Sunteți pe pagina 1din 688

1

Programa de certificacin
de Black Belts CFE
VI. Seis Sigma - Anlisis


P. Reyes / Abril de 2009
2
Fase de Anlisis
Propsitos:
Establecer hiptesis sobre las posibles Causas Raz
Refinar, rechazar, o confirmar la Causa Raz
Seleccionar las Causas Raz ms importantes:
Las pocas Xs vitales

Salidas:
Causas raz validadas
Factores de variabilidad identificados
3
Diagrama de
Ishikawa
Diagrama de
relaciones
Diagrama
de rbol
Anlisis del Modo y Efecto de
Falla (AMEF)
QFD
Diagrama
Causa Efecto
CTQs = Ys
Operatividad
X's vitales
Diagrama
de Flujo
del
proceso
Pruebas
de
hiptesis
Causas raz
validadas
Causa
Raz?
Definicin
Y=X1 + X2+. .Xn
X's
Causas
potenciales
Medicin Y,
X1, X2, Xn
FASE DE ANLISIS
Si No
Llenar columnas del FMEA
Hasta sol. Propuesta y
comprobar causas con
Pruebas de Hiptesis
4
VI. Anlisis
A. Medicin y modelaje de relacin entre
variables

B: Pruebas de hiptesis

C. Anlisis del modo y efecto de falla (AMEF)

D. Mtodos adicionales de anlisis
5
A. Medicin y modelaje de
relacin entre variables
6
A. Medicin y modelaje de relacin
entre variables
1. Coeficiente de correlacin

2. Regresin

3. Herramientas Multivariadas

4. Estudios Multivari

5. Anlisis de datos por atributos
7
VI.A.1 Coeficiente de correlacin
8
Definiciones
Correlacin
Establece si existe una relacin entre las variables y
responde a la pregunta, Qu tan evidente es esta
relacin?"
Regresin
Describe con ms detalle la relacin entre las variables.

Construye modelos de prediccin a partir de informacin
experimental u otra fuente disponible.

Regresin lineal simple
Regresin lineal mltiple
Regresin no lineal cuadrtica o cbica
9
Correlacin
Propsito: Estudiar la posible relacin
entre dos variables.
A
c
c
i
d
e
n
t
e
s

l
a
b
o
r
a
l
e
s

Numero de rdenes urgentes
Correlacin
positiva,
posible



























El 1er. paso es realizar una grfica de la informacin.
10
Coeficiente de correlacin (r )
Mide la fuerza de la relacin lineal entre las variables
X y Y en una muestra.

El coeficiente de correlacin muestral de Pearson rx,y
con valores entre -1 y +1 es:

11
Correlacin de la informacin (R ) de las X y las Y
Correlacin Positiva
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlacin Negativa
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlacin
Positiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Correlacin
Negativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y

Sin Correlacin
10
15
20
25
5 10 15 20 25
X
Y

0
5
0
R=1
R=>-1
R=-1
R=0
R=>1
12
Coeficiente de correlacin
El coeficiente de correlacin r asume el mismo signo
de la pendiente de la recta |1 siendo cero cuando
|1 =0

Un valor positivo de r implica que la pendiente de la
lnea es ascendente hacia la derecha
Un valor negativo de r implica que la pendiente de la
lnea es descendente hacia la derecha
Si r=0 no hay correlacin lineal, aunque puede haber
correlacin curvilnea
13
Coeficiente de correlacin
Coeficiente de
correlacin
0.8 < r < 1.0
0.3 < r < 0.8
-0.3 < r < 0.3
-0.8 < r < -0.3
-1.0 < r < -0.8
Relacin
Fuerte, positiva
Dbil, positiva
No existe
Dbil, negativa
Fuerte, negativa
Reglas empricas
14
Tabla de Correlacin mnima
Correlaciones (Pearson)
n 95% 99%
de confianza de confianza
3 1.00 1.00
4 0.95 0.99
5 0.88 0.96
6 0.81 0.92
7 0.75 0.87
8 0.71 0.83
9 0.67 0.80
10 0.63 0.76
11 0.60 0.73
12 0.58 0.71
13 0.53 0.68
14 0.53 0.66
n 95% 99%
de confianza de confianza
15 0.51 0.64
16 0.50 0.61
17 0.48 0.61
18 0.47 0.59
19 0.46 0.58
20 0.44 0.56
22 0.42 0.54
24 0.40 0.52
26 0.39 0.50
28 0.37 0.48
30 0.36 0.46
Para un 95% de confianza, con una muestra de 10,
el coeficiente (r) debe ser al menos .63
15
La correlacin puede usarse para informacin de
atributos, variables normales y variables no normales.


La correlacin puede usarse con un predictor o
ms para una respuesta dada.


La correlacin es una prueba fcil y rpida para
eliminar factores que no influyen en la prediccin, para
una respuesta dada.
Correlacin
16
Para determinar que tanto se acercan los datos
predichos por el modelo a los datos observados
aplicando el coeficiente de correlacin de Pearson (ver
tabla anterior para identificar la significancia)

Coeficiente de Correlacin
r =
S(y
e
y
o
)
S(y
e
y
e
) S(y
o
y
o
)
S(y
e
y
e
) = Ey
ei
2
-
(Ey
ei
)
2
n
S(y
o
y
o
) = Ey
oi
2
-
(Ey
oi
)
2
n
S(y
e
y
o
) = Ey
ei

y
oi

-
(Ey
ei
)(Ey
oi
)

n
y
e
= Respuesta esperada
y
o
= Respuesta observada

r = Coeficiente de correlacin

17
Otra forma para no consultar la tabla de coeficiente de
correlacin de Pearson es la r ajustada
Coeficiente de Correlacin ajustado
R
2
(Adj)
= 1 (1 r
2
)
(n-1)
(n-p)
Donde :
R
2
(Adj)
= Coeficiente de correlacin ajustado

r = Coeficiente de correlacin de Pearson

n = Nmero de datos

p = Nm. trminos en el modelo
(Incluyendo la constante)
Criterios en funcin a la R
2
(Adj)
> 90% = Correlacin Fuerte
80% - 90% = Buena correlacin
60% - 80% = Correlacin media
40% - 60% = Correlacin dbil
< 40% = No existe correlacin
18
Coeficiente de Determinacin (R2)
El coeficiente de determinacin es la proporcin de la
variacin total explicada por la regresin, R2 se
encuentra en el rango de valores de 0 a 1.
19
Correlacin vs causacin
Tener cuidado de no tener variables colineales, por
ejemplo peso de un coche y peso de las personas
que transporta, o que no la relacin no tenga
sentido, como si lavo mi coche, llueve.

20
VI.A.2 Regresin
21
El anlisis de regresin es un mtodo
estandarizado para localizar la correlacin entre dos
grupos de datos, y, quiz ms importante, crear un
modelo de prediccin.

Puede ser usado para analizar las relaciones entre:
Una sola X predictora y una sola Y

Mltiples predictores X y una sola Y

Varios predictores X entre s
Anlisis de Regresin
22
Supuestos de la regresin lineal
Los principales supuestos que se hacen en el anlisis de regresin
lineal son los siguientes:
La relacin entre las variables Y y X es lineal, o al menos bien
aproximada por una lnea recta.

El trmino de error c tiene media cero.

El trmino de error c tiene varianza constante o2.

Los errores no estn correlacionados.

Los errores estn normalmente distribuidos.
c | | + + = X y
1 0
23
Modelo de regresin lineal
Se aume que para cualquier valor de X el valor observado de Y
varia en forma aleatoria y tiene una distribucin de probabilidad
normal






El modelo general es:
Y = Valor medio de Yi para Xi + error aleatorio

c | | + + = X y
1 0
La lnea de regresin se calcula por el mtodo de mnimos cuadrados.
Un residuo es la diferencia entre un punto de referencia en particular (x
i
,
y
i
) y el modelo de prediccin ( y = a + bx ). El modelo se define de tal
manera que la suma de los cuadrados de los residuales es un mnimo. La
suma residual de los cuadrados es llamada con frecuencia la suma de los
cuadrados de los errores (SSE) acerca de la lnea de regresin


























e
i
x
i
y
i
SSE = Ee
i
2
= E(y
i
- y
i
)
2
y = b0 + b1x
Regresin Lineal Simple
a y b son
Estimados de
|0 y |1
Grfica de la Lnea de Ajuste
Recta de regresin
Y=-.600.858+5738.89X
R
2
= .895
Altura del muelle
R
e
t
e
n
c
i

n

0.18
0.19
0.20
400
500
600
Regresin
95% Intervalo
de confianza
95% Intervalo
de prediccin
26
Interpretacin de los Resultados
El intervalo de prediccin es el grado de certidumbre de la
difusin de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la poblacin sobre
la que se basa la lnea de regresin), se encontrarn dentro de la
banda [Lneas azules]

La ecuacin de regresin (Y = -600.858 + 5738.89X) describe la
relacin entre la variable predictora X y la respuesta de
prediccin Y.
R
2
(coef. de determinacin) es el porcentaje de variacin
explicado por la ecuacin de regresin respecto a la variacin total
en el modelo
El intervalo de confianza es una banda con un 95% de
confianza de encontrar la Y media estimada para cada valor de
X [Lneas rojas]
Interpretacin de los Resultados
Los valores p de la constante (interseccin en Y) y las variables
de prediccin, se leen igual que en la prueba de hiptesis.
Ho: El factor no es significativo en la prediccin de la respuesta.
Ha: El factor es significativo en la prediccin de la respuesta.


s es el error estndar de la prediccin = desviacin estndar del
error con respecto a la lnea de regresin.

R
2
(ajustada) es el porcentaje de variacin explicado por la
regresin, ajustado por el nmero de trminos en el modelo y por
el nmero de puntos de informacin.


El valor p para la regresin se usa para ver si el modelo completo
de regresin es significativo.
Ho: El modelo no es significativo en la prediccin de la respuesta.
Ha: El modelo es significativo en la prediccin de la respuesta.
28
Errores residuales
Los errores se denominan frecuentemente residuales.
Podemos observar en la grfica de regresin los errores
indicados por segmentos verticales.


















29
Errores residuales
Los residuos pueden ser graficados para:

Checar normalidad.
Checar el efecto del tiempo si su orden es conocido en los
datos.
Checar la constancia de la varianza y la posible necesidad de
transformar los datos en Y.
Checar la curvatura de ms alto orden que ajusta en las Xs.

A veces es preferible trabajar con residuos estandarizados o
estudentizados:
n i Y Y e i
i i
..., 3 , 2 , 1 ,
^
= =
n
MS
e
d
E
i
i
,....., 2 , 1 1 ,.... = =
,
) ( 1
1
2
(

|
|
.
|

\
|
+
=
XX
i
i
i
S
X X
n
MSE
e
r
30
Errores residuales
Anlisis de los errores o residuales

Qu tan normales
son los residuales?
Residuales individuales -
tendencias; o separados?
Histograma -
curva de
campana?
Ignrese
para grupos
pequeos de
informacin
(<30)
Aleatorio
alrededor de
cero, sin
tendencias?
Buscar las inconsistencias
mayores
Buscar las inconsistencias
mayores
Diagnstico del Modelo de Residuales
Grfica Normal de Residuales Tabla de Residuales
Histograma de Residuales Residuales vs. Ajustes
Marcador Normal
Nmero de Observacin
Ajuste
F
r
e
c
u
e
n
c
i a
15 10 5 0 -5 -10 -15 -20 -25
3
2
1
0
10 5 0
50
40
30
20
10
0
-10
-20
-30
-40
-50
X=0.000
3.0SL=43.26
-3.0SL=-43.26
550 500 450
20
10
0
-10
-20
2 1 0 -1 -2
20
10
0
-10
-20
15 10 5 0 -5 -10 -15 -20 -25
3
2
1
0
10 5 0
50
40
30
20
10
0
-10
-20
-30
-40
-50
X=0.000
3.0SL=43.26
-3.0SL=-43.26
550 500 450
20
10
0
-10
-20
2 1 0 -1 -2
20
10
0
-10
-20
R
e
s
i
d
u
a
l
R
e
s
i
d
u
a
l
R
e
s
i
d
u
a
l
31
Ejemplo
Considere el problema de predecir las ventas mensuales en
funcin del costo de publicidad. Calcular el coeficiente de
correlacin, el de determinacin y la recta.

MES Publicidad Ventas

1 1.2 101
2 0.8 92
3 1.0 110
4 1.3 120
5 0.7 90
6 0.8 82
7 1.0 93
8 0.6 75
9 0.9 91
10 1.1 105
32
Clculo manual
Calcular columnas para Suma X, Suma Y, Xi
2,
XiYi y Yi
2

Xi Yi
MES Publicidad Ventas Xi
2
XiYi Yi
2

1 1.2 101 1.44 121.2 10201
2 0.8 92 0.64 73.6 8464
3 1.0 110 1.00 110.0 12100
4 1.3 120 1.69 156 14400
5 0.7 90 0.49 63.0 8100
6 0.8 82 0.64 65.6 6724
7 1.0 93 1.00 93.0 8649
8 0.6 75 0.36 45.0 5625
9 0.9 91 0.81 81.9 8281
10 1.1 105 1.21 115.5 11025

SUMA 9.4 959 9.28 924.8 93,569
33
Mtodo de mnimos cuadrados
Donde:
Yest = Valor predicho de para un valor particular de x.
b0 = Estimador puntual de .(ordenada al origen)
b1= Estimador puntual de (pendiente)
Para el clculo de b0 y b1 se utilizamos las siguientes frmulas:

( )


=
n
x
x SS
x
2
2

( )


=
n
y
y SS
y
2
2

( )( )


=
n
y x
xy SS
xy

x
xy
SS
SS
b =
1

x b y b
1 0
=
34
Anlisis de varianza en la regresin





La desviacin estndar S corresponde a la raz cuadrada del valor de MSE
o cuadrado medio residual.



Los residuos son:
2 2
1
2

=
n
S b S
n
SS
S
XY YY E
n
Y
Y S
n
i
i
n
i
i YY
2
1
1
2
|
.
|

\
|
=

=
=
n
Y X
Y X S
n
i
i
n
i
i
n
i
i i XY

= =
=
=
1 1
1
i
i i
Y Y e
^
=
) (
__ ^ __ ^
Y Y Y Y Y Y i
i
i
i
=

Tabla de Anlisis de Varianza .

Fuente df SS MS = SS/df Fc
Regresin 1
XY
S b SSR
1
=
REG
MS MSreg/s
2


Residual n-2
XY YY
S b SS SSE
1
= S
2

__________________________________________________________.
Total corregido n-1
YY
S

+ =
2
^
2
__ ^
2
__
) ( ) ( ) ( i
i
i
i
Y Y Y Y Y Y
35
Anlisis de varianza en la regresin
Las conclusiones son como sigue:





Intervalos de confianza para Beta 0 y Beta 1
El estadstico F se calcula como F = MSE
REG
/ S
2
y se compara con la F de
tablas con (1, n-2) grados de libertad y rea en 100(1-o)%, para determinar si
el parmetro |
1
es significativo que es el caso de F
calc
. > F
tablas
.
S
X X n
X
S
X
n
MSE b se
i
i
XX
2 / 1
2
__
2
2
__
0
) (
1
) (
(
(
(

=
|
|
|
.
|

\
|
+ =

XX XX
S
S
S
MSE
b se = = ) (
1
S
X X n
X
n t b
i
i
2 / 1
2
__
2
0
) (
)
2
1
1 , 2 (
(
(
(

2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o

2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o
36
Anlisis de varianza en la regresin
El intervalo de confianza para la desviacin estndar es:



Intervalos de confianza para la Y estimada promedio



Intervalo de prediccin para un valor particular de Y estimado

2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o
2
2 , 2 / 1
2
2
2 , 2 /
) 2 ( ) 2 (

s s

n n
MSE n MSE n
o o
_
o
_
|
|
|
.
|

\
|

+

XX
n a
S
X X
n
MSE t Y
2
__
0
2 , 2 /
^
0
) ( 1
(
(


+ + + s s
(
(


+ +

XX
n
XX
n
S
X X
n
MSE t Y Y
S
X X
n
MSE t Y
2
__
0
2 , 2 / 0 0
2
__
0
2 , 2 / 0
) ( 1
1

) ( 1
1

o o
37
Anlisis de varianza en la regresin
Prueba de Hiptesis para Beta 1:
Ho: |1 = 0 contra H1:|1 = 0




Si el coeficiente Beta 1 es significativo

2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o
XX
S
MSE
b
t
1
0
=
2 , 2 / 0
>
n
t t
o
38
Anlisis de varianza en la regresin
Coeficiente de correlacin r:




Coeficiente de determinacin: r2
R2 mide la proporcin de la variacin total respecto a la media que
es explicada por la regresin. Se expresa en porcentaje.


2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o
YY XX
XY
S S
S
r =
YY
i
S
SSE
Y Y
Y Y
media la para corregido SSTotal
b por regresin la de SS
R =

= =

1
) (
) (
) . . . . (
) . . . . . (
2
__
2
__ ^
0 2
39
Anlisis de varianza en la regresin
Prueba de hiptesis para el Coeficiente de correlacin r:
H0: = 0 contra H1: = 0




Si se rechaza la hiptesis Ho, indicando que existe una
correlacin significativa


2
__
1
) (
).
2
1
1 , 2 (
X X
S n t
b
i
o
2
0
1
2
r
n r
t

=
2 , 2 / 0
>
n
t t
o
40
Riesgos de la regresin
Los modelos de regresin son vlidos como ecuaciones de
interpolacin sobre el rango de las variables utilizadas en el
modelo. No pueden ser vlidas para extrapolacin fuera de
este rango.

Mientras que todos los puntos tienen igual peso en la
determinacin de la recta, su pendiente est ms influenciada
por los valores extremos de X.
1.
Y
*A


* *
* * * Sin A y B
* * * *


*B

X
41
Riesgos de la regresin
Los outliers u observaciones aberrantes pueden distorsionar
seriamente el ajuste de mnimos cuadrados.








Si se encuentra que dos variables estn relacionadas
fuertemente, no implica que la relacin sea casual, se debe
investigar la relacin causa efecto entre ellas. Por ejemplo el
nmero de enfermos mentales vs. nmero de licencias
recibidas.

Y
*A *
* * *
* *
* * *
** *
**
* * *
**
* *


X

42
Clculo manual (cont..)
Clculo de la recta de regresin lineal:

Sxx = 9.28 - (9.4)^2/10 = 0.444

Sxy = 924.8 - (9.4)(959) / 10 = 23.34

Ymedia = 959 / 10 = 95.9 Xmedia = 9.4 / 10 = 0.94

b1 = Sxy / Sxx = 23.34 / 0.444 = 52.57

b0 = Ymedia - b1*Xmedia = 95.9 - (52.5676)(0.94) = 46.49

Yest. = 46.49 + 52.57* X
43
Ejemplo (cont..)
Clculo de S
2
estimador de o

S
2
= SSE / (n - 2) = Syy - (Sxy)^2/Sxx

Syy = 93,569 - (959)^2 / 10 = 1600.9

SSE = Syy - b1*Sxy = 1600.9 - (52.567)(23.34) = 373.97

S
2
= SSE / (n - 2) = 373.97 / 8 = 46.75

S = 6.84

El intervalo de confianza donde caern el 95% de los puntos
es el rango de 1.96S = 13.41 o sea a 13.41 de la lnea.

44
Ejemplo (cont..)
Inferencias respecto a la pendiente de la lnea b1:

Se usa el estadstico t = b1 / (S / \Sxx)

El trmino del denominador es el error estndar de la
pendiente.

Para probar la hiptesis nula Ho: |1 = 0

En este caso tc = 52.57 / (6.84 / \0.444) = 5.12

El valor crtico tcrit. para alfa/2 = 0.025 con (n-2) = 8 grados
de libertad es 2.306.

Como tc > tcrtico se rechaza la hiptesis de que b1 = 0
existiendo la regresin.
45
Ejemplo (cont..)
Estableciendo un 95% de confianza para la pendiente de
la recta b1.

Usando la frmula b1 t
0.025
(S / \Sxx) se tiene:

52.57 2.306 * 6.84 / \ 0.444 = 52.57 23.67.

Por tanto una unidad de incremento en publicidad, har que
el volumen de ventas se encuentre entre $28.9 a $76.2.


46
Ejemplo (cont..)
Clculo del coeficiente de Correlacin:
________
r = Sxy / \(SxxSyy)
____________
r = 23.34 / \0.444*1600.9 = 0.88

Como r es positivo, la pendiente de la recta apunta hacia
arriba y a la derecha.

El coeficiente de determinacin r^2 = 1 - SSE/Syy

r^2 = ( Syy - SSE ) / Syy = 0.774

47
1. Teclear los datos para Xi y Yi

2. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o ANALISIS
DE DATOS, CORRELATION o CORRELACIN

3. Dar INPUT RANGE (rango de datos), OUTPUT RANGE (para los
resultados) y obtener los resultados

Column 1 Column 2
Column 1 1 0.875442
Column 2 0.875442 1

El coeficiente de correlacin r = 0.875442
Anlisis de Regresin
48
Clculo con Excel)
4. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o
ANALISIS DE DATOS, REGRESION o REGRESIN

3. Dar INPUT RANGE Y (rango de datos Yi), INPUT RANGE X
(rango de datos Xi), CONFIDENCE INTERVAL 95%, OUTPUT
RANGE (para los resultados), RESIDUAL PLOTS o GRAFICAS DE
RESIDUALES y obtener una tabla de resultados como los que se
muestran en las pginas siguientes.

NOTAS:

a) La grfica de probabilidad normal debe mostrar puntos
fcilmente aproximables por una lnea recta, indicando normalidad.

B) La grfica de residuos estandarizados se deben distribuir en
forma aleatoria alrededor de la lnea media igual a cero.
Resultados de Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.875442 R Square 0.766398
Adjusted R Square0.737198 Standard Error 6.83715
Observations 10

ANOVA
df SS MS F Significance F
Regression 1 1226.927 1226.927 26.24633 0.000904
Residual 8 373.973 46.74662
Total 9 1600.9
Confidence 95%
Coefficients Standard Error t Stat P-value Lower Upper

Intercept 46.48649 9.884566 4.702936 0.001536 23.69262 69.28035

X Variable1 52.56757 10.26086 5.123117 0.000904 28.90597 76.22916

La ecuacin de la recta es Yest = 46.48649 + 52.56757 X
Como los valores p para los coeficientes son menores a 0.05,
ambos son significativos
50
Grfica normal de Excel
Normal Probability Plot
0
20
40
60
80
100
120
140
0 20 40 60 80 100
Sample Percentile
Y
51
Grfica de Residuos vs. X de Excel
X Variable 1 Residual Plot
-10
0
10
20
0 0.5 1 1.5
X Variable 1
R
e
s
i
d
u
a
l
s
52
Ejercicio
Calcular la recta de prediccin con sus bandas de confianza,
la correlacin y la determinacin para la respuesta de un Taxi,
los datos se muestran a continuacin:

Distancia Tiempo
0.8 200
2.2 400
1.0 160
0.6 120
1.0 360
1.4 280
2.2 560
0.6 320



53
Relaciones no Lineales
Qu pasa si existe una relacin causal, no lineal?
El siguiente es un conjunto de datos
experimentales codificados, sobre
resistencia a la compresin de una
aleacin especial:

Resistencia a
Concentracin la Compresin
x y
10.0 25.2 27.3 28.7
15.0 29.8 31.1 27.8
20.0 31.2 32.6 29.7
25.0 31.7 30.1 32.3
30.0 29.4 30.8 32.8

(ref. Walpole & Myers, 1985)
Cmo describira
esta relacin?
54
Y = 19.0333 + 1.00857X - 2.04E-02X**2
R
2
= 0.614
Anlisis de Variancia
FUENTE DF SS MS F p
Regresin 2 38.9371 19.4686 9.54490 3.31E-03
Error 12 24.4762 2.0397
Total 14 63.4133
FUENTE DF Seq SS F p
Lineal 1 28.0333 10.3005 6.84E-03
Cuadrtica 1 10.9038 5.34584 3.93E-02
Resultados del Anlisis de Regresin - Modelo Cuadrtico
55
Regresin cuadrtica
Obs X Y Fit SE Fit Residual St Resid
1 5.0 1.5820 1.3366 0.0519 0.2454 1.07
2 6.0 1.8220 1.5778 0.0473 0.2442 1.06
3 3.4 1.0570 0.9508 0.0703 0.1062 0.47
4 2.7 0.5000 0.7820 0.0806 -0.2820 -1.27
5 10.0 2.2360 2.5424 0.0875 -0.3064 -1.40
6 9.7 2.3860 2.4700 0.0828 -0.0840 -0.38
7 9.6 2.2940 2.4338 0.0804 -0.1398 -0.63
8 3.1 0.5580 0.8664 0.0753 -0.3084 -1.38
9 8.2 2.1660 2.0962 0.0609 0.0698 0.31
10 6.2 1.8660 1.6260 0.0472 0.2400 1.04
11 2.9 0.6530 0.8302 0.0776 -0.1772 -0.79
12 6.4 1.9300 1.6622 0.0474 0.2678 1.16
13 4.6 1.5620 1.2402 0.0555 0.3218 1.40
14 5.8 1.7370 1.5295 0.0476 0.2075 0.90
15 7.4 2.0880 1.9154 0.0530 0.1726 0.75
16 3.6 1.1370 0.9990 0.0675 0.1380 0.61
17 7.9 2.1790 2.0239 0.0574 0.1551 0.68
18 8.8 2.1120 2.2530 0.0694 -0.1410 -0.62
19 7.0 1.8000 1.8189 0.0500 -0.0189 -0.08
20 5.5 1.5010 1.4451 0.0490 0.0559 0.24
21 9.1 2.3030 2.3253 0.0737 -0.0223 -0.10
22 10.2 2.3100 2.5906 0.0907 -0.2806 -1.29
23 4.1 1.1940 1.1196 0.0611 0.0744 0.33
24 4.0 1.1440 1.0834 0.0629 0.0606 0.27
25 2.5 0.1230 0.7217 0.0845 -0.5987 -2.72R
56
Regresin cuadrtica
Analysis of Variance
Source DF SS MS F P
Regression 1 8.9296 8.9296 160.26 0.000
Residual Error 23 1.2816 0.0557
Total 24 10.2112
57
Regresin cuadrtica
Los residuos
No son normales
Se deben transformar
Las variables
Otros Patrones No Lineales
A veces es posible transformar una o ambas variables, para mostrar
mejor la relacin entre ambas. La meta es identificar la relacin
matemtica entre las variables, para que con la variable transformada
se obtenga una lnea ms recta. Algunas transformaciones comunes
incluyen:
x = 1/x
x = Raz cuadrada de (x)
x = log x
Funciones trigonomtricas: x = Seno
de x
59
Trasformacin de funciones








Ejemplo: sea se transforma como
Funciones linealizables y su forma lineal
correspondiente.
Figura 3.13 Funcin Transformacin Forma lineal
a,b
1
0
|
| X Y = X X Y Y log ' , log ' = = ' log '
1 0
X Y | | + =
c,d
X
e Y
1
0
|
| = Y Y log ' = X Y
1 0
ln ' | | + =
e,f X Y log
1 0
| | + = X X log ' = ' '
1 0
X Y | | + =
g,h
1 0
| |
=
X
X
Y
X
X
Y
Y
1
' ,
1
' = = ' '
1 0
X Y | | =
c |
| X
e Y
1
0
=
c | | ln ln ln
1 0
+ + = X Y
' ' '
1 0
c | | + + = X Y
60
Transformacin de variables del
ejemplo de regresin cuadrtica
Transformando la variable X = 1/X se tiene, utilizando Minitab
The regression equation is
Y = 2.98 - 6.93 1/X

Predictor Coef SE Coef T P
Constant 2.97886 0.04490 66.34 0.000
1/X -6.9345 0.2064 -33.59 0.000

S = 0.09417 R-Sq = 98.0% R-Sq(adj) = 97.9%


Obs 1/X Y Fit SE Fit Residual St Resid
1 0.200 1.5820 1.5920 0.0188 -0.0100 -0.11
2 0.167 1.8220 1.8231 0.0199 -0.0011 -0.01
3 0.294 1.0570 0.9393 0.0274 0.1177 1.31
4 0.370 0.5000 0.4105 0.0404 0.0895 1.05
5 0.100 2.2360 2.2854 0.0276 -0.0494 -0.55
6 0.103 2.3860 2.2640 0.0271 0.1220 1.35
61
Transformacin de variables del
ejemplo de regresin cuadrtica
Transformando la variable X = 1/X se tiene, utilizando Minitab
62
Transformacin de variables del
ejemplo de regresin cuadrtica
Los residuos ahora ya se muestran normales
63
Transformacin para homoestacidad
de la varianza
Algunas transformaciones para estabilizar la varianza









Relacin de o
2
a E(Y) Transformacin
Y Y constante = ' .......... .......... ..........
2
o o
Y Y Y E = ' .... .......... .......... )......... (
2
o o Datos de Poisson
| | Y sin Y Y E Y E
1 2
' ...... .......... ) ( 1 ) (

= o o Proporciones binomiales
| | ) ln( ' .......... .......... .......... ) (
2
2
Y Y Y E = o o
| |
2 / 1
3
2
' ....... .......... .......... ) (

= Y Y Y E o o
64
Transformacin para homoestacidad
de la varianza
Ejemplo: Se hizo un estudio entre la demanda (Y) y la energa
elctrica utilizada (X) durante un cierto periodo de tiempo




Obs X Y Fit SE Fit Residual St Resid
1 679 0.790 1.649 0.351 -0.859 -0.61
2 292 0.440 0.308 0.490 0.132 0.10
3 1012 0.560 2.802 0.293 -2.242 -1.57
4 493 0.790 1.004 0.412 -0.214 -0.15
5 582 2.700 1.312 0.381 1.388 0.98
6 1156 3.640 3.301 0.297 0.339 0.24
7 997 4.730 2.750 0.294 1.980 1.38
8 2189 9.500 6.880 0.651 2.620 2.00R
9 1097 5.340 3.097 0.293 2.243 1.57
10 2078 6.850 6.495 0.600 0.355 0.27
11 1818 5.840 5.595 0.488 0.245 0.18
12 1700 5.210 5.186 0.441 0.024 0.02
13 747 3.250 1.884 0.333 1.366 0.96
14 2030 4.430 6.329 0.579 -1.899 -1.42
15 1643 3.160 4.988 0.420 -1.828 -1.31
16 414 0.500 0.730 0.441 -0.230 -0.17
17 354 0.170 0.523 0.465 -0.353 -0.25
18 1276 1.880 3.717 0.313 -1.837 -1.29
19 745 0.770 1.877 0.333 -1.107 -0.78
20 435 1.390 0.803 0.433 0.587 0.42
21 540 0.560 1.167 0.395 -0.607 -0.43
22 874 1.560 2.324 0.307 -0.764 -0.53
23 1543 5.280 4.642 0.384 0.638 0.45
24 1029 0.640 2.861 0.293 -2.221 -1.55
25 710 4.000 1.756 0.343 2.244 1.58
65
Transformacin para homoestacidad
de la varianza
Ejemplo: Se hizo un estudio entre la demanda (Y) y la energa
elctrica utilizada (X) durante un cierto periodo de tiempo




The regression equation is
Y = - 0.704 + 0.00346 X
Predictor Coef SE Coef T P
Constant -0.7038 0.6170 -1.14 0.266
X 0.0034645 0.0005139 6.74 0.000
S = 1.462 R-Sq = 66.4% R-Sq(adj) = 64.9%
Analysis of Variance
Source DF SS MS F P
Regression 1 97.094 97.094 45.45 0.000
Residual Error 23 49.136 2.136
Total 24 146.231
66
Transformacin para homoestacidad
de la varianza
Se observa que la varianza se incrementa conforme aumenta X


67
Transformacin para homoestacidad
de la varianza
Se observa que la varianza se incrementa conforme aumenta X


68
Transformacin para homoestacidad
de la varianza
Transformando a X por su raz cuadrada se tiene:


Obs X SQR-Y Fit SE Fit Residual St Resid
1 679 0.8888 1.1694 0.1092 -0.2805 -0.64
2 292 0.6633 0.7717 0.1524 -0.1084 -0.25
3 1012 0.7483 1.5115 0.0912 -0.7632 -1.71
4 493 0.8888 0.9783 0.1280 -0.0894 -0.21
5 582 1.6432 1.0697 0.1184 0.5735 1.31
6 1156 1.9079 1.6595 0.0922 0.2484 0.56
7 997 2.1749 1.4961 0.0914 0.6788 1.52
8 2189 3.0822 2.7208 0.2024 0.3614 0.89
9 1097 2.3108 1.5989 0.0911 0.7120 1.60
10 2078 2.6173 2.6068 0.1867 0.0105 0.03
11 1818 2.4166 2.3397 0.1518 0.0770 0.18
12 1700 2.2825 2.2184 0.1371 0.0641 0.15
13 747 1.8028 1.2392 0.1035 0.5635 1.27
14 2030 2.1048 2.5575 0.1800 -0.4527 -1.09
15 1643 1.7776 2.1598 0.1304 -0.3822 -0.88
16 414 0.7071 0.8971 0.1372 -0.1900 -0.44
17 354 0.4123 0.8354 0.1445 -0.4231 -0.98
18 1276 1.3711 1.7828 0.0974 -0.4116 -0.93
19 745 0.8775 1.2372 0.1037 -0.3597 -0.81
20 435 1.1790 0.9187 0.1347 0.2603 0.60
21 540 0.7483 1.0265 0.1228 -0.2782 -0.64
22 874 1.2490 1.3697 0.0955 -0.1207 -0.27
23 1543 2.2978 2.0571 0.1195 0.2407 0.55
24 1029 0.8000 1.5290 0.0910 -0.7290 -1.64
25 710 2.0000 1.2012 0.1065 0.7988 1.81
69
Transformacin para homoestacidad
de la varianza
Transformando a X por su raz cuadrada se tiene:


Regression Analysis: SQR-Y versus X

The regression equation is
SQR-Y = 0.472 + 0.00103 X
Predictor Coef SE Coef T P
Constant 0.4717 0.1918 2.46 0.022
X 0.0010275 0.0001598 6.43 0.000
S = 0.4544 R-Sq = 64.3% R-Sq(adj) = 62.7%
70
Transformacin para homoestacidad
de la varianza
Transformando a X por su raz cuadrada se tiene:


71
Regresin lineal mltiple
72
Regresin mltiple
Cuando se usa ms de una variable independiente para predecir
los valores de una variable dependiente, el proceso se llama
anlisis de regresin mltiple, incluye el uso de ecuaciones
lineales.



