Professional Documents
Culture Documents
Programa de certificacin
de Black Belts
VI. Lean Seis Sigma Anlisis
B
Segunda Parte
P. Reyes / Abril de 2010
Mtodos adicionales de
anlisis
1. Anlisis de brecha
2. Anlisis de causa raz
3. Anlisis del Muda
Anlisis de brecha
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
Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?
Planeacin de escenarios
Planeacin de escenarios
Planeacin de escenarios
10
Planeacin de escenarios
11
Planeacin de escenarios
12
Planeacin Hoshin
13
Planeacin Hoshin
14
Benchmarking
Anlisis FODA
Anlisis PEST
15
Evaluacin organizacional
Evaluacin organizacional
17
Mtricas organizacionales
Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado
Mtricas organizacionales
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo
Tiempos de ciclo
19
Mtricas organizacionales
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
20
Mtricas organizacionales
Las mtricas permiten medir los avances en
relacin a las metas organizacionales
22
23
24 de
tcnicas de consenso, seis sombreros
25
5Ws y 1H
28
Tormenta de ideas
Dar prioridades (identificar las tres causas
principales)
Desarrollo de un plan de accin
29
Diagrama de Pareto
32
33
34
35
Smbolos de eventos
36
38
39
40
Anlisis de Muda
Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas
41
Sobreproduccin
42
Inventario en exceso
43
Inventario en exceso
44
Reparaciones / defectos
45
Movimientos
Movimientos
47
Reprocesos
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
Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones
49
Esperas
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
52
Regresin mltiple
Yu 0 1 X u1 2 X u 2 ....... k X uk u
Se asume que los errores u tienen las caractersticas
siguientes:
Tienen media cero y varianza comn 2.
Son estadsticamente independientes.
Estn distribuidos en forma normal.
53
Regresin mltiple
Estimacin de los parmetros del modelo
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
i 1
2
i
SSE (Y Xb)' (Y Xb) Y ' Y b' X ' Y Y ' Xb b' X ' Xb Y ' Y 2b' X ' Y b' X ' Xb
s 2 MSE
SSE
N 55
p
Tamao de muestra
56
Ejemplo de regresin
mltiple
57
Ejemplo de regresin
mltiple
58
59
60
61
62
0.01438
275
275
63
64
65
66
Multicolinealidad
67
Multicolinealidad
Escalamiento de residuos
Y 5 X 1 1000 X 2
70
Escalamiento de residuos
Residuos estandarizados
di
ei
,
MSE
Escalamiento de residuos
Residuos estudentizados
H = X (XX)-1X es
e la matriz sombrero o hat matriz.
ri
MSE (1 hii )
72
Escalamiento de residuos
e( i ) Yi Y( i )
RPr ediccin 1
SYY 73
Grficas parciales de
regresin
Matriz sombrero
75
Matriz sombrero
76
Distancia de Mahalanobis
77
Influencia en coeficientes
individuales
Influencia en coeficientes
individuales
Ejemplo de regresin
mltiple
Solucin con Excel y Minitab
80
% Aceptacin
81
-1340.32 -185.659
-452.957
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
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
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
Resultados de la regresin
lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor
Constant
Score1
Coef
SE Coef
1.1177
0.1093
10.23
0.000
0.21767
0.01740
12.51
0.000
S = 0.1274
R-Sq = 95.7%
R-Sq(adj) = 95.1%
Analysis of Variance
Source
Regression
DF
SS
MS
2.5419
2.5419
156.56
0.000
Residual Error
Total
0.1136
8
0.0162
2.6556
2.6414
Fit
SE Fit
0.0474
95.0% CI
(
2.5292,
New Obs
1
2.7536)
95.0% PI
(
2.3197,
Score1
7.00
87
2.9631)
Resultados de la regresin
lineal
Regression Plot
Score2 = 1.11771 + 0.217670 Score1
S = 0.127419
R-Sq = 95.7 %
R-Sq(adj) = 95.1 %
Score2
3.5
2.5
Regression
1.5
95% CI
95% PI
2
Score1
88
Resultados de la regresin
Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor
Coef
SE Coef
389.17
66.09
5.89
0.000
North
-24.132
1.869
-12.92
0.000
South
5.3185
0.9629
5.52
0.000
2.125
1.214
1.75
0.092
Constant
East
S = 8.598
R-Sq = 87.4%
R-Sq(adj) = 85.9%
Analysis of Variance
Source
Regression
DF
SS
MS
12833.9
4278.0
57.87
0.000
Residual Error
25
1848.1
