Curso Basico de Minitab

Curso básico de Minitab
Curso básico de Minitab*
1
Introducción
• Generalidades
Introducción a Minitab
• Manipulación de datos
• Cálculos con datos
Herramientas para la calidad

• Introducción
• Diagrama de Pareto
• Diagrama de Causa Efecto
• Estadística descriptiva
• Histogramas
• Gráficas de caja y tallo y hojas
• Prueba de normalidad
2
Herramientas para la calidad (cont…)

• Intervalos de confianza y Pruebas de hipótesis de una población
• Pruebas de hipótesis de dos poblaciones
• ANOVA de una vía
• Tablas de contingencia
Estadística no paramétrica
• Prueba de los signos
• Prueba de Wilconox
• Prueba de Mann Whitney
• Prueba de Kruskal Wallis
Regresión lineal y cuadrática
Cartas de control
3
Introducción
4
Las fases de Lean Sigma (DMAIC)

Justificar proyecto
Definir el problema
Diagrama de
Pareto
y gráficas diversas
Pareto Chart of Clientes
300
100
250
80
200
Percent
Monto
60
150
100 40
50 20
5
0 0
Clientes Gobierno Industria Comercio Consumo Other
Monto 120 70 40 25 10
Percent 45.3 26.4 15.1 9.4 3.8
Cum % 45.3 71.7 86.8 96.2 100.0
5

Colección de información y diagnóstico
Estadística descriptiva,
Histogramas
Gráficas de tallo y hojas
Descriptive Statistics: Tiempo de espera
Variable N Mean StDev Median
Tiempo de espera 50 19.93 1.847 20.037
Boxplot of Tiempo de espera

24
Histogram (with Normal Curve) of Tiempo de espera
23
16 Mean 19.94
StDev 1.847
22
14 N 50
21
Tiempo de espera
12
20
10
Frequency
19
8
18
6
17
4
16
2 15
0
15.0 16.2 17.4 18.6 19.8 21.0 22.2 23.4
Tiempo de espera
Summary for Tiempo de espera Prueba de

A nderson-D arling N ormality Test Normalidad
A -S quared 0.51 Normal si
P -V alue 0.189
Histograma M ean 19.936

P > 0.05
S tD ev 1.847
V ariance 3.411
S kew ness -0.507024 Estadística
Kurtosis 0.464656
N 50 descriptiva
M inimum 15.015
1st Q uartile 19.088
M edian 20.037
3rd Q uartile 21.290
16 18 20 22 M aximum 23.293
95% C onfidence Interv al for M ean
19.411 20.461
95% C onfidence Interv al for M edian
Diagrama de caja 19.542 20.426

95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
1.543 2.301
Mean
Median
19.50 19.75 20.00 20.25 20.50
7
Process Capability of Tiempo de espera
USL
P rocess D ata W ithin
LS L * Ov erall
Target *
USL 25 P otential (Within) C apability
S ample M ean 19.9361 Cp *
S ample N
S tDev (Within)
50
1.70866
C PL
C P U 0.99
*
Índice de
S tDev (O v erall) 1.84689 C pk 0.99
O v erall C apability
capacidad
Pp * real
PPL *
PPU 0.91 Cpk >= 1.5
P pk 0.91
C pm *
16 18 20 22 24
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
% < LS L * % < LS L * % < LS L *
% > U S L 0.00 % > U S L 0.15 % > U S L 0.31
% Total 0.00 % Total 0.15 % Total 0.31
% fuera del
límite superior
Max. 3.4 ppm
8

Cause-and-Effect Diagram
Medio ambiente Material Personal
D escuido
C alor Inadecuados
C apacitación
H umedad F altantes
M otiv ación
E stres C on errores
Responasibilidad
Lentitud en
atención al
cliente
P aros menores
P roceso no actual
F alla de equipos
P roceso complejo
F alla de P C s
P roceso incompleto
S istema lento
Métodos Equipos
Boxplot of Caja A, Caja B

17.5
15.0
P-Value = 0.00
Causas potenciales y reales (raíz) 12.5
Diagrama de causa efecto

Data
10.0
Pruebas de hipótesis (¿medias 7.5
iguales?) 5.0
Son diferentes si P value <= 0.05 Caja A Caja B


Boxplot of Caja A, Caja B, Caja C
17.5
15.0
P-Value = 0.00
12.5
Data
10.0
7.5
5.0
Caja A Caja B Caja C
Fitted Line Plot

Tiempo = 1.119 + 0.2094 Calificación
3.25 S 0.172546
R-Sq 91.9%
R-Sq(adj) 90.8%
3.00
2.75
P-Value = 0.115 2.50
Tiempo
Serv.NO DEPENDE del género 2.25
2.00
Comprobar causas reales (raíz) 1.75
ANOVA (¿medias iguales?), regresión , 1.50
2 3 4 5 6 7 8 9
tablas de contingencia (¿proporciones Calificación
iguales?)

Entradas Salidas (Y) Entradas Salidas (Y)
Diseño de
Proceso
Producto
Main Effects Plot for Rendimiento

Data Means
Temperatura Concentracion
70
65
60
55
50
Mean
120 150 10 12
Presion
70
Para maximizar
65
Soluciones para eliminar causas raíz
60 Eficiencia ajustar
55 Pruebas de hipótesis, DOE,
T=150 y C=10
50
10 14 ANOVA

Mantener las soluciones con control
estadístico
Cartas de control
I-MR Chart of Tiempo de espera
25.0 U C L=25.06
Indiv idual Value
22.5
_
20.0 X=19.94
17.5
15.0 LC L=14.81
1 6 11 16 21 26 31 36 41 46
O bser vation
C Chart of Caja B
U C L=6.297 16
UCL=15.56
6.0
14
Moving Range
4.5
12
3.0 10
Sample Count
__
M R=1.927 8 _
1.5 C=7.4
6
0.0 LC L=0
4
1 6 11 16 21 26 31 36 41 46
O bser vation 2
0 LCL=0
1 2 3 4 5 6 7 8 9 10
Sample
Introducción a Minitab
13
Minitab Inc. es una compañía privada cuya sede principal se encuentra

en State College, Pensilvania, y tiene subsidiarias en el Reino Unido,
Francia y Australia. con representantes y distribuidores en muchos
países alrededor del mundo.
El programa Minitab® Statistical Software fue desarrollado en 1972 por

tres profesores de Estadística de Penn State University. Uno de ellos
Barbara Ryan, es la presidenta y directora ejecutiva de Minitab.
Minitab es el principal software del mundo para la enseñanza de

estadística a estudiantes. También, es el software utilizado con mayor
frecuencia en Seis Sigma, la principal metodología del mundo para el
mejoramiento de la calidad.
.
14
Generalidades
15
Manipulación y cálculo con datos
Captura de datos
File > New
Hoja de trabajo nueva Proyecto nuevo,

manteniendo lo que ya se ha borra toda la
procesado como gráficas información que
sesiones, etc. exista en el
proyecto abierto.
16
La letra
Letra “T”Tindica
indicacolumna
Número de columna columna
Nombre de columna de texto de texto
Numéricas Alfanumérica Fecha/hora
17
1.3 Abrir, guardar e imprimir archivos
Para proyectos donde

se incluye todo, datos
gráficas, sesiones.
Se puede importar
Para hojas de trabajo una hoja de cálculo
(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
File > Open Worksheet
En carpeta DATA se encuentran
18
Cargar datos en hoja de trabajo desde diferentes fuentes

Inciar con EASTERN.MTW
1. File Open worksheet
2. Click en Look in Minitab Sample Data folder, Meet Minitab
3. Click en EASTERN.MTW
4. OK
Para combinar este archivo con datos de otro CENTRAL.XLS de Excel:

3.Click en CENTRAL.XLS
4. Seleccionar Merge Pone los datos en la misma hoja
5. Click Open
Para agregar datos desde un archivo de texto a esta hoja de trabajo

3. Click en WESTERN.TXT
4. Seleccionar Merge Pone los datos en la misma hoja
5. Click Open
19
Eastern.mtw Central.xls Western.txt
Para reemplazar un valor perdido en renglón C105 de columna C10

1. Editor > Go to
1. Seleccionar la ventana de datos,
2. Seleccionar Editor > Go to
2 En Enter column number or name,
anotar C10
3 En Enter row number, anotar 105. Click OK.
4 En fila 105 de columna C10, anotar un ∗ .
2. Poner un *
20
Para apilar grupos de columnas de datos para ciertos comandos de Minitab

1. Data ➤ Stack ➤ Blocks of columns
Efectuar las operaciones siguientes:
Las variables para los centros de embarque están en las mismas columnas
Order (Eastern), Order_1(Central), Order_2 (Western) como etiquetas para
indicar de cual centro de distribución se originan los datos
MY_SHIPPINGDATA.MTW
Subscripts
Order 3/3/2006 8:34 3/7/2006 15:21 On time 255
Order 3/3/2006 8:35 3/6/2006 17:05 On time 196
Order 3/3/2006 8:38 * Back order 299
Order 3/3/2006 8:40 3/7/2006 15:52 On time 205
Order 3/3/2006 8:42 3/9/2006 14:48 Late 250
21
Para agregar una columna calculada en Días = Arrival - Order

Poner nombres a las columnas
MY_SHIPPINGDATA.MTW
Center Order Arrival Status Distance
Order 3/3/2006 8:34 3/7/2006 15:21 On time 255
Order 3/3/2006 8:35 3/6/2006 17:05 On time 196
Order 3/3/2006 8:38 * Back order 299
Order 3/3/2006 8:40 3/7/2006 15:52 On time 205
Order 3/3/2006 8:42 3/9/2006 14:48 Late 250
Insertar una columna entre Arrival y Status

1 Click en cualquier celda en C4 para activarla
2 Click en botón derecho del ratón y seleccionar Insert Columns.
3 Click en el nombre de C4. Poner Days, y enter
Center Order Arrival Days Status Distance

Eastern 3/3/2006 8:34 3/7/2006 15:21 On time 255
Eastern 3/3/2006 8:35 3/6/2006 17:05 On time 196
Eastern 3/3/2006 8:38 * Back order 299
Eastern 3/3/2006 8:40 3/7/2006 15:52 On time 205
Eastern 3/3/2006 8:42 3/9/2006 14:48 Late 250
22
Calcular los nuevos datos para la columna Days

1 Calc ➤ Calculator.
2 En Store result in variable, poner Days
3 En Expression, poner Arrival - Order
4 Seleccionar Assign as a formula.
5 Click OK.
Center Order Arrival Days Status Distance

Eastern 3/3/2006 8:34 3/7/2006 15:21 4.28 On time 255
Eastern 3/3/2006 8:35 3/6/2006 17:05 3.35 On time 196
Eastern 3/3/2006 8:38 * Back order 299
Eastern 3/3/2006 8:40 3/7/2006 15:52 4.30 On time 205
Eastern 3/3/2006 8:42 3/9/2006 14:48 6.25 Late 250
Actualizar la fecha Arrival date en fila 127 de 3/6/2006 a 3/7/2006.