Se asume que los errores cu tienen las caractersticas siguientes:
Tienen media cero y varianza comn o2.
Son estadsticamente independientes.
Estn distribuidos en forma normal.
u uk k u u u
X X X Y c | | | | + + + + + = .......
2 2 1 1 0
73
Regresin mltiple
Estimacin de los parmetros del modelo
Se trata de minimizar los errores cuadrticos en:



El modelo de regresin mltiple en forma matricial es:
Y = X | + c = [1 : D] | + c
Y es un vector N x 1.
X es una matriz de orden N x (k + 1), donde la 1. columna es 1s.
| es un vector de orden (k + 1) x 1.
c es un vector de orden N x 1.
D es la matriz de Xij con i = 1, 2, ..., N; j = 1, 2, ......, k

=
=
N
u
uk u u u k
X X Y R
1
2
2 2 1 1 0 1 0
) ..... ( ) ,..., , ( | | | | | | |
74
Regresin mltiple
Estimacin de los parmetros del modelo:

b = (XX)-1 XY
El vector de valores ajustados se puede expresar como:



La varianza del modelo se estima como:



Hy Y X X X X Xb Y = = =

' ) ' (

1
Xb Y =

e e e Y Y SSE
n
i
i i
' )

(
1
2 2
= = =

=
Xb X b Y X b Y Y Xb X b Xb Y Y X b Y Y Xb Y Xb Y SSE ' ' ' ' 2 ' ' ' ' ' ' ' ) ( )' ( + = + = =
Y X b Y Y SSE ' ' ' =
p N
SSE
MSE s

= =
2
75
Tamao de muestra
Tomar 5 observaciones para cada una de las
variables independientes, si esta razn es menor de5
a 1, se tiene el riesgo de sobreajustar el modelo

Un mejor nivel deseable es tomar 15 a 20
observaciones por cada variable independiente
76
Ejemplo de regresin mltiple
Un embotellador est analizando las rutas de servicio de
mquinas dispensadoras, est interesado en predecir la
cantidad de tiempo requerida por el chofer para surtir las
mquinas en el local (Y).

La actividad de servicio incluye llenar la mquina con refrescos y
un mantenimiento menor.

Se tienen como variables el nmero de envases con que llena la
mquina (X1) y la distancia que tiene que caminar (X2).
77
Ejemplo de regresin mltiple
X2-Dist X1-CAS Y-TENT Fit SE Fit Residual St Resid
Obs
16.68 7.0 16.680 21.708 1.040 -5.028 -1.63
1
11.50 3.0 11.500 10.354 0.867 1.146 0.36
2
12.03 3.0 12.030 12.080 1.024 -0.050 -0.02
3
14.88 4.0 14.880 9.956 0.952 4.924 1.58
4
13.75 6.0 13.750 14.194 0.893 -0.444 -0.14
5
18.11 7.0 18.110 18.400 0.675 -0.290 -0.09
6
08.00 2.0 8.000 7.155 0.932 0.845 0.27
7
17.83 7.0 17.830 16.673 0.823 1.157 0.37
8
79.24 30.0 79.240 71.820 2.301 7.420 3.21RX
9
21.50 5.0 21.500 19.124 1.444 2.376 0.81
10
40.33 16.0 40.330 38.093 0.957 2.237 0.72
11
21.00 10.0 21.000 21.593 1.099 -0.593 -0.19
12
13.50 4.0 13.500 12.473 0.806 1.027 0.33
13
19.75 6.0 19.750 18.682 0.912 1.068 0.34
14
24.00 9.0 24.000 23.329 0.661 0.671 0.21
15
29.00 10.0 29.000 29.663 1.328 -0.663 -0.22
16
15.35 6.0 15.350 14.914 0.795 0.436 0.14
17
19.00 7.0 19.000 15.551 1.011 3.449 1.11
18
09.50 3.0 9.500 7.707 1.012 1.793 0.58
19
35.10 17.0 35.100 40.888 1.039 -5.788 -1.87
20
17.90 10.0 17.900 20.514 1.325 -2.614 -0.88
21
52.32 26.0 52.320 56.007 2.040 -3.687 -1.45 22
18.75 9.0 18.750 23.358 0.662 -4.608 -1.44 23
19.83 8.0 19.830 24.403 1.132 -4.573 -1.50 24
10.75 4.0 10.750 10.963 0.841 -0.213 -0.07 25


R denotes an observation with a large standardized residual
X denotes an observation whose X value gives it large influence.

Durbin-Watson statistic = 1.17
78
Ejemplo de regresin mltiple
Solucin matricial
Matrix M5 = X'
[ 1 1 1 1 1 1 1 1 1 1 1 1
1
7 3 3 4 6 7 2 7 30 5 16 10
4
560 220 340 80 150 330 110 210 1460 605 688 215
255

1 1 1 1 1 1 1 1 1 1 1 1
6 9 10 6 7 3 17 10 26 9 8 4
462 448 776 200 132 36 770 140 810 450 635 150 ]

Matrix M6 = X'Y

[ 25 219 10232
219 3055 133899
10232 133899 6725688 ]

Matrix M7 = X'Y

[ 560
7375
337072 ]

79
Ejemplo de regresin mltiple
Solucin matricial
Matrix M8 = INV(X'X)

0.113215 -0.004449 -0.000084
-0.004449 0.002744 -0.000048
-0.000084 -0.000048 0.000001

Matrix M9 = INV(X'X) X'Y

2.34123
1.61591
0.01438

The regression equation is
Y-TENT = 2.34 + 1.62 X1-CAS + 0.0144 X2-DIST

Predictor Coef SE Coef T P
Constant 2.341 1.097 2.13 0.044
X1-CAS 1.6159 0.1707 9.46 0.000
X2-DIST 0.014385 0.003613 3.98 0.001

S = 3.259 R-Sq = 96.0% R-Sq(adj) = 95.6%

80
Ejemplo de regresin mltiple
Solucin matricial
Clculo de la estimacin de la varianza:
Data Display

Matrix M10 = Y'

[ 16.68 11.50 12.03 14.88 13.75 18.11 8.00 17.83 79.24 21.50
40.33
21.00 13.50 19.75 24.00 29.00 15.35 19.00 9.50 35.10 17.90 52.32
18.75 19.83 10.75 ]

Matrix M11 = Y'Y = 18310.6

Matrix M12 = b' = [ 2.34123 1.61591 0.01438 ]

Matrix M13 = b'X'Y = 18076.9

Matrix M14 = SSe = Y'Y - b'X'Y = 233.732

624 . 10
3 25
732 . 233
2
=

=
p N
SS
S
E

81
Ejemplo de regresin mltiple
Solucin matricial
Intervalo de confianza para Beta 1





Por tanto el intervalo de confianza para el 95% es:
1.26181 s |1 s 1.97001
) ( ) (
1 22 , 025 . 1 1 1 22 , 025 . 1
b se t b b se t b + s s |
) 17073 . 0 )( 074 . 2 ( 6191 . 1 ) 00274378 . 0 )( 6239 . 10 ( ) 074 . 2 ( 61591 . 1
1
+ s s |
82
Ejemplo de regresin mltiple
Solucin matricial
El embotellador desea construir un intervalo de confianza sobre
el tiempo medio de entrega para un local requiriendo:

X1 = 8 envases y cuya distancia es X2 = 275 pies.




La varianza de la Y0 estimada es (tomando M8=inv(XX) :

(
(
(

=
275
8
1
0
X
| | minutos b X Y 22 . 19
01438 . 0
61591 . 1
34123 . 2
275 , 8 , 1 '

0 0
=
(
(
(

= =
| | 56794 . 0 ) 05346 . 0 ( 6239 . 10
275
8
1
8 275 , 8 , 1 6239 . 10 ) ' ( ' )

(
0
1
0
2
0
= =
(
(
(

= =

M X X X X S Y Var
83
Ejemplo de regresin mltiple
Solucin matricial
El intervalo de confianza sobre el tiempo medio de entrega para
un local requiriendo es para 95% de nivel de confianza:



Que se reduce a: 17.66 s Y0 s 20.78


56794 . 0 074 . 2 22 . 19 56794 . 0 074 . 2 22 . 19
0
+ s s Y
84
Ejemplo de regresin mltiple
Solucin matricial
El anlisis de varianza es:

Analysis of Variance
SST = 18,310.629 -
25
) 6 . 559 (
2
= 5784.5426
SSR = 18,076.930 -
25
) 6 . 559 (
2
= 5,550.8166
SSE = SST SSR = 233.7260

24 . 261
6239 . 10
4083 . 2775
0
= = =
MSE
MSR
F

44 . 3
22 , 2 , 05 . 0
= F

Como la F calculada es mayor que la F de tablas, se
concluye que existe el modelo con alguno de sus
coeficientes diferente de cero
Con el paquete Minitab se obtuvo lo siguiente:
Source DF SS MS F P
Regression 2 5550.8 2775.4 261.24 0.000
Residual Error 22 233.7 10.6
Total 24 5784.5
85
Ejemplo de regresin mltiple
Solucin matricial
El comportamiento de los residuos es como sigue:

86
Multicolinealidad
La multicolinealidad implica una dependencia cercana entre
regresores (columnas de la matriz X ), de tal forma que si hay
una dependencia lineal exacta har que la matriz XX sea
singular.

La presencia de dependencias cercanamente lineales impactan
dramticamente en la habilidad para estimar los coeficientes de
regresin.

La varianza de los coeficientes de la regresin son inflados
debido a la multicolinealidad. Es evidente por los valores
diferentes de cero que no estn en la diagonal principal de XX.
Que son correlaciones simples entre los regresores.
87
Multicolinealidad
Una prueba fcil de probar si hay multicolinealidad entre dos
variables es que su coeficiente de correlacin sea mayor a 0.7

Los elementos de la diagonal principal de la matriz XX se
denominan Factores de inflacin de varianza (VIFs) y se usan
como un diagnstico importante de multicolinealidad. Para el
componente j simo se tiene:



Si es mayor a 10 implica que se tienen serios problemas de
multicolinealidad.
2
1
1
j
j
R
VIF

=
88
Anlisis de los residuos
Los residuos graficados vs la Y estimada, pueden mostrar
diferentes patrones indicando adecuacin o no adecuacin del
modelo:

Grfica de residuos aleatorios cuya suma es cero (null plot)
indica modelo adecuado

Grfica de residuos mostrando una no linealidad curvilnea
indica necesidad de transformar las variables

Si los residuos se van abriendo indica que la varianza muestra
heteroestacidad y se requiere transformar las variables. Se
puede probar con la prueba de Levene de homogeneidad de
varianzas
89
Escalamiento de residuos
En algunos casos es difcil hacer comparaciones directas entre
los coeficientes de la regresin debido a que la magnitud de bj
refleja las unidades de medicin del regresor Xj. Por ejemplo:




Para facilitarla visualizacin de residuos ante grandes
diferencias en los coeficientes, se sugiere estandarizar o
estudentizar los residuos
2 1
1000 5

X X Y + + =
90
Escalamiento de residuos
Residuos estandarizados
Se obtienen dividiendo cada residuo entre la desviacin
estndar de los residuos



Despus de la estandarizacin, los residuos tienen una
media de 0 y desviacin estndar de 1

Con ms de 50 datos siguen a la distribucin t, de
manera que si exceden a 1.96 (lmite para alfa 0.05)
indica significancia estadstica y son outliers

,
MSE
e
d
i
i
=
91
Escalamiento de residuos
Residuos estudentizados
Son similares a los residuos donde se elimina una
observacin y se predice su valor, pero adems se elimina la
i-sima observacin en el clculo de la desviacin estndar
usada para estandarizar la -sima observacin

Puede identificar observaciones que tienen una gran
influencia pero que no son detectadas por los residuos
estandarizados

H = X (XX)-1X es la matriz sombrero o hat matriz.
,
) 1 (
ii
i
i
h MSE
e
r

=
92
Escalamiento de residuos
El estadstico PRESS (Prediction Error Sum of Squares) es una
medida similar a la R2 en la regresin. Difiere en que se estiman
n-1 modelos de regresin.

En cada modelo se omite una observacin en la estimacin del
modelo de regresin y entonces se predice el valor de la
observacin omitida con el modelo estimado. El residuo isimo
ser:


El residuo PRESS es la suma al cuadrado de los residuos
individuales e indica una medida de la capacidad de prediccin



) ( ) (

i i i
Y Y e =
| |

= =
=
2
) (
1
2
) (

i i
N
i
i
Y Y e PRESS
YY
ediccin
S
PRESS
R =1
2
Pr
93
Grficas parciales de regresin
Para mostrar el impacto de casos individuales es ms efectiva la
grfica de regresin parcial. Un caso outlier impacta en la
pendiente de la ecuacin de regresin (y su coeficiente).

Una comparacin visual de la grfica de regresin parcial con y
sin la observacin muestra la influencia de la observacin

El coeficiente de correlacin parcial es la correlacin de la
variable independiente Xi la variable dependiente Y cuando se
han eliminado de ambos Xi y Y

La correlacin semiparcial refleja la correlacin entre las
variables independiente y dependiente removiendo el efecto Xi
94
Matriz sombrero
Los puntos de influencia son observaciones substancialmente
diferentes de las observaciones remanentes en una o ms
variables independientes

Contiene valores (sombrero en su diagonal) para cada
observacin que representa influencia. Representa los efectos
combinados de todos las variables independientes para cada
caso
95
Matriz sombrero
Los valores en la diagonal de la matriz sombrero miden dos
aspectos:
Para cada observacin miden la distancia de la observacin
al centro de la media de todas las observaciones de las
variables independientes

Valores altos en la diagonal indica que la observacin tiene
mucho peso para la prediccin del valor de la variable
dependiente, minimizando su residuo
El rango de valores es de 0 a 1, con media p/n, p es el
nmero de predictores y n es el tamao de muestra. Valores
lmite se encuentran en 2p/n y 3p/n

96
Distancia de Mahalanobis
D
2
es una medida comparable a los valores sombrero (hat
values) que considera slo la distancia de una observacin del
valor medio de las variables independientes.

Es otra forma de identificar outliers

La significancia estadstica de la distancia de Malahanobis se
puede hacer a partir de tablas del texto:
Barnett, V., Outliers in Statistical Data, 2nd. Edition, Nueva
York, Wiley, 2984
97
Influencia en coeficientes
individuales
El impacto de eliminar una observacin simple en cada
uno de los coeficientes de la regresin mltiple se muestra
con la DFBETA y su versin estandarizada SDFBETA.

Se sugiere aplicar como lmites 1.0 o 2 para tamaos
de muestra pequeos y n para muestras medias y
grandes

La distancia de Cook (Di) captura el impacto de una
observacin:
La dimensin del cambio en los valores pronosticados
cuando se omite la observacin y la distancia de las
otras observaciones, el lmite es 1 o 4/(n-k-1)
Influencia en coeficientes
individuales
La medida COVRATIO estima el efecto de la observacin
en la eficiencia del proceso, en sus errores estndar de los
coeficientes de la regresin. Considera a todos los
coeficientes colectivamente.

El lmite puede ser establecido en 1 3p/n, los valores
mayores al lmite hacen el proceso ms eficiente y los
menores ms ineficiente

La medida SDFFIT es el grado en que cambian los
valores ajustados o pronosticados cuando el caso se
elimina. El valor lmite es 2*raz((k+1)/(n-k-1))
99
Ejemplo de regresin mltiple
Solucin con Excel y Minitab
100
Ejemplo de Regresin Mltiple
Cat. (US News) GMAT Salario Inicial ($) % Aceptacin
Stanford 1 711 82000 7.4
Harvard 2 670 80000 12.8
Penn (Wharton) 3 662 79000 14.7
MIT (Sloan) 4 650 78000 15.1
Chicago 5 680 65000 25.0
Northwestern 6 660 70000 16.0
Columbia 7 660 83000 14.8
Dartmouth 8 670 70000 12.6
Duke 9 646 67500 20.5
Berkeley 10 653 70000 13.3
Virginia 11 660 66000 18.9
Michigan 12 645 65000 28.0
NYU 13 646 70583 20.9
Carnegie Mellon 14 640 67200 30.8
Yale 15 675 65000 23.5
U.N.C. 16 630 60000 19.8
UCLA 17 651 65000 17.5
Texas-Austin 18 630 60000 27.3
Indiana 19 630 61500 44.7
Cornell 20 637 64000 25.4
Rochester 21 630 58500 36.0
Ohio State 22 611 61000 23.2
Emory 23 626 60000 33.0
Purdue 24 603 63700 20.7
Maryland 25 640 53000 18.9
Interpretacin de Resultados de Excel- Regresin Multiple
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.8749313 R Square 0.76550478
Adjusted R Square 0.732005463 Standard Error 4050.855918 Observations 25

ANOVA
df SS MS F Significance F
Regression 3 1.12E+09 374977790.1 22.851355 8.17E-07
Residual 21 3.45E+08 16409433.67
Total 24 1.47E+09

Coefficients Standard t Stat P-value Lower 95% U pper 95%
Error
Intercept 122481.40 41473.13 2.953271081 0.007589 36233.29 208729.5

X Variable1 -926.873 198.8104 -4.662094325 0.0001336 -1340.32 -513.424

X Variable2 -59.9488 60.44875 -0.991730876 0.3326192 -185.659 65.76118

X Variable3 -191.7291 125.6138 -1.526337637 0.1418472 -452.957 69.49917


Resultados de Excel- Regresin slo con slo X1
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.855974
R Square 0.732691
Adjusted R Square 0.721069
Standard Error 4132.688
Observations 25

ANOVA
df SS MS F Significance F

Regression 1 1.08E+09 1.08E+09 63.04264 4.88E-08
Residual 23 3.93E+08 17079107
Total 24 1.47E+09

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 79230.32 1703.951 46.49801 2.98E-24 75705.43405 82755.20595
X Variable1 -910.077 114.6201 -7.93994 4.88E-08 -1147.186411 -672.9674353




Con slo X1, el Modelo se simplifica enormemente
poca importancia prctica se pierde en R
2
(ajustada)
La ecuacin de regresin es:
y = 79230 - 910 x

Predictor Coef Desv. Estndar T p
Constante 79230 1704 46.50 0.000
x -910.1 114.6 -7.94 0.000

S = 4133 R
2
= 73.3% R
2
(ajustada) = 72.1%

Anlisis de Variancia

Fuente DF SS MS F p
Regresin 1 1076712008 1076712008 63.04 0.000
Error 23 392819470 17079107
Total 24 1469531477
Reduccin del Modelo
Vuelva a correr la regresin usando la categora
US News, como el nico agente de prediccin (predictor)
El Modelo se simplifica enormemente..poca
importancia prctica se pierde en R
2
(ajustada)
104
Corrida en Minitab
Se introducen los datos en varias columnas C1 a C5
incluyendo la respuesta Y (heatflux) y las variables
predictoras Xs (North, South, East)
HeatFlux Insolation East South North
271.8 783.35 33.53 40.55 16.66
264.0 748.45 36.50 36.19 16.46
238.8 684.45 34.66 37.31 17.66
230.7 827.80 33.13 32.52 17.50
251.6 860.45 35.75 33.71 16.40
257.9 875.15 34.46 34.14 16.28
105
Corrida en Minitab
Utilzar el archivo de ejemplo Exh_regr.mtw
Opcin: Stat > Regression > Regression
Para regresin lineal indicar la columna de respuesta
Y (Score2) y X (Score1)

En Regresin lienal en opciones se puede poner un
valor Xo para predecir la respuesta e intervalos. Las
grficas se obtienen Stat > Regression > Regression
> Fitted line Plots

Para regresin mltiple Y (heatflux) y las columnas
de los predictores (north, south, east)

106
Resultados de la regresin lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor Coef SE Coef T P
Constant 1.1177 0.1093 10.23 0.000
Score1 0.21767 0.01740 12.51 0.000
S = 0.1274 R-Sq = 95.7% R-Sq(adj) = 95.1%
Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56 0.000
Residual Error 7 0.1136 0.0162
Total 8 2.6556
Predicted Values for New Observations
New Obs Fit SE Fit 95.0% CI 95.0% PI
1 2.6414 0.0474 ( 2.5292, 2.7536) ( 2.3197, 2.9631)
New Obs Score1
1 7.00
107
Resultados de la regresin lineal
9 8 7 6 5 4 3 2
3.5
2.5
1.5
Score1
S
c
o
r
e
2
S = 0.127419 R-Sq = 95.7 % R-Sq(adj) = 95.1 %
Score2 = 1.11771 + 0.217670 Score1
95% PI
95% CI
Regression
Regression Plot
108
Resultados de la regresin Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor Coef SE Coef T P
Constant 389.17 66.09 5.89 0.000
North -24.132 1.869 -12.92 0.000
South 5.3185 0.9629 5.52 0.000
East 2.125 1.214 1.75 0.092
S = 8.598 R-Sq = 87.4% R-Sq(adj) = 85.9%
Analysis of Variance
Source DF SS MS F P
Regression 3 12833.9 4278.0 57.87 0.000
Residual Error 25 1848.1 73.9
Total 28 14681.9
Source DF Seq SS
North 1 10578.7
South 1 2028.9
East 1 226.3
109
La regresin slo puede utilizarse con informacin de variables
continuas.

Los residuos deben distribuirse normalmente con media cero.

Importancia prctica: (R
2
). Importancia estadstica: (valores p)

La regresin puede usarse con un predictor X o ms,
para una respuesta dada

Reduzca el modelo de regresin cuando sea posible,
sin perder mucha importancia prctica
Resumen de la Regresin
110
VI.A.4 Herramientas
multivariadas
111
Herramientas multivariadas
1. Introduccin

2. Anlisis de componentes principales

3. Anlisis factorial

4. Anlisis discriminante

5. MANOVA
112
Introduccin
En el anlisis multivariado se incluyen dos o ms
variables dependientes Y1, Y2, etc. Consideradas
simultneamente para las variables independientes
X1, X2, ., Xn

Normalmente se resuelven con herramientas
computacionales tales como Minitab y SPSS.

Entre las herramientas principales se encuentran:
Componentes principales, anlisis factorial, anlisis
discriminante, anlisis de conglomerados, anlisis
cannico, MANOVA
113
Anlisis de componentes principales
El anlisis (PCA) y el anlisis factorial (FA) se usan
para encontrar patrones de correlacin entre muchas
variables posibles y subconjuntos de datos

Busca reducirlas a un menor nmero de
componentes o factores que representen la mayor
parte de la varianza.

Normalmente se requieren al menos cinco
observaciones por variable

114
Anlisis de componentes principales
Pasos de anlisis en Minitab
Se usa una matriz de correlacin para determinar la
relacin entre componentes
Las matrices definen cantidades como eigenvalores y
eigenvectores
Se suman los eigenvalores y se calculan las
proporciones de cada componente
Se identifican los PC1, PC2, que explican la mayor
parte de la varianza
Se puede hacer un diagrama de Pareto como apoyo

115
Ejemplo: Alimentos en Europa
Pas RMEAT WMEAT EGGS MILK FISH CERL STARCH NUTS FR-VEG
1 10.1 1.4 0.5 8.9 0.2 42.3 0.6 5.5 1.7
2 8.9 14 4.3 19.9 2.1 28 3.6 1.3 4.3
3 13.5 9.3 4.1 17.5 4.5 26.6 5.7 2.1 4
4 7.8 6 1.6 8.3 1.2 56.7 1.1 3.7 4.2
5 9.7 11.4 2.8 12.5 2 34.3 5 1.1 4
6 10.6 10.8 3.7 25 9.9 21.9 4.8 0.7 2.4
7 8.4 11.6 3.7 11.1 5.4 24.6 6.5 0.8 3.6
8 9.5 4.9 2.7 33.7 5.8 26.3 5.1 1 1.4
9 18 9.9 3.3 19.5 5.7 28.1 4.8 2.4 6.5
10 10.2 3 2.8 17.6 5.9 41.7 2.2 7.8 6.5
11 5.3 12.4 2.9 9.7 0.3 40.1 4 5.4 4.2
12 13.9 10 4.7 25.8 2.2 24 6.2 1.6 2.9
13 9 5.1 2.9 13.7 3.4 36.8 2.1 4.3 6.7
14 9.5 13.6 3.6 23.4 2.5 22.4 4.2 1.8 3.7
15 9.4 4.7 2.7 23.3 9.7 23 4.6 1.6 2.7
16 6.9 10.2 2.7 19.3 3 36.1 5.9 2 6.6
17 6.2 3.7 1.1 4.9 14.2 27 5.9 4.7 7.9
18 6.2 6.3 1.5 11.1 1 49.6 3.1 5.3 2.8
19 7.1 3.4 3.1 8.6 7 29.2 5.7 5.9 7.2
20 9.9 7.8 3.5 24.7 7.5 19.5 3.7 1.4 2
21 13.1 10.1 3.1 23.8 2.3 25.6 2.8 2.4 4.9
22 17.4 5.7 4.7 20.6 4.3 24.3 4.7 3.4 3.3
23 9.3 4.6 2.1 16.6 3 43.6 6.4 3.4 2.9
24 11.4 12.5 4.1 18.8 3.4 18.6 5.2 1.5 3.8
25 4.4 5 1.2 9.5 0.6 55.9 3 5.7 3.2

X1 X2 X3 X4 X5 X6 X7 X8 X9
116
Corrida en Minitab
2 Stat > Multivariate > Principal components
3 En Variables, X1, X2, X3, X4, X6, X7, X8, X9

4 En Number of factors to extract, 3. Seleccionar
Correlation Matrix
5 Click 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
117
Ejemplo: Alimentos en Europa

Component Number
E
i
g
e
n
v
a
l
u
e
9 8 7 6 5 4 3 2 1
4
3
2
1
0
Scree Plot of RMEAT, ..., FR-VEG

First Component
S
e
c
o
n
d

C
o
m
p
o
n
e
n
t
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
FR-VEG
NUTS
STARCH
CERL
FISH
MILK
EGGS
WMEAT
RMEAT
Loading Plot of RMEAT, ..., FR-VEG
Dos componentes exceden
El eigenvalor de ref. de 1
118
Ejemplo: Alimentos en Europa

Se tiene la grfica siguiente de pases:
Europa occidental Europa oriental Balcanes
Z1
Z
2
4 3 2 1 0 -1 -2 -3
2
1
0
-1
-2
-3
-4
-5
25
24
23 22
21
20
19
18
17
16
15
14
13
12 11
10
9
8
7
6
5
4
3
2
1
Scatterplot of Z2 vs Z1

Pennsula ibrica


119
Anlisis factorial
Es una tcnica de reduccin de variables para
identificar factores que expliquen la variacin,
aunque se reiere un juicio subjetivo.

Las variables de salida estn relacionadas
linealmente con las variables de entrada.

Las variables deben ser medibles y simtricas. Debe
haber cuatro o ms factores de entrada para cada
variable independiente

120
Anlisis factorial
Se especifican un cierto nmero de factores comunes

El anlisis factorial se hace en dos etapas:
Extraccin de factores, para identificar los factores
principales para un estudio posterior
Rotacin de factores, para hacerlos ms significativos

121
Corrida con Minitab
2 Stat > Multivariate > Factor Analysis.
3 En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4 En Number of factors to extract, 4.
En Method of Extraction, seleccionar Principal components
6 En Type of Rotation, seleccionar Varimax.
7 Click Graphs y seleccionar Loading plot for first 2 factors
y Scree Plot.
Click Results y seleccionar Sort loadings.
Seleccionar Storage e indicar columnas para ponderaciones,
coeficientes, Zs, eigenvalores, etc.
Click OK en cada uno de los cuadros de d
122
Ejemplo

First Factor
S
e
c
o
n
d

F
a
c
t
o
r
1.00 0.75 0.50 0.25 0.00 -0.25 -0.50
0.50
0.25
0.00
-0.25
-0.50
-0.75
-1.00
FR-VEG
NUTS
STARCH
CERL
FISH
MILK
EGGS
WMEAT
RMEAT
Loading Plot of RMEAT, ..., FR-VEG
Rotated Factor Loadings and Communalities
Varimax Rotation

Variable Factor1 Factor2 Factor3 Factor4 Communality
X1 RMEAT 0.051 -0.931 0.014 0.037 0.871
X2 WMEAT 0.943 -0.127 -0.100 0.050 0.918
X3 EGGS 0.628 -0.664 0.163 0.020 0.862
X4 MILK 0.197 -0.610 0.219 0.579 0.795
X5 FISH -0.226 -0.088 0.921 -0.104 0.919
X6 CERL -0.395 0.549 -0.624 -0.145 0.867
X7 STARCH 0.515 -0.004 0.683 -0.026 0.732
X8 NUTS -0.638 0.263 -0.326 -0.515 0.849
X9 FR-VEG -0.010 0.003 0.178 -0.937 0.910

Variance 2.2054 2.0749 1.9273 1.5165 7.7240
% Var 0.245 0.231 0.214 0.168 0.858
123
Ejemplo:

Z1
Z
2
2 1 0 -1 -2
2
1
0
-1
-2
Yugoslavia
Alemania Occ
Rusia
Reino Unido
Suiza
Suecia
Espaa
Rumania
Portugal
Polonia
Noruega
Holanda
Italia
Irlanda
Hungra
Grecia
Francia
Finlandia
Alemania orien
Dinamarca
Checa
Bulgaria
Blgica
Autria
Albania
Scatterplot of Z2 vs Z1

124
Anlisis discriminante
Si se tiene una muestra con grupos conocidos, el
anlisis discriminante clasifica las observaciones o
atributos en dos o ms grupos

Puede utilizarse como herramienta predictiva o
descriptiva

Las variables deben ser multivariadamente normales,
con la misma varianza y covarianza poblacional entre
variables dependientes, y las muestras exhiben
independencia
125
Ejemplo de actividades en pases
No
Grupo
Ciudad Agr Min Man Ps Con Ser Fin Sps Tc
1
1
Blgica 3.3 0.9 27.6 0.9 8.2 19.1 6.2 26.6 7.2
2
1
Dinamarca 9.2 0.1 21.8 0.6 8.3 14.6 6.5 32.2 7.1
3
1
Francia 10.8 0.8 27.5 0.9 8.9 16.8 6.0 22.6 5.7
4
1
Alemania Occ. 6.7 1.3 35.8 0.9 7.3 14.4 5.0 22.3 6.1
5
1
Irlanda 23.2 1.0 20.7 1.3 7.5 16.8 2.8 20.8 6.1
6
1
Italia 15.9 0.6 27.6 0.5 10.0 18.1 1.6 20.1 5.7
7
1
Luxenburgo 7.7 3.1 30.8 0.8 9.2 18.5 4.6 19.2 6.2
8
1
Holanda 6.3 0.1 22.5 1.0 9.9 18.0 6.8 28.5 6.8
9
1
Inglaterra 2.7 1.4 30.2 1.4 6.9 16.9 5.7 28.3 6.4
10
1
Austria 12.7 1.1 30.2 1.4 9.0 16.8 4.9 16.8 7.0
11
1
Finlandia 13.0 0.4 25.9 1.3 7.4 14.7 5.5 24.3 7.6
12
2
Grecia 41.4 0.6 17.6 0.6 8.1 11.5 2.4 11.0 6.7
13
1
Noruega 9.0 0.5 22.4 0.8 8.6 16.9 4.7 27.6 9.4
14
2
Portugal 27.8 0.3 24.5 0.6 8.4 13.3 2.7 16.7 5.7
15
2
Espaa 22.9 0.8 28.5 0.7 11.5 9.7 8.5 11.8 5.5
16
1
Suecia 6.1 0.4 25.9 0.8 7.2 14.4 6.0 32.4 6.8
17
1
Suiza 7.7 0.2 37.8 0.8 9.5 17.5 5.3 15.4 5.7
18
2
Turqua 66.8 0.7 7.9 0.1 2.8 5.2 1.1 11.9 3.2
19
3
Bulgaria 23.6 1.9 32.3 0.6 7.9 8.0 0.7 18.2 6.7
20
3
Checa 16.5 2.9 35.5 1.2 8.7 9.2 0.9 17.9 7.0
21
3
Alemania Ori. 4.2 2.9 41.2 1.3 7.6 11.2 1.2 22.1 8.4
22
3
Hungra 21.7 3.1 29.6 1.9 8.2 9.4 0.9 17.2 8.0
23
3
Polonia 31.1 2.5 25.7 0.9 8.4 7.5 0.9 16.1 6.9
24
3
Rumania 34.7 2.1 30.1 0.6 8.7 5.9 1.3 11.7 5.0
25
3
Rusia 23.7 1.4 25.8 0.6 9.2 6.1 0.5 23.6 9.3
26
3
Yugoslavia 48.7 1.5 16.8 1.1 4.9 6.4 11.3 5.3 4.0

126
Corrida con Minitab
2 Stat > Multivariate > Discriminant Analysis.

3 En Groups, poner SalmonOrigin.

4 En Predictors, poner Freshwater Marine. Click OK.
127
Corrida con Minitab

Canonical Discri minant Functions
Function 1
6 4 2 0 -2 -4 -6
F
u
n
c
t
i
o
n

2
3
2
1
0
-1
-2
-3
-4
GRUPO
Group Centroids
3
2
1
3
2
1
128
Anlisis de conglomerados
129
Anlisis de conglomerados
Se usa para determinar agrupaciones o
clasificaciones de un conjunto de datos

Las personas se pueden agrupar por IQ, padres,
hbitos de estudio, etc.

