217
Corrida en Minitab
Stat > Nonparametrics > 1-Sample sign Variable C1
Confidence interval 95% Test Median 115 Alternative
Not equal
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
218

Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de
ventanas:
Ho: p = 0.5 no hay preferencia de A sobre B

Ha: p<>0.5
Ama
Casa
Limpiad
or
10
Hay evidencia que indique

cierta preferencia de las ama
de casa por lo limpiadores?
219

Product
o
Familia
10
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)
Zc = (Y media) / Desv. Estnd

Rechazar Ho si Zc ><Zalfa/2
Hay evidencia que indique
cierta preferencia por un
Producto A o B?
220

Media = 0.5*11 = 5.5
Desv. Estand.= 0.5*raiz(n) = 1.67
Para Zc = (8 5.5) / 1.67 = 1.497
Zexcel = 1.96 para alfa/2 = 0.025
Como Zc < Zexcel no se rechaza Ho o
Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
221
Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas
Ejemplo: HO: Las poblaciones son idnticas Ha: Caso

contrario
Trabaja Mtodo Mtodo Diferen Abs(difere
Rango
dor
1
2
cias
n.)
Rango
c/signo
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
222
T = 44
Prueba rango con signo de

Wilconox
Distribucin muestral T para poblaciones idnticas
Se aproxima a la distribucin normal para n >= 10
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
223
Prueba en Minitab para prueba

de mediana con Wilconox
File> Open worksheet > Exh_Stat

Stat > Nonparametrics > 1-Sample Wilconox
Variables C1 Test Median 77
Altenative Not equal
Achievement
77
88
85
Wilcoxon Signed Rank Test: Achievement

Test of median = 77.00 versus median not = 77.00
for Wilcoxon
Estimated
for Wilcoxon
Estimated
N Test Statistic
P
Median
Achievement 9
8
19.5 0.889
77.50
74
75
62
80
Ho: Mediana = 77 Ha: Mediana <> 77

Como P de 0.889 >> alfa de 0.05 no se rechaza Ho
224
70
83
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
225
Ordenando los datos y asignndoles el (rango) de su posicin relativa se tiene (promediando

posiciones para el caso de que sean iguales):
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
226
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.
Dado que p < 0.05, rechazamos la hiptesis nula.

Estadsticamente existe una diferencia significativa entre los
227
dos grupos de edad.
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.
Dado que p < 0.05, rechazamos la hiptesis nula.

Estadsticamente existe una diferencia significativa entre los
228
dos grupos de edad.
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
Diferencias entre los encabezados de

los renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias, denominada
"punto estimado". Este punto estimado es una aproximacin de la diferencia entre
las medianas de los dos grupos (ETA1 y ETA2).
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
informacin), 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
ann-Whitney Test and CI: C1, C2

N Median
P>0.05
1 10 144.00
Se rechaza Ho
2 9 130.00
oint estimate for ETA1-ETA2 is 12.00
5.5 Percent CI for ETA1-ETA2 is (4.01,20.00)
= 130.5
st of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.014
he test is significant at 0.0140 (adjusted for ties)
230
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
231
Prueba de Kruskal
Wallis
Ho: Las poblaciones A, B y C son iguales

Ha: Las poblaciones no son iguales
Ho: 1 = 2 = 3 Ha: 1 2 3 ; 1, 2, 3 = Medianas de las poblaciones
Calculando el valor del estadstico H se tiene:
H = [ 12 /( N* ( N + 1)) ] * [ Ta2 / n1 + Tb2 / n2 + Tc2 / n3 ] - 3 * ( N +1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138
Se compara con el estadstico 2 para = 0.05 y G.l. = k - 1 = 3-1 = 1 (k muestras)
2 crtico = 5.991 (vlido siempre que las muestras tengan al menos 5 elementos)
Como H < 2 crtico, no se rechaza la Hiptesis Ho: Afirmando que no hay

diferencia entre las poblaciones
232
Corrida en Minitab
Stat > Nonparametrics > Kruskal Wallis

Response C1 Factor C2 OK
Kruskal-Wallis Test: Datos versus Factor

Kruskal-Wallis Test on Datos
Factor N Median Ave Rank
Z
Zona 1 7 138.0
14.7 0.98
Zona 2 10 126.5
11.1 -0.82
Zona 3 7 127.0
12.3 -0.10
Overall 24
12.5
P > 0.05
H = 1.08 DF = 2 P = 0.581 No se rechaza Ho
H = 1.09 DF = 2 P = 0.581 (adjusted for ties)
233
Prueba de Medianas de Mood
Realiza prueba de hiptesis de igualdad de medias en un

diseo de una va. La prueba es robusta contra Outliers y
errores en datos y es adecuada para anlisis preliminares
Determina si K grupos independientes han sido extraidas de la

misma poblacin con medianas iguales o poblaciones con
formas similares
Con base en la gran mediana, anotar un signo positivo si la

observacin excede la mediana o un signo menos si es menor.
Los valores que coincidan se reparten en los grupos
Hacer una tabla de contingencia K x 2 con las frecuencias de

signos ms y menos en cada grupo K
234
Prueba de Medianas de Mood
Se determina el estadstico Chi Cuadrada con:
(O E )