Total
28
73.9
14681.9
Source
DF
Seq SS
North
10578.7
South
2028.9
East
226.3
89
Resumen de la Regresin
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
Anlisis de componentes
principales
Anlisis de componentes
principales
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
Ejemplo: Alimentos en
Europa
Ejemplo: Alimentos en
Europa
99
Factores independientes
100
101
Resultados
102
Anlisis factorial
Anlisis factorial
104
105
Ejemplo
106
Ejemplo:
107
Anlisis discriminante
pases
109
110
111
Anlisis de conglomerados
112
Anlisis de conglomerados
113
Ejemplo
Variables V1
V2
114
Corrida en Minitab
115
Anlisis de correlacin
cannico
116
Anlisis de correlacin
cannico
coches
118
coches
119
coches
120
coches
121
MANOVA
(Anlisis de varianza mltiple)
MANOVA
(Anlisis de varianza mltiple)
124
125
Ejemplo:
Extrusin de pelcula plstica
Ejemplo:
Extrusin de pelcula plstica
127
Ejemplo:
Extrusin de pelcula plstica
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:
Extrusin de pelcula plstica
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
131
132
Regresin logstica
Regresin logit
134
Regresin probit
135
136
137
Regresin logstica
Condiciones:
Regresin logstica
Relacin con ajuste pobre
140
Regresin logsticaProcedimiento
142
P-Value de Deviance
146
Constantes y
Coeficientes
del modelo
148
149
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
150
LIE LSE
Expectativas
(CTSs)
Especificaciones
Tipo
Importan.
CTQs
Producto
(General)
Matriz de
Diseo
Otra
Clientes
Usuarios
Finales
Producto
(Especfico)
151
Anlisis Logit
153
Anlisis Probit
155
(O
i
E
)
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:
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
0.76020818
157
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
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
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
162
( f i ei ) 2
ei
i 1
n
163
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
165
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
( f i ei ) 2
ei
i 1
2
167
168
( f i ei ) 2
ei
i 1
2
5. Regla de rechazo:
2
2
Si
no se puede rechazar la hiptesis nula
169
170
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
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
100
54
40
CumProb
0.974524
174
p
0.0254765
Prueba de Bondad
de ajuste en Excel
175
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,
177
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
179
180
181
.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
183
Tabla de contingencia
184
Tabla de contingencia
185
Partes defectuosas
mquina 1
fo = 517
fo = 17
Total = 534
mquina 2
fo = 234
fo = 11
Total = 245
Total
751
28
779
186
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
232
233.47
764
3
1.53
5
235
769
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.
190
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
191
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
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
54
202
256
13.23
242.77
5
699
704
36.38
667.62
12
116
6.61 121.39
128
194
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
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
197
Coeficiente de Contingencia
C2
X2
X2 N
198
Coeficiente de Contingencia
C2
2
X2
66
.
22
2
0.38
2
2
X N
66.22 393
Max C
k 2
82
0.866
k
8
199
Correlacin de atributos
X
N (k 1)
200
VI.C.9 Pruebas de
Hiptesis no paramtricas
201
Pruebas no paramtricas
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
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
Datos No Normales
Pruebas de la Mediana
205
7B8. Definiciones
Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).
207
Mediana
28.0
35.0
42.0
49.0
56.0
63.0
C1
++++++
Promedio = 40.35
Mediana = 39.5
208
Prueba t de 2 muestras
ANOVA de un factor
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
Promedio
500
Primera
"corrida"
400
300
200
100
0
Segunda racha"
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.