Se trata de dar sentido a grandes cantidades de
datos de cuestionarios, ecnuestas, etc.
130
Ejemplo
Suponer que un estudio de
mercado trata de determinar
segmentos de mercado en
base a los patrones de
lealtad de marcas (V1) y
tiendas (V2), medidas del 0
al 10 en 7 personas (A-G).
Variables V1 V2
A 3 2
B 4 5
C 4 7
D 2 7
E 6 6
F 7 7
G 6 4
131
Corrida en Minitab
Stat > Multivariate Anlisis > Cluster Observations
Distance Measured Euclidean Seleccionar Show
Dendogram OK

Observations
D
i
s
t
a
n
c
e
7 6 5 4 3 2 1
3.16
2.11
1.05
0.00
Dendrogram with Single Linkage and Euclidean Distance
132
Anlisis de correlacin cannico
Prueba la hiptesis de que los efectos pueden tener
causas mltiples y de que las causas pueden tener
efectos mltiples (Hotelling 1935)

Es como una regresin mltiple para determinar la
correlacin entre dos conjuntos de combinaciones
lieneales, cada conjunto puede tener varias variables
relacionadas.
La relacin de un conjunto de variables dependientes
a un conjunto de variables independientes forma
combinaciones lineales
133
Anlisis de correlacin cannico
Se usan los ms altos valores de correlacin para los
conjuntos. Los pares de combinaciones lineales se
denominan variates cannicas con correlaciones
cannicas (Rc con valor mayor a 0.3)

Por ejemplo se quiere determinar si hay una
correlacin entre las caractersticas de un ingeniero
industrial y las habilidades requeridas en la
descripcin de puesto del mismo ingeniero.
134
MANOVA
(Anlisis de varianza mltiple)
Es un modelo para analizar la relacin entre una o
ms variables independientes y dos o ms variables
dependientes

Prueba si hay diferencias significativas en las medias
de grupos de una combinancin de respuestas Y.

Los datos deben ser normales, con covarianza
homogenea y observaciones independientes
135
MANOVA
(Anlisis de varianza mltiple)
136
Diferencias de ANOVA y MANOVA
137
Ejemplo:
Extrusin de pelcula plstica
Se realiza un estudio para determinar las condiciones
ptimas para extruir pelcula plstica.

Se miden tres respuestas Tear, gloss y opacity
cinco veces en cada combinacin de dos factores
tasa de extrusin y cantidad de aditivo cada grupo
se pone en niveles bajos y altos.

Se utiliza el MANOVA balanceado para probar la
igualdad de las medias.
138
Ejemplo:
Extrusin de pelcula plstica
Tear Gloss Opacity Extrusin Additive
6.5 9.5 4.4 1 1
6.2 9.9 6.4 1 1
5.8 9.6 3 1 1
6.5 9.6 4.1 1 1
6.5 9.2 0.8 1 1
6.9 9.1 5.7 1 2
7.2 10 2 1 2
6.9 9.9 3.9 1 2
6.1 9.5 1.9 1 2
6.3 9.4 5.7 1 2
6.7 9.1 2.8 2 1
6.6 9.3 4.1 2 1
7.2 8.3 3.8 2 1
7.1 8.4 1.6 2 1
6.8 8.5 3.4 2 1
7.1 9.2 8.4 2 2
7 8.8 5.2 2 2
7.2 9.7 6.9 2 2
7.5 10.1 2.7 2 2
7.6 9.2 1.9 2 2

139
Ejemplo:
Extrusin de pelcula plstica
1 Abrir el archivo EXH_MVAR.MTW.
2 Seleccionar Stat > ANOVA > Balanced
MANOVA.
3 En Responses, poner Tear Gloss Opacity.
4 En Model, poner Extrusion | Additive.
5 Click Results. En Display of Results, seleccionar
Matrices (hypothesis, error, partial
correlations) y Eigen analysis.
6 Click OK en cada cuadro de dilogo.
140
Ejemplo
Criterion Statistic F Num Denom P
Wilks' 0.38186 7.554 3 14 0.003
SSCP Matrix for Extrusion
Tear Gloss Opacity
Tear 1.740 -1.505 0.8555
Gloss -1.505 1.301 -0.7395
Opacity 0.855 -0.739 0.4205
SSCP Matrix for Error
Tear Gloss Opacity
Tear 1.764 0.0200 -3.070
Gloss 0.020 2.6280 -0.552
Opacity -3.070 -0.5520 64.924
Partial Correlations for the Error SSCP Matrix
Eigenvector 1 2 3
Tear 0.6541 0.4315 0.0604
Gloss -0.3385 0.5163 0.0012
Opacity 0.0359 0.0302 -0.1209
141
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.
142
VI.A.4 Estudios Multivari
143
Estudios Multivari
La carta multivari permite analizar la variacin dentro
de la pieza, de pieza a pieza o de tiempo en tiempo

Permite investigar la estabilidad de un proceso
consiste de lneas verticales u otro esquema en
funcin del tiempo. La longitud de la lnea o del
esquema representa el rango de valores encontrados
en cada conjunto de muestras
144
Estudios Multivari
La variacin dentro de las muestras (cinco puntos en
cada lnea). La variacin de muestra a muestra como
posicin vertical de las lneas.
E
S
P
E
S
O
R
Nmero de subgrupo
145
Estudios Multivari
Ejemplo de parte metlica
Centro ms grueso
146
Estudios Multivari
Procedimiento de muestreo:
Seleccionar el proceso y la caracterstica a
investigar

Seleccionar tamao de muestra y frecuencia de
muestreo

Registrar en una hoja la hora y valores para
conjunto de partes
147
Estudios Multivari
Procedimiento de muestreo:
Realizar la carta Multivari
Unir los valores observados con una lnea

Analizar la carta para variacin dentro de la parte,
de parte a parte y sobre el tiempo

Puede ser necesario realizar estudios adicionales
alrededor del rea de mxima variacin aparente
Despus de la accin de mejora comprobar con
otro estudio Multivari
148
Su propsito fundamental es reducir el gran nmero de
causas posibles de variacin, a un conjunto pequeo de
causas que realmente influyen en la variabilidad.

Sirven para identificar el patrn principal de variacin de
entre tres patrones principales:

Temporal: Variacin de hora a hora; turno a
turno; da a da; semana a semana; etc.

Cclico: Variacin entre unidades de un mismo
proceso; variacin entre grupos de unidades;
variacin de lote a lote.
Cartas Multivari
149
Posicional:
Variaciones dentro de una misma unidad (ejemplo:
porosidad en un molde de metal) o a travs de una sola
unidad con mltiples partes (circuito impreso).

Variaciones por la localizacin dentro de un proceso que
produce mltiples unidades al mismo tiempo. Por
ejemplo las diferentes cavidades de un molde

Variaciones de mquina a mquina; operador a
operador; planta a planta
Cartas Multivari
150
Ejemplo: Se toman 3 a 5 unidades consecutivas, repitiendo el
proceso tres o ms veces a cierto intervalo de tiempo, hasta que al
menos el 80% de la variacin en el proceso se ha capturado.



A


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIN POSICIONAL DENTRO DE LA UNIDAD
Cartas Multivari
151
Ejemplo: (cont...)


B


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIN CCLICA DE UNIDAD A UNIDAD
Cartas Multivari
152
Ejemplo: (cont...)


C


1 2 3 4 5 27 28 29 30 31 55 56 57 58 59
VARIACIN TEMPORAL DE TIEMPO A TIEMPO
Cartas Multivari
153
Ejemplo: Un proceso produce flecha cilndricas, con
un dimetro especificado de 0.0250 0.001.

Sin embargo un estudio de capacidad muestra un Cp
= 0.8 y una dispersin natural de 0.0025 (6 o )
contra la permitida de 0.0002.

Se tiene pensado comprar un torno nuevo de
US$70,000 para tolerancia de 0.0008, i.e. Cpk =
1.25. Se sugiri un estudio Multi Vari previo.
Cartas Multivari
154
Se tomaron cuatro lecturas en cada flecha, dos a
cada lado. Estas muestran una disminucin gradual
desde el lado izquierdo al lado derecho de las
flechas, adems de excentricidad en cada lado de la
flecha.

La variacin cclica, de una flecha a la siguiente, se
muestra mediante las lneas que concentran las
cuatro lecturas de cada flecha.

Tambin se muestra la variacin temporal.

Cartas Multivari
155
.0.2510


0.2500


0.2490
Cartas Multivari
Mximo
Mnimo
Izquierda
Derecha
8 AM 9 AM 10 AM 11 AM 12 AM
156
Un anlisis rpido revela que la mayor variacin es temporal
con un cambio mayor entre las 10 AM y las 11 AM.

A las 10 AM se para el equipo para el almuerzo y se arranca a
las 11 AM, con lecturas similares a las de las 8 AM. Conforme
pasa el tiempo las lecturas tienden a decrecer ms y ms, hasta
que se invierten a las 10 A.M. en forma drstica.

Se investig y se encontr que la temperatura tena influencia
en la variacin.

La variacin en temperatura era causada por que la cantidad de
refrigerante no era la adecuada, lo cual se notaba ms cuando
se paraba el equipo y se volva a arrancar. Se adicion,
reduciendo la variacin en 50% aproximadamente..

Cartas Multivari
157
Tambin se encontr que el acabado cnico era causado por
que la herramienta de corte estaba mal alineada. Se ajust,
contribuyendo a otra reduccin del 10% de la variabilidad.

La excentricidad de las flechas se corrigi al cambiar un
rodamiento excntrico por desgaste en el torno. Se instal un
nuevo rodamiento eliminndose otro 30% de la variabilidad.

La tabla siguiente muestra un resumen de los resultados.
Cartas Multivari
158
Tipo de % var. Causas de Accin % de variacin
Variacin Total Variacin Correctiva Reducida
Temporal 50 Bajo nivel de Adicionar Casi 50
Tiempo a tiempo Refrigerante refrigerante
Dentro de 10 Ajuste no Ajuste de la Casi 10
la flecha no paralelo herramienta de
corte
Dentro de 30 Rodamiento Nuevo Casi 30
la flecha gastado rodamiento

Flecha a 5 -??? - -
flecha
Cartas Multivari
159
Resultados:
La variacin total en la siguiente corrida de produccin se
redujo de 0.0025 a 0.0004

El nuevo Cp fue de 0.002 / 0.0004 = 5.0

Como beneficios se redujo a cero el desperdicio y no hubo
necesidad de adquirir una nueva mquina.

Se observa que antes de cambiar equipo o mquinas, es
conveniente realizar un estudio de variabilidad para
identificar las fuentes de variacin y tratar de eliminarlas.

Cartas Multivari
160
Variacin de
sist. medicin
Variacin
de
proceso
Pieza a
pieza
Lote a lote
Dentro de
la pieza
Mquina a
mquina
Turno a
turno
Tiempo a
tiempo
Dimetro de Flecha
(0.150" +/- .002)
Programa Mquina
Accesorios
Operador a
operador
Ejemplo: Bsqueda de fuentes de variacin con el diagrama sistemtico.

Cartas Multivari
161
Ejemplo (cont..):
Al realizar la prueba de homogeneidad de varianza F, se
encontr que haba una diferencia significante entre los
operadores.

Se Rechaza Ho: o
2
Oper1
= o
2
Oper2
= o
2
Oper3
Para probar si existe diferencia significativa entre
medias de operadores se hacen las siguientes
comparaciones
Ho:
Oper1
=
Oper2
Ho:
Oper1
=
Oper3
Ho:
Oper2
=
Oper3
Ha:
Oper1
=
Oper2
=
Oper3
Cartas Multivari
162
Corrida en Minitab
Se introducen los datos en varias columnas C1 a C3
incluyendo la respuesta (strenght) y los factores
(time y Metal)
SinterTime MetalType Strength
0.5 15 23
0.5 15 20
0.5 15 21
0.5 18 22
0.5 18 19
0.5 18 20
0.5 21 19
0.5 21 18
163
Corrida en Minitab
Utilizar el achivo de ejemplo Sinter.mtw

Opcin: Stat > Quality Tools > Multivari charts

Indicar la columna de respuesta y las columnas de
los factores

En opciones se puede poner un ttulo y conectar las
lneas

164
Resultados
21 18 15
23.5
22.5
21.5
20.5
19.5
18.5
17.5
MetalType
S
t
r
e
n
g
t
h
0.5
1.0
2.0
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
165
VI.A.5 Anlisis de datos
por atributos
166
Anlisis de datos por atributos
Si los CTQs son variables continuas, se usa la
regresin, dependiendo de la naturaleza de la
caracterstica crtica para el cliente (CTSs) como ste
la expresa:

CTS HERRAMIENTA
Nominal (Verde, Rojo, azul) Regresin Logstica Nominal
Atributo (Pasa/No pasa) Regresin Logstica Binaria
Ordinal (1, 2, 3, 4, 5) Regresin Logstica Ordinal

167
Anlisis de datos por atributos
El anlisis de datos por atributos se organiza en
valores, categoras o grupos dicotmicos

Las decisiones incluyen: si / no, pasa / no pasa,
bueno / malo, pobre/justo/bueno/superior/excelente,
etc.

Entre los modelos no lineales de regresin usados se
tienen: regresin logstica, regresin logit y regresin
probit
168
Anlisis de datos por atributos
Regresin logstica
Relaciona variables independientes categricas a una
variable dependiente (Y). Minitab incluye los modelos
binario, ordinal y nominal

Regresin logit
Es subconjunto del modelo log-lineal. Tiene solo una
variable dependiente, usa determinaciones de
probabilidad o tasa de probabilidad
169
Anlisis de datos por atributos
Regresin probit
Es similar a la prueba de vida acelerada, la unidad se
somete a esfuerzo con la respuesta pasa/falla, bueno o
malo. Es una respuesta binaria en un tiempo de falla
futuro


170
Regresin logstica o binaria
En caso de informacin cualitativa es necesario
traducir las preferencias del cliente expresadas como
atributos a un intervalo de valores aceptables de
variables (Especificaciones).

171
Regresin logstica o binaria
Es similar a la regresin mltiple excepto que la
respuesta es binaria (si/no, bueno/malo, etc.) Sus
coeficientes se determinan por el mtodo de mxima
verosimilitud

Su funcin tiene forma de S, con valores mximos
de Cero y Uno.

Yi = 0, 1
172
Regresin logstica o binaria
La probabilidad de que el resultado est en cierta
categora es:



El mtodo de clculo del coeficiente b es diferente
que en la regresin lineal

Los coeficientes se determinan con la relacin sig.:

n n
B
X B X B X B e
evento no P
evento P
+ + + + = ....
) (
) (
2 2 1 1
0
173
Regresin logstica
Condiciones:
Hay solo dos resultados posibles
Hay solo un resultado por evento
Los resultados son independientes estadsticamente
Todos los predictores relevantes estn en el modelo
Es mutuamente exclusivo y colectivamente exhaustivo
Los tamaos de muestra son mayores que para la
regresin mltiple

Los efectos positivos se obtienen con b1>1 y los
negativos con b1 e 0 a 1
174
Regresin logstica

Relacin con ajuste pobre





Relacin con buen ajuste
175
Regresin logstica - Procedimiento
Definir el atributo a traducir (y)
Definir la variable apropiada para el atributo (x)
Definir el modelo matemtico a probar
Determinar los defectos que est dispuesto a
aceptar
Recolecte informacin de x vs y. Asigne 1 si falla
y 0 si es aceptable.
Analice la informacin mediante Regresin Logstica
Binaria

176
Regresin logstica- Procedimiento
177
Regresin logstica - Procedimiento






Observe el P-Value de Deviance en la Sesin, debe
de ser grande (P >0.10)
Obtenga los coeficientes del modelo (De la Sesin)
Coeficientes del modelo
P-Value de Deviance
178
Regresin logstica - Procedimiento
Construya el modelo de regresin para la
probabilidad de falla estar dado por :




Identifique el(los) valor(es) de x que le generarn
como mximo la cantidad de defectos que usted
est dispuesto a aceptar [4]


Donde :
b
0
, b
1
, ... = Coeficientes del modelo
P(Falla) =
b
0
+b
1
x
1
+....
e
1 + e
b
0
+b
1
x
1
+....
179
Ejemplo de riesgo de paro cardiaco
Logistic Regression Table
Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Constant -1.98717 1.67930 -1.18 0.237
Fuma
Si -1.19297 0.552980 -2.16 0.031 0.30 0.10 0.90
Peso 0.0250226 0.0122551 2.04 0.041 1.03 1.00 1.05







Para Fuma, el coeficiente negativo de -1.193 y la tasa de
posibilidades de 0.30, indica que quien fuma, tiende a tener una
tasa de pulso ms alta que los sujetos que no fuman. Si los
sujetos tienen el mismo peso, las posibilidades de que los
fumadores tengan un pulso bajo sea slo del 30% de las
posibilidades de que los no fumadores tengan un pulso bajo.

180
Regresin logstica ordinal
Cuando la respuesta CTS es de tipo ordinal (Varias
categoras de respuesta como totalmente de
acuerdo, de acuerdo, en desacuerdo y
totalmente en desacuerdo) y el Factor CTQ es de
naturaleza continua, entonces, para definir
Especificaciones, la herramienta a utilizar es la
Regresin Logstica Ordinal.

181
Regresin logstica ordinal -
Procedimiento
Defina la variable de respuesta a traducir (y
CTS)
Defina el CTQ (x) variable a relacionar con el
CTS
Defina el modelo matemtico a probar
Determine los defectos que est dispuesto a aceptar
en la categora de inters
Recolecte informacin de x vs y
Analice la informacin mediante Regresin Logstica
Ordinal
182
Regresin logstica ordinal -
Procedimiento
Stat > Regression > Ordinal Logistic Regression
Seleccione la respuesta (y)
Seleccione los trminos que estima tiene el modelo
[3]

Constantes y
Coeficientes
del modelo
183
Regresin logstica ordinal -
Procedimiento
Observe el P-Value de Deviance en la Sesin, debe
de ser grande (P >0.10)

Obtenga las constantes y coeficientes del modelo
(De la Sesin)

Construya los modelos de regresin para la
probabilidad acumulada por categora
184
Regresin logstica ordinal -
Procedimiento
e
1 + e
Donde :
K
i
= Constante de la categora i
b
1
, b
2
, ... = Coeficientes del modelo
acumulada
hasta categora
i
K
i
+b
1
x
1
+ b
2
x
2
....
K
i
+b
1
x
1
+ b
2
x
2
....
=
P
Constantes y
Coeficientes
del modelo
Identifique el(los) valor(es) de x que le generarn como mximo la
cantidad de defectos que usted est dispuesto a aceptar en la
categora de inters [4]
185
Regresin logstica ordinal -
Procedimiento
Una vez que se tienen establecidos los CTQs con los
que se medir el desempeo del producto, es
necesario indicar las Especificaciones de los mismos
Producto
(General)
Usuarios
Finales
Clientes
E
x
p
e
c
t
a
t
i
v
a
s

(
C
T
S

s
)

T
i
p
o

I
m
p
o
r
t
a
n
.

Producto
(Especfico)
P
a
r

m
e
t
r
o
s


d
e

D
i
s
e

o

(
D
P
s
)

M
a
t
r
i
z

d
e

D
i
s
e

o

C
T
Q
s

Especificaciones
LIE LSE Otra
186
Anlisis Logit
Usa razones para determinar que tanta posibilidad
tiene una observacin de pernecer a un grupo que a
otro.
Una posibilidad de 0.8 de estar en el grupo A se
puede expresar como una tasa de posibilidades de
4:1 ( que es p/(1-p)), cuyo logaritmo es el logit.


La probabilidad para un valor L est dado por la
ecuacin
187
Anlisis Logit - ejemplo
50 estudiantes tomaron un examen, donde solo 27 pasaron.
Cules son las posibilidades de pasar?
Posibilidades = P/(1-P) = 0.54/0.46 = 1.17 o 1.71:1

Un estudiante que estudia 80 horas tiene un 54.5% de pasar,
cules son las posibilidades?
Posibilidades = 0.545/(1-0.545) = 1.198 o 1.198:1

Logit = ln(p/(1-p)) = ln(1.189) = 0.1809 y despejando al
Exp(b1) = exp(0.1082) = 1.11 que es la tasa de pasar a otro nivel

188
Anlisis Probit
Es similar a las pruebas de vida acelerada y anlisis
de sobrevivencia. Un artculo sujeto a esfuerzo puede
fallar o sobrevivir. El modelo probit tiene un valor
esperado de 0 y una varianza de 1.

Requiere tamaos de muestra muy grandes para
diferenciarse del modelo logit


Los coeficientes b del modelo logit difieren del probit
en 1.814 con: bl = -1.1814 bp
189
VI.B Pruebas de hiptesis
190
VI.B Pruebas de hiptesis
1. Conceptos fundamentales
2. Estimacin puntual y por intervalo
3. Pruebas para medias, varianzas y proporciones
4. Pruebas comparativas para varianzas, medias y prop.

5. Bondad de ajustes
6. Anlisis de varianza (ANOVA)
7. Tablas de contingencia
8. Pruebas no paramtricas

191
VI.B.1 Conceptos
fundamentales
192
Anlisis Estadstico
En CADA prueba estadstica, se comparan algunos valores
observados a algunos esperados u otro valor observado
comparando estimaciones de parmetros (media, desviacin
estndar, varianza)

Estas estimaciones de los VERDADEROS parmetros son obtenidos
usando una muestra de datos y calculando los ESTADSTICOS...

La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de la
muestra de datos

Incrementando el tamao de la muestra mejora la estimacin y tu
confianza en las conclusiones estadsticas.
193
Conceptos fundamentales
Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada
Puede ser por ejemplo , , o, t= 5
Slo puede ser rechazada o no rechazada

Hiptesis alterna Ha
Es la hiptesis que se acepta como verdadera cuando se
rechaza Ho, es su complemento
Puede ser por ejemplo = 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
Esta hiptesis se acepta cuando se rechaza Ho

194
Conceptos fundamentales
Ejemplos:
Se est investigando si una semilla modificada
proporciona una mayor rendimiento por hectrea, la
hiptesis nula de dos colas asumir que los
rendimientos no cambian Ho: Ya = Yb

Se trata de probar si el promedio del proceso A es
mayor que el promedio del proceso B. La hiptesis
nula de cola derecha establecer que el proceso A es
<= Proceso B. O sea Ho: A <= B.
195
Conceptos fundamentales
Estadstico de prueba
Para probar la hiptesis nula se calcula un estadstico
de prueba con la informacin de la muestra el cual se
compara a un valor crtico apropiado. De esta forma se
toma una decisin sobre rechazar o no rechazar la Ho

Error tipo I (alfa = nivel de significancia, normal=.05)
Se comete al rechazar la Ho cuando en realidad es
verdadera. Tambin se denomina riesgo del productor

Error tipo II (beta )
Se comete cuando no se rechaza la hiptesis nula
siendo en realidad falsa. Es el riesgo del consumidor

196
Conceptos fundamentales
Tipos de errores
Se asume que un valor pequeo para o es deseable, sin
embargo esto incrementa el riesgo |.
Para un mismo tamao de muestra n ambos varan
inversamente
Incrementando el tamao de muestra se pueden reducir ambos
riesgos.
Decisin realizada Ho en realidad es
Verdadera
Ho en realidad es
falsa
No hay evidencia para
rechazar Ho
p = 1-o
Decisin correcta
p = |
Error tipo II
Rechazar Ho p = o
Error tipo I
p = 1 - |
Decisin correcta
197
Conceptos fundamentales
Pruebas de dos colas
Si la Ho: , , o, t= cte. que un valor poblacional,
entonces el riesgo alfa se reparte en ambos extremos
de la distribucin. Por ejemplo si Ho = 10 se tiene:
P(Z>= + Zexcel ) = alfa/2 P(Z<= - Zexcel ) = alfa/2
198
Conceptos fundamentales
Pruebas de una cola
Si la Ho: , , o, t >= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola izquierda de
la distribucin. Por ejemplo si Ho: >= 10 y Ha: < 10
se tiene una prueba de cola izquierda:
P(Z <= - Zexcel ) = alfa
199
Conceptos fundamentales
Pruebas de una cola
Si la Ho: , , o, t<= Cte. que un valor poblacional,
entonces el riesgo alfa se coloca en la cola derecha de
la distribucin. Por ejemplo si Ho: <= 10 y Ha: >
10 se tiene una prueba de cola derecha:
P(Z>= + Zexcel ) = alfa
200
Conceptos fundamentales
Tamao de muestra requerido
Normalmente se determina el error alfa y beta deseado
y despus se calcula el tamao de muestra necesario
para obtener el intervalo de confianza.

El tamao de muestra (n) necesario para la prueba
de hiptesis depende de:
El riesgo deseado tipo I alfa y tipo II Beta
El valor mnimo a ser detectado entre las medias de la
poblacin (Mu Mu0)
La variacin en la caracterstica que se mide (S o
sigma)
201
Conceptos fundamentales
El Tamao de muestra requerido en funcin del error
mximo E o Delta P intervalo proporcional esperado
se determina como sigue:
2 2
/ 2
2
2
/ 2
2
( )(1 )
( )
Z
n
E
Z p p
n
p
o
o
o
=

=
A
2
2
2 /
2
2 2
2 /
) (
) 1 )( (
) (
t
t t

o
o
o

=
p
Z
n
X
Z
n
202
Conceptos fundamentales
Ejemplo:
Cul es el tamao de muestra mnimo que al 95% de
nivel de confianza (Z=1.96) confirma la significancia de
una corrida en la media mayor a 4 toneladas/hora (E),
si la desviacin estndar (sigma) es de 20 toneladas?

n = (1.96^2)(20^2)/(4)^2 = 96

Obtener 96 valores de rendimiento por hora y determinar
el promedio, si se desva por ms de 4 toneladas, ya
ha ocurrido un cambio significativo al 95% de nivel de
confianza




203
Efecto del tamao de muestra
204
Efecto del tamao de muestra
205
Efecto del tamao de muestra
206
Efecto del tamao de muestra
207
Potencia de la prueba
La potencia de una prueba estadstica es su habilidad
para detectar una diferencia crtica



Si Beta = 0.1 la potencia es del 90%

Delta se puede normalizar dividindolo entre la
desviacin estndar y se expresa en un cierto

nmero de o (1 o, 1.5 o )
| =1 Potencia
o
o
208
Potencia de la prueba
La potencia de la prueba es la probabilidad de de
rechazar correctamente la hiptesis nula siendo que
en realidad es falsa.
El anlisis de potencia puede ayudar a contestar
preguntas como:

Cuntas muestras se deben tomar para el anlisis?
Es suficiente el tamao de muestra?
Qu tan grande es la diferencia que la prueba puede
detectar?
Son realmente valiosos los resultados de la prueba?

209
Potencia de la prueba
Para estimar la potencia, Minitab requiere de dos de
los siguientes parmetros:

Tamaos de muestra
Diferencias - un corrimiento significativo de la media
que se desea detectar
Valores de potencia - La probabilidad deseada de
rechazar Ho cuando es falsa

210
Considerando la potencia de prueba
211
VI.2 Significancia estadstica
vs prctica
212
Estimacin de riesgos
213
Pruebas de Minitab
Permite hacer las siguientes pruebas:
Prueba z de una muestra
Prueba t de una muestra
Prueba t de dos muestras
Prueba de 1 proporcin
Prueba de 2 proporciones

ANOVA
Diseos factoriales de dos niveles
Diseos de Packett Burman
214
Calculo manual
215
Calculo manual
216
VI.3 Tamao de muestra
217
Calculo manual de tamao de
muestra
218
Calculo manual de tamao de
muestra Pruebas de una cola
219
Calculo manual de tamao de
muestra Pruebas de una cola
220
Ejemplo con prueba de una media t
Ejemplo: Se tiene una poblacin normal con media de 365 y
lmites de especificacin de 360 y 370. Si la media se desplaza
2.5 gramos por arriba de la media, el nmero de defectos sera
inaceptable, la desviacin estndar histrica es de 2.403:

C1
Y
-
D
a
t
a
375 370 365 360 355
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0.00
Variable
Original
Corrida
LIE 360 LIE 370
Ho:
Meta
365
Ha: Corrida
367.5
CORRIDA DE 2.5 GRS. EN PROMEDIO
221
Ejemplo con prueba de una media t
Stat > Power and Sample Size > 1 - Sample t
Completar el dilogo como sigue:
222
Ejemplo con prueba de una media t
Los resultados se muestran a continuacin:
Power and Sample Size
1-Sample t Test
Testing mean = null (versus not = null)
Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403
Sample
Se tiene un 53.76% de Potencia para detectar
Difference Size Power
una diferencia de 2.5 si se usan 6 muestras
2.5 6 0.537662
O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.
cuntas muestras se requieren para tener un 80% de probabilidad de detectar
el corrimiento, y para 85%, 90% y 95%?
223
Ejemplo con prueba de una media t
Stat > Power and Sample Size > 1 - Sample t
Se cambia este parmetro
Los resultados se muestran a continuacin:
Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 0.962487
Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias
que realmente no son significativas.
224
Ejemplo con prueba de 2 medias t
Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar
respecto a la desviacin estndar, para una sigma poner 1 en diferencia y desviacin
estndar, con valores deseados de Potencia de 0.8 y 0.9.
Stat > Power and Sample Size > 2 - Sample t
Power and Sample Size 2-Sample t Test
Testing mean 1 = mean 2 (versus not =)
Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Assumed standard deviation = 1
Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 0.912498
Se requieren tamaos de muestra de entre 17 y 23
225
Ejemplo con prueba de 1 proporcin
Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros:
* Tamaos de muestra
* La proporcin - una proporcin que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Suponiendo que se desea detectar una proporcin de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Proporcin que se desea detectar con alta
probabilidad (0.80, 0.90)
Es la proporcin de la Hiptesis nula
226
Ejemplo con prueba de 1 proporcin
Test for One Proportion
Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample Target
Proportion Size Power Actual Power
0.04 391 0.8 0.800388
0.04 580 0.9 0.900226
Si se desea saber la Potencia si se utiliza un tamao de muestra de 500 se tiene:
Stat > Power and Sample Size > 2 - Sample t
Sample sizes = 500 Alternative values of p = 0.04
Options: Greater Than
Significance Level = 0.05
Test for One Proportion
Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample
Proportion Size Power
0.04 500 0.865861
Por tanto con un tamao de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
227
Ejercicios
Calcular los tamaos de muestra necesarios para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-muestra Z a=0.05, b=0.1 y 0.2, d = 1.5s
b. 1-muestra t a=0.05, b=0.1 y 0.2, d = 1.5s
c. 1-muestra t a=0.01, b=0.05, d = 0.5s y 1.0s
d. 2-muestras t a=0.05, b=0.1, d = 1.5s y 2.0s
2. Calcular la potencia de la prueba para los siguientes escenarios
(usar pruebas de dos colas):
a. 1-muestra Z a=0.05, d = 0.5s, n = 25, 35
b. 1-muestra t a=0.05, d = 1.0s, n = 10, 20
c. 1-muestra t a=0.01, d = 1.0s, n = 10, 25
d. 2-muestras t a=0.05, d = 0.5s, n = 10, 25, 50, 75, 100
228
Ejercicios
Calcular el tamao de muestra requerido para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-proporcin a=0.05, b=0.1 & 0.2, P0 = 0.5, PA = 0.6
b. 1-proporcin a=0.01, b=0.1 & 0.2, P0 = 0.8, PA = 0.9
c. 2-proporcin a=0.05, b=0.1, P0 = 0.5, PA = 0.6, 0.8
d. 2-proporciones a=0.01, b=0.1, P0 = 0.8, PA = 0.85, 0.95
2. Calcular la potencia de la prueba para los siguientes escenarios
(usar pruebas de dos colas):
a. 1-proporcin a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
b. 1-proporcin a=0.01, P0 = 0.9, PA = 0.95, n = 400, 500
c. 2-proporciones a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
d. 2-proporciones a=0.01, P0 = 0.9, PA = 0.95, n = =400, 500
229
230
231
VI.B.4 Estimacin puntual
y por intervalo
232
Estimacin puntual y por
intervalo
Las medias o desviaciones estndar calculadas de una muestra
se denominan ESTADSTICOS, podran ser consideradas como
un punto estimado de la media y desviacin estndar real de
poblacin o de los PARAMETROS.