E
2
Probar Ho: Todas las medianas son iguales

Ha: Al menos una mediana es diferente
Se compara Chi Cuadrada calculada con Chi Cuadrada de
alfa para 0.05 y (reng 1)*(Col 1) grados de libertad
235
Corrida con Minitab

Se les da a 179 participantes una conferencia
con dibujos para ilustrar el tema. Despus 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
Ho: h1 = h2 = h3
son iguales
Ha: no todas las medianas
File > Open Worksheet > Cartoon.mtw

Stat > Nonparametrics > Moods Median Test
Response Otis Factor ED Ok
236
Corrida con Minitab

Mood Median Test: Otis versus ED
P>0.05
Mood median test for Otis

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
97.5 17.3 (-----*-----)
29 24 106.0 21.5
15 55 116.5 16.3
(------*------)
(----*----)
----+---------+---------+---------+-96.0
Overall median = 107.0
104.0
112.0
120.0
237
Diseos factoriales aleatorias

bloqueados de Friedman
Esta prueba es una alternativa al ANOVA de dos
vas, es una generalizacin de las pruebas
pareadas con signo. La aditividad es requerida
para para estimar los efectos de los
tratamientos
Ho: Los tratamientos no tienen un efecto
significativo
Ha: Algunos tratamientos tienen efecto
significativo
238

Resultados de salida:
Se muestra el estadstico de prueba con
distribucin Chi Cuadrada aproximada con gl =
Tratamientos 1.
Si hay observaciones parecidas en uno o ms

bloques, se usa el rango promedio y se
muestra el estadstico corregido
La mediana estimada es la gran mediana ms

el efecto del tratamiento
239

Ejemplo:
Se evala el efecto del tratamiento de una
droga en la actividad enzimtica con tres
niveles, probado en cuatro animales
Open the worksheet EXH_STAT.MTW.

Stat > Nonparametrics > Friedman.
Response, seleccionar EnzymeActivity.
En Treatment, seleccionar Therapy.
En Blocks, seleccionar Litter. Click OK.
240

Datos:
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
4241

Resultados:
Friedman Test: EnzymeActivity versus

Therapy blocked by Litter
S = 2.38 DF = 2 P = 0.305 No
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
Grand median = 0.3783
242

Resultados:
El estadstico de prueba S tiene un valor P de 0.305 sin
ajustar para observaciones en cero y 0.150 para el
valor ajustado.
Por tanto no hay evidencia suficiente para rechazar Ho
Las medianas estimadas asociadas con los

tratamientos son la gran mediana ms los efectos
estimados de los tratamientos.
El estadstico de prueba se determina con base a los

rangos en cada bloque y totales
243

Resultados:
244

Resultados:
245

Resultados:
246
Prueba de igualdad de
varianzas de Levene
Se usa para probar la hiptesis nula de que las

varianzas de k mltiples poblacionales son iguales
Las igualdad de varianzas en las muestras se denomina

homogeneidad de varianzas
La prueba de Levene es menos sensible que la prueba

de Bartlett o la prueba F cuando se apartan de la
normalidad
La prueba de Bartlett tiene un mejor desempeo para la

distribucin normal o aproximadamente normal
247
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
Calcular la desviacin de cada observacin

respecto a la media
Z es el cuadrado de las desviaciones respecto a la

media
Aplicar la prueba t a las dos medias de los datos
248
Rot
Temp
Oxygen
13
Prueba de igualdad 11
3
de Varianzas-Minitab10
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
Se estudian tamaos de
papa inyectando con
bacterias y sujetas a
diferentes temperaturas.
Antes del ANOVA se
verifica la igualdad de
varianzas
Stat > ANOVA > Test for

equal variances
Response Rot
Factors Temp Oxigen
Confidence level 95%
249
Resultados
250
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
251
Prueba de la concordancia del

Coeficiente de Kendall
El coeficiente expresa el grado de asociacin entre las

calificaciones mltiples realizadas por un evaluador
Ho: Las variables son independientes

Ha: Las variables estn asociadas
Kendall usa la informacin relacionada con las

calificaciones relativas y es sensible a la seriedad de
mala clasificacin
Por ejemplo para K = jueces N = Muestras = 10

Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crtica = X2 0.01,9 = 21.67
252
Prueba de la concordancia del

Coeficiente de Kendall
El Estadstico Chi Cuadrada calculado es:
Como Chi Cuadrada de alfa es menor que la calculada,

los cuatro jueces estn asociados significativamente.
Constituyen un panel uniforme. No quiere decir que
estn en lo correcto, solo que responden de manera
uniforme a los estmulos
253
El coeficiente de correlacin de
rangos de Spearman (rs)
El coeficiente de correlacin es una medida de la

asociacin 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 2
r 1
Ho: Las variables son independientess