Cambia la información de días automáticamente
Antes 2.98125
Central 3/3/2006 9:44 3/7/2006 9:17 3.98125 On time 306
23
Ejemplo: Para calcular el incremento de peso

ARCHIVOS PESOS.MTW en un cierto periodo de tiempo
Peso_antes Peso_despues
64 88 Incremento
58 70 24
62 76 12
66 78 14
64 80 12
74 84 16
84 84 10
68 72 0
62 75 4
76 118 13
90 94 42
80 96 4
92 84 16
-8
68 76
8
60 76
16
62 58
-4
66 82 16
70 72 2
68 76 8
72 80 8
24
b) Otra forma de realizar operaciones en columnas o renglones es a través de

Calc > Column o Row Statistics respectivamente:
Cálculos
disponibles
Columna (s) sobre la que se hará

el cálculo Peso_despues
Constante opcional (K1, K2, etc.)

en la que se desea almacenar el
resultado
La constante se muestra con

Data > Display Data > selecc. K2
25
Contador de eventos
Se usa para mostrar cuenta, cuenta acumulada, porcentajes, y porcentajes acumulados para
cada variable especificada
Suponiendo que se está estudiando la influencia de la actividad de paciente en el desempeño de una
droga nueva. Después de colectar los datos, se examina la distribución de la actividad del paciente.
1 File > Open worksheet EXH_TABL.MTW
Activity
Moderate Repetir con GENDER y HEIGHT
Moderate
A lot Los resultados son los siguientes:
Slight
Moderate Tally for Discrete Variables: Activity
Slight
Activity Count CumCnt Percent CumPct
A lot
A lot 21 21 23.08 23.08
Moderate
Moderate 61 82 67.03 90.11
Moderate
Slight 9 91 9.89 100.00
Etc. N= 91
La actividad ligera tiene un 9.89%, la actividad moderada
2 Stat > Tables > Tally Individual Variables. un 67.03% y alta 23.08%
3 En Variables, poner Activity .
4 En Display, seleccionar Counts, Percents, Cumulative counts, y Cumulative percents
5 Click OK
26
Desarrollo del Reporte

Las gráficas se pueden agregar a un reporte seleccionándolas
Boxplot of Caja A, Caja B, Caja C

17.5
15.0
12.5
Data
10.0
7.5
5.0
Para visualizar el reporte se utilizan las instrucciones siguientes:
Caja A Caja B Caja C
después botón derecho y Append Graph to Report
Para agregar resultados de la pantalla de Sesión, se selecciona el texto

y se agrega al reporte.
El reporte se puede salvar como texto enriquecido RTF
27
Herramientas para la calidad
28
2.1 Gráficos de barras y línea
Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab o arhivo anexo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.
File > Open Worksheet > Pulse.Mtw

Graph > Bar chart
Graph > Bar chart: Count of unique values, Simple
Categorical variables: Activity Sex
Chart of Activity
60
cambiar todas barras
50
40
Count
30
20
10
0
0 1 2 3
Activity
29
Para gráficas de barras:

Graph > Bar chart
Se muestran distintas opciones para representar las barras,
Para el caso de hombres y mujeres según su actividad se tiene:
Graph > Bar chart: Count of unique values, Stack

Categorical variables: Activity Sex
Chart of Activity, Sex

Sex
60 2
1
50
40
Count
30
20
10
0
Activity 0 1 2 3
30
Para cambiar la apariencia de las barras:
Colocarse en las barras y dar doble click, aparece el cuadro de diálogo

Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, también se puede seleccionar un tipo de trama por barra dando
Click en la gráfica, click en la sección específica y doble click, poner trama en Type.
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:
Data > Code > Numeric to text
Se puede usar la
misma columna
u otra para los
valores una vez
transformados
Una vez cambiados los valores la gráfica se actualiza en forma automática colocándose
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now
El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo
31
Chart of Activity, Sex

Sex
60 Mujer
Hombre
50
40
Count
30
20
10
0
Activity 0 1 2 3
32
Graph > Pie chart

Se muestran distintas opciones para los datos fuente ya sea Chart Raw Data en cuyo
caso se establece una variable categórica en este caso Activity
La otra opción es que los valores ya estén tabulados previamente,

Chart values from a table
Pie Chart of Activity

C ategory
0
1
2
3
Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
33
Cambiar el número de actividad por su nombre con:

Data > Code > Numeric to text
Code data.. Activity Store data … Activity
Reemplaza los números EQUIPO TIEMPO M
0 Nula por los nombres CALDERA 20
1 Baja ELEVADOR 45
2 Media COMPRESOR 15
3 Alta FILTROS 60
BOMBAS 33
Con botón derecho seleccionar Update Graph Automatically
Para indicar el nombre de la categoría y su frecuencia en cada uno de las partes

de la gráfica de pastel, seleccionar la gráfica con doble click e ir a add Slice Labels y marcar:
Category name, Frequency.
Para agregar texto y figuras a la gráfica, seleccionar la gráfica con un click:
Editor > Annotation > Graph annotation tools
Para agregar texto

Seleccionar el botón T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botón de la figura e insertarla
34
Pie Chart of Activity

Gráfica de ejemplo Category
A lta
Baja
Media
Nula
35
Diagrama de Pareto
Para el diagrama de Pareto se tienen dos opciones de entrada de datos:
Chart defects Data in Se indica la columna donde se encuentran los defectos
se tiene la opción de una categoría By Variable
Chart defects table Los defectos ya se tienen tabulados en una columna donde
aparecen los nombre y en otra para las frecuencias
Por ejemplo:
Clientes Monto Stat > Quality Tools > Pareto Chart

Comercio 40 Seleccionar Charts Defect Table
Industria 70 Labels in: Clientes
Consumo 25 Frequencies in: Monto
Gobierno 120 OK
Educacion 10
36
Pareto Chart of Clientes

300
100
250
80
200
Percent
Monto
60
150
100 40
50 20
0 0
Clientes Gobierno Industria Comercio Consumo Other
Monto 120 70 40 25 10
Percent 45.3 26.4 15.1 9.4 3.8
Cum % 45.3 71.7 86.8 96.2 100.0
37
Ejemplo con datos no agrupados
Se utiliza el archivo EXH_QC.MTW

File > Open worksheet > EXH_QC.MTW
Stat > Quality Tools > Pareto Chart
Seleccionar Charts Defects Data in Damage
OK
Pareto Chart of Damage

9
8 100
7
80
6
Percent
5
Count
60
4
3 40
2
20
1
0 0
Damage Scratch Chip Bend Dent
Count 4 2 1 1
Percent 50.0 25.0 12.5 12.5
Cum % 50.0 75.0 87.5 100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás conceptos y los agrupa en la barra de otros.
38
Estado Cívil
SOLTERO Pareto Chart of Estado Cívil

SOLTERO 800
100
UNION LIBRE 700
SOLTERO
600 80
CASADO
500
Percent
SOLTERO 60
Count
SOLTERO 400
CASADO 300 40
SOLTERO 200
UNION LIBRE 20
100
CASADO
SOLTERO 0 0
r
Estado Cívil
ER
O
ER
A O RE O DA he
SOLTERO T T S AD L IB IAD SA Ot
L L C
UNION LIBRE SO SO CA IO
N
OR CA
V
SOLTERO UN DI
SOLTERO Count 404 125 79 63 28 21 25
Percent 54.2 16.8 10.6 8.5 3.8 2.8 3.4
SOLTERO
Cum % 54.2 71.0 81.6 90.1 93.8 96.6 100.0
39
Ejemplo con datos agrupados por categoría

Seleccionar Charts Defects Data in Flaws
Usando Period en By Variable in se obtiene el diagrama estratificado siguiente:
OK
Pareto Chart of Flaws by Period

Peel Scratch Other Smudge
Period = Day Period = Evening Flaws
20
Peel
Scratch
15
Other
Smudge
10
5
Count
0
Period = Night Period = Weekend
20
15
10
0
Peel Scratch Other Smudge
Flaws
Para quitar los colores: seleccionar las barras y se cambia con

Attributes: Fill Pattern - Custom - Background color - elegir un color que puede ser blanco
con Type se pueden cambiar las tramas de las barras, con click se selecciona
la gráfica, click en la barra específica, doble click y seleccionar la trama.
40
Con gráficas independientes

Seleccionar Charts Defects Data in Flaws
Usando Period en By Variable in
OK
Se obtienen 4 gráficas que se pueden unir en una sola como sigue:

Seleccionar una gráfica
41
Zona donde pasará

la gráfica
Matriz de gráficas Pasar gráfica Quitar gráfica
Gráficas
disponibles
Cuando hayan
pasado todas
las gráficas
pulsar Finish
Gráfica que
es candidato a
pasar
42
La gráfica múltiple resultante es:
Pareto Chart of Flaws by Period Pareto Chart of Flaws by Period

Period = Day Period = Evening
16 16
12 12
Percent
Percent
Count
Count
8 8
100 100
80 80
4 60 4 60
40 40
20 20
0 0 0 0
Flaws Scratch Peel Other Smudge Flaws Peel Scratch Other Others
Count 3 2 1 1 Count 4 2 1 0
Percent 42.9 28.6 14.3 14.3 Percent 57.1 28.6 14.3 0.0
Cum % 42.9 71.4 85.7 100.0 Cum % 57.1 85.7 100.0 100.0
Pareto Chart of Flaws by Period Pareto Chart of Flaws by Period

Period = Night Period = Weekend
100
16 16
80
12 12
Percent
Percent
60
Count
Count
8 40 8
100
80
4 20 4 60
40
20
0 0 0 0
Flaws Scratch Peel Other Smudge Flaws Peel Smudge Other Others
Count 8 6 3 2 Count 3 3 1 0
Percent 42.1 31.6 15.8 10.5 Percent 42.9 42.9 14.3 0.0
Cum % 42.1 73.7 89.5 100.0 Cum % 42.9 85.7 100.0 100.0
43
Diagrama de Causa efecto
Stat > Quality Tools > Cause and Effect

Para el diagrama de Causa Efecto se tienen dos opciones de entrada de datos:
Unicamente columnas de ramas principales o columnas adicionales para subramas.
Los datos se colocan como sigue:
Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
44
Stat > Quality Tools > Cause-and-Effect.