Qu pasa si no deseamos una estimacin puntual como media
basada en una muestra, qu otra cosa podramos obtener como
margen, algn tipo de error?


Un Intervalo de Confianza

233
Intervalo de confianza
P(Z>= + Zexcel ) = alfa/2
P(Z<= - Zexcel ) = alfa/2
Intervalo de confianza donde
se encuentra el parmetro con
un NC =1-o
Error de estimacin
234
Estimacin puntual y por
intervalo
Cmo obtenemos un intervalo de confianza?

Estimacin puntual + error de estimacin

De dnde viene el error de estimacin?

Desv. estndar X multiplicador de nivel de confianza deseado Zo/2

Por Ejemplo: Si la media de la muestra es 100 y la desviacin
estndar es 10, el intervalo de confianza al 95% donde se
encuentra la media para una distribucin normal es:

100 + (10) X 1.96 => (80.4, 119.6) 1.96 = Z
0.025

235
Estimacin puntual y por
intervalo

95% de Nivel de Confianza significa que slo tenemos un 5% de
oportunidad de obtener un punto fuera de ese intervalo.

Esto es el 5% total, o 2.5% mayor o menor. Si vamos a la tabla Z veremos
que para un rea de 0.025, corresponde a una Z de 1.960.
C. I. Multiplicador Zo/2
99 2.576
95 1.960
90 1.645
85 1.439
80 1.282
Para tamaos de muestra >30, o o conocida usar la distribucin Normal
Para muestras de menor tamao, o o desconocida usar la distribucin t
236
Estimacin puntual y por
intervalo
. 30
2
. 30
2
2 2
2
2 2
, 1 1 , 1
2 2
2
( 1) ( 1)
(1 )
para n
para n
n n
X Z
n
X t
n
n s n s
p p
p Z
n
o
o
o o
o
o

o
_ _
t
>
<

=
=

s s

=
; con n-1 gl.
237
Para n grande el IC es pequeo
238
Para n grande el IC es pequeo
239
Ejemplo
Dadas las siguientes resistencias a la tensin: 28.7,
27.9, 29.2 y 26.5 psi

Estimar la media puntual
X media = 28.08 con S = 1.02

Estimar el intervalo de confianza para un nivel de
confianza del 95% (t = 3.182 con n-1=3 grados de
libertad)
Xmedia3.182*S/n = 28.083.182*1.02/2=(26.46, 29.70)
240
Ejemplos para la media con
Distribucin normal Z
Z 1. El peso promedio de una muestra de 50 bultos de productos
Xmedia = 652.58 Kgs., con S = 217.43 Kgs. Determinar el intervalo
de confianza al NC del 95% y al 99% donde se encuentra la media
del proceso (poblacional). Alfa = 1 - NC

2. Un intervalo de confianza del 90% para estimar la ganancia
promedio del peso de ratones de laboratorio oscila entre 0.93 y
1.73 onzas. Cul es el valor de Z?.

3. 100 latas de 16 onzas de salsa de tomate tienen una media de
Xmedia = 15.2 onzas con una S = 0.96 onzas. A un nivel de
confianza del 95%, las latas parecen estar llenas con 16 onzas?.

4. Una muestra de 16 soluciones tienen un peso promedio de 16.6
onzas con S = 3.63. Se rechaza la solucin si el peso promedio de
todo el lote no excede las 18 onzas. Cul es la decisin a un 90%
de nivel de confianza?.


241
Ejemplos para la media y varianza
con Distribucin t
t 5. 20 cajas de producto pesaron 102 grs. Con S = 8.5 grs. Cul
es el intervalo donde se encuentra la media y varianza del lote
para un 90% de nivel de confianza?. Grados libertad=20 -1 =19


6. Una muestra de 25 productos tienen un peso promedio de 23.87
grs. Con una S = 9.56. Cul es la estimacin del intervalo de
confianza para la media y varianza a un nivel de confianza del
95 y del 98% del peso de productos del lote completo?.

7. Los pesos de 25 paquetes enviados a travs de UPS tuvieron
una media de 3.7 libras y una desviacin estndar de 1.2 libras.
Hallar el intervalo de confianza del 95% para estimar el peso
promedio y la varianza de todos los paquetes. Los pesos de los
paquetes se distribuyen normalmente.


242
Ejemplos para proporciones con
Distribucin Z
Z 8. De 814 encuestados 562 contestaron en forma afirmativa.
Cul es el intervalo de confianza para un 90% de nivel de
confianza?

9. En una encuesta a 673 tiendas, 521 reportaron problemas de
robo por los empleados Se puede concluir con un 99% de nivel
de confianza que el 78% se encuentra en el intervalo de
confianza. ?

243
Instrucciones con Minitab
Intervalo de confianza para la media

Stat > Basic Statistics > 1-Sample Z, t

Variable -- Indicar la columna de los datos o Summarized Data

En caso de requerirse dar el valor de Sigma = dato

En Options:

Indicar el Confidence level -- 90, 95 o 99%

OK

244
Instrucciones con Minitab
Intervalo de confianza para proporcin

Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data
Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%

Seleccionar Use test and interval based in normal distribution

245
VI.B.5 Pruebas de hiptesis para
medias, varianzas y proporciones
246
Elementos de una
Prueba de Hiptesis
Prueba Estadstica- Procedimiento para decidir no rechazar Ho
aceptando Ha o rechazar Ho.

Hiptesis Nula (Ho) - Usualmente es una afirmacin representando
una situacin status quo. Generalmente deseamos rechazar la
hiptesis nula.

Hiptesis Alterna (Ha) - Es lo que aceptamos si podemos rechazar
la hiptesis nula. Ha es lo que queremos probar.

247
Elementos de una
Prueba de Hiptesis
Estadstico de prueba: Calculado con datos de la muestra (Z, t, X
2

or F).

Regin de Rechazo Indica los valores de la prueba estadstica para
que podamos rechazar la Hiptesis nula (Ho). Esta regin esta
basada en un riesgo o deseado, normalmente 0.05 o 5%.
248
Pasos en la Prueba de Hiptesis
1. Definir el Problema - Problema Prctico

2. Sealar los Objetivos - Problema Estadstico

3. Determinar tipo de datos - Atributo o Variable

4. Si son datos Variables - Prueba de Normalidad

249
Pasos en la Prueba de Hiptesis
5. Establecer las Hiptesis
- Hiptesis Nula (Ho) - Siempre tiene el signo =, s, >



- Hiptesis Alterna (Ha) Tiene signos =, > o <.



El signo de la hiptesis alterna indica el tipo de prueba a usar
hipotesis la de parametro Ho > s = , , , , :
2
t o
hipotesis la de parametro Ha < > = , , , , :
2
t o
250
Elementos de una Prueba de Hiptesis
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a = b


Pruebas de Hiptesis de cola derecha:
Ho: a s b
Ha: a > b


Pruebas de Hiptesis cola izquierda:
Ho: a > b
Ha: a < b


Z
o/2 0
-Z
o/2
Regin de
Rechazo
Regin de
Rechazo
Z
o/2 0
Regin de
Rechazo
Z
o/2 0
-Z
o/2
Regin de
Rechazo
251
Pasos en la Prueba de Hiptesis
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%) o el
nivel de confianza NC = 1 - alfa

7. Establecer el tamao de la muestra, >= 10.

8.Desarrollar el Plan de Muestreo

9.Seleccionar Muestras y Obtener Datos

10. Decidir la prueba estadstica apropiada y calcular el
estadstico de prueba (Z, t, X
2
or F) a partir de los datos.
252
Estadsticos para medias,
varianzas y proporciones
2
1
1 2
2
2
1 2
1 2
2 2
1 1 2 2
1
1 2
; . ; 30;
/
; . ; 30;
/
; 1, 1; . . var
; . ; ' . .
1 1
/
( 1) ( 1)
;
2
p
p
X
Z Una media n conocida
n
X
t Una media n desconocida
S n
S
F DF n n prueba dos ianzas
S
X X
t dos medias s desconocidas pero
S
n n
n s n s
S DF n
n n

o
o

o
o

= >

= <
= =

= =
+
+
= =
+
2
1 2
2 2
1 2
1 2
2
; . ; ' .
.
n
X X
t dos medias s desconocidas diferentes
s s
n n
DF formula especial
o
+

=
+
=
253
Estadsticos para medias,
varianzas y proporciones
Para el caso de muestras pareadas se calculan las
diferencias d individuales como sigue:
2
2
2
2
2
; . . ; . . .
/
( 1)
; ( 1); . . ar
( )
; ( 1)( 1); .
i
d
d
t Pares de medias d para cada par
S n
n S
X DF n prueba una v ianza
O E
X DF r c bondad ajuste
E
o
=

= =

= =

254
Pasos en la Prueba de Hiptesis
11. Obtener el estadstico correspondiente de tablas o Excel.

12.Determinar la probabilidad de que el estadstico de prueba
calculado ocurre al azar.

13.Comparar el estadstico calculado con el de tablas y ver si
cae en la regin de rechazo o ver si la probabilidad es menor a
alfa, rechaze Ho y acepte Ha. En caso contrario no rechaze Ho.

14.Con los resultados interprete una conclusin estadstica
para la solucin prctica.
255
Prueba de Hiptesis
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a = b


Pruebas de Hiptesis de cola derecha:
Ho: a s b
Ha: a > b


Pruebas de Hiptesis cola izquierda:
Ho: a > b
Ha: a < b


Z
o/2 0
-Z
o/2
Regin de
Rechazo
Regin de
Rechazo
Z
o/2 0
Regin de
Rechazo
Z
o/2 0
-Z
o/2
Regin de
Rechazo
Estadstico
Calculado con
Datos de la muestra
256
Prueba de hiptesis para la varianza
Las varianzas de la poblacin se ditribuyen de
acuerdo a la distribucin Chi Cuadrada. Por tanto las
inferencias acerca de la varianza poblacional se
basarn en este estadstico

La distribucin Chi Cuadrada se utiliza en:
Caso I. Comparacin de varianzas cuando la varianza de
la poblacin es conocida

Caso II. Comparando frecuencias observadas y
esperadas de resultados de pruebas cuando no hay
una varianza de la poblacin definida (datos por
atributos)
257
Prueba de hiptesis para la varianza
Las pruebas de hiptesis para comparar una varianza
poblacional a un cierto valor constante o0, si la
poblacin sigue la distribucin normal es:




Con el estadstico Chi Cuadrada con n-1 grados de
libertad

258
Prueba de hiptesis para la varianza
Ejemplo: El material muestra una variacin (sigma) en la
resistencia a la tensin menor o igual a 15 psi con 95% de
confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.

X^2c =(7)(8)^2/(15)^2 = 1.99
Como La Chi calculada es menor a la Chi de Excel de 2.17 se debe
rechazar la hiptesis nula. Si hay decremento en la resistencia
2.17
259
Prueba de hiptesis para atributos
Ejemplo: Un supervisor quiere evaluar la habilidad de 3
inspectores para detectar radios en el equipaje en un
aeropuerto.
Hay diferencias significativas para un 95% de confianza?
Valores
observados O
Inspector
1
Inspector 2 Inspector 3 Total por
tratamiento
Radios
detectados
27 25 22 74
Radios no
detectados
3 5 8 16
Total de la
muestra
30 30 30 90
260
Prueba de hiptesis para atributos
Ho: p1 = p2 = p3
Ha: p1 = p2 = p3
Grados de libertad = (No. de columnas -1)*(No. renglones -1)
Las frecuencias esperadas son: (Total columna x Total rengln)
Valores
esperados E
Inspector
1
Inspector 2 Inspector 3 Total por
tratamiento
Radios
detectados
24.67 24.67 24.67 74
Radios no
detectados
5.33 5.33 5.33 16
Total de la
muestra
30 30 30 90
261
Prueba de hiptesis para atributos
El estadstico Chi Cuadrado en este caso es:








El estadstico Chi Cuadrada de alfa = 0.05 para 4 grados de
libertad es 5.99.
El estadstico Chi Cuadrada calculada es menor que Chi de alfa,
por lo que no se rechaza Ho y las habilidades son similares
5.99
262
Para una muestra grande (n>30)probar la hiptesis de una media u
1.) Ho: =
o
2.) Ha: =
o

3.) Calcular el estadstico de prueba
4.) Establecer la regin de rechazo
Las regiones de rechazo para prueba de 2 colas: -Z
o/2
Z
o/2

o
s
n
Z
calc
=
Si el valor del estadstico de prueba cae en la regin de rechazo
rechazaremos Ho de otra manera no podemos rechazar Ho.
Zo/2
0
-Z
o/2
Regin de
Rechazo
Regin de
Rechazo
Ejemplo de Prueba de hiptesis para la media
263
Prueba de hiptesis de una poblacin
para muestras grandes con Z

Parecera ser correcta la afirmacin de que se mantiene el precio promedio de las computadoras en $2,100?
Probarlo a un 5% de nivel de significancia
Datos
Minoristas n 64 media mu = 2100
Precio prom. X 2251
Desv. Estndar s 812 (Alfa = 0.05
Paso 1. Establecimiento de hiptesis
Ho: uC = 2100 Se inicia con el planteamiento de la hiptesis nula
Ha: uC <> 2100 Por tanto se trata de una prueba de dos colas
Paso 2. Clculo del estadstico de prueba Zc
151 = > Zc = 1.48768473
101.5 Error estndar
Como el valor de Zc es positivo se comparar contra de Zexcel (1-alfa/2) positivo
Paso 3. Determinar la Ze de Excel o de tablas para el valor de probabilidad (Alfa / 2):
Ze ( 0.025 ) = 1.95996398 DIST.NORM.STAND.INV.( -0.025 )
n
s
X
Z
NULA HIPOTESIS
c
.

=
264
Paso 4. Comparando los valores Zc calculado contra Zexcel se tiene
Zexcel ( #REF! ) Zexcel ( -0.025 )
-1.95996398 1.959963985
Zc = 1.487684729
Como Zc es menor que Zexcel, no cae en el rea de rechazo,
y por tanto no hay suficiente evidencia para RECHAZAR Ho
Se concluye que el precio promedio no es diferente de $2,100
O Como el valor P = 0.068 correspondiente a la Z calculada Zc es mayor
que el valor de Alfa / 2 = 0.025, tambin nos da el criterio
para NO RECHAZAR la Ho
Paso 5. El Intervalo de confianza para la media poblacional (1-Alfa = 0.95 Porciento)
al nivel de confianza 1-Alfa
Error estndar 101.5
Z alfa/2 1.95996398
Intervalo de confianza 2251 198.936344
El intervalo de confianza incluye a la media de la hiptesis
por tanto no se rechaza la Ho. 2052.064 <= <= ### )
P(Z>= + Zexcel ) = alfa/2 P(Z<= - Zexcel ) = alfa/2
n
s
Z X estimar para IC
2
. . .
o
=

265
Prueba de hiptesis de una poblacin
para muestras pequeas con t
Se piensa que las ventas promedio de $5,775 se han incrementado gracias a la campaa publicitaria
Probar esta afirmacin a un nivel de significancia alfa de 1%
Se inicia con el planteamiento de la hiptesis Alterna
Datos
Semanas n 15 media mu = 5775
Ventas prom X 6012
Desv. Estndar s 977 (Alfa = 0.01 (1-Alfa = 0.99
(Alfa/2 = 0.005 (1-Alfa/2 = 0.995
Paso 1. Establecimiento de hiptesis
Ho: uC <= 5775
Ha: uV > 5775 Se trata de una prueba de cola derecha
Paso 2. Clculo del estadstico de prueba tc
237 = > tc = 0.93950568
252.2603153 Error estndar
NOTA:En excel poner 2alfa
para obtener t de alfa
Como el valor de tc es positivo se comparar contra de t excel (1- alfa) positivo
Paso 3. Determinar la te de Excel o de tablas para Alfa 0.01
te ( 0.99 2.62449406 DIST.T.INV( 0.02 , gl. 14 )
n
s
X
t
NULA HIPOTESIS
c
.

=
Gl=14;
266
Paso 4. Comparando los valores tc calculado contra t excel se tiene
texcel ( 0.02 gl. 14)
2.62449406
tc = 0.939505684 Valor p para tc es igual a
P(tc) = 0.368130427
Como tc es menor que texcel, no cae en el rea de rechazo, p > Alfa
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que la publicidad no ha tenido efecto en las ventas
O Como el valor de P para Zc es 0.368 mayor a Alfa = 0.05 no se rechaza Ho
Paso 5. El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 99 Porciento)
Error estndar 252.260315
Z alfa/2 2.62449406
Como el intervalo de confianza Intervalo de confianza 6012 662.0557002
contiene a la media Hiptesis no se rechaza Ho 5349.94 <= <= 6674.06 )
P(t >= + t excel ) = alfa
n
s
t X estimar para IC
2
. . .
o
=

267
Prueba de hiptesis
para una proporcin con Z
El gerente de mercado considera que el 50% de sus clientes gasta menos de $10 en cada visita a la tienda.
Ests de acuerdo con esta afirmacin a un nivel de significancia del 5%?
Se inicia con el planteamiento de la hiptesis nula
Datos
Clientes n 50 Proporcin media = 0.5
30 gastaron p 0.6
menos de$10 (Alfa = 0.05 (1-Alfa = 0.95
(Alfa/2 = 0.025 (1-Alfa/2 = 0.975
Paso 1. Establecimiento de hiptesis
Se trata de una prueba de dos colas
Paso 2. Clculo del estadstico de prueba Zc
0.1 = > Zc = 1.41421356
0.07071068 Error estndar
Como el valor de Zc es positivo se comparar contra de Zexcel (alfa/2) positivo
Paso 3. Determinar la Ze de Excel o de tablas para (1-Alfa/2 = 0.975
Ze ( (1-Alfa/2 = 1.95996398 DIST.NORM.STAND.INV.( 0.975 )
n
p
Z
NULA HIP NULA HIP
NULA HIPOTESIS
c
) 1 (
. .
.
t t
t

=
5 . 0 :
5 . 0 :
=
=
c
c
Ha
Ho
t
t
268
Paso 4. Comparando los valores Zc calculado contra Zexcel se tiene
Zexcel ( 0.025 ) Zexcel ( 0.975 )
-1.95996398 1.95996398
Zc = 1.41421356 Valor p para Zc es igual a
P(-Zc) = 0.07926984
Como Zc es menor que Zexcel, no cae en el rea de rechazo, p > Alfa /2
y por tanto no hay suficiente evidencia para rechazar Ho y se concluye
que el porcentaje que compra menos de $10 no difiere del 50% de clientes
O Como el valor P de Zc es 0.079 mayor a Alfa/2 no se rechaza Ho
Paso 5. El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 95 Porciento)
Error estndar 0.07071068
Z alfa/2 1.41421356
Intervalo de confianza 0.6 0.1
Como la media de p = 0.6 se encuentra
dentro del intervalo, no se rechaza Ho ( 0.5 <= 0.7 )
P(Z <= - Zexcel ) = alfa/2
P(Z>= Zexcel ) = alfa/2
n
p p
Z p estimar para IC
) 1 (
. . .
2

=
o
t
<= t
269
Instrucciones con Minitab para la
prueba de hiptesis de una media
Stat > Basic Statistics > 1-Sample Z, t

Variable -- Indicar la columna de los datos o Summarized Data

En caso de requerirse dar el valor de Sigma = dato

Proporcionar la Media de la hiptesis Test Mean

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%

Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
OK
270
Instrucciones con Minitab para la
prueba de hiptesis de una proporcin
Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data

Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Proportion Proporcin de la hiptesis
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than

Seleccionar Use test and interval based in normal distribution
OK
271
Pruebas de hiptesis para
comparacin de varianzas, medias, y
proporciones
272
Prueba de Hiptesis
Supongamos que tenemos muestras de dos reactores que
producen el mismo artculo. Se desea ver si hay diferencia
significativa en el rendimiento de Reactor a Reactor.
Reactor A Reactor B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5

Estadsticas Descriptivas

Variable Reactor N Media Desv.Std

Rendimiento A 10 84.24 2.90
B 10 85.54 3.65

273
Prueba de Hiptesis
Pregunta Prctica: Existe diferencia entre los reactores?
Pregunta estadstica La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? O, su diferencia se da por
casualidad en una variacin de da a da.
Ho:
Ha:
a
a


=
=
b
b
Ho: Hiptesis Estadstica:
No existe diferencia entre los
Reactores
Ha: Hiptesis Alterna: Las
medias de los Reactores son
diferentes.
Se busca demostrar que los valores observados al parecer no
corresponden al mismo proceso, se trata de rechazar Ho.
274
Prueba de Hiptesis
Hiptesis Alterna: Cuando las
medias de Reactores son
diferentes. A esto se le llama
Hiptesis Alterna (Ha)
Hiptesis Estadstica: No
existe diferencia entre los
Reactores
Esto se llama Hiptesis Nula
(Ho)
Debemos demostrar que los valores que observamos al parecer no
corresponden al mismo proceso, que la Ho debe estar equivocada
275
Qu representa esto?
Reactor A
Reactor B
80.0 82.5 85.0 87.5 90.0 92.5
A AA AAAA A A
B B B B B BB B B B

Representan los reactores un proceso bsico?
Representan los reactores dos procesos diferentes?
276
Prueba F de dos varianzas
Si se toman dos muestras de dos poblaciones normales con
varianzas iguales, la razn de sus varianzas crea una
distribucin muestral F. Las hiptesis son las siguientes:




El estadstico F se muestra a continuacin donde S1 se
acostumbra tomar como la mayor

277
Prueba F de dos varianzas





Sea S1 = 900 psi, n1 = 9, s2 = 300 psi, n2 = 7. A un 95% de nivel de
confianza se puede concluir que hay menor variacin?

Ho: Varianza 1 <= Varianza 2 H1: Varianza 1 > Varianza 2
Grados de libertad para Var1 = 8 y para var 2 = 6

Falfa = F(0.05, 8, 6) = 4.15
Fcalculada = (900^2)/(300^2) = 9 >> Falfa, se rechaza Ho.
Hay evidencia suficiente para indicar que la variacin ya se ha
reducido
278
Prueba de hiptesis de dos pob.
comparando varianzas con F
Se quiere comprobar si las varianzas de dos diferentes mtodos de ensamble de CDs son diferentes en prod .
A un nivel de siginificancia del 5% Qu se puede concluir?
Mtodo 1 Mtodo 2
No. De CDs n1 15 n2 17 Alfa/2 0.025
Desv. Estan. s1 5.4 X2 4.8
Varianza s1
2
29.16 s2
2
23.04
Paso 1. Establecimiento de hiptesis
Por tanto se trata de una prueba de dos colas
Paso 2. Clculo del estadstico de prueba Fc
Grados de libertad
1.266 Numerador = n1 - 1 = 14
Denominador = n2 - 1 = 16
Tomamos a s1
2
como el mayor para comparar Fc contra Fexcel (1- Alfa/2)
Paso 3. Determinar la Fe de Excel o de tablas para Alfa/2 0.025
Fe (0.975) = 2.81701784 DIST.F.INV (0.025, 14,16)
2
2
2
1
2
2
2
1
:
:
o o
o o
=
=
Ha
Ho
2
2
2
1
s
s
Fc =
279
Paso 4. Comparando los valores Fc calculado contra Fexcel (0.025) se tiene
f(F)
Fe(0.025) = 2.81701784
Fc = 1.266 Valor p para Fc es igual a
P(Fc) = 0.32259599
Como Fc es menor que Fexcel, no cae en el rea de rechazo, p > Alfa / 2
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que la varianza de los dos mtodos de ensamble no difieren
significativamente
P(F>= + 2.81 ) = alfa/2
280
Prueba de hiptesis de dos pob.
Comparando dos medias con Z
Investigar si el ambiente libre de tensiones mejoran el engorde y la calidad de la carne de vacas
Las varianzas poblacionales son desconocidas
Determinar el intervalo de confianza al 90% donde se encuentra la media. Alfa = 0.10
Vacas vacaciones Vacas normales
Vacas n1 50 n2 50
Peso promedio X1 112 X2 105.7
Desv. Estndar s1 32.3 s2 28.7
Paso 1. Establecimiento de hiptesis
Como el planteamiento es que las vacas de vacaciones
ganan ms peso, se inicia planeando la Ha
Paso 2. Clculo del estadstico de prueba Zc
6.3 = > Zc = 1.03099301
6.110613717
Tomamos a X1 como el mayor para comparar Zc contra Ze positiva
Paso 3. Determinar la Ze de Excel o de tablas para una alfa de 0.1
Ze (0.90) = 1.28155157 DIST.NORM.STAND.INV (0.90)
2 1
3
2
2
1
2 1
n
s
n
s
X X
Z
c
+

=
VN VV
VN VV
Ha
Ho


=
=
:
:
281
Paso 4. Comparando los valores Zc calculado contra Zexcel (0.90) se tiene
Ze (0.90)= 1.28
Zc = 1.03099301 Valor p para Zc es igual a
P(-Zc) = 0.149402368
p > Alfa
Como Zc es menor que Zexcel, no cae en el rea de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que no hay diferencia entre vacas de vacaciones y normales
Paso adicional. El Intervalo de confianza del 90% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estndar 6.11061372
Z (alfa/2) = 1.64485363
= Intervalo de confianza
6.3 + - 10.05106514
La diferencia es del orden de cero,es decir ( -3.75107 < = u < = 16.3511 )
P(Z>= + 1.28) = 0.90
2 1
2
2
2
1
2 1
n
s
n
s
X X
+ =

o
2 1 2 /
2 1 ) (
X X
s Z X X


o
282
Prueba de dos medias
muestras pequeas
Sigmas descono-
cidas e iguales
Sigmas desconocidas
y desiguales
283
Prueba de hiptesis de dos pob.
Comparando dos medias con t
Investigar si hay diferencia en los promedios de las ventas diarias de dos tiendas
Las varianzas de las dos poblaciones son iguales pero desconocidas
Determinar el intervalo de confianza al 99% donde se encuentra la media (alfa = 0.01)
Tienda 1 Tienda 2
Semanas n1 12 n2 15
Ventas promedio X1 125.4 X2 117.2
Desv. Estandar s1 34.5 s2 21.5
Paso 1. Establecimiento de hiptesis
Por tanto se trata de una prueba de dos colas
Paso 2. Clculo del estadstico de prueba tc
19564.25 Sp
2
= 782.57
25
8.2 = > tc = 0.75684444
10.8344589
Tomamos a X1 como el mayor para comparar tc contra te positiva
Si se toma a X1 como la media menor se debe comparar Zc contra -Ze
Paso 3. Determinar la te de Excel o de tablas para una alfa de 0.01 que corresponde a alfa/2 = 0.005
Se tienen n1 + n2 - 2 grados de libertad o sean 25
te (0.01) = 2.78743581 DIST.T.INV (0.01, 25) Asi es para dos colas
2 2 1
) 1 2 ( ) 1 1 (
2
2
2
1 2
+
+
=
n n
n s n s
s
p
2 1
3 2
2 1
n
s
n
s
X X
t
p p
c
+

=
2
2
2
1
o o =
2 1
2 1
:
:
T T
T T
Ha
Ho


=
=
284
Paso 4. Comparando los valores tc calculado contra texcel (0.01) se tiene
te(0.01,25) = -2.787 te(0.01, 25) = 2.787
Valor p para tc es igual a
tc = 0.7568 P(tc) = 0.46025521
p > Alfa / 2
Como tc es menor que texcel, no cae en el rea de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
Se concluye que no hay diferencia sig. En las ventas de las dos tiendas
Paso adicional. El Intervalo de confianza del 99% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estndar 10.8344589
= Intervalo de confianza (8.2 + - 2.787*10.83)
Se observa una diferencia positiva sin embargo el cero est incluido ( -21.98 <= u <= 38.38)
P(t>=2.787 ) = alfa/2 P(t<=-2.787 ) = alfa/2
2 1
) (
2 2
2 /
2 1
n
s
n
s
t X X
p p
+
o
2 1
2 2
n
s
n
s
p p
+
285
Prueba de hiptesis de dos pob.
Comparando datos pareados con t
Las muestras pareadas de tamao 25 reportaron una diferencia media de 45.2 y una desviacin
estndar de las diferencias de 21.6. Pruebe la igualdad de medias a un nivel del 5%.
Paso 1. Establecimiento de Hiptesis
No. Pares de muestras n = 25
Paso 2. Se calcula el estadstico tc: Diferencia media = 45.2
Desv. Estndar de difs. = 21.6
Alfa 0.05
gl = 24
= 10.462963
Paso 3. Se determina el valor crtico del estadstico t de Excel o tablas para Alfa / 2 0.025
t excel = 2.06389855 DISTR.T.INV(0.05, 24) Excel divide entre 2 colas
2 1
2 1
:
:


=
=
Ha
Ho
n
s
d
t
d
c
=
Grados de libertad = No. de pares - 1
286
Paso 4. Comparando el estadstico tcalculado contra t excel (0.025, 24) se tiene:
tc = 10.462963
te(0.025,24) = -2.063 te(0.025, 24) = 2.063
Valor p para tc es igual a
P(t > tc) = 0
p < Alfa / 2
Como tc es mayor que t excel, si cae en el rea de rechazo,
y por tanto si hay suficiente evidencia para rechazar Ho y aceptar Ha
se concluye que si hay diferencia significativa entre las medias
Paso 5. El intervalo de confianza para las diferencias en medias pareadas es
t alfa/2 = 2.063
Error estndar = 0.864
Dif. Promedio = 45.2
45.2 + - 0.864
Se observa diferencia positiva significativa entre diferencia de medias 43.4176 <= dm < =46.9824
P(t>=2.063 ) = alfa/2
P(t<=-2.063 ) = alfa/2
n
s
t d para C I
d
d 2 /
. . .
o
=
287
Prueba de hiptesis de dos pob.
Comparando dos proporciones con Z
Investigar si tiene razon el analista sobre si los bonos convertibles se sobrevaloraron ms que los
bonos de ingresos.
Probar la hiptesis a un 10% de nivel de significancia o error de equivocarse en rechazar Ho.
Convertibles Ingresos
Bonos n1 312 n2 205 Alfa 0.1
Sobrevalorad X1 202 X2 102 1-Alfa 0.9
7.8
p1 0.647 p2 0.498 Fraccin de las muestras
Paso 1. Establecimiento de hiptesis
Por tanto se trata de una prueba de cola derecha
Paso 2. Clculo del estadstico de prueba Zc
0.150 = > Zc = 3.393046759
0.04417119
Tomamos a p1 como el mayor para comparar Zc contra Ze positiva (1- Alfa)
Paso 3. Determinar la Ze de Excel o de tablas para 1-Alfa 0.9
Ze (0.9) = 1.28155157 DIST.NORM.STAND.INV (0.9)
2
) 1 (
1
) 1 (
2 2 1 1
2 1
n
p p
n
p p
p p
Z
c