Ha: Las variables estn asociadas
6 d
N N
3
Para el ejemplo anterior si N = 10, el coeficiente es:
6(5.5)
rs 1
1 0.03 0.97
990
254
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
Preferencia
Precio
(rango)
449.50 (1)
525.00 (5)
Rang
o
Di
Di
cuadrada
36
479.95 (3)
-1
499.95 (4)
-1
580.00 (8)
549.95 (7)
-7
49
469.95 (2)
532.50 (6)
-4
16
Fab.
255
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
256
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
257
Corrida con Minitab

Para la corrida en Minitab primero
se deben determinar los
rangos en forma manual para
las variables X y Y.
Stat > Basic statistics >
Correlation
Variables Preferencia Precio
Correlations: Preferencia,
Precio
Pearson correlation of
Preferencia and Precio =
-0.714
P-Value = 0.047
Fabric Prefeante rencia Precio
Preci
o
449
525
479
499
580
549
469
532
258
Ejemplo con Minitab

Se estudia la relacin entre
colgeno y Proline en
pacientes con cirrosis
Stat > Basic statistics >
Correlation
Variables Colgeno Proline
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
259
Resumen de pruebas
no paramtricas
Prueba de signos de 1 muestra: Prueba la igualdad de la

mediana a un valor y determina el intervalo de
confianza
Prueba de Wilconox de 1 muestra: Prueba la igualdad de

la mediana a un valor con rangos con signo y determina
el intervalo de confianza
Comparacin de dos medianas poblacionales de Mann

Whitney: Prueba la igualdad de las medianas y
determina el intervalo de confianza
260
Resumen de pruebas
no paramtricas
Comparacin de igualdad de medianas poblacionales de

Kruskal Wallis: Prueba la igualdad de las medianas en
un diseo de una va y determina el intervalo de
confianza
Comparacin de medianas poblacionales de Mood:

Prueba la igualdad de medianas con un diseo de una
va
261
262
263
Salidas de la Fase de Anlisis
Causas raz validadas
Gua de oportunidades de mejora
264

Lean Sigma BB Analisis B

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lean Sigma BB Analisis B

Uploaded by

Copyright:

Available Formats

Lean Seis Sigma

VI.F Mtodos de anlisis

VI.F.1 Anlisis de brecha

El anlisis de brecha (Gap Analysis) es una

Identifica la diferencia de lo que es y lo que

Se pueden redirigir los esfuerzos a objetivos

Se requieren tres categoras de informacin

Al elaborar planes estratgicos, los directivos

Los escenarios permiten imaginar el

El proceso de planeacin es como sigue:

Seleccionar al personal que pueda dar muchas

El proceso de planeacin es como sigue:

Desarrollar un escenario grueso del futuro

Por lo comn se perciben de 6 10 amenazas

No utilizar un facilitador experimentado

Considerar escenarios como pronsticos

Hacer escenarios simplistas

Limitar el impacto global de los escenarios

Evitar las siguientes trampas..:

No incluir a un equipo directivo en el proceso

Tratar los escenarios solo como actividad

Limitar el estmulo imaginativo en el diseo del

No desarrollar escenarios para rea de impacto

Es una herramienta de ejecucin, usada para

Hoshin traduce la visin de la empresa en

Hoshin se enfoca a identificar los pocos logros

Tiene seis objetivos:

Alinear las metas organizacionales

Enfocarse en las pocas brechas vitales

Trabajar con otros para cerrar las brechas

Especificar los mtodos para lograr los objetivos

Hacer visible el enlace entre planes locales

Otras tcnicas de anlisis

Las cinco fuerzas competitivas de Porter

Anlisis funcional con datos de coleccin:

Entrevistas cara a cara

Se divide a la organizacin en reas

Liderazgo, prcticas de negocio, anlisis

Se deben analizar los resultados y presentarlos

Normalmente el consultor colecta y resume la

Se establecen metas de desempeo

Por cada meta organizacional mayor deben

Valor de acciones, inversin de capital, costos

Tiempos de ciclo actuales

Respuestas del mercado

De acuerdo a Juran se debe tomar en cuenta lo

Las mtricas deben tener un significado

Las mtricas se basan en la retroalimentacin

VI.F.2 Anlisis de causa

Anlisis de causa raz

Un equipo tiene la responsabilidad de

Situacin (presa con fuga)

Anlisis de causa raz

Preguntar por qu cinco veces, tormenta de

anlisis de flujo de proceso, PHVA, grupo

observacin de operacin, diagrama de causa

Anlisis de causa raz

Coleccin y anlisis de datos

Anlisis de Pareto, anlisis de regresin, hoja de

Anlisis de matriz de datos

Subgrupos de datos, experimentos simples, DOE

Anlisis de causa raz

El anlisis de causa raz ha identificado el