En Label traducir Man , Machine , Material , Method , Measure , y Enviro en filas 1 a 6, respectivamente.
En Causes, seleccionar columnas de datos para las variables de filas 1-6.
Asignar las diferentes columnas de Causas primarias
Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente
sel. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp.
En Effect, describir el problema como Rechazos Click OK.
45
La gráfica resultante es la siguiente:
Medio ambiente Material Personal
Para cambiar el
tamaño de letra
C
D
Salud
ur
Polvo
iá
va
m
hacer doble click en
et
tu
E
F o ció n
ro
xp i ón
ra
Se
Forma
rm
er
le
Vibracion los títulos y
ie
c
ac
nc
ia
Dureza Habilidad seleccionar otro
Humedad
C a or a
A
m
T
tamaño de letra
ns l
ie
H
bi
an
Temperat
m
or
en
ci
po
as
te
o
Amacen Humor
Rechazos
La gráfica se puede
Herramental editar
Velocidad
Abrasión
Deformación
Ajuste
Mantto.
Métodos Maquinas
46
Otro ejemplo: Mala atención al cliente
Personas Materiales Equipos Metodos Medio ambiente Estrés

Descuido Inadecuados Sistema lentoProceso incompleto
Calor Cansancio
Capacitación Faltantes Falla de PCs Proceso complejo
Humedad Alimentos
Motivación Con errores Falla de equipos
Proceso no actual
Estres Supervisión
Responsabilidad Paros menores Problemas
Stat > Quality Tools > Cause-and-Effect.

En Label traducir Man , Machine , Material , Method , Measure , y Enviro en filas 1 a 6, respectivamente.
En Causes, seleccionar columnas de datos para las variables de filas 1-6.
Asignar las diferentes columnas de Causas primarias
Si hay causas secundarias seleccionar SUB delante de la primaria correspondiente
sel. detrás de cada concepto de la causa primaria la COLUMNA de la causa secundaria corresp.
En Effect, describir el problema como Mala atención al cliente Click OK.
47
Medio Material Personal
ambiente
C alor D escuido
Inadecuados
C apacitación
Humedad
F altantes
M otiv ación
Su
Pr
Ca
pe
ob
li m
ns
C on errores
rv
le
a
en
Responsabilidad
isi
m
nc
to
ón
as
io
E stres Mala
atencion al
cliente
P aros menores
P roceso no actual
F alla de equipos
P roceso complejo
F alla de P C s
P roceso incompleto
S istema lento
Métodos Equipos
48
ESTADÍSTICA BÁSICA
Población: es la colección de todos los elementos (piezas, personas,

mediciones, etc.).
Muestra: es una parte o subconjunto representativo de la

población, o sea una muestra de mediciones de las características.
Incluye:
• Medidas de tendencia central
• media, moda, mediana
• Medidas de dispersión
• rango, varianza, desviación estándar, coeficiente de variación
• Distribuciones de frecuencia (histogramas)
• Funciones acumulativas de distribución

49
Medidas de tendencia central

 Representan las diferentes formas de caracterizar el
valor central de un conjunto de datos
Media muestral Media

poblacional
xi xi
x  
n n
Ejemplo 1: En un equipo de fútbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
xi 19
x    1.73
n 11
50

 Mediana: es el valor medio cuando los datos se arreglan
en orden ascendente o descendente, para n par, la
mediana es la media de los valores intermedios
~ n 2   n 2  1
X 
2
Ejemplo 2: Para el ejemplo anterior cual es la mediana?

Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el número
que ocupa la sexta posición en los datos ordenados encontramos el valor de la mediana
~
x  1.73
51

 Moda:Valor que más se repite, puede haber más de una
 Media acotada (Truncated Mean): Se elimina cierto
porcentaje de los valores más altos y bajos de un
conjunto dado de datos (tomando números enteros), se
calcula la media para los valores restantes.
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:

68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más bajo y
el más alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
x,.20  63.82
52
Medidas de dispersión
 Rango: Es el valor mayor menos el valor menor de un
conjunto de datos
Por ejemplo para el conjunto de datos siguiente:

2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 – 2.0 = 2.0
 Varianza: es el promedio de las desviaciones al cuadrado
respecto a la media (n para población y n-1 para
muestra para eliminar el sesgo)
(xi x) 2
( xi  x ) 2
 2
s 
2
n n 1
53
 Desviación estándar: es la raíz cuadrada de la varianza
ya sea poblacional  o muestral S
( xi  x ) 2
( xi  x ) 2
s2   s 
n 1 n 1
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:

Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
7510 790
s= = 38.75 s= = 12.56
5 5
54
 Coeficiente de variación: es igual a la desviación
estándar dividida por la media y se expresa en
porcentaje
s
Coeficient e.de. var iación  CV  (100)
X
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviación estándar es 12.14, el CVt:
12.14
CVt  (100)  12.05%
78.7
Por otra parte si la media de salarios es de 10 y su desviación estándar de 2, el CVs de salarios es:
2
CVs  (100)  20%
10
Por tanto la dispersión de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente disímbolos.
55
Estadísticos de una muestra

Estudio estadístico básico:
File > Open worksheet > Yield.mtw
Stat > Basic statistics > Display descriptive statistics
Variables Yield by variable (opcional)
Variables y variable categórica (opcional)
Gráficas de los datos

Selección de estadísticos específicos

Seleccionar adicionalmente VARIANZA, COEFICIENTE DE VARIACIÓN, MODA
Los resultados son los siguientes:

NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Yield
Variable N N* Me an SE Mean StDe v V ar ian ce Co ef Var Minimum Q1

Yield 16 0 45 .559 0.539 2 .1 57 4. 65 1 4 .7 3 42.764 4 3. 72 2
N for
Variable M ed ia n Q3 Ma ximu m Mo de M ode
Yield 4 5. 17 3 4 7.7 50 4 9.204 * 0
57
Boxplot of Yield
50 Máximo
49
48
Q3 = Tercer Cuartil
47
Yield
46
45 Q2 = Mediana
44
Q1 = Primer cuartil
43
Mínimo
42
Otra forma de obtener esta gráfica por separado y en forma individual es:
Graph > Boxplot > Simple
Graph variables Yield
OK
58
Histogram (with Normal Curve) of Yield

Mean 45.56
6 StDev 2.157
N 16
4
Frequency
0
42 44 46 48 50
Yield
Otra forma de obtener esta gráfica por separado y en forma individual es:
Graph > Histogram > Simple
Graph variables Yield
OK
59
Para cambiar el número de celdas, doble click en las barras y seleccionar BINNING
Para cambiar números al

inicio de celdas o en el
centro de las mismas
Cambiar el número
de intervalos a 5
60
Ejemplo: Estadísticos de una muestra con variable categórica
Estudio estadístico básico:

File > Open worksheet > Wine.mtw
Stat > Basic statistics > Display descriptive statistics
Variables Aroma by variable Region
Seleccionar Graphs Histogram of data with normal curve Dot plot of data, Boxplot of data
Seleccionar Statistics Variance Coefficient of variation Mode (adicionales a los ya seleccionados)

OK
Descriptive Statistics: Aroma
Variable Region N N* Mean SE Mean StDev Variance CoefVar Minimum

Aroma 1 17 0 4.359 0.166 0.685 0.469 15.71 3.300
2 9 0 4.278 0.225 0.676 0.457 15.80 3.300
3 12 0 5.967 0.278 0.962 0.926 16.13 4.300
N for
Variable Region Q1 Median Q3 Maximum Mode Mode
Aroma 1 3.900 4.300 4.900 5.600 3.9 3
2 3.650 4.300 4.900 5.200 * 0
3 5.200 5.950 6.700 7.700 5.5 2
61
Histogram (with Normal Curve) of Aroma by Region
3 4 5 6 7 8
1 2 1
4.8 Mean 4.359
StDev 0.6847
3.6 N 17
2
2.4
Mean 4.278
StDev 0.6760
Frequency
1.2
N 9
0.0 3
3
Mean 5.967
4.8
StDev 0.9623
3.6 N 12
2.4
1.2
0.0
3 4 5 6 7 8
Aroma
Panel variable: Region
Boxplot of Aroma
8
6
Aroma
3
1 2 3
Region
62
Se desea conocer la durabilidad de 4 alfombras, para lo cual se instalan en cuatro

casas y se evalúan después de 60 días de uso, se analiza con gráficas de caja.
Ejemplo con cajas múltiples

Se desea conocer la durabilidad de 4 alfombras, para lo cual se instalan en cuatro casas y
se evalúan después de 60 días de uso, se analiza con gráficas de caja.
1 File > Open worksheet CARPET.MTW.

2 Seleccionar Graph > Boxplot o Stat > EDA > Boxplot.
3 En One Y, choose With Groups. Click OK.
4 En Graph variables, poner Durability .
5 En Categorical variables for grouping (1-4, outermost first), poner Carpet .
6 Click Labels, y click the Data Labels tab.
7 En Label, seleccionar Medians. seleccionar Use y-value labels. Click OK.
8 Click Data View.
9 En Categorical variables for attribute assignment, poner Carpet . Click OK en cada caja de diálogo.
63
Boxplot of Durability
Carpet
22.5
1
2
20.0 19.75
3
4
17.5
Durability
15.0
13.52
12.895
12.5
10.0
8.625
7.5
5.0
1 2 3 4
Carpet
La alfombra 3 tienen mayor durabilidad, pero tiene mucha variabilidad, la alfombra 2 tiene poca durabilidad.
Entre las alfombras 1 y 3 casi se tiene la misma mediana de durabilidad, pero la 3 tiene menos variación
64
Histogramas o distribuciones de frecuencia
Se usa el archivo PULSE.MTW anexo en Archivo Datos Módulo 3:

Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25
20
15
Frequency
10
0
50 60 70 80 90 100
Pulse1
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
La apariencia de las barras se puede cambiar haciendo clcik en estas.
65
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaña Binning
Se definen los intervalos a través de sus

puntos de corte
Se indica el nuevo número de intervalos
Histogram of Pulse1
30
25
20
Frequency
15
10
0
48.00 56.66 65.33 74.00 82.66 91.33 100.00
Pulse1
Con doble click en la escala horizontal se puede modificar la escala de valores
66
Una vez creada esta gráfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Editor > Make Similar Graph
Histogram of Pulse2
30
25
20
Frequency
15
10
0
60 80 100 120 140
Pulse2
Para comparar los histogramas según se haya corrido o no se tiene:
67
Para comparar los histogramas según se haya corrido o no se tiene:

Graph > Histogram: Simple
Multiple Graphs:
Multiple Variable:
In separate panels of the same graph; Same scales for graphs X, Y
By Variable:
Ran
Histogram of Pulse1
50 60 70 80 90 100
1 2
16
14
12
Frequency
10
0
50 60 70 80 90 100
Pulse1
Panel variable: Ran
68
Histogramas por grupo

1. Open worksheet Shippingdata.mtw en carpeta Minitab Sample Data / Meet Minitab
2. Graph > Histogram
3. With fit
4. Graph Variable Day
5. Multiple graphs
6. By variables With groups in separate panels Center
7. OK
Histogram of Days
Normal
1 2 3 4 5 6 7
Central Eastern C entral
20
Mean 3.984
15 StDev 1.280
N 99
10 Eastern
Mean 4.452
Frequency
5 StDev 1.252
N 101
0
Western Western
20
Mean 2.981
15 StDev 1.090
N 102
10
0
1 2 3 4 5 6 7
Days
Panel variable: Center
69
Diagrama de tallo y hojas