=
2 1 2 1
2 1 2 1
: ...... .......... .......... 0 :
: .... . .... 0 :
t t t t
t t t t
> >
s s
Ha Ha
Ho forma otra Ho
288
Paso 4. Comparando los valores Zc calculado contra Zexcel (0.9) se tiene
Zc = 3.39304676
Ze(0.9) = 1.281551566
Valor p para Zc es igual a
P(-Zc) = 0.00034946
p < Alfa
Como Zc es mayo que Zexcel, si cae en el rea de rechazo,
y por tanto hay suficiente evidencia para rechazar Ho y aceptar Ha
Se concluye que la diferencia en conv. entre los bonos es significativa
Paso adicional. El Intervalo de confianza del 98% sobre la diferencia de medias poblacionales,
con sigmas desconocidas es:
= Error estndar 0.044171193
Zexcel (para alfa/2) 1.644853627
= Intervalo de confianza ( 0.150 0.07265515
Se observa difererencia positiva entre proporciones ( 0.077 <= PI <= 0.223
el cero no est incluido en el intervalo
P(Z>= + 1.28 ) = Alfa
2
) 1 (
1
) 1 (
2 2 1 1
2 1
n
p p
n
p p
s
p p

+

2 1 2 / 2 1
) (
p p
s Z p p


o
289
Robustez
Los procedimientos estadsticos se basan en
supuestos acerca de su comportamiento terico.
Cuando los estadsticos obtenidos no son afectados
por desviaciones moderadas de su expectativa
terica, se dice que son robustos.
290
Resumen
291
Instrucciones con Minitab para la
comparacin de dos varianzas
Stat > Basic Statistics > 2-variances

Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%


OK
292
Instrucciones con Minitab para la
comparacin de dos medias
Stat > Basic Statistics > 2-Sample t

Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
Seleccionar o no seleccionar Assume equal variances de acuerdo a
los resultados de la prueba de igualdad de varianzas

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Difference (normalmente 0)
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
293
Instrucciones con Minitab para la
comparacin de dos medias pareadas
Stat > Basic Statistics > Paired t

Seleccionar samples in columns o Summarized data
First sample - Indicar la columna de datos de la muestra 1
Second sample - Indicar la columna de datos de la muestra 2

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Mean (normalmente 0)
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value plot
OK
294
Instrucciones con Minitab para la
prueba de hiptesis de dos proporciones
Stat > Basic Statistics > 2-Proportions

Seleccionar Summarized Data
Trials: Events:
First: No. de elementos de la 1. Muestra y D1 xitos encontrados
Second: No. de elementos de la 2. Muestra y D2 xitos encontrados

En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Difference Normalmente 0
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than

Seleccionar Use pooled estimate of p for test
OK
295
VI.B.7 Pruebas de bondad de
ajuste
296
Bondad de ajuste
PRUEBAS DE BONDAD DE AJUSTE
Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma
de distribucin particular planteada como hiptesis
Si el ajuste es razonablemente cercano, puede concluirse que s exite la forma de distribucin
planteada como hiptesis
Por ejemplo:
Ho: La distribucin poblacional es uniforme
Ha: La distribucin poblacional no es uniforme
Se usa el estadstico Chi-Cuadrado
Oi = Frecuencia de los eventos observados en los datos muestrales
Ei = Frecuencia de los eventos esperados si la hiptesis nula es correcta
Para que la prueba sea confiable Ei >= 5. De otra forma se combinan las categorias para
cumplir con este requisito.
K = Nmero de categoras o clases

=
K
i
Ei
Ei Oi
1
2
2
) (
_
297
Bondad de ajuste
Ejemplo:
Se venden n = 48 botes en 4 meses. Si la demanda es uniforme se esperara que se vendieran
12 botes / mes. La cantidad real que se vendi fue:
Ventas (Oi) Ventas (Ei)
Tipo de bote observadas esperadas
A 15 12
B 11 12
C 10 12
D 12 12
DISTR.CHI
Entonces el estadstico Chi Cuadrado de la muestra es = 1.17 el valor P corresp.= 0.76020818
El Chi Cuadrado de excel se determina con alfa = 0.05 y K - 1 grados de libetad = 3
Chi cuadrado de excel = 7.815
El estadstico Chi cuadrado calculado de 1.17 es menor al de excel de 7.815 por tanto se acepta
la hiptesis nula
PRUEBA.CHI.INV
298
Prueba de Bondad de ajuste
para la distribucin de Poisson
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. De Poisson
Ha: Caso contrario
2. Tomar una muestra aleatoria, anotar la frecuencia observada fi y
calcular la media de ocurrencias
3. Calcular la frecuencia esperada de ocurrencias ei. Multiplicar el
tamao de muestra con la prob. de Poisson para cada valor de
la variable aleatoria. Si hay menos de 5 combinar las categoras

4. Calcular el estadstico de prueba

5. Rechazar Ho si o si p < alfa. Con gl=k-p-1 y alfa nivel de
significancia

=
n
i
i
i i
e
e f
1
2
2
) (
_
2 2
o
_ _ >
299
Ejemplo:
Distribucin de Poisson =5
Ho: No. de clientes que llega en intervalos de 5 min. tiene una distribucin
de Poisson Ha: No se sigue una distribucin de Poisson
Clientes Frec. observada f(x) de Poisson 128*f(x) cantidad
esperada
0 2 0.0067 0.8576
1 8 0.0337 4.3136
2 10 0.0842 10.7776
3 12 0.1404 17.9712
4 18 0.1755 22.4640
5 22 0.1755 22.4640
6 22 0.1462 18.7136
7 16 0.1044 13.3662
8 12 0.0653 8.3584
9 6 0.0363 4.6464
10 o ms 0.0318 4.0704
300
Ejemplo:
Distribucin de Poisson =5
Combinando X=0,1 y X=9, 10 o ms para que la frecuencia observada sea
mayor a 5 y se pueda aplicar la distribucin Chi Cuadrada se tiene
Clientes Frec. Observada
(fi)
f(x) de Poisson 128*f(x)
frecuencia
esperada (ei)
0 o 1 10 0.0067+0.0337 5.1712
2 10 0.0842 10.7776
3 12 0.1404 17.9712
4 18 0.1755 22.4640
5 22 0.1755 22.4640
6 22 0.1462 18.7136
7 16 0.1044 13.3662
8 12 0.0653 8.3584
9 o ms 6 0.0363+0.0318 8.7168
301
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).




Ho se rechaza si o si p es mayor que alfa.

El valor de Chi Cuadrada calculado es de 10.9766 y el valor Chi
Cuadrada de alfa 0.05 con 2 gl. Es de 14.07 no se rechaza Ho
En este caso p = 0.14 > 0.05 por tanto no se rechaza Ho y se
concluye que los datos siguen una distribucin de Poisson

=
n
i
i
i i
e
e f
1
2
2
) (
_
2 2
o
_ _ >
302
Prueba de Bondad de ajuste
para la distribucin Normal
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. Normal
Ha: Caso contrario

2. Tomar una muestra aleatoria, calcular la media y la desviacin
estndar

3. Definir K intervalos de valores de forma que la frecuencia
esperada sea 5 cuando menos para cada uno (intervalos de
igual probabilidad). Anotar la frecuencia observada de los
valores de datos fi, en cada intervalo
303
Prueba de Bondad de ajuste
para la distribucin Normal
4. Calcular el nmero de ocurrencias esperado ei, para cada
intervalo de valores. Multiplicar el tamao de muestra por la
probabilidad de que una variable aleatoria est en el intervalo.

5. Calcular el estadstico de prueba

6. Rechazar Ho si o si p < alfa. Con gl=k-p-1 y alfa nivel
de significancia

=
n
i
i
i i
e
e f
1
2
2
) (
_
2 2
o
_ _ >
304
Prueba de Bondad de ajuste
para la distribucin Normal
Ejemplo: datos de calificaciones: Media = 68.42; S = 10.41
Calificaciones
71 66 61 65 54 93
60 86 70 70 73 73
55 63 56 62 76 54
82 79 76 68 53 58
85 80 56 61 61 64
65 62 90 69 76 79
77 54 64 74 65 65
61 56 63 80 56 71
79 84
305
Prueba de Bondad de ajuste
para la distribucin Normal
Ho: la poblacin tiene una distribucin normal con media 68.42 y
S=10.41 Ha: Caso contrario

Para una muestra de 50 con una frecuencia mnima esperada de 5
se tiene el 10% al menos por cada celda

La primera celda correspondiente al 10% est en Z = -1.28 con
X = (Media - Z*S) = 55.10

Para el rea del 20%, Z = -0.84 y X = 59.68
y as sucesivamente


306
Prueba de Bondad de ajuste
para la distribucin Normal
Intervalo Frecuencia
observada (fi)
Frecuencia
esperada (ei)
Menos de
55.10
5 5
55.10 a 59.68 5 5
59.68 a 63.01 9 5
63.01 a 65.82 6 5
65.82 a 68.42 2 5
68.42 a 71.02 5 5
71.02 a 73.83 2 5
73.83 a 77.16 5 5
77.16 a 81.74 5 5
81.74 o ms 6 5
50 50
Se registran las
frecuencias de
los datos
tomados de las
calificaciones
307
Prueba de Bondad de ajuste
para la distribucin Normal
Se determina el estadstico Chi Cuadrado = 7.2




El Valor de Chi Cuadrado de alfa = 0.10 para k p 1 grados
de libertad. K = 10 categoras, p = 2 parmetros. Gl = 7. Chi
Cuadrado es 12.017

Como no se puede rechazar la hiptesis nula de
normalidad de las calificaciones

=
n
i
i
i i
e
e f
1
2
2
) (
_
2 2
o
_ _ s
308
Prueba de Bondad de ajuste
para la distribucin Multinomial
1. Enunciar la hiptesis nula y alternativa
Ho: La poblacin sigue una distribucin de probabilidad
multinomial con probabilidades especificadas para cada una de
las K categoras Ha: Caso contrario

2. Tomar una muestra aleatoria y anotar las frecuencias
observadas fi para cada categora

3. Suponiendo que Ho es cierta, determinar la frecuencia esperada
ei, en cada categora multiplicando la probabilidad de la
categora por el tamao de muestra


309
Prueba de Bondad de ajuste
para la distribucin Multinomial
4. Se determina el estadstico Chi Cuadrado de prueba




5. Regla de rechazo:

Si no se puede rechazar la hiptesis nula

Rechazar si el valor p es menor a alfa

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

=
n
i
i
i i
e
e f
1
2
2
) (
_
2 2
o
_ _ >
310
Prueba de Bondad de ajuste
para la distribucin Multinomial
Ejemplo: El ao pasado la participacin de mercado para la
empresa A fue del 30%, 50% para la empresa B y 20% para la
empresa C. La empresa C hace una prueba con un nuevo
producto para estimar su impacto en las preferencias del
mercado.

Se tom una muestra de 200 clientes resultando preferencias de
compra de: 48 para A, 98 para B y 54 para C.

De acuerdo a las probabilidades esperadas, en los 200 clientes las
preferencias esperadas son: A=200*0.3=60, B=200*0.5=100,
C=200*0.2=40

311
Prueba de Bondad de ajuste
para la distribucin Multinomial
Datos para calcular el estadstico de prueba Chi Cuadrado
Categora Proporcin
hipottica
Frecuencia
observada

Frecuencia
esperada
Empresa A 0.3 48 60
Empresa B 0.5 98 100
Empresa C 0.2 54 40
312
Prueba de Bondad de ajuste
para la distribucin Multinomial
Chi Cuadrado calculado = 7.34

Chi cuadrado de alfa = 0.05 con k 1 = 2 grados de libertad = 2
es de 5.99. El valor p correspondiente es de 0.025.

Como 7.34 es mayor a 5.99 o el valor p de 0.025 es menor a alfa
de 0.05 se rechaza la hiptesis nula Ho y se concluye que el
nuevo producto modificar las preferencias del mercado
actuales

La participacin de la empresa C aumenta con el nuevo producto
313
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((Observadas-
Esperadas)**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
En el cuadro Expression teclear 1-CumProb
OK

314
Prueba de Bondad
de ajuste en Minitab
Ejemplo: investigacin de mercado
Observadas Esperadas ChiCuadrada CumProb p
48 60 7.34 0.974524 0.0254765
98 100
54 40
315
Prueba de Bondad
de ajuste en Excel
Ejemplo: investigacin de mercado

1. Calcular el estadstico Chi Cuadrada con =(A2-B2)^2/B2 y Suma
Chi cuadrada = 7.34
2. El valor P es =distr.chi(7.34, 2)

3. El estadstico Chi Cuadrada de alfa es:
=prueba.chi.inv(0.05,2) = 5.99

4. Como p es menor a alfa de 0.05 se rechaza la Ho


316
VI.B.6 ANOVA para un factor
principal y una o ms variables de
bloqueo
317
Introduccin
Cuando es necesario comparar 2 o ms medias poblacionales al
mismo tiempo, para lo cual se usa ANOVA.

El mtodo ANOVA tiene los siguientes supuestos:
La varianza es la misma para todos los tratamientos del
factor en todos sus niveles
Las mediciones indiviudales dentro de cada tratamiento se
distribuyen normalmente
El trmino de error tiene un efecto distribuido normalmente
e independiente
318
Contenido
ANOVA de un factor o direccin

ANOVA de un factor y una variable de bloqueo

ANOVA de un factor y dos variables de bloqueo
CUADRADO LATINO

ANOVA de un factor y tres variables de bloqueo
CUADRADO GRECOLATINO
319
ANOVA de un factor
o direccin
320
Introduccin
Con el ANOVA las variaciones en la respuesta se dividen
en componentes que reflejan los efectos de una o ms
variables independientes

La variabilidad se representa como la suma de cuadrados
total que es la suma de cuadrados de las desviaciones de
mediciones individuales respecto a la gran media, se
divide en:
Suma de cuadrados de las medias de los tratamientos
Suma de cuadrados del residuo o error experimental
321
ANOVA Prueba de hiptesis para
probar la igualdad de medias de
varias poblaciones para un factor
diferentes son s unas A Ha
Ho
a
. . ' . lg :
......... :
3 2 1

= = = =
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)
322
ANOVA - Condiciones
Todas las poblaciones son normales

Todas las poblaciones tiene la misma varianza

Los errores son independientes con distribucin
normal de media cero

La varianza se mantiene constante para todos los
niveles del factor

323
ANOVA Ejemplo de datos
Niveles del Factor Peso % de algodn y Resistencia de tela
Peso porc. Respuesta
de algodn Resistencia de la tela
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
324
ANOVA Suma de
cuadrados total
Xij
Xij
Gran media
2
1 1
) (

= =
=
b
j
a
i
X Xij SCT
325
ANOVA Suma de cuadrados de
renglones (a)-tratamientos
Gran media
Media Trat. 1
Media Trat. a
Media trat. 2
a renglones

=
=
a
i
i
X X b SCTr
1
2
) (
326
ANOVA Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
2
1 1
) (
i
b
j
ij
a
i
X X SCE =

= =
327
ANOVA Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
SCTr SCT SCE =
328
ANOVA Grados de libertad:
Totales, Tratamientos, Error
a n a n SCE gl
a SCTr gl
n SCT gl
= =
=
=
) 1 ( ) 1 ( .
1 .
1 .
329
ANOVA Cuadrados medios:
Total, Tratamiento y Error
) /(
) 1 /(
) 1 /(
a n SCE MCE
a SCTr MCTr
n SCT MCT
=
=
=
330
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
331
Tabla final de ANOVA
TABLA DE ANOVA
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Dentro de muestras (error) SCE n-a CME
Variacin total SCT n-1 CMT
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
332
ANOVA Toma de decisin
Fexcel
Fc
Alfa
Zona de rechazo
De Ho o aceptar Ha
Zona de no rechazo de Ho
O de no aceptar Ha
Distribucin F
333
ANOVA Toma de decisin
Si Fc es mayor que Fexcel se rechaza Ho
Aceptando Ha donde las medias son diferentes

O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
334
ANOVA Identificar las medias
diferentes por Prueba de Tukey T
Para diseos balanceado
(mismo nmero de columnas
en los tratamientos) el valor
de q se determina por medio
de la tabla en el libro de texto
b
CME
q T
a n a
=
, , o
335
ANOVA Identificar las medias
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xis:

D1 = X1 X2 D2 = X1 X3 D3 = X2 X3 etc.

Cada una de las diferencias Di se comparan con el
valor de T, si lo exceden entonces la diferencia es
Significativa de otra forma se considera que las medias
Son iguales
336
ANOVA Identificar las medias
diferentes por Prueba de Diferencia
Mnima Significativa DMS
Para diseos balanceados (los tratamientos
tienen igual no. De columnas), se calcula un
factor DMS contra el que se comparan las
diferencias Xi Xi. Significativas si lo exceden
b
F CME
DMS
a n
=
, 1 ,
) ( 2
o
337
Prueba DMS para Diseos no
balanceados
a n a
k j
k j
F CME
b b
DMS

(
(

+ =
, 1 , ,
) (
1 1
o
Para diseos no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi Xi
338
Ejemplo:
Considerar un experimento de un factor (mquina)
con tres niveles (mquinas A, B, C). Los datos se
muestran a continuacin y debe verificarse si existe
diferencia significativa a un alfa = 0.05
Mquinas Datos
Su
ma
Prom.
339
Ejemplo:
Como el valor calculado de F(33.2) excede el valor crtico de F, se
rechaza la Hiptesis nula Ho
La tabla completa de ANOVA es la siguientes:
Fuentes
De variacin
Mquinas
Cuadrado
medio
340
Ejemplo:
Con Minitab: Stat>ANOVA>One way unstacked
Responses (in separate columns) A B C
Interpretar los resultados

A B C
5 2 1
7 0 0
6 1 -2
7 -2 -3
6 2 0
341
Ejemplo:
One-way ANOVA: A, B, C
Source DF SS MS F P
Factor 2 137.20 68.60 33.19 0.000 Rechazo Ho
Error 12 24.80 2.07
Total 14 162.00
S = 1.438 R-Sq = 84.69% R-Sq(adj) = 82.14%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ---------+---------+---------+---------+
A 5 6.200 0.837 (-----*----)
B 5 0.600 1.673 (----*-----)
C 5 -0.800 1.643 (-----*----)
---------+---------+---------+---------+
0.0 2.5 5.0 7.5
Pooled StDev = 1.438
342
Corrida en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subndices de los renglones en una
columna C2



Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2
343
Corrida en Minitab
Opcin: stat>ANOVA One Way (usar archivo
Exh_aov)
En Response indicar la col. De Respuesta (Durability)

En factors indicar la columna de subndices (carpet)
En comparisons (Tukey)

Pedir grfica de Box Plot of data y residuales Normal
Plot y vs fits y orden

Si los datos estan en columnas pedir ANOVA One
Way (unstacked)

344
Resultados

Results for: Exh_aov.MTW
One-way ANOVA: Durability versus Carpet
Analysis of Variance for Durabili
Source DF SS MS F P
Carpet 3 111.6 37.2 2.60 0.101
Error 12 172.0 14.3
Total 15 283.6
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ---------+---------+---------+-------
1 4 14.483 3.157 (-------*-------)
2 4 9.735 3.566 (-------*--------)
3 4 12.808 1.506 (--------*-------)
4 4 17.005 5.691 (-------*-------)
---------+---------+---------+-------
Pooled StDev = 3.786 10.0 15.0 20.0
Tukey's pairwise comparisons
Family error rate = 0.0500
Individual error rate = 0.0117
Critical value = 4.20
345
ANOVA de dos vas un factor
principal y una variable de
bloqueo
346
ANOVA de 2 vas
Este es un procedimiento extensin de los patrones
del ANOVA de una va con tres fuentes de variacin:
Tratamiento del factor A (columnas), Tratamiento del
factor B (renglones) y Error experimental.





kij ij j i ijk
AxB Ef B Ef A Ef X c + + + + . . .
347
ANOVA Prueba de hiptesis para
probar la igualdad de medias de
varias poblaciones con dos vas
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba FACTOR DE BLOQUEO
POR COLUMNA
348
ANOVA 2 vas
diferentes son s unas A Ha
Ho
a
. . ' . lg :
......... :
3 2 1

= = = =
diferentes son s unas A Ha
Ho
a
. . ' . lg :
' ......... ' ' ' :
3 2 1

= = = =
Para el tratamiento en renglones
Para el factor de bloqueo en columnas
349
ANOVA 2 vas - Ejemplo
Experiencia en aos de los operadores
Maquinas 1 2 3 4 5
Maq 1 27 31 42 38 45
Maq 2 21 33 39 41 46
Maq 3 25 35 39 37 45
350
ANOVA Dos vas o direcciones
La SCT y SCTr (renlgones) se determina de la misma
forma que para la ANOVA de una direccin o factor

En forma adicional se determina la suma de
cuadrados del factor de bloqueo (columnas) de forma
similar a la de los renglones

La SCE = SCT SCTr - SCBl

351
ANOVA de 2 vas
) 1 /(
1 .
) (
2
1
=
=
=

=
b SCBl CMBl
b SCBl gl
X X a SCBl
j
b
j
352
ANOVA de 2 vas
) )( /(
) )( ( .
b n a n SCBl CME
b n a n SCE gl
SCBl SCTr SCT SCE
=
=
=
353
ANOVA Estadstico Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
354
ANOVA Estadstico Fb
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCBl
Fc
. , . ,
=
=
355
Tabla final ANOVA 2 vas
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Entre Bloques (Factor Bl) SCBl b-1 CMBL CMBL/CME
Dentro de muestras (error) SCE (a-1)(b-1) CME
Variacin total SCT n-1 CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
356
ANOVA 2 vas: Toma de decisin
Fexcel
Fc
Tr o Bl
Alfa
Zona de rechazo
De Ho o aceptar Ha
Zona de no rechazo de Ho
O de no aceptar Ha
Distribucin F
357
ANOVA 2 vas: Toma de decisin
Si Fc (Tr o Bl) es mayor que Fexcel se rechaza
Ho Aceptando Ha donde las medias son
diferentes

O si el valor de p correspondiente a Fc (Tr o Bl)
es menor de Alfa se rechaza Ho
358
Clculo de los residuales
.
.
*

. , , 05 . 0
.. . .
i
i
y MSE gl k k
y
ij ij ij
j i ij
s r R
b
MSE
s
y y e
y y y y
=
=
=
+ =
Y estimada
Error o residuo
Error estndar
Factor de comparacin
Si la diferencia de medias excede a Rk es significativa
359
Adecuacin del modelo
Los residuales deben seguir una recta en la grfica
normal

Deben mostrar patrones aleatorios en las grficas de
los residuos contra el orden de las Yij, contra los
valores estimados y contra los valores reales Yij
360
Corrida en Minitab
Se introducen las respuestas en una columna C3 y los
subndices de renglones en columna C4 y de columnas en C5



Plantas Suplemento Lago
34 1 Rose
43 1 Rose
57 1 Dennison
40 1 Dennison
85 2 Rose
68 2 Rose
67 2 Dennison
53 2 Dennison
41 3 Rose
24 3 Rose
42 3 Dennison
52 3 Dennison
361
Corrida en Minitab
Opcin: stat>ANOVA Two Way (usar archivo
Exh_aov)

En Response indicar la col. De Respuesta (Plantas)

En Row factor y Column Factor indicar las columnas
de subndices de renglones y columnas (suplemento
y lago) y Display Means para ambos casos

Pedir grfica residuales Normal Plot y vs fits y orden

362
Resultados
Two-way ANOVA: Zooplankton versus Supplement, Lake
Analysis of Variance for Zooplank
Source DF SS MS F P
Suppleme 2 1919 959 9.25 0.015
Lake 1 21 21 0.21 0.666
Interaction 2 561 281 2.71 0.145
Error 6 622 104
Total 11 3123
Individual 95% CI
Suppleme Mean --+---------+---------+---------+---------
1 43.5 (-------*-------)
2 68.3 (--------*-------)
3 39.8 (--------*-------)
--+---------+---------+---------+---------
30.0 45.0 60.0 75.0
Individual 95% CI
Lake Mean ------+---------+---------+---------+-----
Dennison 51.8 (----------------*----------------)
Rose 49.2 (----------------*----------------)
------+---------+---------+---------+-----
42.0 48.0 54.0 60.0
363
ANOVA de un factor y dos o
tres variables de bloqueo
CUADRADO LATINO Y
GRECOLATINO
364
ANOVA 3 y 4 factores
El diseo de Cuadrado latino utiliza dos factores de
bloqueo adicionales al de Tratamiento

EL diseo de Cuadrado Grecolatino utiliza tres
factores adicionales al del Tratamiento

El clculo de suma de cuadrados para renglones y
para columnas es similar al de ANOVA de un factor
principal y otro de bloqueo
365
Cuadrado Latino
Aos exp. Turno
Empleado Maana Tarde Noche
1 B=15 A=18 C=11
2 C=12 B=20 A=9
3 A=17 C=19 B=10
A, B, C = Mquinas 1, 2 y 3
366
ANOVA Cuadrado Latino:
Factor principal (A,B,C,D)
) 1 /(
1 1 .
) (
2
1
=
= =
=

=
b SCTr CMTr
b a SCTr gl
X X a SCTr
Tr
b
j
367
ANOVA Cuadrado Latino: Clculo
del error
) 1 )( 2 /(
) 1 )( 2 ( .
Re
=
=
=
a a SCE CME
a a SCE gl
SCTr ng SC SCTcol SCT SCE
368
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
369
ANOVA Cuadrado Latino Reng / Col
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCCols
Fcols
MCE
ng MC
Fcreng
. , . ,
Re
=
=
=
370
Tabla final ANOVA 2 Factores
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Renglores SCRen a-1 CMRen CMRen/CME
Columnas SCCol b-1 CMCol CMCol/CME
Tratamiento SCTr a-1 CMTr CMTr/CME
Dentro de muestras (error) SCE (a-2)(a-1) CME
Variacin total SCT n-1 CMT
371
Cuadrado latino en Minitab
Se introducen las respuestas en una columna C1

Se introducen los subndices de los renglones en una
columna C2

Se introducen los subndices de las columnas en una
columna C3

Se introducen las letras maysculas que indican el
nivel del factor (A, B, C, D, etc.) correspondientes a
cada respuesta en la columna C4


372
Cuadrado latino en Minitab
Opcin: stat> ANOVA General linear model

En Response indicar la col. De Respuesta,

En Model indicar las columnas de los factores y

En Random factors indicar los factores adicionales al
del efecto principal a probar (A, B, C, D). Se pueden
pedir interacciones entre factores x y con Cx*Cy

Pedir grfica de residuales Normal y vs fits y orden

373
Cuadrado Greco Latino
Experiencia de los operadores
Lotes MP 1 2 3 4 5
1 Aa=-1 Bc=-5 Ce=-6 Db=-1 Ed=-1
2 Bb=-8 Cd=-1 Da=5 Ec=2 Ae=11
3 Cc=-7 De=13 Eb=1 Ad=2 Ba=-4
4 Dd=1 Ea=6 Ac=1 Be=-2 Cb=-3
5 Ee=-3 Ab=5 Bd=-5 Ca=4 Dc=6
a, b, c y d son 5 diferentes tipos de montaje A, B, C, D y E son las 5 formulaciones a probar
374
Cuadrado Greco latino en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subndices de los renglones en una
columna C2

Se introducen los subndices de las columnas en una
columna C3
Introducir los subndices del factor adicional de letras
griegas con letras latinas minsculas (a,b,c,d,e) en C4

Se introducen las letras maysculas que indican el nivel
del factor (A, B, C, D, etc.) correspondientes a cada
respuesta en la columna C5


375
Cuadrado Greco latino en Minitab
Opcin: ANOVA General linear model

En Response indicar la col. De Respuesta,

En Model indicar las columnas de los factores y

En Random factors indicar los factores adicionales al del efecto
principal a probar (A, B, C, D). Tambin se pueden indicar
interacciones entre factores x-y con Cx * Cy

Pedir grfica de residuales Normal y vs fits y orden

376
ANOVA Cuadrado Grecolatino
) 1 /(
1 .
) (
2
1
=
=
=

=
b SCG CMG
b SCG gl
X X a SCG
m
b
m
377
ANOVA de 2 factores Suma de
cuadrados, gl. y Cuadrado medio
para el error
) 1 )( 3 /(
) 1 )( 3 ( .
Re
=
=
=
a a SCE CME
a a SCE gl
SCCol n SC SCG SCTr SCT SCE
378
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCG
Fc
. , . ,
=
=
379
ANOVA Cuadrado Grecolatino
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
380
Tabla final ANOVA 2 Factores
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Renglores SCRen a-1 CMRen CMRen/CME
Columnas SCCol b-1 CMCol CMCol/CME
Letras griegas SCG a-1 CMG CMG/CME
Tratamiento SCTr a-1 CMTr CMTr/CME
Dentro de muestras (error) SCE (a-3)(a-1) CME
Variacin total SCT n-1 CMT
381
ANOVA para diseo factorial AxB
En un experimento factorial involucrando el factor A con (a)
niveles y un factor B con (b) niveles, la suma de cuadrados se
puede dividir en:
SST = SS(A) + SS(B) + SS(AB) + SSE

382
VI.B.8 Tablas de contingencia
Prueba Chi
2 (
_
2)

383
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).

_
2
Ho: No hay diferencia
Ha: Hay diferencia
Para todos los casos,
384
H
o
: La moneda es buena

H
a
: La moneda est cargada
Se lanza una moneda al aire 100 veces y que
obtenemos 63 guilas y 37 soles.

La proporcin de guilas y soles sucede por
casualidad? O, se concluye que la moneda est
cargada?
Ejemplo 1: Chi Cuadrada(_
2
)
385
_
2
c=
E
j = 1
g
Estadstico Chi Cuadrada


Observada Esperada
Aguilas 63 50 3.38
Soles 37 50 3.38
_
2
= 3.38 + 3.38
_
2
= 6.76
(f
o
- f
e
)
2
f
e ( f
o
) ( f
e
)
Ejemplo 1: Chi Cuadrada(_
2
)
f
e
(f
o
- f
e
)
2
386
Funcin de Distribucin Acumulada Chi
2
con 1 grado de
libertad (d.f)
H
o
: La moneda es buena.
H
a
: La moneda est cargada.

Para un 95% de confianza antes de concluir que la moneda est
cargada, se requiere que X
2
c
> X
2
Crtica
o que el valor de p sea s
0.05.

Como p s 0.05, se puede concluir -con un 95% de confianza -
que la moneda est cargada.

_2
c
P(_2
c
> x)
6.7600 p = 1 - 0.9907 = 0.0093

De tablas X
2
Crtica,

(0.05, 1)
= 3.8414
Ejemplo 1: Chi cuadrada
387
1. Posicionarse en una celda vaca

2. Accesar el men de funciones con Fx

3. Seleccionar STATISTICAL o ESTADSTICAS, CHIINV.

4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parmetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.