Nmero total de Rachas: 12
Nmero total de puntos > al promedio: 11
Nmero total de puntos < al promedio: 18
Prueba de Rachas
Ho: Los datos son aleatorios
Ha:Los datos NO so aleatorios
Prueba de Rachas
Promedio K = 184.4483
Promedio
Este es el valor p
de las Prueba de
Corridas
n1 = 11n2 = 18
DesStG = 2.4843
212
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
214
No. Valor
Signo
215
216
115
100
200
300
400
500
144
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
Casa
Limpiad
or
10
Familia
10
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)
Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas
10.2
9.5
0.7
0.7
9.6
9.8
-0.2
0.2
-2
9.2
8.8
0.4
0.4
3.5
3.5
10.6
10.1
0.5
0.5
5.5
5.5
9.9
10.3
-0.4
0.4
3.5
-3.5
10.2
9.3
0.9
0.9
10
10
10.6
10.5
0.1
0.1
10
10
Eliminar
11.2
10.6
0.6
0.6
10
10.7
10.2
0.5
0.5
5.5
5.5
11
10.6
9.8
0.8
0.8
222
T = 44
T 0
n(n 1)(2n 1)
6
En este caso n = pares eliminando las que son iguales con dif. =
0 para el trabajador 8.
= raiz(10 x 11 x 21/6) = 19.62
Z = (T )/ = 44/19.62 = 2.24
Z alfa/2 = Z0.025 = 1.96
Como Zc = 2.24 > Z0.025 se rechaza Ho, los mtodos son
diferentes
223
Achievement
77
88
85
74
75
62
80
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
Prueba de MannWhitney
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160
Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166
n1 = 10
Ta = 130.5
n2 = 9
Tb = 55.5
226
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: 1 = 2 Ha: 1 2 1, 2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5
P(Ua) = 0.006 Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ua = 14.5
Ub = 79.5
Utilizando el estadstico Z y la distribucin normal se tiene:
45
12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49
P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.
Prueba de Mann-Whitney
16-20 aos de edad
40-44 aos de
edad
140
135
150
140
144
154
160
144
136
148
130
10
5
20
10
14
24
30
14
6
18
166
-26
-31
-16
-26
-22
-12
-6
-22
-30
-18
128
12
7
22
12
16
26
32
16
8
20
126
14
9
24
14
18
28
34
18
10
22
140
0
-5
10
0
4
14
20
4
-4
8
136
4
-1
14
4
8
18
24
8
0
12
132
8
3
18
8
12
22
28
12
4
16
128
12
7
22
12
16
26
32
16
8
20
124
16
11
26
16
20
30
36
20
12
24
Corrida en Minitab
Prueba de Kruskal
Wallis
Ordenando los datos de ventas y asignndoles el (rango) de su posicin relativa se tiene
(promediando posiciones para el caso de que sean iguales):
Zona 1
(15.5) 147
(17.5) 17.5
(9) 128
(19) 162
(12) 135
(10) 132
(22) 181
(13) 138
Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119
Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169
n1 = 8
Ta = 118
n2 = 10
Tb = 111.5
n3 = 7
Tc = 95.5
N = n1 + n2 + n3 = 25
231
Prueba de Kruskal
Wallis
232
Corrida en Minitab
234
(O E )
E
2
235
236
P>0.05
DF = 2
P = 0.0005 Se
rechaza Ho
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+--------+---------+-0
47 9
29 24 106.0 21.5
15 55 116.5 16.3
(------*------)
(----*----)
----+---------+---------+---------+-96.0
Overall median = 107.0
104.0
112.0
120.0
237
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
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
242
243
244
245
246
Prueba de igualdad de
varianzas de Levene
247
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
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
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
10
10
16
16
16
rechazar Ho
Levene's Test (any continuous distribution)
Test statistic = 0.37, p-value = 0.858
251
252
253
El coeficiente de correlacin de
rangos de Spearman (rs)
r 1
6 d
N N
3
6(5.5)
rs 1
1 0.03 0.97
990
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
Correlations: Preferencia,
Precio
Pearson correlation of
Preferencia and Precio =
-0.714
P-Value = 0.047
Preci
o
449
525
479
499
580
549
469
532
258
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
260
Resumen de pruebas
no paramtricas
261
262
263
264