File > Open worksheet > Pulse.mtw
Graph > Stem and Leaf
o Stat > EDA > Stem and Leaf
Variable
Estratificación opcional por otra variable
Destacar valores que exceden  1.5 RIC

de Q1 y Q3
Definir ancho de la "celda" de números
70
Stem-and-Leaf Display: Weight

Stem-and-leaf of Weight N Leaf
= 92Unit = 1.0
Tallo Hojas
1 9 5 Con Increment = 20
4 10 288 Leaf Unit = 10
13 11 002556688 Tallo Hojas
24 12 00012355555 1 0 9
37 13 0000013555688 13 1 000111111111
(11) 14 00002555558 37 1 222222222223333333333333
44 15 0000000000355555555557 (33) 1 444444444445555555555555555555555
22 16 000045 22 1 666666777777
16 17 000055 10 1 888899999
10 18 0005
6 19 00005 HI 21
HI 215 Línea de profundidad (frec. Acumulada hasta la mediana () )
71
Distribución normal estándar y distribución normal
La teoria se puede consultar en el archivo de Word anexo: Distribución Normal.doc
Calc > Probability distributions > Normal
Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o área desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant
Da el valor para el cual se obtiene

la probabilidad acumulada que se
indica
Media cero y desv. Estándar uno

indica una distribución normal
estándar, con otros valores
se trata de la distribución normal
El área total de probabilidad es de 1.0

La media es de cero y la desv. Estandar 1
72
Ejemplos:
Densidad de probabilidad
Seleccionar Probability Density
En Input Constant poner 1.5
Normal with mean = 0 and standard deviation = 1

x f( x )
1.5 0.129518
Probabilidad acumulada
Seleccionar Cumulative Probability

x P( X <= x )
1.5 0.933193
Probabilidad acumulada inversa

Seleccionar Inverse Cumulative Probability

P( X <= x ) x
0.9332 1.50006
73
Mostrar áreas bajo la curva de probabilidad
Se trata de ver el área que incluye al 10% de los alumnos que obtuvieron las calificaciones más altas
a partir del 90%, con una media de 1211 y una desviación estándar de 320, y ver si la calificación de
1738 entra en esta zona.
1 Seleccionar Graph > Probability Distribution Plot.

2 Seleccionar View Probability, click OK.
3 De la Distribution, Seleccionar Normal.
4 En Mean, poner 1211 . En Standard deviation, poner 320 .
5 Click en Shaded area. En Define Shaded Area By, seleccionar X Value.
6 Click Right Tail. En X value, poner 1738 .
7 Click OK en cada cuadro de diálogo
Distribution Plot
Normal, Mean=1211, StDev=320
0.0014
0.0012
0.0010
0.0008
Density
0.0006
0.0004
0.0002
0.0498
0.0000
1211 1738
X
74
O para un 10% del área:

5 Click en Shaded area. En Define Shaded Area By, seleccionar Probab., Right Tail, 0.10
Distribution Plot
0.0014
0.0012
0.0010
0.0008
Density
0.0006
0.0004
0.0002
0.1
0.0000
1211 1621
X
El valor de 1738 si entra en la zona.
75
Solo como demostración para el caso de dos colas:

5 Click en Shaded area. En Define Shaded Area By, sel. Probab., Both Tails, 0.10.
Distribution Plot
0.0014
0.0012
0.0010
0.0008
Density
0.0006
0.0004
0.0002
0.05 0.05
0.0000
685 1211 1737
X
76
Prueba de normalidad
Es una prueba de hipótesis de una población para determinar si la muestra se extrae de una
población normal, que es la hipótesis nula. La hipótesis alterna es que no es normal.
Se puede hacer por diversos métodos:
1. Método gráfico
Se trata de probar la flamabilidad de una fibra y ver si sigue una distribución normal,
además se quiere observar su valor en el percentll 87avo.
1 File > Open worksheet FLAMERTD.MTW.

2 Graph > Probability Plot.
3 Seleccionar Single, click OK.
4 En Graph variables,seleccionar Fabric .
5 Click Scale, y click el Percentile Lines .
6 En Show percentile lines at Y values, teclear 87 . Click OK en cada cuadro de diálogo.
77
Probability Plot of Fabric

Normal - 95% CI
99
Mean 3.573
StDev 0.5700
95 N 15
AD 0.310
90
87 P-Value 0.517
80
70
Percent
60
50
40
30
20
10
5
4.215
1
2 3 4 5 6
Fabric
Los puntos no salen del intervalo de confianza del 95% y el P value es menor de 0.05
por tanto los datos de la muestra siguen una distribución normal.
El IC del 87% se encuentra entre los valores 3.84295 y 4.58790
78
2. Prueba de hipótesis con prueba de Anderson Darling (n > 15)

Esta prueba compara la función de distribucion acumulada empirica de los datos
de la muestra con la distribución esperada si los datos fueran normales
Si la diferencia observada es suficientemente grande, se rechaza la hipótesis nula
de normalidad de la población.
Las hipótesis son las siguientes:
Ho: Los datos SI provienen de una población distribuida normalmente Pvalue >0.05
Ha: Los datos NO provienen de una población distribuida normalmente Pvalue <= 0.05
Prueba de normalidad de Kolmogorov Smirnov (n<=15)

Esta prueba compara la función de distribución acumulada de la muestra con la
distribución esperada de los datos si fueran normales. Si la diferencia obervada es
suficientemente grande, la prueba rechaza la hipótesis nula de normalidad.
Si el valor P se esta prueba es menor al alfa seleccionado se rechaza la
hipótesis nula de normalidad.
79
Ejemplo de prueba de normalidad
Ejemplo con el archivo CRANKSH.MTW

1 File > Open worksheet CRANKSH.MTW. Probability Plot of AtoBDist
Normal
2 Stat > Basic Statistics > Normality Test. 99.9
Mean 0.4417
3 En Variable, seleccionar AtoBDist . Click OK. 99

StDev
N
3.491
125
AD 0.891
95 P-Value 0.022
90
AtoBDist 80
-0.44025 El valor P es menor a 0.05 70
Pe rce nt
60
50
5.90038 por tanto los datos no siguen 40
30
2.08965 una distribución normal 20
10
0.09998 5
2.01594 1
4.83012
0.1
Etc. -10 -5 0 5 10
AtoBDist
80
Capacidad del proceso con histogramas

Las áreas bajo la curva se pueden aplicar al cálculo de la capacidad de los procesos para cumplir
especificaciones o requisitos, por ejemplo para el cso de los datos de SUPP2 del archivo CAMSHAFT.MTW
donde las especificaciones son Límite Inferior de Especificación LIE = 596 y el Límite Superior de
Especificación LSE = 604, se tiene:
File > Open worksheet > Camshaft.mtw

Stat > Quality tools > Capability analysis > Normal
Data area arranged as: Single column Supp2 Subgroup size 1
Lower Spec 596 Upper spec 604
Estimate > R bar
Options > Percents
OK
81
Los resultados se muestran a continuación
Process Capability of Supp2
LSL USL
P rocess D ata Within
LS L 596 Ov erall
Target *
USL 604 P otential (Within) C apability
Media S ample M ean 600.23 Cp 0.78 Índice de
C P L 0.83
Desviación S ample N 100
C P U 0.74
capacidad
S tDev (Within) 1.70499
estándar S tDev (O v erall) 1.87388 C pk 0.74 potencial (Cp)
O v erall C apability y real del
Pp 0.71
PPL 0.75
proceso (Cpk)
PPU 0.67 deben ser
P pk 0.67
C pm *
mayores a
1.33 para que
el proceso
sea capaz
597.0 598.5 600.0 601.5 603.0 604.5
O bserv ed P erformance E xp. Within P erformance Exp. O v erall P erformance
% < LS L 0.00 % < LS L 0.66 % < LS L 1.20
% > U S L 2.00 % > U S L 1.35 % > U S L 2.21
% Total 2.00 % Total 2.01 % Total 3.41
Fracción defectiva
fuera de especificaciones
debe ser menor a 3.4 ppm (0.000 34 %)
83
Estadística inferencial
Pruebas de hipótesis
84
IC = Estadístico +- error muestral

Intervalo de
confianza (95%) ,
Población, total
rango de valores
de productos y
para estimar los
servicios (N)
parámetros , ,
2 , 
Inferencia estadística
de los parámetros:
m= media
s= desviación estándar
Muestra 2= varianza Estadísticos
=proporción
(n) X, s, p
85
Distribución normal o de Gauss
Estadístico Z
Inferencia estadística de los
parámetros:
m= media
Cuando n >= 30 y/o  es conocida
(de datos históricos)
m=proporción
Cuando n >= 30
Estadístico t
Inferencia estadística del
parámetro:
m= media
Cuando n < 30 y  desconocida

(sin historial del proceso o prov.)
86
Estadístico 2
parámetro:
 = desviación estándar
Comprobar normalidad del

proceso
Estadístico F
parámetro:
12/ 22 relación de varianzas
Revisar normalidad de muestras
87
IC = Estadístico +- error muestral

Intervalo de
confianza (95%) ,
Población, total
rango de valores
de productos y
para estimar los
servicios (N)
parámetros , ,
2 , 
Estadísticos utilizados:
m= media, Z o t
=proporción
Muestra s= desviación estándar, 2 Estadísticos

(n) 12/ 22 Rel. de varianzas X, s, p
88
Intervalos de confianza para la media

Determinar el intervalo de confianza para la media poblacional , con los datos tomados
del índice de calidad del vino, con los datos en el archivo Wine.Mtw. Desv. Estándar = 2.04
Se utiliza el estadístico Z por ser n > 30
File > Open worskeet > Wine.Mtw

Stat > Basic statistics > 1-Sample-Z (Test and confidence interval)
Samples in columns seleccionar columna Quality Estándar deviation 2.04
Options Confidence level 95% OK Individual Value Plot of Quality
Graphs seleccionar Individual value plot OK (with 95% Z-confidence interval for the Mean, and StDev = 2.04)
OK
_
X
Intervalo donde se encuentra

7 8 9 10 11 12 13 14 15 16
La media poblacional Quality
Se obtienen los resultados siguientes:

One-Sample Z: Quality
The assumed standard deviation = 2.04
Variable N Mean StDev SE Mean 95% CI
Quality 38 12.437 2.045 0.331 (11.788, 13.085)
Conclusión: para un 95% de nivel de confianza, con los datos obtenidos de

la muestra del ínidice de calidad del vino (Quality), el intervalo que contiene al índice
promedio de calidad para toda la producción de vino es:
(11.788 a 13.085)
La gráfica de puntos que muestra la distribución de los valores del índice de calidad
y el Intervalo de confianza correspondiente, para un nivel de confianza del 95% es:
Individual Value Plot of Quality