Clculo en Excel del estadstico Chi cuadrada
388
Tabla de Valores Crticos Seleccionados de Chi
2
o
df . 250 . 100 . 050 . 025 . 010 . 005 . 001
1 1. 323 2. 706 3. 841 5. 024 6. 635 7. 879 10. 828
2 2. 773 4. 605 5. 991 7. 378 9. 210 10. 597 13. 816
3 4. 108 6. 251 7. 815 9. 348 11. 345 12. 838 16. 266
4 5. 385 7. 779 9. 488 11. 143 13. 277 14. 860 18. 467
5 6. 626 9. 236 11. 070 12. 832 15. 086 16. 750 20. 515
6 7. 841 10. 645 12. 592 14. 449 16. 812 18. 548 22. 458
7 9. 037 12. 017 14. 067 16. 013 18. 475 20. 278 24. 322
8 10. 219 13. 362 15. 507 17. 535 20. 090 21. 955 26. 125
9 11. 389 14. 684 16. 919 19. 023 21. 666 23. 589 27. 877
10 12. 549 15. 987 18. 307 20. 483 23. 209 25. 188 29. 588
11 13. 701 17. 275 19. 675 21. 920 24. 725 26. 757 31. 264
12 14. 845 18. 549 21. 026 23. 337 26. 217 28. 300 32. 909
13 15. 984 19. 812 22. 362 24. 736 27. 688 29. 819 34. 528
14 17. 117 21. 064 23. 685 26. 119 29. 141 31. 319 36. 123
15 18. 245 22. 307 24. 996 27. 488 30. 578 32. 801 37. 697
16 19. 369 23. 542 26. 296 28. 845 32. 000 34. 267 39. 252
17 20. 489 24. 769 27. 587 30. 191 33. 409 35. 718 40. 790
18 21. 605 25. 989 28. 869 31. 526 34. 805 37. 156 43. 312
19 22. 718 27. 204 30. 144 32. 852 36. 191 38. 582 43. 820
20 23. 828 28. 412 31. 410 34. 170 37. 566 39. 997 45. 315
21 24. 935 29. 615 32. 671 35. 479 38. 932 41. 401 46. 797
22 26. 039 30. 813 33. 924 36. 781 40. 289 42. 796 48. 268
23 27. 141 32. 007 35. 172 38. 076 41. 638 44. 181 49. 728
24 28. 241 33. 196 36. 415 39. 364 42. 980 45. 558 51. 179
25 29. 339 34. 382 37. 652 40. 646 44. 314 46. 928 52. 620
26 30. 434 35. 563 38. 885 41. 923 45. 642 48. 290 54. 052
27 31. 528 36. 741 40. 113 43. 194 46. 963 49. 645 55. 476
28 32. 620 37. 916 41. 337 44. 461 48. 278 50. 993 56. 892
29 33. 711 39. 087 42. 557 45. 722 49. 588 52. 336 58. 302
30 34. 800 40. 256 43. 773 46. 979 50. 892 53. 672 59. 703
40 45. 616 51. 805 55. 758 59. 342 63. 691 66. 766 73. 402
50 56. 334 63. 167 67. 505 71. 420 76. 154 79. 490 86. 661
60 66. 981 74. 397 79. 082 83. 298 88. 379 91. 952 99. 607
70 77. 577 85. 527 90. 531 95. 023 100.425 104.215 112.317
80 88. 130 96. 578 101.879 106.629 112.329 116.321 124.839
90 98. 650 107.565 113.145 118.136 124.116 128.299 137.208
100 109.141 118.498 124.342 129.561 135.807 140.169 149.449
389
Tabla de contingencia
Una tabla de clasificacin de dos vas (filas y columnas) que
contiene frecuencias originales, se puede analizar para
determinar si las dos variables (clasificaciones) son
independientes o tienen una asociacin significativa.

La prueba Chi Cuadrada probar si hay dependencia entre las
dos clasificaciones.

Adems se puede calcular el coeficiente de contingencia
(correlacin) que en todo caso muestra la fuerza de la
dependencia
390
Tabla de contingencia
Para esta prueba se usa la prueba Chi Cuadrada donde:





Entre mayor sea su valor, mayor ser la diferencia de la
discrepancia entre frecuencias observadas y tericas. Esta
prueba es similar a la de bondad de ajuste.


391
Tabla de contingencia
Ejemplo: Cada una de las 15 celdas hace una contribucin al
estadstico Chi Cuadrado (una celda)







Asumiendo Alfa = 0.1 y Gl= (reng 1)*(Col 1) = 4*2 = 8 Chi-
Cuadrado de alfa = 20.09
Como Chi Cuadrada calculada >> Chi C. Alfa, se rechaza Ho de
igualdad de resultados entre negocios



392
Los valores observados (f
o
) son los siguientes:
Ho: No existen diferencias en los ndices de defectos de las dos mquinas.
Ha: Existen diferencias en los ndices de defectos de las dos mquinas.
Total 751 28

El ndice de defectos totales es 28 / 779 = 3.6%

mquina 1 f
o
= 517 f
o
= 17 Total = 534
Partes buenas
mquina 2 f
o
= 234 f
o
= 11 Total = 245
779

Partes defectuosas

Ejemplo 2: Chi
2
Para comparacin de dos
grupos; son las mismas proporciones?)
393
Clculo de los valores esperados

Basados en este ndice, los valores esperados (f
e
) seran:
mquina 1 f
o
= 751*534/779 f
o
= 28*534/779 Total = 534
Partes buenas
mquina 2 f
o
= 751*245/779 f
o
= 28*245/779 Total = 245
779

Partes defectuosas
mquina 1 530.53 3.47
Partes
buenas
mquina 2 233.47 1.53
Partes defectuosas
Ejemplo 2: Chi
2
Para comparacin de dos
grupos; son las mismas proporciones?)
394
Nota: Chi cuadrada no podr aplicarse en los casos donde los conteos seas menores a 5 en > 20%
de celdas.
Si cualquiera de los conteos esperados en las celdas es menor a uno, no deber usarse Chi
2
.

Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categoras pueden ser de utilidad.
Prueba de chi cuadrada:


Los conteos esperados estn debajo de los conteos observados
Partes buenas Partes Defectuosas Total
1 532 2 534
530.53 3.47

2 232 3 235
233.47 1.53
Total 764 5 769

Chi
2
= 0.004 + 0.624 + 0.009 + 1.418 = 2.056
DF= 1; valor de p = 0.152

2 celdas con conteos esperados menores a 5.0
395
Tabla de Chi
2

Tabla de valores crticos seleccionados para Chi
2

o DF .250 .100 .050 .025 .010 .005 .001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.828
2 2.773 4.605 5.991 7.378 9.210 10.597 13.816
3 4.108 6.251 7.815 9.348 11.345 12.838 16.266
4 5.385 7.779 9.488 11.143 13.277 14.860 18.467
5 6.626 9.236 11.070 12.832 15.086 16.750 20.515
6 7.841 10.645 12.592 14.449 16.812 18.548 22.458
7 9.037 12.017 14.067 16.013 18.475 20.278 24.322
8 10.219 13.362 15.507 17.535 20.090 21.955 26.125
9 11.389 14.684 16.919 19.023 21.666 23.589 27.877
10 12.549 15.987 18.307 20.483 23.209 25.188 29.588
11 13.701 17.275 19.675 21.920 24.725 26.757 31.264
12 14.845 18.549 21.026 23.337 26.217 28.300 32.909
13 15.984 19.812 22.362 24.736 27.688 29.819 34.528
14 17.117 21.064 23.685 26.119 29.141 31.319 36.123
15 18.245 22.307 24.996 27.488 30.578 32.801 37.697
16 19.369 23.542 26.296 28.845 32.000 34.267 39.252
17 20.489 24.769 27.587 30.191 33.409 35.718 40.790
18 21.605 25.989 28.869 31.526 34.805 37.156 43.312
19 22.718 27.204 30.144 32.852 36.191 38.582 43.820
20 23.828 28.412 31.410 34.170 37.566 39.997 45.315
.
396
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reduccin de tiempo de ciclo.

Variacin en familias a probar
Operador a operador
H
o
: No existe diferencia en los ndices de defecto de los diferentes
operadores
H
a
: Existe diferencia en los ndices de defecto de los diferentes
operadores

Mquina a mquina
H
o
: No existe diferencia en los ndices de defecto de las diferentes
mquinas
H
a
: Existe diferencia en los ndices de defecto de las diferentes
mquinas

Tamao de la muestra:
5000 + total de oportunidades (172 piezas)
397
Los conteos esperados estn colocados debajo de los conteos observados
Con fugas Sin fugas Total
1 30 610 640
32.11 607.89

2 235 4217 4452
223.38 4228.62

3 3 253 256
12.84 243.16

4 18 334 352
17.66 334.34

Total 286 5414 5700

Chi
2
= 0.139 + 0.007 + 0.604 + 0.032 + 7.546 + 0.399 + 0.006 +
0.000 = 8.734
DF= (4-1)(2-1) = 3; valor P = 0.033
Prueba de chi
2
(mquina a mquina)
398
Los conteos esperados estn colocados debajo de los conteos observados.
Con gotera Sin gotera Total
1 6 122 128
6.61 121.39

2 1 127 128
6.61 121.39

3 200 3836 4036
208.55 3827.45

4 54 202 256
13.23 242.77

5 5 699 704
36.38 667.62

6 12 116 128
6.61 121.39
Total 278 5102 5380

Chi
2
= 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
Prueba de chi
2
(operador a operador)
399
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?
(en este caso, operador a operador y mquina a mquina)
Se utiliza un procedimiento denominado Coeficiente de Contingencia como clave
para determinar qu grupo de variacin debe investigarse primero.
Coeficiente de
Contingencia

x 100
Chi

Cuadrada
N
Chi
2
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 Chi
2
.

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.
400
Con gotera Sin gotera Total
1 6 122 128
6.61 121.39

2 1 127 128
6.61 121.39

3 200 3836 4036
208.55 3827.45

4 54 202 256
13.23 242.77

5 5 699 704
36.38 667.62

6 12 116 128
6.61 121.39
Mucho peor que
lo esperado
Mucho mejor que
lo esperado
Ahora que la informacin nos
ha llevado a investigar a los
grupos de operador a
operador. Qu debemos
hacer ahora?
Encontremos cul de los
operadores estaban fuera del
estndar.
Era alguno de ellos
notablemente peor (o mejor)
que el resto?
(Estos mismos operadores fueron quienes
tuvieron los nmeros ms grandes de chi
2
)
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?
(en este caso, operador a operador y mquina a mquina)
401
Operador a operador: = 0.000
Rechace
H
o
y acepte H
a

(Existe una diferencia significativa entre los operadores)

Los operadores 4 y 5 estn fuera del estndar:
El operador 4 es notablemente peor que el resto,
El operador 5 es notablemente mejor que los dems

Cul es el prximo paso? Hable con todos los operadores para averiguar qu diferencias
pueden existen en sus tcnicas.

El operador 4 no tena experiencia en este tipo de trabajo y apenas se estaba acostumbrado a
soldar este producto en particular.

El operador 5 encontr un modo de mejor de hacer el ensamble, con lo cual consigui mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonmica. Se aadi
un colocador para ensamblar la parte en forma segura. (Esto tambin redujo el tiempo que
requeran los operadores para acostumbrarse a trabajar en esta forma)
402
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 27 25 22
Radios no detectados 3 5 8

Con un 95% de confianza, existe una diferencia entre los
inspectores?

Ho: p1 = p2 = p3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
403
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 5:00
Izquierdo 44 37 18
Central 28 50 72
Derecho 8 13 30

Con un 95% de confianza, existe una diferencia entre las
preferencias de los automovilistas dependiendo de la hora?

Ho: P1 = P2 = P3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
404
Coeficiente de Contingencia
Coeficiente de contingencia es el grado de relacin o
dependencia de las clasificaciones en la tabla de contingencias
es:





Donde N es la frecuencia total y X es el estadstico Chi
Cuadrado calculado
2
2
2
N X
X
C
+
=
405
Coeficiente de Contingencia
Para los datos del ejemplo anterior se tiene:






El valor mximo de C se obtiene de:






38 . 0
393 22 . 66
22 . 66
2
2
2
2
2
2
=
+
=
+
=
N X
X
C
866 . 0
8
2 8 2
=

=
k
k
C Max
406
Correlacin de atributos
Para tablas de orden k * k, el coeficiente de correlacin, r, es :






Donde 0<= r <= 1






) 1 (
2

=
k N
X
r
407
VI.B.9 Pruebas de Hiptesis
no paramtricas
408
Pruebas no paramtricas
Las pruebas paramtricas asumen una distribucin para la
poblacin, tal como la Normal

Las pruebas no paramtricas no asumen una distribucin
especfica de la poblacin

Bajo los mismos tamaos de muestra la Potencia o probabilidad
de rechazar Ho cuando es falsa es mayor en las pruebas
paramtricas que en las no paramtricas

Una ventaja de las pruebas no paramtricas es que los
resultados de la prueba son ms robustos contra violacin de
los supuestos

409
Prueba de Hiptesis
Variable
Atributo
Tablas de
Contingencia de
Correlacin
No Normal
Normal
Varianza
Medianas
Variancia
Medias

Prueba-F
Homogeneidad
de la Variacin
de Levene
Homogeneidad
de la Variacin
de Bartlett
Correlacin
Prueba de signos
Wilcoxon
Mann-
Whitney
Kurskal-
Wallis
Prueba de Mood
Friedman
Pruebas de t
ANOVA
Correlacin
Regresin
Muestra-1
Muestra-2
Una va
Dos vas
Residuos
distribuidos
normalmente
410

Pruebas de Varianzas
Homogeneidad de la varianza de
Levene : Compara dos o ms
varianzas de muestras de la misma
poblacin.


Pruebas de Variancias

X
2
: Compara la variancia de una
muestra con una variancia de un
universo conocido.

Prueba F : Compara dos varianzas
de muestras.

Homogeneidad de la variancia de
Bartlett: Compara dos o ms
varianzas muestras de la misma
poblacin.


Datos Normales Datos No Normales
Resumen de pruebas de Hiptesis
411
Pruebas de la Mediana

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

Prueba t de 1 muestra : Prueba si el promedio
de la muestra es igual a un promedio
conocido o meta conocida.
Prueba t de 2 muestras : Prueba si los dos
promedios de las muestras son iguales.
ANOVA de un factor: Prueba si ms de dos
promedios de las muestras son iguales.
ANOVA de dos factores : Prueba si los
promedios de las muestras clasificadas
bajo dos categoras, son iguales.

Correlacin : Prueba la relacin lineal entre
dos variables.

Regresin : Define la relacin lineal entre una
variable dependiente y una independiente.
(Aqu la "normalidad" se aplica al valor
residual de la regresin)

Datos Normales Datos No Normales
Resumen de pruebas de Hiptesis
412
Revise y asegrese de que los datos no siguen una distribucin normal.

Desarrollar una Prueba de normalidad (para verificar realmente lo
anormal. Para la prueba de Bartlet el valor de p debe ser < 0.05)

Desarrollar una Prueba de Corridas (para verificar que no existen
sucesos no aleatorios que puedan haber distorsionado la informacin)

Revisar la informacin para detectar errores (tipogrficos, etc.).
Investiguar los valores atpicos.

Una muestra pequea (n < 30) proveniente de un universo normal, se
mostrar algunas veces como anormal.

Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos

Si la informacin es todava anormal, entonces usar las herramientas no
paramtricas.
Acciones a tomar con datos No Normales
413
Promedio : Es la media aritmtica de la informacin. Es la suma de todos
los datos, dividida entre el nmero de datos de referencia.

Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).

Moda : Valor que se repite con ms frecuencia sobre el conjunto de datos.
Ejemplo:
Se cuestion a veinte personas sobre cunto tiempo les tomaba estar
listas para ir a trabajar, en las maanas. Sus respuestas (en minutos) se
muestran ms adelante. Cules son el promedio y la mediana para esta
muestra?

30, 37, 25, 35, 42, 35, 35, 47, 45, 60
39, 45, 30, 38, 35, 40, 44, 55, 47, 43


7B8. Definiciones
414
Un dibujo dice ms que mil palabras
El promedio puede estar influenciado considerablemente por los
valores atpicos porque, cuando se calcula un promedio, se incluyen los
valores reales de estos valores.

La mediana, por otra parte, asigna la misma importancia a todas las
observaciones, independientemente de los valores reales de los
valores atpicos, ya que es la que sencuentra en la posicin media de
los valores ordenados.

Promedio = 40.35 Mediana = 39.5


-------+---------+---------+---------+---------+---------+------ C1
Promedio
Mediana
28.0 35.0 42.0 49.0 56.0 63.0
415

Pruebas Alternativas comnmente usadas
Pruebas para datos No normales

Prueba de Corridas : Calcula la
probabilidad de que un X nmero de
puntos de referencia, est por encima o
por debajo del promedio aleatoriamente.

Prueba de signos, de 1 muestra :
Prueba la probabilidad de que la
mediana de la muestra, sea igual al valor
hipottico.

Prueba Mann-Whitney : Comprueba el
rango de dos muestras, por la diferencia
entre dos medianas del universo.

Prueba de la Mediana de Mood :
Prueba para ms de dos medianas del
universo. Ms robusta para los valores
atpicos o para los errores en la
informacin.



Analoga con datos normales

Prueba de Corridas (la misma
prueba para ambos tipos de
informacin)


Prueba t de una muestra




Prueba t de 2 muestras



ANOVA de un factor

Considere los siguientes datos (que se muestran aqu en orden cronolgico):
325, 210, 400, 72, 150, 145, 110, 507, 56, 120, 99, 144, 110, 110,
320, 290, 101, 0, 80, 500, 201, 50, 140, 80, 220, 180, 240, 309, 80

Es importante tener los datos registrados en orden cronolgico.

Una representacin grfica de los datos se asemeja a esto:
0
100
200
300
400
500
600
Promedio
Primera
"corrida"
Segunda racha"
Nmero total de Rachas: 12
Nmero total de puntos > al promedio: 11
Nmero total de puntos < al promedio: 18
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.


Prueba de Rachas
Prueba de Rachas
Promedio K = 184.4483

Nmero de rachas observado = 12

Nmero de rachas esperado = 14.6552
=> No se rechaza Ho
11 observaciones por encima de K; 18 por
debajo
La prueba es significativa en p= 0.2860
No se puede rechazar Ho con valor alfa = 0.05
Este es el valor p
de las Prueba de
Corridas
Prueba de Rachas
H
o
: Los datos son aleatorios
H
a
:Los datos NO so aleatorios
Ya que p > 0.05, no podemos rechazar la hiptesis nula.
Los datos son aceptados, siendo aleatorios.
Promedio
418
Clculos de la Prueba de Rachas
El estadstico Z cuando n > 20 se calcula como:

Z = (G - MediaG) / DesvStG

Con MediaG = 1 + (2n1*n2) / (n1 + n2)
DesvStG = Raiz [ (2n1*n2) (2n1*n2 - n1 -n2) / (n1 + n2)^2* (n1+n2 -1)

Del ejemplo anterior G = 12; n1 = 11 n2 = 18

MediaG = 14.655 DesStG = 2.4843

Z1 = (12 - 14.655) / 2.4843 = -1.0687
P(Z1) = 0.1430 y para dos colas se tiene

P(Z1) + P(Z2) = 0.2860 > Alfa crtico de 0.05, no rechazndose Ho

Si las n1 y n2 son menores a 21, entonces se consulta la tabla de
valores crticos para el nmero de Rachas G
419
Corrida con Minitab
Stat > Nonparametrics > Runs Test
Variable C1, Above and below the mean
P > 0.05
No rechazar
Ho
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
420
Prueba de Signos de la Mediana
H
o
: La mediana de la muestra es igual a la mediana de la hiptesis
H
a
: Las medianas son diferentes
Ejemplo (usando los datos del ejemplo anterior):

Ho: Valor de la mediana = 115.0
Ha: Valor de la mediana diferente de 115.0

N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12 0 17 0.4576 144.0
Ya que p >0.05, no se puede rechazar la hiptesis nula.
No se puede probar que la mediana real y la mediana hipottica son
diferentes.

En las pginas siguientes se muestra el detalle del clculo.
421
Clculos de la Prueba de Signos de la Mediana
Ejemplo: Con los datos del ejemplo anterior y ordenndo de menor a
mayor se tiene: n = 29, Mediana de Ho = 115

No. Valor Signo No. Valor Signo No. Valor Signo
1 0 - 11 110 - 21 220 +
2 50 - 12 110 - 22 240 +
3 56 - 13 120 + 23 290 +
4 72 - 14 140 + 24 309 +
5 80 - 15 144 + 25 320 +
6 80 - 16 145 + 26 325 +
7 80 - 17 150 + 27 400 +
8 99 - 18 180 + 28 500 +
9 101 - 19 201 + 29 507 +
10 110 - 20 210 +

Con la mediana en 144. Si el valor contra el cual se desea
probar es 115, entonces hay 12 valores por debajo de el (-) y 17
valores por arriba (+).

422
Clculos de la Prueba de Signos de la Mediana

El estadstico X es el el nmero de veces que ocurre el signo menos
frecuente, en este caso el 12 (-).

Cmo n > 25, se calcula el estadstico Z para la prueba de signos con:

Z = [ (Y + 0.5) - (0.5*n) ]/ 0.5 \ n

En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola izquierda
en forma similar P(Z2) 0-2288 para la cola derecha, por lo que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.

Si n hubiera sido < 25 entonces se hubiera consultado la tabla de
valores crticos para la prueba de signo.


423
Prueba de Signos de la Mediana
Bueno, veamos una grfica de la informacin
100 200 300 400 0 500
Es esto correcto?144 podra ser igual a 115?
115 144
Despus de todo, tal vez
esto SEA lo correcto.
424
Corrida en Minitab
Stat > Nonparametrics > 1-Sample sign Variable C1
Confidence interval 95% Test Median 115 Alternative Not equal








Como P > 0.05 no se rechaza Ho y la mediana es 115
Sign Test for Median: Signos
Sign test of median = 115.0 versus not = 115.0

N Below Equal Above P Median
Signos 29 12 0 17 0.4583 144.0
425
Prueba de Signos de la Mediana
Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de ventanas:

Ho: p = 0.5 no hay preferencia de A sobre B
Ha: p<>0.5
Ama Limpiador
B
Casa A
1 10 7
2 7 5
3 8 7
4 5 2
5 7 6
6 9 6
Hay evidencia que indique
cierta preferencia de las amas
de casa por lo limpiadores?
426
Prueba de Signos de la Mediana
Producto
B
Familia A
1 - +
2 - +
3 + -
4 - +
5 0 0
6 - +
7 - +
8 + -
9 - +
10 - +
11 - +
Hay evidencia que indique
cierta preferencia por un
Producto A o B?
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)

Zc = (Y media) / Desv. Estnd.
Rechazar Ho si Zc ><Zalfa/2
427
Prueba de Signos de la Mediana
Como Zc < Zexcel no se rechaza Ho o
Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
Media = 0.5*11 = 5.5
Desv. Estand.= 0.5*raiz(n) = 1.67

Para Zc = (8 5.5) / 1.67 = 1.497

Zexcel = 1.96 para alfa/2 = 0.025

428
Prueba rango con signo de Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de muestras
pareadas
Ejemplo: HO: Las poblaciones son idnticas Ha: Caso contrario
Trabaja
dor
Mtodo
1
Mtodo
2
Diferen
cias
Abs(difere
n.) Rango
Rango
c/signo
1 10.2 9.5 0.7 0.7 8 8
2 9.6 9.8 -0.2 0.2 2 -2
3 9.2 8.8 0.4 0.4 3.5 3.5
4 10.6 10.1 0.5 0.5 5.5 5.5
5 9.9 10.3 -0.4 0.4 3.5 -3.5
6 10.2 9.3 0.9 0.9 10 10
7 10.6 10.5 0.1 0.1 1 1
8 10 10 0 0 Eliminar
9 11.2 10.6 0.6 0.6 7 7
10 10.7 10.2 0.5 0.5 5.5 5.5
11 10.6 9.8 0.8 0.8 9 9
T = 44
429
Prueba rango con signo de Wilconox
Distribucin muestral T para poblaciones idnticas
Se aproxima a la distribucin normal para n >= 10




En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.

o = raiz(10 x 11 x 21/6) = 19.62
Z = (T )/o = 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



0 =
T

6
) 1 2 )( 1 ( + +
=
n n n
T
o
430
Prueba en Minitab para prueba de
mediana con Wilconox
File> Open worksheet > Exh_Stat
Stat > Nonparametrics > 1-Sample Wilconox
Variables C1 Test Median 77
Altenative Not equal
Achievement
77
88
85
74
75
62
80
70
83
Wilcoxon Signed Rank Test: Achievement
Test of median = 77.00 versus median not = 77.00
for Wilcoxon Estimated
for Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.889 77.50

Ho: Mediana = 77 Ha: Mediana <> 77
Como P de 0.889 >> alfa de 0.05 no se rechaza Ho
431
Prueba de Mann-Whitney
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
140
135
150
140
144
154
160
144
136
148

Edad 16-20
C2
130
166
128
126
140
136
132
128
124

Tuvieron diferencias
significativas las frecuencias de
pulso de ambos grupos?
432
Prueba de Mann-Whitney
Ordenando los datos y asignndoles el (rango) de su posicin relativa se tiene (promediando
posiciones para el caso de que sean iguales):
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160

n1 = 10
Ta = 130.5


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


n2 = 9
Tb = 55.5

433
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: q1 = q2 Ha: q1 = q2 q1, q2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2

Ua = 90 + 55 - 130.5 = 14.5 P(Ua) = 0.006 Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.


Dado que p < 0.05, rechazamos la hiptesis nula. Estadsticamente
existe una diferencia significativa entre los dos grupos de edad.
434
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son 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 o = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.


Dado que p < 0.05, rechazamos la hiptesis nula. Estadsticamente
existe una diferencia significativa entre los dos grupos de edad.
Prueba de Mann-Whitney
4
0
-
4
4

a

o
s

d
e

e
d
a
d

16-20 aos de edad
Diferencias entre los encabezados de
los renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias, denominada
"punto estimado". Este punto estimado es una aproximacin de la diferencia entre
las medianas de los dos grupos (ETA1 y ETA2).

Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
informacin), Minitab usa este punto estimado para calcular el valor p.
130 166 128 126 140 136 132 128 124
140 10 -26 12 14 0 4 8 12 16
135 5 -31 7 9 -5 -1 3 7 11
150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12
148 18 -18 20 22 8 12 16 20 24
436
Corrida en Minitab
Stat > Nonparametrics > Mann Whitney
First Sample C1 Second Sample C2 Conf. Level 95%
Alternative Not equal
Mann-Whitney Test and CI: C1, C2
N Median P>0.05
C1 10 144.00 Se rechaza Ho
C2 9 130.00
Point estimate for ETA1-ETA2 is 12.00
95.5 Percent CI for ETA1-ETA2 is (4.01,20.00)
W = 130.5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0143
The test is significant at 0.0140 (adjusted for ties)
437
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



n1 = 8
Ta = 118


Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119

n2 = 10
Tb = 111.5

Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169




n3 = 7
Tc = 95.5


N = n1 + n2 + n3 = 25
438
Prueba de Kruskal Wallis
Ho: Las poblaciones A, B y C son iguales
Ha: Las poblaciones no son iguales
Ho: q1 = q2 = q3 Ha: q1 = q2 = q3 ; q1, q2, q3 = Medianas de las poblaciones

Calculando el valor del estadstico H se tiene:
H = [ 12 /( N* ( N + 1)) ] * [ Ta
2
/ n1 + Tb
2
/ n2 + Tc
2
/ n3 ] - 3 * ( N +1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138

Se compara con el estadstico _
2
para o = 0.05 y G.l. = k - 1 = 3-1 = 1 (k muestras)
_
2
crtico = 5.991 (vlido siempre que las muestras tengan al menos 5 elementos)

Como H < _
2
crtico, no se rechaza la Hiptesis Ho: Afirmando que no hay
diferencia entre las poblaciones

439
Corrida en Minitab
Stat > Nonparametrics > Kruskal Wallis
Response C1 Factor C2 OK
Kruskal-Wallis Test: Datos versus Factor
Kruskal-Wallis Test on Datos
Factor N Median Ave Rank Z
Zona 1 7 138.0 14.7 0.98
Zona 2 10 126.5 11.1 -0.82
Zona 3 7 127.0 12.3 -0.10
Overall 24 12.5 P > 0.05
H = 1.08 DF = 2 P = 0.581 No se rechaza Ho
H = 1.09 DF = 2 P = 0.581 (adjusted for ties)
440
Prueba de Medianas de Mood
Realiza prueba de hiptesis de igualdad de medias en un diseo de una
va. La prueba es robusta contra Outliers y errores en datos y es
adecuada para anlisis preliminares

Determina si K grupos independientes han sido extraidas de la misma
poblacin con medianas iguales o poblaciones con formas similares

Con base en la gran mediana, anotar un signo positivo si la
observacin excede la mediana o un signo menos si es menor. Los
valores que coincidan se reparten en los grupos

Hacer una tabla de contingencia K x 2 con las frecuencias de signos
ms y menos en cada grupo K
441
Prueba de Medianas de Mood
Se determina el estadstico Chi Cuadrada con:





Probar Ho: Todas las medianas son iguales
Ha: Al menos una mediana es diferente

Se compara Chi Cuadrada calculada con Chi Cuadrada de alfa para
0.05 y (reng 1)*(Col 1) grados de libertad


=
E
E O
2
2
) (
_
442
Corrida con Minitab
Se les da a 179 participantes una conferencia con
dibujos para ilustrar el tema. Despus se les da la
prueba OTIS que mide la habilidad intelectual. Los
participantes se clasificaron por nivel educativo 0-No
prof., 1-Prof., 2-Prepa

Ho: h1 = h2 = h3 Ha: no todas las medianas son
iguales
File > Open Worksheet > Cartoon.mtw
Stat > Nonparametrics > Moods Median Test
Response Otis Factor ED Ok
443
Corrida con Minitab
Mood Median Test: Otis versus ED
Mood median test for Otis P>0.05
Chi-Square = 49.08 DF = 2 P = 0.0005 Se rechaza Ho
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+---------+---------
+--
0 47 9 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
Overall median = 107.0
444
Diseos factoriales aleatorias
bloqueados de Friedman
Esta prueba es una alternativa al ANOVA de dos vas, es
una generalizacin de las pruebas pareadas con
signo. La aditividad es requerida para para estimar
los efectos de los tratamientos

Ho: Los tratamientos no tienen un efecto significativo
Ha: Algunos tratamientos tienen efecto significativo


445
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados de salida:
Se muestra el estadstico de prueba con distribucin
Chi Cuadrada aproximada con gl = Tratamientos 1.

Si hay observaciones parecidas en uno o ms
bloques, se usa el rango promedio y se muestra el
estadstico corregido

La mediana estimada es la gran mediana ms el
efecto del tratamiento
446
Diseos factoriales aleatorias
bloqueados de Friedman
Ejemplo:
Se evala el efecto del tratamiento de una droga en
la actividad enzimtica con tres niveles, probado en
cuatro animales

Open the worksheet EXH_STAT.MTW.
Stat > Nonparametrics > Friedman.
Response, seleccionar EnzymeActivity.
En Treatment, seleccionar Therapy.
En Blocks, seleccionar Litter. Click OK.
447
Diseos factoriales aleatorias
bloqueados de Friedman
Datos:
EnzymeActivity Therapy Litter
0.15 1 1
0.26 1 2
0.23 1 3
0.99 1 4
0.55 2 1
0.26 2 2
-0.22 2 3
0.99 2 4
0.55 3 1
0.66 3 2
0.77 3 3
0.99 3 4
448
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados:
Friedman Test: EnzymeActivity versus Therapy
blocked by Litter
S = 2.38 DF = 2 P = 0.305 No rechazar Ho
S = 3.80 DF = 2 P = 0.150 (adjusted for ties)
Sum
of
Therapy N Est Median Ranks
1 4 0.2450 6.5
2 4 0.3117 7.0
3 4 0.5783 10.5
Grand median = 0.3783
449
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados:
El estadstico de prueba S tiene un valor P de 0.305 sin ajustar
para observaciones en cero y 0.150 para el valor ajustado.

Por tanto no hay evidencia suficiente para rechazar Ho

Las medianas estimadas asociadas con los tratamientos son la
gran mediana ms los efectos estimados de los tratamientos.