(with 95% Z-confidence interval for the Mean, and S tDev = 2.04)
_
X
7 8 9 10 11 12 13 14 15 16
Quality
90
Prueba de hipótesis
 Una prueba de hipótesis es una afirmación sobre el valor
que se estima tiene un parámetro poblacional , , 2,

 Si la afirmación contiene el signo igual (=, >=, <=) se

establece primero la hipótesis nula Ho
 Si la afirmación contiene los signos (<, >, <> o ) se

establece primero la hipótesis alterna Ha
 Es necesario establecer el nivel de confianza de la

prueba, normalmente 95% (o alfa de 1-NC = 0.05)
91
Prueba de hipótesis para la media
Cuando no se conoce la desviación estándar y la muestra n es menor a 30.
Por ejemplo, se afirma que las ventas promedio diarias son mayores a 100 unidades:
Se toma una muestra de 20 días y se determina que el promedio es 110
y la desviación estandar de la muestra es 5
Establecimiento de hipótesis
Ha: m> 100 Ho: m<= 100
En Minitab:
Stat > Basic statistics > 1-sample t
92
Los resultados se muestran a continuación
One-Sample T
* NOTE * Graphs cannot be made with summarized data.
Test of mu = 100 vs not = 100
N Mean StDev SE Mean 95% CI T P

20 110.00 5.00 1.12 (107.66, 112.34) 8.94 0.000
Conclusión: El intervalo de confianza donde se encuentra el promedio de las ventas

con base en una muestra tomada es (107.66 a 112.34) para un 95% de nivel de confianza.
El Intervalo de confianza de (107.66, 112.34) no contiene a la media de la hipótesis (100)

y P value es menor a 0.05, se rechaza Ho y se acepta Ha, ya subió el promedio de ventas.
93
Cuando se conoce la desviación estándar y la muestra n es mayor a 30.
Para el caso de los datos del archivo Wine.Mtw se trata de probar la afirmación de que
el aroma es mayor o igual a 4, a un 95% de nivel de confianza.
Establecimiento de hipótesis
Ha: m<4 Ho: m>= 4
En Minitab:
Stat > Basic statistics > 1-Sample-Z (Test and confidence interval)
Samples in columns seleccionar columna Aroma Standard deviation 4.847
Perform hypothesis test Hypothesized mean 4
Options Confidence level 95% Alternative Less Than OK
Graphs seleccionar Individual value plot OK
OK
94
95
Los resultados se muestran a continuación:
One-Sample Z: Aroma
Test of mu = 4 vs < 4
The assumed standard deviation = 4.847
95% Upper
Variable N Mean StDev SE Mean Bound Z P
Aroma 38 4.847 1.082 0.786 6.141 1.08 0.859
Conclusión: El intervalo de confianza donde se encuentra el promedio de Aroma

con base en una muestra tomada es (…., 6.141) para un 95% de nivel de confianza.
El Intervalo de confianza de (….., 6.141) SI contiene a la media de la hipótesis (4)

y P value es mayor a 0.05, NO se rechaza Ho, el Aroma tiene un promedio >= 4.
Individual Value Plot of Aroma
(with Ho and 95% Z-confidence interval for the Mean, and StDev = 4.847)
_
X
Ho
3 4 5 6 7 8
A roma
96
Prueba de hipótesis para una proporción
Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.
¿Para un 95% de confianza se confirma la sospecha de que menos del 10% de

usuarios usan estos accesorios?
Establecer hipótesis:
Ho: Proporción  >= 0.10 Ha: Proporción  < 0.10
Instrucciones de Minitab
Stat > Basic Statistics > 1 - Proportion
Options Confidence level 95% Test Proportion 0.1 Alternative Less Than
seleccionar Use test and interval based on normal distribution
OK
97
Se obtuvieron los resultados siguientes:
Test and CI for One Proportion

Test of p = 0.1 vs p < 0.1
Upper Exact
Sample X N Sample p Bound P-Value
1 17 200 0.085000 0.124771 0.285
No se rechaza Ho ya que la Proporción del 10% de la

hipótesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hipótesis alterna.
Es válido decir que sólo el 10% de usuarios utilizan los accesorios
98
Comparación de dos medias - Muestras independientes

Ho: Media A (mA)- Media B (mB) = 0 Ha: Media A (mA)- Media B (mB) 0
Ejemplo: 10 pieles son curtidas usando el método A y 10 usando el método B, las

resistencias a la tracción son las siguientes:
Método A Método B
24.3 24.4
25.6 21.5
26.7 25.1
22.7 22.8
24.8 25.2
23.8 23.5
25.9 22.2
26.4 23.5
25.8 23.3
25.4 24.7
¿Se puede decir que los dos métodos producen resistencias a la tracción diferentes?
Usar un nivel de confianza del 95%.
En Minitab:
Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B
99
Paso 1. Se realiza un análisis de comparación de varianzas poblacionales:

Ho: Varianza A = Varianza B Ha: Varianza A  Varianza B
Stat > Basic Statistics > 2 Variances

Samples in different columns First Método A Second Método B
Options Confidence level 95%
OK
100
Test for Equal Variances: Método A, Método B

95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 1.01, p-value = 0.991
Como el P value es mayor a 0.05 no se rechaza la Hipótesis nula de igualdad de

varianzas, por tanto se asume que son iguales. Esta inf. se usará a continuación:
101
Paso 2. Se realiza un análisis de comparación de medias poblacionales
Establecer hipótesis
H: Media A - Media B = 0 Ha: Media A - Media B  0
Instrucciones de Minitab:
Stat > Basic Statistics > 2 - Sample t
Samples in different columns First Método A Second Método B
seleccionar Assume equal variances
Options Confidence level 95% Test difference 0.0 Alternative Not equal OK
OK
102
La gráfica de caja parece indicar diferencia entre las medias de las muestras
Boxplot of Método A, Método B

27
26
25
Data
24
23
22
21
Método A Método B
103
Se obtienen los siguientes resultados:
Two-sample T for Método A vs Método B

N Mean StDev SE Mean
Método A 10 25.14 1.24 0.39
Método B 10 23.62 1.24 0.39
Difference = mu (Método A) - mu (Método B)

Estimate for difference: 1.52000
95% CI for difference: (0.355, 2.685)
T-Test of difference = 0 (vs not =): T-Value = 2.74
P-Value = 0.013 DF = 18
Conclusiones:
Como el cero no se encuentra en el intervalo de confianza de la diferencia
de las dos medias y el valor P value es menor a 0.05 se rechaza la hipótesis nula
de igualdad de medias y se acepta Ha afirmando que las medias son diferentes
104
Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0 Ha: Media de diferencias 
Se utilizan cuando se trata de comparar el efecto de dos tratamientos a los mismos

sujetos u objetos, por ejemplo el peso de individuos antes y después de una rutina.
También se aplica cuando cuando antes de comparar se hacen parejas de sujetos

por ejemplo para comparar los promedios de alumos de dos universidades, primero
se forman parejas (dos ingenieros, dos administradores, dos arquitectos, etc.)
Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B, se seleccionan

10 personas a las que se les instala uno de esos lentes en cualquier lado al azar.
Después de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:
A un 95% de nivel de confianza

¿Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes?
Se colocan los datos en las columnas C1 y C2 para los Lentes A y B.
105
Persona Lente A Lente B

1 6.7 6.9
2 5.0 5.8
3 3.6 4.1
4 6.2 7.0
5 5.9 7.0
6 4.0 4.6
7 5.2 5.5
8 4.5 5.0
9 4.4 4.3
10 4.1 4.8
En Minitab colocar los datos de Lentes en dos columnas
Establecer hipótesis
Ho: Diferencia de medias = 0 Ha: Diferencia de medias  0
Instrucciones de Minitab
Stat > Basic Statistics > Paired t
Samples in different columns First Lente A Second Lente B
Graphs Individual value plot
Options Confidence level 95% Test mean 0.0 Alternative Not equal OK
OK
106
Resultados
Paired T-Test and CI: Lente A, Lente B
Paired T for Lente A - Lente B

N Mean StDev SE Mean
Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 -0.540000 0.343835 0.108730
95% CI for mean difference: (-0.785964, -0.294036)

T-Test of mean difference = 0 (vs not = 0): T-Value = -4.97
P-Value = 0.001
Como el cero no se encuentra en el intervalo de confianza de la
diferencia de las dos medias y el valor P value es menor a 0.05
se rechaza la hipótesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos dan deterioros diferentes.
107
Individual Value Plot of Differences

(with Ho and 95% t-confidence interval for the mean)
_
X
Ho
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
Differences dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
métodos.
108
Comparación de dos proporciones
Ejemplo: En una encuesta a 300 clientes de la zona A, 33 estan descontentos
En otra zona B se encuestaron a 250 clientes y 22 se mostraron descontentos.
A un 95% de nivel de confianza o 5% de nivel de sigfinicancia,
¿Hay diferencia en las proporciones de clientes descontentos en las dos zonas?
Establecer hipótesis:
Ho: Proporción A = Proporción B Ha: Proporción A  Proporción B
Instrucciones de Minitab (datos resumidos):

Stat > Basic Statistics > 2 - Proportions
Options Confidence level 95% Alternative Not equal, Test Difference = 0
Seleccionar Use Pooled estimate p for test
OK
109
Test and CI for Two Proportions

Sample X N Sample p
1 33 300 0.110000
2 22 250 0.088000
Difference = p (1) - p (2)

Estimate for difference: 0.022
95% CI for difference: (-0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86
P-Value = 0.392
Como el cero SI se encuentra en el intervalo de confianza de la

diferencia de las 2 proporciones y el valor P value es mayor a 0.05
no se rechaza la hipótesis nula de igualdad de proporciones
o sea que no hay razón para decir que las proporciones son diferentes.
110
Análisis de varianza (ANOVA)
El Análisis de Varianza es una prueba de hipótesis que trata de probar la

igualdad de varias medias al mismo tiempo:
H0  1  2  3  .... k
H 1 : Al menos dos medias son diferentes .