El estadstico de prueba se determina con base a los rangos en
cada bloque y totales
450
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados:
451
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados:
452
Diseos factoriales aleatorias
bloqueados de Friedman
Resultados:
453
Prueba de igualdad de
varianzas de Levene
Se usa para probar la hiptesis nula de que las varianzas de k
mltiples poblacionales son iguales

Las igualdad de varianzas en las muestras se denomina
homogeneidad de varianzas

La prueba de Levene es menos sensible que la prueba de
Bartlett o la prueba F cuando se apartan de la normalidad

La prueba de Bartlett tiene un mejor desempeo para la
distribucin normal o aproximadamente normal
454
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:

Determinar la media

Calcular la desviacin de cada observacin respecto a la
media

Z es el cuadrado de las desviaciones respecto a la media

Aplicar la prueba t a las dos medias de los datos
455
Prueba de igualdad
de Varianzas-Minitab
Se estudian tamaos de papa
inyectando con bacterias y
sujetas a diferentes
temperaturas. Antes del
ANOVA se verifica la
igualdad de varianzas

Stat > ANOVA > Test for
equal variances
Response Rot
Factors Temp Oxigen
Confidence level 95%

Rot Temp Oxygen
13 10 2
11 10 2
3 10 2
10 10 6
4 10 6
7 10 6
15 10 10
2 10 10
7 10 10
26 16 2
19 16 2
24 16 2
15 16 6
22 16 6
18 16 6
20 16 10
24 16 10
8 16 10
456
Resultados
457
Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard deviations
Temp Oxygen N Lower StDev Upper
10 2 3 2.26029 5.29150 81.890
10 6 3 1.28146 3.00000 46.427
10 10 3 2.80104 6.55744 101.481
16 2 3 1.54013 3.60555 55.799
16 6 3 1.50012 3.51188 54.349
16 10 3 3.55677 8.32666 128.862
Bartlett's Test (normal distribution)
Test statistic = 2.71, p-value = 0.744 P>0.05 no rechazar Ho
Levene's Test (any continuous distribution)
Test statistic = 0.37, p-value = 0.858
458
Prueba de la concordancia del
Coeficiente de Kendall
El coeficiente expresa el grado de asociacin entre las
calificaciones mltiples realizadas por un evaluador

Ho: Las variables son independientes
Ha: Las variables estn asociadas

Kendall usa la informacin relacionada con las calificaciones
relativas y es sensible a la seriedad de mala clasificacin

Por ejemplo para K = jueces N = Muestras = 10

Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crtica = X
2
0.01,9 = 21.67
459
Prueba de la concordancia del
Coeficiente de Kendall
El Estadstico Chi Cuadrada calculado es:





Como Chi Cuadrada de alfa es menor que la calculada, los
cuatro jueces estn asociados significativamente. Constituyen
un panel uniforme. No quiere decir que estn en lo correcto,
solo que responden de manera uniforme a los estmulos
460
El coeficiente de correlacin de
rangos de Spearman (r
s
)
El coeficiente de correlacin es una medida de la asociacin que
requiere que ambas variables sean medidas en al menos una
escala ordinal de manera que las muestras u observaciones a
ser analizadas pueden ser clasificadas en rangos en dos series
ordenadas

Ho: Las variables son independientes
Ha: Las variables estn asociadas

Para el ejemplo anterior si N = 10, el coeficiente es:
N N
d
r
s

=

3
2
6
1
97 . 0 03 . 0 1
990
) 5 . 5 ( 6
1 = = =
s
r
461
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)
Fab.
1 7 449.50 (1)
2 4 525.00 (5)
3 2 479.95 (3)
4 6 499.95 (4)
5 1 580.00 (8)
6 3 549.95 (7)
7 8 469.95 (2)
8 5 532.50 (6)


Di cuadrada
Rango
Di
6 36
-1 1
-1 1
2 4
-7 49
-4 16
6 36
-1 1
462
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


463
Tabla de constantes
n Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0.714 0.786
8 0.643 0.738
9 0.600 0.683
10 0.564 0.648
11 0.523 0.623
12 0.497 0.591
13 0.475 0.566
14 0.457 0.545
15 0.441 0.525
16 0.425 0.507
17 0.412 0.490
18 0.388 0.476
19 0.377 0.462
20 0.368 0.450
21 0.359 0.438
22 0.351 0.428
23 0.343 0.418
24 0.336 0.409
25 0.329 0.400
26 0.329 0.392
27 0.323 0.385
28 0.317 0.377
29 0.311 0.370
30 0.305 0.364
464
Corrida con Minitab
Para la corrida en Minitab primero se
deben determinar los rangos en
forma manual para las variables X
y Y.
Stat > Basic statistics > Correlation
Variables Preferencia Precio
Fabric
ante
Prefe-
rencia Precio
Preci
o
1 7 1 449
2 4 5 525
3 2 3 479
4 6 4 499
5 1 8 580
6 3 7 549
7 8 2 469
8 5 6 532
Correlations: Preferencia, Precio
Pearson correlation of
Preferencia and Precio = -0.714
P-Value = 0.047
465
Ejemplo con Minitab
Se estudia la relacin entre colgeno y
Proline en pacientes con cirrosis
Stat > Basic statistics > Correlation
Variables Colgeno Proline
Paciente Colgeno Proline
1 7.1 2.8
2 7.1 2.9
3 7.2 2.8
4 8.3 2.6
5 9.4 3.5
6 10.5 4.6
7 11.4 5
Correlations: Colageno, Proline
Pearson correlation of Colageno
and Proline = 0.935
P-Value = 0.002
466
Resumen de pruebas
no paramtricas
Prueba de signos de 1 muestra: Prueba la igualdad de la
mediana a un valor y determina el intervalo de confianza

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

Comparacin de dos medianas poblacionales de Mann Whitney:
Prueba la igualdad de las medianas y determina el intervalo de
confianza


467
Resumen de pruebas
no paramtricas

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


Comparacin de medianas poblacionales de Mood: Prueba la
igualdad de medianas con un diseo de una va



468
469
470
VI.C Anlisis del Modo y
Efecto de Falla (FMEA)
471
Qu es el FMEA?
El Anlisis de del Modo y Efectos de Falla es un grupo sistematizado de
actividades para:

Reconocer y evaluar fallas potenciales y sus efectos.

Identificar acciones que reduzcan o eliminen las
probabilidades de falla.

Documentar los procesos con los hallazgos del anlisis.

Existe el estndar MIL-STD-1629, Procedure for Performing a Failure
Mode, Effects and Criticality Analysis
472
Propsitos del FMEA
Mejorar la calidad, confiabilidad y seguridad de los
productos y procesos evaluados

Reducir el tiempo y costo de re-desarrollo del producto

Documenta y da seguimiento a acciones tomadas para
reducir el riesgo

Soporta el desarrollo de planes de control robustos
473
Propsitos del FMEA
Soporta el desarrollo de planes de verificacin del
desarrollo de diseo robusto

Apoya a priorizar y enfocarse en eliminar/reducir
problemas de proceso y producto y/o previene la
ocurrencia de problemas

Mejora la satisfaccin del cliente/consumidor
474
Tipos del FMEA
AMEF de concepto (CFMEA)
A nivel de sistema, subsistema y componente

AMEF de diseo (DFMEA)

AMEF de Proceso (PFMEA)

AMEF de maquinaria (como aplicacin del DFMEA)
475
Tipos de FMEAs
FMEA de Diseo (AMEFD), su propsito es analizar como
afectan al sistema los modos de falla y minimizar los
efectos de falla en el sistema. Se usan antes de la
liberacin de productos o servicios, para corregir las
deficiencias de diseo.

FMEA de Proceso (AMEFP), su propsito es analizar como
afectan al proceso los modos de falla y minimizar los
efectos de falla en el proceso. Se usan durante la
planeacin de calidad y como apoyo durante la produccin
o prestacin del servicio.
476
PFMEA o AMEF de Proceso
Fecha lmite:
Concepto Prototipo Pre-produccin /Produccin
FMEAD
FMEAP
FMEAD FMEAP
Caracterstica de Diseo Paso de Proceso
Falla Forma en que el Forma en que el proceso falla
producto o servicio falla al producir el requerimiento
que se pretende
Controles Tcnicas de Diseo de Controles de Proceso
Verificacin/Validacin

477
Flujo del FMEA y su rol
en evitar el Modo de Falla
DFMEA
Es un anlisis detallado de los modos de falla
potenciales relacionados con las funciones primarias y
de interfases del sistema.

Es el documento primario para demostrar que se han
evitado errores e identifica los controles y acciones
para reducir los riesgos asociados
478
Beneficios de los tipos de FMEA
FMEA de Diseo
Soporta el proceso de diseo al reducir el riesgo de fallas
(incluyendo las salidas no intencionadas) por:

Soporta la evaluacin objetiva de diseo, incluyendo
requerimientos funcionales y alternativas de diseo

Evaluar los diseos iniciales sobre requerimientos de
manufactura, ensamble, servicio y reciclado

Incrementar la probabilidad de que los modos de falla
potencial y sus efectos en el sistema y operacin del
producto se han considerado en el procesos de
diseo/desarrollo
479
Beneficios de los tipos de FMEA
FMEA de Diseo
Proporcionar informacin adicional como apoyo en la
planeacin exhaustiva de programas de diseo
eficiente, desarrollo y validacin

Desarrollo de una lista priorizada de modos de falla
potenciales de acuerdo a su efecto en el cliente
estableciendo un sistema de prioridades para mejoras
al diseo, desarrollo, validacin, prueba y anlisis

Proporcionar un formato de problemas pendientes para
recomendar y dar seguimiento de acciones que
reduzcan el riesgo
480
Beneficios de los tipos de FMEA
FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:
Identifica las funciones y requerimientos del proceso

Identifica modos de falla potenciales relacionados con el
producto y proceso

Evala los efectos de las fallas potenciales con el cliente

Identifica las causas potenciales en el proceso de
manufactura

Identifica las variables de proceso en las cuales hay que
enfocarse para reducir las fallas muy lejanas
481
Beneficios de los tipos de FMEA
FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:

Identificar las variables del proceso centrandose en la
ocurrencia

Reduccin o deteccin de las condiciones de falla

Identificar variables del proceso a las cuales enfocar el
control

Desarrollar una lista ordenada clasificada de modos de falla
estandarizados para establecer un sistema de prioridades
482
Beneficios de los tipos de FMEA
FMEA de Proceso
Sistema del prioridad del riesgo para consideraciones de
acciones preventivas y correctivas

Documentar los resultados del proceso de manufactura o
proceso de ensamble

Documenta los resultados del proceso de manufactura
o ensamble

Identifica deficiencias del proceso para orientar a
establecer controles para reducir la ocurrencia de
productos no conformes o en mtodos para mejorar su
deteccin


483
Beneficios de los tipos de FMEA
FMEA de Proceso
Identifica caractersticas crticas y/o significativas
confirmadas

Apoya en el desarrollo de Planes de Control a travs de
todo el proceso de manufactura

Identifica aspectos de preocupacin en relacin con la
seguridad del operador

Retroalimenta informacin sobre cambios de diseo
requeridos y factibilidad de manufactura a las reas de
diseo
484
Beneficios de los tipos de FMEA
FMEA de Proceso
Se enfoca a modos de falla potenciales del producto
causados por deficiencias de manufactura o ensamble

Confirma la necesidad de controles especiales en
manufactura y confirma las Caractersticas Especiales
designadas en el DFMEA

Identifica modos de falla del proceso que pudieran
violar las reglamentaciones del gobierno o
comprometer la seguridad del personal, identificando
otras Caractersticas especiales de Seguridad del
operador (OS) y con alto impacto (HI)

485
Salidas del FMEA de Proceso
Una lista de modos potenciales de falla

Una lista de Caracterticas crticas y/o significativas

Una lista de caractersticas relacionadas con la
seguridad del operador y con alto impacto

Una lista de controles especiales recomendados para
las Caractersticas Especiales designadas y
consideradas en el Plan de control
486
Salidas del FMEA de Proceso
Una lista de procesos o acciones de proceso para
reducir la Severidad, eliminar las causas de los modos
de falla del producto o reducir su tasa de ocurrencia, y
mejorar la tasa de Deteccin de defectos si no se
puede mejorar la capacidad del proceso

Cambios recomendados a las hojas de proceso y
dibujos de ensamble
487
Modos de fallas vs
Mecanismos de falla


El modo de falla es el sntoma real de la falla (altos
costos del servicio; tiempo de entrega excedido).

Mecanismos de falla son las razones simples o
diversas que causas el modo de falla (mtodos no
claros; cansancio; formatos ilegibles) o cualquier otra
razn que cause el modo de falla


488
Definiciones

Modo de Falla

- La forma en que un producto o proceso puede fallar para cumplir
con las especificaciones o requerimientos.

- Normalmente se asocia con un Defecto, falla o error.

Diseo Proceso
Alcance insuficiente Omisiones
Recursos inadecuados Monto equivocado
Servicio no adecuado Tiempo de respuesta excesivo

489
Definiciones

Efecto
- El impacto en el Cliente cuando el Modo de Falla no se previene
ni corrige.

- El cliente o el siguiente proceso puede ser afectado.

Ejemplos: Diseo Proceso
Serv. incompleto Servicio deficiente
Operacin errtica Claridad insuficiente
Causa
- Una deficiencia que genera el Modo de Falla.
- Las causas son fuentes de Variabilidad asociada con variables de
Entrada Claves

Ejemplos: Diseo Proceso
Material incorrecto Error en servicio
Demasiado esfuerzo No cumple requerimientos

490
Preparacin del AMEF
Se recomienda que sea un equipo
multidisciplinario

El responsable del sistema, producto o proceso
dirige el equipo, as como representantes de las
reas involucradas y otros expertos en la materia
que sea conveniente.

491
Al disear los sistemas, productos y procesos nuevos.
Al cambiar los diseos o procesos existentes o que sern
usados en aplicaciones o ambientes nuevos.

Despus de completar la Solucin de Problemas (con el fin de
evitar la incidencia del problema).

El AMEF de diseo, despus de definir las funciones del
producto, antes de que el diseo sea aprobado y entregado
para su manufactura o servicio.

El AMEF de proceso, cuando los documentos preliminares del
producto y sus especificaciones estn disponibles.
Cuando iniciar un FMEA?
492
FMEA de Diseo - DFMEA
493
AMEF de Diseo


El DFMEA es una tcnica analtica utilizada por el
equipo de diseo para asegurar que los modos de
falla potenciales y sus causas/mecanismos asociados,
se han considerado y atendido
494
AMEF de Diseo
El proceso inicia con un listado de lo que se espera
del diseo (intencin) y que no har el diseo

Las necesidades y expectativas de los clientes de
determinan de fuentes tales como el QFD,
requerimientos de diseo del producto, y/o
requerimientos de manufactura/ensamble/servicio.

Entre mejor se definan las caractersticas deseadas,
ser ms fcil identificar Modos de de falla
potenciales para toma de acciones correctivas /
preventivas.
495
Equipo de trabajo
El equipo se divide en dos secciones:

El equipo central (core) que participa en todas las
fases del FMEA y el equipo de soporte que apoya
conforme es requerido

El apoyo de la alta direccin es crucial para el xito
496
Alcance del DMEA
El alcance se establece en el Diagrama de lmites
(Boundary Diagram) por medio de consenso con el
equipo de:

Qu se va incluir? Qu se va a excluir?

Establecer los lmites adecuados antes de hacer el
DFMEA evitar entrar en reas que no se estn
revisando o creando, para asegurar que el equipo
adecuado realice el anlisis
497
Alcance del DMEA
Para determinar la amplitud del alcance, se deben hacer las
decisiones siguientes:

Determinar la estabilidad del diseo o desarrollo del proceso, a
lo mejor primero se deben aclarar y resolver asuntos pendientes
antes del DMFEA, est finalizado o es un punto de control?

Cuntos atributos o caractersticas estn todava bajo discusin
o la necesidad debe determinarse?

Qu tan avanzado va el diseo o proceso para su terminacin?
Tendr cambios


498
Entradas al DFMEA
Herramientas de robustez
Su propsito es reducir la probabilidad de campaas
de calidad, mejorar la imagen, reducir reclamaciones
de calidad e incrementar la satisfaccin del cliente

Se generan del diagrama P que identifica los cinco
factores de ruido, para ser atendidos a tiempo
haciendo al diseo insensible al ruido

499
Modelo DFMEA Paso 1
Funciones
Identificar todas las funciones en el alcance
Identificar como cada una de las funciones puede fallar (Modos
de falla)

Identificar un grupo de efectos asociados para cada modo de
falla
Identificar el rango de severidad para cada uno de los grupos
de efectos que prioriza los modos de falla

Si es posible recomendar acciones para eliminar los modos de
falla sin atender las causas
Completar pasos 2 y 3
500
Modelo DFMEA Paso 1
Funciones
La funcin da respuesta a Qu se supone que hace este
artculo?

Las funciones son intenciones del diseo o especs. de ing. y:

Se escriben en forma de verbo/nombre/caract. medible

La caracterstica Medible o SDS: Puede ser
verificada/validada; incluye parmetros adicionales o
parmetros de diseo como especificaciones de servicio,
condiciones especiales, peso, tamao, localizacin y
accesibilidad o requerimientos de estndares (v. gr. EMVSS)
501
Modelo DFMEA Paso 1
Funciones
Las funciones representan las expectativas, necesidades y
requerimientos tanto explcitos como no explcitos de los
clientes y sistemas

Las funciones no pueden fallar si no son medibles o
especificadas

Ejemplos:
Almacenar fluido, X litros sin fugas
Controlar el flujo, X centmetros cbicos por segundo
Abrir con X fuerza
Mantener la calidad del fluido durante X aos bajo
condiciones de operacin
502
Modelo DFMEA Paso 1
Modos de falla potenciales
Son las formas en las cuales un componente, subsistema o
sistema pueden potencialmente no cumplir o proporcionar la
funcin intencionada, pueden ser tambin las causas

El Modo de falla en un sistema mayor puede ser el efecto de un
componente de menor nivel

Listar cada uno de los modos de falla potenciales asociados con
el artculo en particular y con su funcin (revisar el historial de
garantas y fallas o hacer tormenta de ideas

Tambin se deben considerar modos de falla potenciales que
pudieran ocurrir slo bajo ciertas condiciones (vg. Calor, fro,
humedad, polvo, etc)
503
Modelo DFMEA Paso 1
Tipos de Modos de falla potenciales
No funciona
Funciona parcialmente / sobre funcin / degradacin
con el tiempo

Funcin intermitente
A veces causado por los factores ambientales

Funcin no intencionada
Los limpiadores operan sin haber actuado el switch
El coche va hacia atrs an con la palanca en Drive


504
Modelo DFMEA Paso 1
Preguntas para Modos Potenciales de falla
De que manera puede fallar este artculo para
realizar su funcin intencionada?

Qu puede salir mal (go wrong), a pesar de que el
artculo se fabrica de acuerdo al dibujo?

Cundo se prueba la funcin, como se debera
reconocer su modo de falla?

Dnde y cmo operar el diseo?
505
Modelo DFMEA Paso 1
Preguntas para Modos Potenciales de falla
Bajo que condiciones ambientales operar?
El artculo ser usado en ensambles de ms alto nivel?
Cmo interacta/interfase con otros niveles del diseo?

No introducir modos de fallas triviales que no pueden o no
ocurrirn

Asumiendo la funcin:
Almacenar fluido, X litros, 0 fugas, durante 10 aos

Sus modos de falla son:
Almacenar < X, presenta fugas
506
Modelo DFMEA Paso 1
Efectos Potenciales de falla
Se definen como los efectos del modo de falla en la funcin
percibida por el cliente. Qu puede notar o experimentar ya sea
interno o final

Establecer claramente si la funcin podra impactar a la
seguridad, o no cumplimiento de reglamentaciones

Los efectos se establecen en trminos de sisemas especficos,
subsistemas o componentes conforme sean analizados

La intencin es analizar los efectos de falla al nivel de experiecia
y conocimiento del equipo.
507
Modelo DFMEA Paso 1
Efectos Potenciales de falla
Describir las consecuencias de cada uno de los modos de falla
identificados en:
Partes o componentes
Ensambles del siguiente nivel
Sistemas
Clientes
Reglamentaciones

NOTA. Todos los estados de error del diagrama P deben ser
incluidos en la columna de Modos de falla o efectos del DMFEA
508
Modelo DFMEA Paso 1
Ejemplos de Efectos Potenciales de falla
Ruidos

Operacin errtica no operable

Apariencia pobre olores desagradables

Operacin inestable

Operacin intermitente

Fugas

Ruido de radiofrecuencia (EMC)
509
Modelo DFMEA Paso 1
Severidad
Es la evaluacin asociada con el efecto ms serio de la columna
anterior. Habr slo una severidad para cada modo de falla

Para reducir la severidad es necesario hacer un cambio de
diseo

La severidad se estima de la tabla siguiente
510
Rangos de Severidad (AMEFD)
Efecto Rango Criterio .
No 1 Sin efecto
Muy poco 2 Cliente no molesto. Poco efecto en el desempeo del componente o
servicio.
Poco 3 Cliente algo molesto. Poco efecto en el desempeo del comp. o
servicio.
Menor 4 El cliente se siente un poco fastidiado. Efecto menor en el desempeo
del componente o servicio.
Moderado 5 El cliente se siente algo insatisfecho. Efecto moderado en el
desempeo del componente o servicio.

Significativo 6 El cliente se siente algo inconforme. El desempeo del comp. o
servicio se ve afectado, pero es operable y est a salvo. Falla parcial,
pero operable.
Mayor 7 El cliente est insatisfecho. El desempeo del servicio se ve
seriamente afectado, pero es funcional y est a salvo. Sistema afectado.
Extremo 8 Cliente muy insatisfecho. Servicio inadecuado, pero a salvo. Sistema
inoperable.
Serio 9 Efecto de peligro potencial. Capaz de descontinuar el uso sin perder
tiempo, dependiendo de la falla. Se cumple con el reglamento del
gobierno en materia de riesgo.
Peligro 10 Efecto peligroso. Seguridad relacionada - falla repentina.
Incumplimiento con reglamento del gobierno.
511
Modelo DFMEA Paso 1
Clasificacin
Cuando un modo de falla tiene un rango de severidad de 9 o
10, existe una caracterstica crtica, se identifica como YC y se
inicia un FMEA de proceso

Estas caractersticas del producto afectan su funcin segura y/o
cumplimiento de reglamentaciones gubernamentales y pueden
requerir condiciones especiales de manufactura, ensamble,
abastecimiento, embarque, monitoreo y/o acciones de
inspeccin o controles
512
Modelo DFMEA Paso 1
Acciones recomendadas
Eliminar el Modo de falla

Mitigar el efecto

Es necesario un nfasis especial en acciones posibles cuando la
severidad es 9 o 10. Para valores menores tambin se pueden
considerar acciones

Para eliminar el modo de falla considerar la accin:
Cambiar el diseo (vg. Geometra, material) si est
relaionado a una caracterstica del producto

513
Modelo DFMEA Paso 2
Identificar:
Las Causas asociadas (primer nivel y raz)

Su tasa de ocurrencia estimada

La designacin de la caracterstica adecuada (si
existe) a ser indicada en la columna de clasificacin

Acciones recomendadas para Severidad y Criticalidad
alta (S x O)
514
Model DFMEA Paso 2
Causa potencial o mecanismo de falla
La causa potencial de falla se define como un
indicador de debilidad del diseo cuya consecuencia
es el modo de falla

Listar como sea posible, cada causa de falla y/o
mecanismo de falla para cada uno de los modos de
falla. El detalle de la descripcin permitir enfocar los
esfuerzos para atacar la causa pertinente

515
Model DFMEA Paso 2
Causa potencial o mecanismo de falla
Se puede emplear un diagrama de Ishikawa o un rbol de falla
(FTA), preguntarse:
Qu circunstancia pudo causar que fallara el artculo para su
fncin?
Cmo podra fallar el artculo para cumplir con las
especificaciones?
Cmo pueden ser incompatibles artculos que interactan?
Qu informacin desarrollada en los diagramas P y Matriz de
Interfase pueden identificar causas potenciales?
Qu puede causar que el artculo no de la funcin
intencionada?
Qu informacin en el Diagrama de lmites pudo haberse
pasado que pueda causar este modo de falla?
En que puede contribuir el historial de 8Ds y FMEAs a las
causas potenciales?
516
Model DFMEA Paso 2
Causa potencial o mecanismo de falla
Supuesto 1: El artculo se fabric de acuerdo a especificaciones,
ejemplos de causas de falla:
La especificacin de Porosidad del material es muy alta
La dureza del material especificada es muy baja

El lubricante especificado es muy viscoso
Torque especificado demasiado bajo

Supuesto de confiabilidad inadecuada
Degradacin de parmetro del Componente

Calor excesivo
517
Model DFMEA Paso 2
Causa potencial o mecanismo de falla
Supuesto 2: El artculo puede incluir una deficiencia que causa
variabilidad introducida en el proceso de ensamble o
manufactura:

Especificar un diseo simtrico que permita que la parte se
pueda instalar desde atrs o de arriba a abajo

Torque incorrecto debido a que el hoyo est diseado fuera de
posicin

Cinturn equivocado debido a que el diseo es similar a otro
que es estndar tambin en uso

518
Modelo DFMEA Paso 2
Causa potencial o mecanismo de falla
Precauciones:
El DFMA no confa en los controles del proceso para subsanar
debilidades del diseo, pero toma en cuenta sus limitaciones

El objetivo es identificar las deficiencias del diseo que peuden
causar variacin inaceptable en el proceso de manufactura o
ensamble a travs de un equipo multidisciplinario

Las causas de variacin que no sean el resultado de directo de
deficiencias de diseo pueden identificarse en el DFMEA y ser
atendidas en el FMEA de Proceso

Otro objetivo es identificar las caractersticas que mejoren la
robustez del diseo que pueda compensar variaciones en
proceso
519
Modelo DFMEA Paso 2
Ocurrencia
Ocurrencia es la probabilidad de que una causa/mecanismo
(listado en la columna previa) ocurra durante la vida del diseo

El rango de ocurrencia tiene un significado relativo ms que sea
absoluto

La prevencin o control de las Causas / Mecanismos del modo
de falla se realiza a travs de cambios de diseo o cambios de
diseo del proceso para reducir la ocurrencia
520
Modelo DFMEA Paso 2
Estimacin de la Ocurrencia
Cul es el historial de servicio y campo experimentado con
artculos similares?
El artculo es similar al utilizado en niveles anteriores de
subsistemas?

El componente es radicalmente diferente de los anteriores?
Ha cambiado la aplicacin del componente?

Se han instalado controles preventivos en el proceso?
Cules son los cambios en el ambiente?

Se ha realizado un anlisis anltico de la prediccin de
confiabilidad para estimar la tasa de ocurrencia?

Rangos de Ocurrencia (AMEFD)
Ocurrencia Criterios
Remota Falla improbable. No existen fallas
asociadas con este producto o con
un producto / Servicio casi idntico
Muy Poca Slo fallas aisladas asociadas con
este producto / Servicio
casi idntico
Poca Fallas aisladas asociadas con
productos / Servicios similares
Moderada Este producto / Servicio ha
tenido fallas ocasionales
Alta Este producto / Servicio ha
fallado a menudo
Muy alta La falla es casi inevitable
Probabilidad de Falla
Rango
1 <1 en 1,500,000 Zlt > 5

2 1 en 150,000 Zlt > 4.5

3 1 en 30,000
Zlt > 4

4 1 en 4,500 Zlt > 3.5
5 1 en 800 Zlt > 3
6 1 en 150 Zlt > 2.5
7 1 en 50 Zlt > 2
8 1 en 15 Zlt > 1.5
9 1 en 6 Zlt > 1
10 >1 en 3 Zlt < 1
Nota: El criterio se basa en la probabilidad de ocurrencia de la
causa/mecanismo. Se puede basar en el desempeo de un diseo similar en
una aplicacin similar.
522
Clasificacin
Cuando el Modo de falla/causa tien una severidad de
5 a 8 y una ocurrencia de 4 o mayor, entonces se
tiene una caractertica significativa crtica potencial
que se identifica con YS y se inicia el FMEA de
proceso

Estas caractersticas del producto afectan la funcin
del producto y/o son importantes para la satisfaccin
del cliente y pueden requerir condiciones especiales
de manufactura, ensamble, embarque, monitoreo y/o
inspeccin

523
Modelo DFMEA
Paso 3
Si las causas no se pueden eliminar en paso 1 o 2, Identificar
Controles actuales de prevencin usados para establecer la
ocurrencia
Controles actuales de deteccin (vg. Pruebas) usadas para
establecer la Deteccin
Determinar la efectividad de los controles de Deteccin en
escala de 1 a 10
El RPN inicial (Risk Priority Number).
Acciones Recomendadas (Prevencinn and Deteccin).
Cuando ya se hayan implementado las acciones recomenddas,
se revisa el formato DFMEA en relacin a la Severidad,
Ocurrencia, Deteccin y RPN
524
Modelo DFMEA Paso 3
Controles de diseo actuales
Listar las actividades terminadas para prevencin,
vaidacin/verificacin del diseo (DV), u otras actividades que
aseguran la adecuacin del diseo para el modo de falla y/o
causa / mecanismo bajo consideracin

Controles actuales (vg. Diseos falla/seguro como vlvulas de
alivio, revisiones de factibilidad, CAE, Confianilidad y robustez
analtica) son los que han sido o estan usndose con los mismos
diseos o similares.

El equipo siempre debe enfocarse a mejorar los controles de
diseo, por ejemplo la creacin de nuevos sistemas de prueba
en el laboratorio, o la creacin de muevos algoritmos de
modelado, etc.

525
Modelo DFMEA Paso 3
Controles de diseo actuales
Hay dos tipos de controles de diseo: Prevencin y
deteccin

De prevencin:
Previenen la ocurrencia de la causa/mecanismo o Modo
de falla/efecto reduciendo la tasa de Ocurrencia
De deteccin:
Detectan la causa/mecanismo o Modo de falla/efecto
ya sea por mtodos analticos o fsicos antes que el
artculo se libere para Poduccin
Si solo se usa una columna indicarlos con P o D
526
Modelo DFMEA Paso 3
Controles de diseo actuales
Identificacin de controles de diseo
Si una causa potencial no fue analizada, el producto
con deficiencia de diseo pasar a Produccin. Una
forma de detectarlo es con su Modo de falla
resultante. Se debe tomar accin correctiva

Identificar controles de diseo como sigue:
1. Identificar y listar los mtodos que puedan ser
utilizados para detectar el modo de falla, como:
1. FMEA anteriores, Planes de DV anteriores, Lista de
verificcin de robustez, Acciones de 8Ds

527
Modelo DFMEA Paso 3
Controles de diseo actuales
2. Listar todos los controles de diseo histricos que
puedan ser suados para causas de primer nivel
listadas. Revisar reportes histricos de pruebas

3. Identificar otros mtodos posibles preguntando:
De que manera puede la causa de este modo de falla ser
reconocida?

Cmo puedo descubrir que esta causa ha ocurrido?