Requiere que las poblaciones sean normales y con varianza similar.
ANOVA de una vía con datos de tratamientos en diferentes columnas:
Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factor

para ver que variedad de árbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
Se colocan los datos en tres columnas distintas:
111
Stat > ANOVA > One Way (Unstacked)
Responses in separate columns A B C
Confidence Level 95
Comparisons Tukey's, family error rate: 5
Graphs: Residual plots Box plot of data Normal plot of residuals
OK
112
Los resultados se muestran a continuación:

Como el valor P value es menor
One-way ANOVA: A, B, C a 0.05 existe una diferencia
significativa entre algunas medias
Source DF SS MS F P
Factor 2 0.9000 0.4500 8.44 0.005
Error 12 0.6400 0.0533
Total 14 1.5400
S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on

A produce más fenoles que B,C
Pooled StDev
Level N Mean StDev ----+---------+---------+---------+-----
A 4 1.9000 0.1414 (-------*--------)
B 5 1.3000 0.2121 (------*-------)
C 6 1.4000 0.2828 (------*------)
----+---------+---------+---------+-----
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C La media de A es

Desviación estándar poblacional son similares diferente a B y C
113
Tukey 95% Simultaneous Confidence Intervals

All Pairwise Comparisons
Individual confidence level = 97.94% Como el cero no está en el

intervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C
Lower Center Upper -----+---------+---------+---------+----
B -1.0130 -0.6000 -0.1870 (---------*---------)
C -0.8974 -0.5000 -0.1026 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 0.4728 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
El intervalo de la diferencia C-B si incluye

el cero por tanto B no es diferentes de C
114
Los resultados gráficos son los siguientes:

Boxplot of A, B, C
2.2
2.0
1.8
Data
1.6
1.4
1.2
1.0
A B C
Se observa que la media de A es diferente a las medias de B y C

(si se superpone B y C tienen elementos comunes y son iguales)
Los árboles B y C producen menos cantidad de fenoles.
115
Los resultados gráficos son los siguientes:

Normal Probability Plot
(responses are A, B, C)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-0.50 -0.25 0.00 0.25 0.50
Residual
Los residuos o errores se apegan a la recta normal, por tanto

el modelo ANOVA es un modelo adecuado para los datos
116
ANOVA de una vía con datos de tratamientos en una sola columna
Los datos del ejemplo anterior se arreglan en dos

columnas como se muestran a continuación: Fenoles Árbol
1.9 A
A B C 1.8 A
1.9 1.6 1.3 2.1 A
1.8 1.1 1.6 1.8 A
2.1 1.3 1.8 1.6 B
1.8 1.4 1.1 1.1 B
1.1 1.5 1.3 B
1.1 1.4 B
1.1 B
1.3 C
1.6 C
1.8 C
1.1 C
1.5 C
1.1 C
117
Stat > ANOVA > One Way
Response Fenoles Factor Árbol Confidence Level 95
OK
Los resultados que se obtienen son iguales a los ejemplo anterior.

118
Ejercicios:
Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes
departamentos fueron las mostradas en la tabla siguiente. Probar a un 95% de nivel de confianza
o 5% de nivel de significancia si el aprovechamiento fue similar en los tres departamentos
o en su caso cuál fue el peor.
DEPARTAMENTO Arreglados en dos columnas quedan como:

Depto_A Depto_B Depto_C Calificaciones Depto
8 7 5 8 Depto_A
7 8 6 7 Depto_A
8 7 6 8 Depto_A
6 7 7 6 Depto_A
7 6 7 7 Depto_A
8 8 6 8 Depto_A
7 Depto_B
8 Depto_B
7 Depto_B
7 Depto_B
6 Depto_B
8 Depto_B
5 Depto_C
6 Depto_C
6 Depto_C
7 Depto_C
7 Depto_C
6 Depto_C
119
a) Con datos en tres columnas
Stat > ANOVA > One Way (Unstacked)
Responses in separate columns Depto_A Depto_B Depto_C
Confidence Level 95
OK
Como el valor P de es que 0.05, se concluye que
El peor aprovechamiento lo tuvo el departamento
De las gráficas de diferencias de Tukey, las medias de los procesos que son diferentes son
(dado que el cero no se encuentra en el intervalo de confianza de la diferencia de medias
– Pairwise comparisons):
b) Otra opción con datos en una sola columna
Stat > ANOVA > One Way
Response Calificación Factor Depto Confidence Level 95
OK
Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo
120
b) Otra opción con datos en una sola columna

Con Minitab:
Stat > ANOVA One way

Response Calificaciones Factor Depto
Comparisons: Tukey’s, family error rate 5
Graphs: Box polot of data
OK
ESTADÍSTICAS > ANOVA UN FACTOR
RESPUESTA CALIF FACTOR DEPTO.
COMPARACIONES: TUKEY, TASA DE ERROR DE LA FAMILIA 5
GRÁFICAS: DIAGRAMA DE CAJA DE DATOS
OK
Identificar la media que es diferente a las demás (donde el cero no pertenezca al intervalo
de confianza de la diferencia de medias entre cada dos tratamientos Depto).
121
Estadística no paramétrica
122
ESTADÍSTICA NO PARAMÉTRICA
Acciones a tomar sobre los datos normales antes de optar por estas pruebas:
Revise y asegúrese de que los datos no siguen una distribución normal.
• Desarrollar una Prueba de normalidad. Para la prueba de Bartlet (P value <0.05)
• Revisar la información para detectar errores (tipográficos, etc.).

Investiguar los valores atípicos.
• Una muestra pequeña (n < 30) proveniente de un universo normal,
se mostrará algunas veces como anormal.
• Intentar transformar los datos. Las transformaciones comunes incluyen:

•- Raíz cuadrada de todos los datos
•- Logaritmo de todos los datos
•- Cuadrado de todos los datos
• Si la información es todavía anormal, entonces usar estas herramientas no paramétricas

Se utilizan cuando no interesa la forma de la distribución o los datos no son normales
123
Prueba de Hipótesis
Variables Atributos
No Normales Tablas de
Contingencia de   
Varianzas Medianas
Correlación
Correlación
Homogeneidad
Prueba de signos
de Varianzas
de Levene Wilcoxon
Normal
Mann-
Whitney Variancia Medias
Kruskal-
Chi Pruebas de t
Wallis
Prueba-F Muestra-1
Residuos
Prueba de Mood Muestra-2
Homogeneidad distribuidos
Friedman de la Variación ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión
124
Pruebas no paramétricas con la medianas o medianas
Pruebas de la Mediana
Prueba de signos: Prueba si el promedio de la mediana de la muestra
es igual a un valor conocido o a un valor a alcanzar.
Prueba Wilcoxon: Prueba si la mediana de la muestra es igual a un valor

conocido o a un valor hipotético.
Prueba de dos o más Medianas

Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales.
Comprueba el rango de dos muestras, por dif. entre dos medianas del universo.
Prueba Kruskal-Wallis: Prueba igualdad de dos o más medianas de muestras

Asume que todas las distribuciones tienen la misma forma.
Pruebas de dos Medianas

Prueba de la mediana de Mood: Otra prueba para más de dos medianas.
Prueba más firme para los valores atípicos contenidos en la inf.
Prueba de Friedman: Prueba si las medianas de las muestras, clasificadas

bajo dos categorías, son iguales.
Correlación: Prueba la relación lineal entre dos variables

125
Puebas de signos de la mediana

Ho: mediana = mediana hipotetizada versus Ha: mediana ≠ mediana hipotetizada
Ejemplo: Se evaluan los índices de precios de 29 casas. Los datos históricos indican
que el índice ha sido de 115. Probar a un alfa de 0.10 si el índice se ha incrementado.
Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Exh_Stat.Mtw
Stat > Nonparametrics > 1-Sample Sign.
En Variables, seleccionar PriceIndex Confidence interval level 90
Seleccionar Test median y poner 115 en el cuadro
En Alternative, Seleccionar greater than. Click OK.

Sign Test for Median: PriceIndex
Sign test of median = 115.0 versus > 115.0
N Below Equal Above P Median
PriceIndex 29 12 0 17 0.2291 144.0
Interpretación de resultados: Como el valor P de la prueba es >0.1 no hay

evidencia suficiente para rechazar Ho y la
mediana no es mayor a 115.
126
Prueba de una mediana de Wilconox

Ho: mediana = mediana hipotetizada versus Ha: mediana ≠ mediana hipotetizada
Se registran los resultados de examenes en ciencias para 9 estudiantes. Se quiere

probar si hay suficiente evidencia de que la mediana sea menor a 77 con alfa = 0.05.
Stat > Nonparametrics > 1-Sample Wilconox
En Variables, seleccionar Achievement Confidence interval level 95
Seleccionar Test median y poner 77 en el cuadro
En Alternative, Seleccionar less Than. Click OK.

Wilcoxon Signed Rank Test: Achievement
Test of median = 77.00 versus median < 77.00
N for Wilcoxon Estimated

N Test Statistic P Median
Achievement 9 8 19.5 0.610 77.50

evidencia suficiente para rechazar Ho y la
mediana no es estadísticamentemenor a 77.
127
Prueba de rangos de dos muestras de Mann Whitney
H0: h1 = h2 versus H1: h1 ≠h2 , donde h es mediana de la población.
Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza
Ejemplo: Se compara la presión diastólica de dos muestras extraidas de dos poblaciones

Se quiere probar a un 5% de nivel de significancia si hay diferencia entre las medianas.
Stat > Nonparametrics > Mann-Whitney
En First Sample, sleccionar DBP1. En Second Sample, seleccionar DBP2. Click OK.
En Confidence level 95 y en Alternative, Seleccionar Not equal. Click OK.
128
Mann-Whitney Test and CI: DBP1, DBP2

N Median
DBP1 8 69.50
DBP2 9 78.00
Point estimate for ETA1-ETA2 is -7.50
95.1 Percent CI for ETA1-ETA2 is (-18.00,4.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.2685
The test is significant at 0.2679 (adjusted for ties)

evidencia suficiente para rechazar Ho y las
medianas no son diferentes estadísticamente.
129
Prueba de igualdad de medianas de Kruskal Wallis

H0: Las medianas poblacionales son todas iguales vs H1: Al menos hay una diferente
Esta es una generalización de la prueba de Mann Whitney
Ejemplo: Se quiere probar si el efecto de tres tratamientos diferentes influyen en el

crecimiento de bacterias a un 5% de nivel de significancia
Stat > Nonparametrics > Kruskal-Wallis.
En Response, seleccionar Growth .
En Factor, seleccionar Treatment . Click OK.
Kruskal-Wallis Test: Growth versus Treatment

Kruskal-Wallis Test on Growth
Treatment N Median Ave Rank Z Interpretación de resultados:
1 5 13.20 7.7 -0.45 Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
2 5 12.90 4.3 -2.38 medianas son diferentes estadísticamente.
3 6 15.60 12.7 2.71 La mediana 3 difiere menos de la mediana general
Overall 16 8.5
Las medianas 1 y 2 tienen una mayor diferencia respecto a la mediana general.
H = 8.63 DF = 2 P = 0.013
H = 8.64 DF = 2 P = 0.013 (adjusted for ties)
130
Prueba de igualdad de medianas de Mood
Prueba similar a la anterior:
H0: h1 = h2 = h3, versus H1: no todas las h's son iguales con h's medianas poblacionales .
de OTIS para los tres niveles educacionales.
Ejemplo: Se mide la habilidad intelectual de 179 estudiantes en base al dibujo de figuras

después se aplica una prueba OTIS y se quiere probar si a un alfa de 5% hay diferencia
significativa entre el nivel de educación 0 - Preprofesionales 1 -Profesionales
2 - Preparatoria Nivel de confianza = 1 - alfa = 90%
File > Open worksheet > Cartoon.Mtw

Stat > Nonparametrics > Mood´s Median Test
En Response, seleccionar OTIS.
En Factor, seleccionar ED. Click OK.
131

Interpretación de resultados:
Mood Median Test: Otis versus ED Como el valor P es menor a 0.05
indica que las medianas no son
Mood median test for Otis iguales
Chi-Square = 49.08 DF = 2 P = 0.000
Individual 95.0% CIs

ED N<= N> Median Q3-Q1 ----+---------+---------+---------+--
0 47 9 97.5 17.3 (-----*-----)
1 29 24 106.0 21.5 (------*------)
2 15 55 116.5 16.3 (----*----)
----+---------+---------+---------+--
96.0 104.0 112.0 120.0
132
Tablas de Contingencia
La Tabla de contingencia es una prueba de independencia entre variables.
Ho: La variable de renglón es independiente de la variable de columna

Las proporciones en todas las columnas de cada renglón son iguales
Ha: La variable de renglón tiene dependencia de la variable de columna

Las proporciones en las columnas de cada renglón son diferentes
Ejemplo: Se tiene interés de probar si la afiliación política depende del sexo y del
partído político, para lo cual se encuestan a 100 personas.
Democrat Republican Other

Hombres 28 18 4
Mujeres 22 27 1
Las instrucciones son las siguientes:
File > Open worksheet Exh_Tabl.Mtw.

Stat > Tables > Chi-Square Test (Tabla en Worksheet).
En Columns que contiene la tabla, indicar Democrat, Republican y Other. Click OK.
133
Chi-Square Test: Democrat, Republican, Other

Expected counts are printed below observed counts
Chi-Square contributions are printed below expected counts
Democrat Republican Other Total
1 28 18 4 50
25.00 22.50 2.50 NOTA: Las frecuencias
0.360 0.900 0.900 esperadas deberían ser mayores
a 5.
2 22 27 1 50
25.00 22.50 2.50
0.360 0.900 0.900
Total 50 45 5 100
Chi-Sq = 4.320, DF = 2, P-Value = 0.115 El valor P es mayor a 0.05 y no
2 cells with expected counts less than 5. se rechaza Ho por tanto el tipo
de partido es independiente del
sexo de los votantes.
134
Ejercicios:
1. Los errores presentados en tres tipos de servicios cuando se prestan por tres regiones
se muestran a continuación, probar con una tabla de contingencia si los errores dependen
del tipo de servicio y región para un 95% de nivel de confianza.
Servicio Region A Region B Region C

1 27 12 8
2 41 22 9
3 42 14 10
Ho: Los errores NO dependen en cada región del tipo de servicio.
Ha: Los errores en cada región, dependen del tipo de servicio,
Con Minitab:
Stat > Tables > Chi square test (two way table in worksheet)
Columns containing the table Region A Region B Region C
OK
135
2. Probar a una alfa de 0.05 si los errores que se cometen al facturar

en diferentes ramos son similares. Nivel de confianza = 1 - alfa = 95%
Orden Farmacia Consumo Comput. Telecom.

Correcta 207 136 151 178
Incorrecta 3 4 9 12
Ho: El número de errores no depende del ramo industrial

Ha: El número de errores depende del ramo industrial
Con Minitab:
Stat > Tables > Chi square test (two way table in worksheet)
Columns containing the table Farmacia Consumo Comput. Telecom.
OK
136
Regresión lineal y cuadrática
137
Correlación y Regresión lineal y cuadrática simple

Coeficiente de Correlación
Establece si existe una relación entre las variables y responde a la pregunta,

”¿Qué tan evidente es esta relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.
* Es una medida de la fuerza de la relación lineal entre dos variables x y y.

* Es un número entre -1 y 1
* Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
* Un valor negativo indica que cuando una variable aumenta, la otra disminuye
* Si las dos variables no están relacionadas, el coeficiente de correlación tiende a 0.
138
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25
r= 1 r = -1
X
20
15
Correlación
Y
10
5
Correlación
25
Positiva 0 Negativa
20
0 5 10 15 r =250
20 25
X 20
15
15
Y
10
Y
10
5
0
r = 0.8 r = -0.8
5
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
139
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw o copiar los datos del archivo anexo
Antes de calcular el coeficiente de correlación se sugiere hacer un diagrama

bivariante para identificar posibles valores anómalos, relaciones no lineales, etc.
Graph > Scatterplot: Simple Y = Weight y X = Height

Scatterplot of Weight vs Height
220
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
140
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe
entre dos variables, como sigue:
Stat > Basic Statistics > Correlation

Seleccionar en Variables Weight Height
Seleccionar Display P values
Correlations: Weight, Height

Pearson correlation of Weight and Height Coeficiente= 0.785 de correlación
P-Value = 0.000
Como el P value es menor a 0.05, la correlación si es significativa
141
Coeficiente de correlación
Reglas empíricas
Coeficiente de correlación Relación

0.8 < r < 1.0 Fuerte, positiva
0.3 < r < 0.8 Débil, positiva
-0.3 < r < 0.3 No existe
-0.8 < r < -0.3 Débil, negativa
-1.0 < r < -0.8 Fuerte, negativa
142
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.
Puede ser usado para analizar las relaciones entre:

• Una sola “X” predictora y una sola “Y”
• Múltiples predictores “X” y una sola “Y”
• Varios predictores “X” entre sí
143
Modelo de regresión lineal simple

Fitted Line Plot
Resultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas)
S 4.47182
80
R-Sq 77.0%
R-Sq(adj) 74.2%
75
Resultados de prueba (%)
R^2 Coef. de
70
determinación
65
60
55
50
30 40 50 60 70
Tiempo de estudio (horas)
Mínimos cuadrados
144
Regresión simple por medio de gráfica:

Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) Weight y en Predictor (X) Height
Seleccionar modelo Type of Regression model Linear
Sel. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits
OK
Ecuación de
Fitted Line Plot
Weight = - 204.7 + 5.092 Height
Regresión
220
S Desv. Estandar de
200
los residuos
180 (valor real-estimado
por la regresión)
Weight
160 S 14.7920
R-Sq 61.6%
140 R-Sq(adj) 61.2% R-Sq Coeficiente
de Determinación
120 en porcentaje de
100
variación explicada
por la ecuación de
60 62 64 66 68 70 72 74 76
Height
regresión
R-Sq (Adj) - Sólo para regresión múltiple

145
Regression Analysis: Weight versus Height
The regression equation is

Weight = - 204.7 + 5.092 Height
S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 31591.6 31591.6 144.38 0.000
Error 90 19692.2 218.8
Total 91 51283.9
El valor p menor a 0.05 indica que SI

es significativa la Correlación de Y y X.
146
Análisis de los residuos
Versus Fits Normal Probability Plot

(response is Weight) (response is Weight)
4 99.9
99
3
95
S t a n d a r d iz e d R e s id u a l
90
2
80
70
Pe rce nt
1 60
50
40
30
0 20
10
-1 5
1
-2
0.1
100 110 120 130 140 150 160 170 180 -4 -3 -2 -1 0 1 2 3 4
Fitted Value Standardized Residual
Los residuos muestran aleatoriedad Los residuos siguen una distribución normal
147
Regresión cuadrática por medio de gráfica:
File > Open Worksheet > Exh_Reg.Mtw
Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) EnergyConsumption y en Predictor (X) MachineSetting
Seleccionar modelo Type of Regression Model Quadratic
Sel. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fits
OK
Fitted Line Plot Ecuación de

EnergyConsumption = 128.8 - 13.11 MachineSetting Regresión
+ 0.3289 MachineSetting**2
40 S 6.00002
R-Sq 79.3% S Desv. Estandar de
R-Sq(adj) 73.4%
los residuos
30
(valor real-estimado
EnergyConsumption
por la regresión)
20
R-Sq Coeficiente
10 de Determinación
en porcentaje de
0 variación explicada
por la ecuación de
10 15 20 25 30
MachineSetting regresión
R-Sq (Adj) - Sólo para regresión múltiple
148
Resultados
Polynomial Regression Analysis: EnergyConsumption versus MachineSet
The regression equation is

EnergyConsumption = 128.8-13.11 MachineSetting+0.3289 MachineSettin
S = 6.00002 R-Sq = 79.3% R-Sq(adj) = 73.4%
Analysis of Variance
Source DF SS MS F P
Regression 2 963.81 481.904 13.39 0.004
Error 7 252.00 36.000
Total 9 1215.81 El valor p menor a 0.05 indica que SI
es significativa la Correlación de Y y X.
Sequential Analysis of Variance
Source DF SS F P
Linear 1 28.500 0.19 0.673
Quadratic 1 935.308 25.98 0.001
149
Análisis de los residuos
Normal Probability Plot

(response is EnergyConsumption)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Standardized Residual
Los residuos siguen una distribución normal
150
Cartas de control
151
¿Qué es una Carta de Control?

 Una Carta de Control es como un historial del
proceso...
¿donde ha estado? ¿En donde se encuentra?
... Hacia donde se puede dirigir
 Las cartas de control pueden reconocer cambios

buenos y malos. ¿Qué tanto se ha mejorado? ¿Se ha
hecho algo mal?
 Las cartas de control detectan la variación anormal en

un proceso, denominadas “causas especiales o
asignables de variación.”
152
Variación observada en una Carta de Control
 Una Carta de control registra datos secuenciales en el

tiempo con límites de control superior e inferior.
 El patrón normal de un proceso se llama causas de

variación comunes.
 El patrón anormal debido a eventos especiales se llama

causa especial de variación.
 Los límites de control NO son de especificación.
153
Causas comunes o normales

Siempre están presentes
Sólo se reduce con acciones de mejora mayores,
responsabilidad de la dirección
 Fuentes de variación: Márgenes inadecuados de diseño,

materiales de baja calidad, capacidad del proceso
insuficiente
 SEGÚN DEMING
El 94% de las causas de la variación son causas
comunes, responsabilidad de la dirección
154
Variación – Causas comunes
Límite
inf. de
Límite
especs.
sup. de
especs.
Objetivo
El proceso es predecible
155
Causas Especiales
 CAUSAS ESPECIALES
 Ocurren esporádicamente y son ocasionadas por
variaciones anormales (6Ms)
 Medición, Medio ambiente, Mano de obra, Método,
Maquinaria, Materiales
Se reducen con acciones en el piso o línea, son
responsabilidad del operador
 SEGÚN DEMING
 El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
156
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
El proceso es impredecible
157
Cartas de control
12.5 Límite
Superior de
11.5 Control
10.5
Línea
9.5
Central
8.5 Límite
Inferior de
7.5 Control
0 10 20 30
158
9A5. Patrones de anormalidad

en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Patrones Fuera de Control

Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control

1 punto fuera de los límites de control a 3 sigmas en
cualquier dirección (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
160
Patrones Fuera de Control
Adhesión a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.
Otros
2 de 3 puntos fuera de los límites a dos sigma
161
Proceso de mejora con CEP
http://support.sas.com/rnd/app/qc/qc/qcspc.html
162
Tipos de Cartas de control

 Hay dos categorías, por el tipo de datos bajo estudio-
cartas por variables y atributos.
 Las Cartas por variables se usan para característica con

magnitud variable. Ejemplo:
- Longitud, Ancho, Peso, Tiempo de ciclo o de respuesta
 Las Cartas por atributos se usan para monitoreo de

datos contables. Ejemplo:
- Servicios o productos no conformes, errores en los
servicios o defectos en los productos
163
Cartas de Control por Variables

 MEDIAS RANGOS X-R (subgrupos de 5 - 9
partes o servicios evaluados por periodo de
tiempo, para estabilizar procesos)
 MEDIAS DESVIACIONES ESTÁNDAR X –S

(subgrupos 9 partes o servicios evaluados por
periodo de tiempo)
 VALORES INDIVIDUALES I- MR (partes o

servicios individuales evaluados por periodo de
tiempo) 1
6
4
Ejemplo de Carta de Control X-R (medias - rangos, n <= 9)
Se usa el archivo CAMSHAFT.MTW.
Tamaño típico de subgrupo n = 5
File > Open worksheet > Camshaft

Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Xbar - R Options > Estimate > Rbar
OK
Xbar-R Chart of Supp2
1
1
U C L=602.376
602
Sample Mean
_
_
X=600.23
600
598 LC L=598.084
1 3 5 7 9 11 13 15 17 19
Sample
8 U C L=7.866
6
Sample Range
_
4 R=3.72
¿Cuál gráfica se analiza primero?

2
¿Cuál es su conclusión acerca del proceso ?

0
1 3 5 7 9 11 13 15 17 19
LC L=0
Sample
165
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters Para límites de la media o rango en base a datos históricos
de la Mean y/o Standar Deviation
Estimate Para omitir subrupos con los que el proceso sale de control
Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
S limits Para mostrar límites en 2 y 3 (default) sigmas u en otra sigma

Display Control Limts at These multiples of std. Dev. (2 3)
Tests Definir las pruebas estadísticas fuera de control a ser indicadas

1 point > 3 std. Dev. From center line
7 points in a row all increasing and all decreasing
7 points in a row on same side of center line
Stages Para mostrar diferentes etapas de desempeño del proceso

Define stages (historical groups) with this variable xxx
Box Cox Para transformar datos sin un comportamiento normal

Optimal Lamda
Display Si se quiere condicionar el despliegue de subgrupos

Display all subgroups Display last xx subgroups
Store Para guardar los datos mostrados en la carta de control

Mean; Std Dev; Point Plotted; Center line; Control limits
166
Ejemplo de Carta de Control X-S (medias - desviaciones estándar n >= 10)
Tamaño típico del subgrupo n >10

Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
En Xbar - S Options > Estimate > Sbar
OK
Xbar-S Chart of Supp2
1
602 U C L=601.883
601
Sample M ean
_
_
X=600.23
600
599
LC L=598.577
1 2 3 4 5 6 7 8 9 10
Sample
3
U C L=2.909
Sample StDev
2
_
S =1.695
LC L=0.481
1 2 3 4 5 6 7 8 9 10
Sample
167
Ejemplo de Carta de Control I-MR (valores individuales -rangos n = 1)

Tamaño de muestra unitario n = 1

Stat > Control Charts > Variables Charts for Individuals > I-MR
En I-MR Options > Estimate > Average moving range 2
OK
I-MR Chart of Supp2
605.0 U C L=605.34
Individual Value
602.5
_
600.0 X=600.23
597.5
595.0 LC L=595.12
1 11 21 31 41 51 61 71 81 91
O bser vation
1
U C L=6.284
6.0
M ov ing Range
4.5
3.0
__
M R=1.923
1.5
0.0 LC L=0
1 11 21 31 41 51 61 71 81 91
O bser vation
168
Ejemplo de Carta de Control I-MR (para tres regiones de vino)

Se usa el archivo WINE.MTW.
Ordenar los datos del archivo por región en Excel (Datos y Ordenar)
Tamaño de muestra unitario n = 1
File > Open worksheet > Wine.Mtw

Stat > Control Charts > Variables Charts for Individuals > I-MR
Seleccionar All observations for a chart are in one column, seleccionar Aroma
En I-MR Options > Estimate > Average moving range 2
Seleccionar las opciones siguientes:

I-MR Options > Tests: Marcar Perform all tests for special causes
I-MR Options > Stages: Define stages: Region
Click OK OK.
169
Estos son los patrones de

anormalidad en las cartas
de control
170
Las cartas resultantes son las siguientes
I-MR Chart of Aroma by Region

1 2 3
U C L=8.699
8
Individual Value
_
6 X=5.967
4
LC L=3.235
2
1 5 9 13 17 21 25 29 33 37
O bser vation
1 2 3
U C L=3.356
3
M oving Range
__
1 M R=1.027
0 LC L=0
1 5 9 13 17 21 25 29 33 37
O bser vation
171
Cartas de control por atributos

Miden características como aprobado/reprobado,
bueno/malo o pasa/no pasa.
 Número de productos defectuosos

 Fracción de productos defectuosos
 Numero de defectos por unidad de producto

 Número de llamadas para servicio
 Número de partes dañadas

 Pagos atrasados por mes
Cartas de control para atributos

Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 50
defectivas o no conformes (>4) n e (n promedio +- 20%)
np Número de partes defectuosas Constante > 50
c Número de defectos o errores Constante = 1 Unidad de
inspección
u Número de defectos por unidad Constante o variable en
o errores por unidad unidades de inspección
Carta P de fracción de unidades defectuosas, no conformes o defectivas

El archivo EXH-QC.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > EXH-QC

Stat > Control Charts > Attributes chart > P
En Variables, poner Rejects.
En Subgroup sizes, poner Sampled.
Click OK.
P Chart of Rejects
0.35
UCL=0.3324
0.30
Se tienen límites de
1
control variables por
0.25 ser el tamaño de muestra
variable
Proportion
0.20
_
P=0.1685
0.15
0.10
0.05
0.00 LCL=0.0047
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
174
Carta nP de número de unidades defectuosas, no conformes o defectivas

Stat > Control Charts > Attributes chart > nP
En Variables, poner Rejects.
En Subgroup sizes, poner 72
Click OK.
NP Chart of Rejects
30 1
Los límites de
25 control son
constantes
UCL=21.49
20
Sample Count
15
__
NP=12
10
5
LCL=2.51
0
1 3 5 7 9 11 13 15 17 19
Sample
175
Carta de control C para defectos por unidad de inspección constante


Stat > Control Charts > Attributes chart > C
En Variables, poner Blemish.
Click OK.
C Chart of Blemish
8 Los límites de
UCL=7.677
control son
7
constantes
6
5
Sample Count
3 _
C=2.725
2
0 LCL=0
1 5 9 13 17 21 25 29 33 37
Sample
176
Carta de control u para defectos por unidad de inspección variable

El archivo TOYS.MTW contiene datos de defectivos y defectos evaluados por atributos
File > Open worksheet > TOYS.MTW

Stat > Control Charts > Attributes chart > U
En Variables, poner Defects.
En Sample size, poner Sample
Click OK.
U Chart of Defects
0.14 1
1
UCL=0.1241
0.12
Sample Count Per Unit
0.10 Se tienen límites de

control variables por
0.08
ser el tamaño de muestra
0.06 _ variable
U=0.0546
0.04
0.02
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
177

Curso Basico de Minitab

Cargado por

Copyright:

Formatos disponibles

Curso Basico de Minitab

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso Basico de Minitab

Cargado por

Copyright:

Formatos disponibles

Curso básico de Minitab

Curso básico de Minitab*

Herramientas para la calidad

Herramientas para la calidad (cont…)

Regresión lineal y cuadrática

Las fases de Lean Sigma (DMAIC)

Las fases de Lean Sigma (DMAIC)

Boxplot of Tiempo de espera

Summary for Tiempo de espera Prueba de

Histograma M ean 19.936

Diagrama de caja 19.542 20.426

19.50 19.75 20.00 20.25 20.50

Process Capability of Tiempo de espera

Las fases de Lean Sigma (DMAIC)

Boxplot of Caja A, Caja B

Diagrama de causa efecto

Pruebas de hipótesis (¿medias 7.5

Son diferentes si P value <= 0.05 Caja A Caja B

Las fases de Lean Sigma (DMAIC)

Caja A Caja B Caja C

Fitted Line Plot

Comprobar causas reales (raíz) 1.75

ANOVA (¿medias iguales?), regresión , 1.50

tablas de contingencia (¿proporciones Calificación

Las fases de Lean Sigma (DMAIC)

Main Effects Plot for Rendimiento

Las fases de Lean Sigma (DMAIC)

Minitab Inc. es una compañía privada cuya sede principal se encuentra

El programa Minitab® Statistical Software fue desarrollado en 1972 por

Minitab es el principal software del mundo para la enseñanza de

Hoja de trabajo nueva Proyecto nuevo,

Numéricas Alfanumérica Fecha/hora

1.3 Abrir, guardar e imprimir archivos

Para proyectos donde

Cargar datos en hoja de trabajo desde diferentes fuentes

Para combinar este archivo con datos de otro CENTRAL.XLS de Excel:

Para agregar datos desde un archivo de texto a esta hoja de trabajo

Eastern.mtw Central.xls Western.txt

Para reemplazar un valor perdido en renglón C105 de columna C10

Para apilar grupos de columnas de datos para ciertos comandos de Minitab

Para agregar una columna calculada en Días = Arrival - Order

Insertar una columna entre Arrival y Status

Center Order Arrival Days Status Distance

Calcular los nuevos datos para la columna Days

Center Order Arrival Days Status Distance

Actualizar la fecha Arrival date en fila 127 de 3/6/2006 a 3/7/2006.

Ejemplo: Para calcular el incremento de peso

b) Otra forma de realizar operaciones en columnas o renglones es a través de

Columna (s) sobre la que se hará

Constante opcional (K1, K2, etc.)

La constante se muestra con

1 File > Open worksheet EXH_TABL.MTW

Desarrollo del Reporte

Boxplot of Caja A, Caja B, Caja C

después botón derecho y Append Graph to Report

Para agregar resultados de la pantalla de Sesión, se selecciona el texto

El reporte se puede salvar como texto enriquecido RTF

Herramientas para la calidad

2.1 Gráficos de barras y línea

File > Open Worksheet > Pulse.Mtw