De que manera este modo de falla puede ser reconocido?
Cmo puedo descubrir que este modo de falla ha ocurrido?
528
Modelo DFMEA Paso 3
Deteccin
Cuando se estima una tasa de Deteccin, considerar solo los
controles que sern usados para detectar los Modos de Falla o
sus Causas. Los controles intencionados para prevenir o reducir
la Ocurrencia de una Causa o Modo de falla son considerados al
estimar la tasa de Ocurrencia

Si los controles de prevencin no detectan deben ser calificadas
con 10

Solo se deben considerar los mtodos que son usados antes de
la liberacin a Produccin para estimar la tasa de Deteccin
Los programas de verificacin de diseo deben basarse en la
efectividad de los controles de diseo

529
Modelo DFMEA Paso 3
Deteccin
Para evaluar la efectividad de cada control de diseo considerar las
siguientes categoras (de mayor a menor):

Mtodos de anlisis de diseo
Modelado y simulacin probada (vg. Anlisis de elementos
finitos)
Estudios de tolerancias (vg. Tolerancias deomtricas
dimensionales)
Estudios de compatibilidad de materiales (vg. Expansin
trmica, corrosin)
Revisin de diseo subjetiva
Mtodos de desarrollo de pruebas:
Diseo de experimentos/ experimentos de peor caso (vg.
Ruido)

530
Modelo DFMEA Paso 3
Deteccin
Mtodos de desarrollo de pruebas (cont):
Pruebas en muestras de pre-produccin o prototipo
Maquetas usando partes similares
Pruebas de durabilidad (verificacin de diseo)
Nmero de muestras a ser probadas
Muestra significativa estadsticamente
Cantidad pequea, no significativa estadsticamente
Oportunidad de la aplicacin de control de diseo
Desde la etapa de diseo del concepto (vg. Decisin
del tema)
Al tener prototipos de ingeneira
Justo antes de liberarse a Produccin
Rangos de Deteccin (AMEFD)
Rango de Probabilidad de Deteccin basado en la
efectividad del Sistema de Control Actual; basado en el
cumplimiento oportuno con el Plazo Fijado

1 Detectado antes del prototipo o prueba piloto
2 - 3 Detectado antes de entregar el diseo
4 - 5 Detectado antes del lanzamiento del servicio
6 - 7 Detectado antes de la prestacin del servicio
8 Detectado antes de prestar el servicio
9 Detectado en campo, pero antes de que ocurra la falla o error
10 No detectable hasta que ocurra la falla o error en campo
532
DFMEA Clculo del riesgo
El nmero de prioridad del rieso (RPN) es el producto de
Severidad (S), Ocurrencia (O) y Deteccin (D)

RPN = (S) x (O) x (D) con valores entre 1 y 1000

Puede usarse como en un Pareto para priorizar riesgos
potenciales con efectos que tengan las tasas ms altas de
severidad

Atender los aspectos con Severidad 9 o 10 y despus los efectos
con Severidad alta; los de criticalidad alta (S x O) y al final los
que tienen RPNs ms altos

533
DFMEA Acciones recomendadas
Considerar acciones como las siguientes:
Revisin del diseo de la Geometra y/o tolerancias
Revisin de especificacin de materiales
Diseos de experimentos (con mltiples causas interactuando) u
otras tcnicas de solucin de problemas
Revisin de planes de prueba
Sistemas redundantes dispositivos de aviso estados de falla
(ON y OFF)

El objetivo primario de las acciones recomendadas es reducir
riesgos e incrementar la satisfaccin del cliente al mejorar el
diseo.
Para reducir la severidad es necesario un cambio de diseo
534
DFMEA Acciones tomadas
Se identifica la organizacin y persona responsable para las
acciones recomendadas y la fecha de terminacin

Dar seguimiento:
Desarrollar una lista de caractersticas especiales parasu
consideracin en el DFMEA
Dar seguimiento a todas las acciones recomendadas y
actualizar las acciones del DFMEA

Despus de que se implementa una accin, anotar una
descripcin breve y la fecha de efectividad
535
DFMEA Nivel de riesgo RPN
Despus de haber implementado las acciones
preventivas/correctivas, registrar la nueva Severidad,
Ocurrencia y Deteccin

Calcular el nuevo RPN

Si no se tomaron acciones en algunos aspectos, dejarlos en
blanco
536
DFMEA Lista de verificacin de
robustez
Es una salida del proceso integrado de robustez:
Resume los atributos de robustez clave y controles de
diseo

Enlaza el DFMEA y los 5 factores de ruido del diseo al
Plan de verificacin de diseo (DVP); vg., esta lista es
una entrada al DVP

Debe ser un documento clave a revisar como parte del
proceso de revisin de diseo
537
FMEA de Proceso - PFMEA
538
PFMEA
Equipo
Se inicia por el Ing. responsable de la actividad, en
conjunto con un equipo de personas expertas adems
de incluir personas de apoyo

Alcance
Define que es incluido y que es excluido

539
Entradas al PFMEA
Diagrama de flujo del proceso
El equipo debe desarrollar el flujo del proceso,
preguntando Qu se supone que hace el proceso?;
Cul es su propsito?; Cul es su funcin?

El Diagrama P es una entrada opcional al PFMEA


540
Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Funcin
del Producto/
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo o
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
541
Modelo del PFMEA Paso 1
Identificar todos los requerimientos funcionales dentro del
alcance

Identificar los modos de falla correspondientes

Identificar un conjunto de efectos asociados para cada modo de
falla

Identificar la calificacin de severidad para cada conjunto de
efectos que de prioridad el modo de falla

De ser posible, tomar acciones para eliminar modos de falla sin
atender las causas
542
Modelo de PFMEA Paso 1
Requerimientos de la funcin del proceso
Contiene caractersticas de ambos el producto y el
proceso

Ejemplos
Operacin No. 20: Hacer perforacin de tamao X de
cierta profundidad
Operacin No. 22: Realizar el subensamble X al
ensamble Y

Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Componente/Paso
de proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles del
Diseo /
Proceso
Actual
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Relacione las
funciones del
diseo del
componente
Pasos del proceso
Del diagrama de flujo
544
Modelo de PFMEA Paso 1
Modos de falla potenciales
No funciona
Funcionamiento parcial / Sobre funcin / Degradacin en el
tiempo
Funcionamiento intermitente
Funcin no intencionada
Los modos de falla se pueden categorizar como sigue:
Manufactura: Dimensional fuera de tolerancia
Ensamble: Falta de componentes
Recibo de materiales: Aceptar partes no conformes
Inspeccin/Prueba: Aceptar partes equivocadas

Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
componente/
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
D
i
v
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura
correcta
Datos incorrectos
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Identificar modos
de falla Tipo 1
inherentes al
diseo
546
Modelo de PFMEA Paso 1
Efectos de las fallas potenciales (consecuencias en)
Seguridad del operador
Siguiente usuario
Usuarios siguientes
Mquinas / equipos
Operacin del producto final
Cliente ltimo
Cumplimiento de reglamentaciones gubernamentales

547
Modelo de PFMEA - Paso 1
Efectos de las fallas potenciales (en usuario final)
Ruido
Operacin errtica
Inoperable
Inestable
Apariencia mala
Fugas
Excesivo esfuerzo
Retrabajos / reparaciones
Insatisfaccin del cliente
548
Modelo de PFMEA Paso 1
Efectos de las fallas potenciales (en siguiente
operacin)
No se puede sujetar
No se puede tapar
No se puede montar
Pone en riesgo al operador
No se ajusta
No conecta
Daa al equipo
Causa excesivo desgaste de herramentales
Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
D
i
v
Causa(s)
Potencial(es)
oMecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos incorrectosLOCAL:
Rehacer
la factura
MAXIMO PROXIMO
Contabilidad
equivocada
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Describir los efectos de
modo de falla en:
LOCAL
El mayor subsecuente
Y Usuario final
CTQs del QFD o
Matriz de Causa Efecto
Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Efecto

Efecto en el cliente

Efecto en Manufactura /Ensamble

Calif.

Peligroso
sin aviso

Calificacin de severidad muy alta cuando un modo potencial de
falla afecta la operacin segura del producto y/o involucra un no
cumplimiento con alguna regulacin gubernamental, sin aviso

Puede exponer al peligro al operador (mquina o ensamble)
sin aviso

10

Peligroso
con aviso

Calificacin de severidad muy alta cuando un modo potencial de
falla afecta la operacin segura del producto y/o involucra un no
cumplimiento con alguna regulacin gubernamental, con aviso

Puede exponer al peligro al operador (mquina o ensamble)
sin aviso

9

Muy alto

El producto / item es inoperable ( prdida de la funcin
primaria)

El 100% del producto puede tener que ser desechado op
reparado con un tiempo o costo infinitamente mayor

8

Alto

El producto / item es operable pero con un reducido nivel de
desempeo. Cliente muy insatisfecho

El producto tiene que ser seleccionado y un parte
desechada o reparada en un tiempo y costo muy alto

7

Modera
do

Producto / item operable, pero un item de confort/conveniencia
es inoperable. Cliente insatisfecho

Una parte del producto puede tener que ser desechado sin
seleccin o reparado con un tiempo y costo alto

6

Bajo

Producto / item operable, pero un item de confort/conveniencia
son operables a niveles de desempeo bajos

El 100% del producto puede tener que ser retrabajado o
reparado fuera de lnea pero no necesariamente va al rea
de retrabajo .

5

Muy bajo

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 75% de los clientes

El producto puede tener que ser seleccionado, sin desecho,
y una parte retrabajada

4

Menor

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 50% de los clientes

El producto puede tener que ser retrabajada, sin desecho,
en lnea, pero fuera de la estacin

3

Muy
menor

No se cumple con el ajuste, acabado o presenta ruidos, y
rechinidos. Defecto notado por clientes muy crticos (menos del
25%)

El producto puede tener que ser retrabajado, sin desecho
en la lnea, en la estacin

2

Ninguno

Sin efecto perceptible

Ligero inconveniente para la operacin u operador, o sin
efecto

1

CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA AMEFP
Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Efecto

Efecto en el cliente

Efecto en Manufactura /Ensamble

Calif.

Peligroso
sin aviso

Calificacin de severidad muy alta cuando un modo potencial de
falla afecta la operacin segura del producto y/o involucra un no
cumplimiento con alguna regulacin gubernamental, sin aviso

Puede exponer al peligro al operador (mquina o ensamble)
sin aviso

10

Peligroso
con aviso

Calificacin de severidad muy alta cuando un modo potencial de
falla afecta la operacin segura del producto y/o involucra un no
cumplimiento con alguna regulacin gubernamental, con aviso

Puede exponer al peligro al operador (mquina o ensamble)
sin aviso

9

Muy alto

El producto / item es inoperable ( prdida de la funcin
primaria)

El 100% del producto puede tener que ser desechado op
reparado con un tiempo o costo infinitamente mayor

8

Alto

El producto / item es operable pero con un reducido nivel de
desempeo. Cliente muy insatisfecho

El producto tiene que ser seleccionado y un parte
desechada o reparada en un tiempo y costo muy alto

7

Modera
do

Producto / item operable, pero un item de confort/conveniencia
es inoperable. Cliente insatisfecho

Una parte del producto puede tener que ser desechado sin
seleccin o reparado con un tiempo y costo alto

6

Bajo

Producto / item operable, pero un item de confort/conveniencia
son operables a niveles de desempeo bajos

El 100% del producto puede tener que ser retrabajado o
reparado fuera de lnea pero no necesariamente va al rea
de retrabajo .

5

Muy bajo

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 75% de los clientes

El producto puede tener que ser seleccionado, sin desecho,
y una parte retrabajada

4

Menor

No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 50% de los clientes

El producto puede tener que ser retrabajada, sin desecho,
en lnea, pero fuera de la estacin

3

Muy
menor

No se cumple con el ajuste, acabado o presenta ruidos, y
rechinidos. Defecto notado por clientes muy crticos (menos del
25%)

El producto puede tener que ser retrabajado, sin desecho
en la lnea, en la estacin

2

Ninguno

Sin efecto perceptible

Ligero inconveniente para la operacin u operador, o sin
efecto

1

CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA PFMEA
552
Modelo de PFMEA Paso 2
Paso 2 identificar:
Las causas asociadas (primer nivel y raz)

Su tasa de ocurrencia

La designacin apropiada de la caracterstica indicada
en ola columna de clasificacin

Acciones recomendadas para alta severidad y
criticalidad (S x O) as como la Seguridad del operador
(OS) y errores de proceso de alto impacto (HI)
553
Modelo de PFMEA Paso 2
Causa/Mecanismo potencial de falla
Describe la forma de cmo puede ocurrir la falla,
descrito en trminos de algo que puede ser corregido o
controlado
Se debe dar priorioridad a rangos de prioridad de 9 o
10
Ejemplos, especificar claramente:
Torque inadecuado (bajo o alto)
Soldadura iandecuada (corriente, tiempo, presin)
Lubricacin inadecuada
554
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo de Falla
Efectos Locales
Efectos en el rea Local
Impactos Inmediatos

Efectos Mayores Subsecuentes
Entre Efectos Locales y Usuario Final

Efectos Finales
Efecto en el Usuario Final del producto o Servicio
555
Modelo de PFMEA Paso 2
Suposicin 1: Los materiales para la operacin son
correctos
Ajuste de herramentales a la profundidad equivocada
Desgaste de herramentales
Temperatura del horno muy alta
Tiempo de curado muy corto
Presin de aire muy baja
Velocidad del transportador no es constante
Jets de lavadora desconectados
556
Modelo de PFMEA Paso 2
Suposicin 2: Los materiales para la operacin tienen
variacin
Material demasiado duro / suave / quebradizo
La Dimensin no cumple especificaciones
El acabado superficial de la operacin 10 no cumple
especificaciones
El localizador de perforacin fuera de posicin correcta
557
Modelo de PFMEA Paso 2
Ocurrencia:
Es la probabilidad de que una causa/mecanismo ocurra
Se puede reducir o controlar solo a travs de un
cambio de diseo
Si la ocurrencia de la causa no puede ser estimada,
entonces estimar la tasa de falla posible
CRITERIO DE EVALUACIN DE OCURRENCIA SUGERIDO PARA AMEFP
100 por mil piezas
Probabilidad

Indices Posibles de
falla

ppk

Calif.

Muy alta: Fallas
persistentes

< 0.55

10

50 por mil piezas

> 0.55

9

Alta: Fallas frecuentes

20 por mil piezas

> 0.78

8

10 por mil piezas

> 0.86

7

Moderada: Fallas
ocasionales
5 por mil piezas

> 0.94

6

2 por mil piezas

> 1.00

5

1 por mil piezas

> 1.10

4

Baja : Relativamente pocas
fallas

0.5 por mil piezas

> 1.20

3

0.1 por mil piezas

> 1.30

2

Remota: La falla es
improbable

< 0.01 por mil piezas

> 1.67

1

559
Modelo de PFMEA Paso 2

Clasificacin de caractersticas especiales si:
Afectan la funcin del producto final, cumplimiento con
reglamentaciones gubernamentales, seguridad de los
operadores, o la satisfaccin del cliente, y

Requieren controles especiales de manufactura,
ensamble, proveedores, embarques, monitoreo y/o
inspeccin o seguridad



Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
La abertura del
engrane propor La abertura no LOCAL:
ciona una aber- es suficiente Dao a sensor
tura de aire entre de velocidad y
diente y diente engrane
MAXIMO PROXIMO
Falla en eje 7

CON CLIENTE
Equipo
parado

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Usar tabla para
determinar severidad o
gravedad
Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo/
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos LOCAL:
equivocadso Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Rango de
probabilidades en que
la causa identificada
ocurra
562
Modelo de PFMEA Paso 3

En el paso 3 identificar:
Controles actuales de prevencin del proceso (con
acciones de diseo o proceso) usados para establecer
la ocurrencia
Controles actuales de deteccin (vg. Inspeccin)
usados para establecer la tasa de deteccin
Efectividad de los controles de deteccin del proceso
en una escala de 1 a 10
El factor de riesgo RPN inicial
Acciones recomendadas (Prevencin y Deteccin)
563
Identificar Causa(s) Potencial(es) de la Falla
Causas relacionadas con el diseo - Caractersticas del
servicio o Pasos del proceso
Diseo de formatos
Asignacin de recursos
Equipos planeados

Causas que no pueden ser Entradas de Diseo,
tales como:
Ambiente, Clima, Fenmenos naturales

Mecanismos de Falla
Rendimiento, tiempo de entrega, informacin completa
Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Artculo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo/Proces
o Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos incorrectosLOCAL:
Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Identificar causas
de diseo, y
mecanismos de
falla que pueden
ser sealados para
los modos de falla
identificada.
Causas potenciales
De Diagrama de Ishikawa
Diagrama de rbol o
Diagrama de relaciones
565
Modelo de PFMEA Paso 3

Controles de proceso actuales:
Son una descripcin de los controles ya sea para
prevenir o para detectar la ocurrencia de los
Modos/causas de falla

Consideraciones
Incrementar la probabilidad de deteccin es costosa y
no efectiva
A veces se requiere un cambio en el diseo para
apoyar la deteccin
El incremento del control de calidad o frecuencia de
inspeccin slo debe utilizarse como medida temporal
Se debe hacer nfasis en la prevencin de los defectos
566
Identificar Controles de Diseo o de
Proceso Actuales
Verificacin/ Validacin de actividades de Diseo o
control de proceso usadas para evitar la causa,
detectar falla anticipadamente, y/o reducir impacto:

Clculos, Anlisis, Prototipo de Prueba, Pruebas piloto
Poka Yokes, planes de control, listas de verificacin

Primera Lnea de Defensa - Evitar o eliminar causas de falla o error

Segunda Lnea de Defensa - Identificar o detectar fallas o errores
Anticipadamente

Tercera Lnea de Defensa - Reducir impactos/consecuencias de falla o
errores
Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos correctos LOCAL:
Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Cul es el mtodo de
control actual que usa
ingeniera para evitar el
modo de falla?
568
Modelo de PFMEA Paso 3

Seleccionar un rango en la tabla de deteccin
Si se usa inspeccin automtica al 100% considerar:
La condicin del gages
La calibracin del gage
La variacin del sistema de medicin del gage
Probabilidad de falla del gage
Probabilidad de que el sistema del gage sea punteado
Si se usa inspeccin visual al 100% considerar:
Es efectiva entre un 80 a 100% dependiendo del proc.
El nmero de personas que pueden observar el modo
de falla potencialmente
La naturaleza del modo de falla - es claro o confuso?

CRITERIO DE EVALUACIN DE DETECCION SUGERIDO PARA AMEFP
Deteccin

Criterio

Tipos de
Inspeccin

Mtodos de seguridad de Rangos de
Deteccin

Calif





A

B

C




Casi
imposible

Certeza absoluta de no deteccin





X

No se puede detectar o no es verificada

10

Muy
remota

Los controles probablemente no
detectarn





X

El control es logrado solamente con
verificaciones indirectas o al azar

9

Remota

Los controles tienen poca
oportunidad de deteccin





X

El control es logrado solamente con
inspeccin visual

8

Muy baja

Los controles tienen poca
oportunidad de deteccin





X

El control es logrado solamente con
doble inspeccin visual

7

Baja

Los controles pueden detectar



X

X

El control es logrado con mtodos grficos con
el CEP

6

Moderada

Los controles pueden detectar



X



El control se basa en mediciones por variables despus de que las
partes dejan la estacin, o en dispositivos Pasa NO pasa realizado en
el 100% de las partes despus de que las partes han dejado la
estacin

5

Moderada
mente
Alta

Los controles tienen una buena
oportunidad para detectar

X

X



Deteccin de error en operaciones subsiguientes, o medicin
realizada en el ajuste y verificacin de primera pieza ( solo para
causas de ajuste)

4

Alta

Los controles tienen una buena
oportunidad para detectar

X

X



Deteccin del error en la estacin o deteccin del error en
operaciones subsiguientes por filtros multiples de aceptacin:
suministro, instalacin, verificacin. No puede aceptar parte
discrepante

3

Muy Alta

Controles casi seguros para
detectar

X

X



Deteccin del error en la estacin (medicin automtica
con dispositivo de paro automtico). No puede pasar la
parte discrepante

2

Muy Alta

Controles seguros para detectar

X





No se pueden hacer partes discrepantes porque el item ha
pasado a prueba de errores dado el diseo del
proceso/producto

1

Tipos de inspeccin: A) A prueba de error B) Medicin automatizada C) Inspeccin visual/manual


Componente ______________________ Responsable del Diseo ____________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N

Factura correcta Datos incorrectosLOCAL:
Rehacer la
factura

MAXIMO PROXIMO
Contabilidad 7 3 5
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Cul es la probabilidad
de detectar la causa de
falla?
571
Modelo de PFMEA Paso 3

Nmero de prioridad de riesgo
Se calcula como RPN = (S) x (O) x (D)

Acciones recomendadas
Se deben dirigir primero a las de valores altos de
Severidad (9 o 10) o RPNs, despus continuar con las
dems
Las acciones se deben orientar a prevenir los defectos
a travs de la eliminacin o reduccin de las causas o
modos de falla
572
Producto de Severidad, Ocurrencia, y Deteccin

RPN / Gravedad usada para identificar principales CTQs

Severidad mayor o igual a 8
RPN mayor a 150
Calcular RPN (Nmero de Prioridad de
Riesgo)
573
Planear Acciones

Requeridas para todos los CTQs

Listar todas las acciones sugeridas, qu persona
es la responsable y fecha de terminacin.
Describir la accin adoptada y sus resultados.
Recalcular nmero de prioridad de riesgo .
Reducir el riesgo general del diseo
574
Modelo de PFMEA Paso 3

Acciones tomadas
Identificar al responsable de las acciones
recomendadas y la fecha estimada de terminacin
Despus de terminar una accin, dar una descripcin
breve de la accin real y fecha de efectividad

Responsabilidad y fechas de terminacin
Desarrollar una lista de caractersticas especiales
proporcionndola al diseador para modificar el DFMEA
Dar seguimiento a las acciones recomendadas y
actualizar las ltimas columnas del FMEA
575
Modelo de PFMEA Paso 3

RPN resultante
Despus de implementadas las acciones
recomendadas, estimar de nuevo los rangos de
Severidad, Ocurrencia y Deteccin y calcular el nuevo
RPN. Si no se tomaron acciones dejarlo en blanco.

Salidas del PFMEA
Hay una relacin directa del PFMEA a el Plan de
Control del proceso
Componente ______________________ Responsable del Diseo ____________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Artculo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo Actual
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura Datos LOCAL:
incorrecta incorrectos Rehacer
la factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Riesgo = Severidad x
Ocurrencia x Deteccin
Causas probables a
atacar primero
Componente ______________________ Responsable del Diseo ____________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Prcoeso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos LOCAL:
erroneos Rehacer la
factura

MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfaccin

Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la accin,
recalcular el RPN.
578
Herramientas para el FMEA
579
Herramientas
Diagramas de lmites
Diagramas de flujo de proceso
Matriz de caractersticas
Tormenta de ideas
rboles de funciones
Lista de efectos: FMEA de diseo
Lista de efectos: FMEA de proceso
Diagrama de Ishikawa
Tecnica de preguntas
580
Herramientas
Anlisis de rbol de fallas (FTA)
Anlisis del modo de falla (FMA)
Diseo de experimentos (DOE)
Proceso de solucin de problemas de 8Ds
Planes de Control
Planeacin dinmica de control (DCP)
Despliegue de la funcin de calidad (QFD)
Anlisis de valor/ Ingeniera del valor (VA/VE)
REDPEPR
FMEA Express
FMEA del software

581
Diagrama de lmites
Diagramas de lmites de funciones
Salida del anlisis de funciones para la fase de
concepto CFMEA, ilustran funciones en vez de partes

Diagramas de lmites Hardware/funcional
Dividen al sistema en elementos ms pequeos desde
un punto de vista funcional. Muestran relaciones
fsicas, se usan en los DFMEAs.
582
Nombres de verbos tiles
583
Tormenta de ideas
Seleccionar el problema a tratar.
Pedir a todos los miembros del equipo generen ideas para la solucin
del problema, las cuales se anotan en el pizarrn sin importar que tan
buenas o malas sean estas.
Ninguna idea es evaluada o criticada antes de considerar todos los
pensamientos concernientes al problema.
Aliente todo tipo de ideas, ya que al hacerlo pueden surgir cosas muy
interesantes, que motivan a los participantes a generar ms ideas.
Apruebe la naturalidad y el buen humor con informalidad, en este
punto el objetivo es tener mayor cantidad de ideas
Se les otorga a los participantes la facultad de modificar o mejorar las
sugerencias de otros.
Una vez que se tengan un gran nmero de ideas el facilitador procede
a agrupar y seleccionar las mejores ideas por medio del consenso del
grupo
Las mejores ideas son discutidas y analizadas con el fin del proponer
una solucin.
584
Herramientas para el FMEA
rbol de funciones
Ayuda a que los requerimientos del cliente no
expresados explcitamente sobre el producto o proceso
se cumplan

Es conveniente describir las funciones de un producto
o proceso por un verbo pronombre medible, por
ejemplo:
Calentar el interior a XC
Enfriar a los ocupantes a XC
Eliminar la niebla del parabrisas en X segundos

585
Tcnica de preguntas
Hacer una oracin con el modo de falla, causa y efecto y ver si
la oracin tiene sentido. Un modo de falla es debido a una
causa, el modo de falla podra resultar en efectos, por ejemplo:
MODO DE FALLA: No ajustan los faros delanteros
P: Qu podra ocasionar esta falla?
R: La luz desalineada -> Efecto
P: A que se puede deber esta falla?
R: Cuerda grande en tornillo de ajuste -> Causa
El No ajuste de faros delanteros se debe a Cuerda
grande en tornillo de ajuste. El desajuste de los
faros ocasiona haces de luz desalineados

586
Tcnica de preguntas
Paso 1
Modo de falla
Paso 2
Qu efecto tiene?
Paso 3
Qu lo causa?
587
Anlisis de rbol de fallas (FTA)
Es una tcnica analtica deductiva que usa un rbol para
mostrar las relaciones causa efecto entre un evento indeseable
(falla) y las diversas causas que contribuyen. Se usan smbolos
lgicos para interconectar las ramas

Despus de hacer el FTA e identificadas las causas raz, se
pueden determinar las acciones preventivas o los controles
necesarios

Otra aplicacin es determinar las probabilidades de las causas
que contribuyen a la falla y propagarlas hacia adelante
588
Anlisis del Modo de Falla (FMA)
Es un enfoque sistemtico disciplinado para
cuantificar el modo de falla, tasa de falla, y causa raz
de fallas o tasas de reparacin conocidas (el FMEA
para las desconocidas)

Se basa en informacin histrica de garantas, datos
de campo, datos de servicios, y/o datos de procesos

Se usa para identificar la operacin, modos de falla,
tasas de falla y parmetros crticos de diseo de
hardware o procesos. Tambin permite identificar
acciones correctivas para causas raz actuales

589
Diseo de experimentos (DOE)
Es un mtodo para definir los arreglos en cuales se puedas
realizar experimentos, donde se cambian de manera controlada
las variables independientes de acuerdo a un plan definido y se
determinan los efectos

Para pruebas de confiabilidad el DOE usa un enfoque estadstico
para disear pruebas para identificar los factores primarios que
causas eventos indeseables

Se usan para identificar causas raz de modos de falla, cuando
varios factores pueden estar contribuyendo o cuando estos
factores estn interrelacionados y se desean conocer los efectos
de sus interacciones
590
Mtodo de 8 disciplinas (8Ds)
Es un mtodo de solucin de problemas orientado a
equipos de trabajo, las disciplinas o pasos son:
Preparar el proceso
Establecer el equipo
Describir el problema
Desarrollar las acciones de contencin o contingentes
Diagnosticar el problema (definir y verificar causa raz)
Seleccionar y verificar acciones correctivas
permanentes (PCAs) para causas raz y puntos de
escape
Implementar y validar PCAs
Reconocer contribuciones del equipo y los miembros
591
Planes de control
Es una descripcin escrita del sistema para controlar
el proceso de produccin

Lista todos los parmetros del proceso y
caractersticas de las partes caractersticas de las
partes que requiere acciones especficas de calidad

El plan de control contiene todaslas caractersticas
crticas y significativas
Hay planes de control a nivel de manufactura de:
Prototipos, produccin piloto (capacidad de procesos)
y de produccin
592
Planeacin dinmica de control (DCP)
Es un procesos que liga las herramientas de calidad
para construir planes de control robustos a travs de
un equipo

1. Lanzamiento definir los requerimientos de recursos

2. Estructura del equipo central y de soporte

3. Bitcora de preguntas
593
Planeacin dinmica de control (DCP)
4. Informacin de soporte (ES, DFMEAs, DVP&R, PFMEA, etc.)

5. Diagrama de flujo y carctersticas de enlace

6. Pre lanzamiento o controles preliminares

7. PFMEA

8. Plan de control

9. Desarrollar ilustraciones e instrucciones

10. Implementar y mantener



594
Despliegue de la funcin de calidad
(QFD)
El QFD es un mtodo estructurado en el cual los
requerimientos del cliente son traducidos en requerimientos
tcnicos para cada una de las etapas del desarrollo del
producto y produccin

El QFD es entrada al FMEA de diseo o al FMEA de concepto.
Los datos se anotan en el FMEA como medidas en la columna
de funcin

La necesidad de obtener datos de QFD pueden ser tambin
una salida del FMEA de concepto

595
Anlisis del valor / Ingeniera del
valor (VA/VE)
Son metodologas usadas comnmente para despliegue del
valor. La Ingeniera del valor se realiza antes de comprometer
el herramental. El anlisis del valor (VA) se realiza despus del
herramentado. Ambas tcnicas usan la frmula:

Valor = Funcin (primaria o secundaria) / Costo

Los datos de VA/VE pueden ser entradas al FMEA de diseo o
de proceso en columna de Funcin como funciones primaria y
secundaria. Tambin pueden ser causas, controles o acciones
recomendadas

La metodologa VA debe ser incluida en la revisin de FMEAs
actuales como apoyo para evaluar riesgos y beneficios cuando
se analizan varias propuestas
596
REDPEPR (Robust Engineering
Design Product Enhacement Process)
Es una herramienta que proporciona a los equipos de
Diseo:
Un proceso paso a paso para aplicar el RED
Las herramientas necesarias para completar el diagrama P,
listas de verificacin de confiabilidad y robustez (RRCL) y la
matriz de demostracin de confiabilidad y robustez (RRDM)
Preguntas y tips para guiar al equipo en el proceso
Capacidad para generar reportes en Excel
Un proceso para mejorar la comunicacin con el equipo de
ingeneira
El Web site donde se encuentra el software es
www.redpepr.ford.com
597
Aplicaciones del FMEA
Express
Ambiental
De mquinas
598
FMEA Express
Es un proceso que aplica tcnicas de FMEA
simultaneamente tanto a los aspectos de diseo
como a los de manufactura de un proyecto:

Consiste de cuatro fases:
Preparacin: Se forma un equipo directivo para definir el
alcance del proyecto, equipo de trabajo multidisciplinario,
coleccin de informacin y documentos de modos de falla
conocidos, causas, efectos y controles
599
FMEA Express
Desarrollo del FMEA: El equipo de trabajo multidisciplianrio
completa el FMEA utilizando formatos y definiciones estndar

Posterior a la tarea: El facilitador y el equipo directivo
generan un reporte final y un plan de seguimiento. El lder del
equipo de FMEA es responsable de monitorear el avance

Auditora de calidad: Despus de una verificacin de
calidad, se proporciona un certificado de cumplimiento

Software para el FMEA: www.quality.ford.com/cpar/fmea/
600
E-FMEA ambiental
601
E-FMEA ambiental
602
Matriz de requerimientos ambientales
con criterios mltiples
Para cada alternativa de diseo resumir la siguiente
informacin
Uso de substancias prohibidas o de uso restringido
Tipo y cantidad de residuos (refleja el nivel de materiales
utilizados)
Consumo de energa por componente
Consumo de agua por componente
Otros objetivos ambientales
603
E-FMEA
Ejemplos de acciones recomendadas (hacer una
revisin previa de efectos secundarios en la vida del
producto):
Sistemas de conexin alternos
Reciclar

Rutas alternas de disposicin de residuos
Uso de materiales naturales

Revisar rutas de transporte
Reducir trayectorias de proceso
Optimizar el consumo de agua y energa
604
E-FMEA
Salidas del FMEA ambiental:
Recomendaciones de materiales

Recomendaciones de diseo (vg. Tipo de enlace)

Recomendaciones de proceso (vg. Potencial de
ahorro de energa)

Recomendacin para rutas de disposicin
605
MFMEA FMEA de maquinaria
606
FMEA de maquinaria
Su propsito es que a travs de un equipo se asegure que los
modos de falla y sus causas/mecanismos asociados se hayan
atendido

Soporta el proceso de diseo en:
Apoyar en la evaluacin objetiva de las funciones del equipo,
requerimientos de diseo y alternativas de diseo

Incrementar la probabilidad de que los modos de falla y sus
efectos en la maquinaria se han considerado en el proceso
de diseo y desarrollo
607
FMEA de maquinaria

Proporcionar informacin adicional como apoyo a la
planeacin de todos los programas de diseo, prueba y
desarrollo

Desarrollar una lista de modos de falla potenciales en
base a su efecto con el cliente, estableciendo
prioridades para mejoras al diseo y desarrollo

Proporcionar documentacin para referencia futura
para el anlisis de problemas de campo, evaluando
cambios de diseo y desarrollo de maquinaria.
608
FMEA de maquinaria
Ejemplos de descripcin de funciones
Proceso de partes 120 tareas / hora

Cabezal del ndice MTBF > 200 Hrs

Control del flujo hidrulico 8p cl/seg.

Sistema de posicin ngulo de rotacin de 30

Hacer un barreno Rendimiento a la primera 99.9%
609
FMEA de maquinaria
Efectos potenciales como consecuencias de falla de subsistemas
en relacin a seguridad y Las 7 grandes prdidas
Falla prdidas resultado de una prdida funcional o
reduccin de la funcin sobre una parte del equipo
requiriendo intervencin de mantenimiento

Preparacin y ajustes prdidas que son resultado de
procedimientos de preparacin tal como herramentado,
cambio de modelo o cambio de molde. Los ajustes incluyen
el tiempo muerto usado para ajustar el equipo para evitar
defectos y bajo rendimiento, requiriendo intervencin del
operador o ajustador

610
FMEA de maquinaria
Tiempo de espera y paros menores prdidas
resultado de interrupciones menores al flujo del
proceso (como atoramiento de microswitch)
requiriendo intervencin del operador. El tiempo de
espera slo se puede resolver revisando el sistema /
lnea completa

Capacidad reducida prdidas que resultan de la
diferencia entre el ciclo de tiempo ideal del equipo y su
tiempo de ciclo real. El tiempo de ciclo ideal se
determina por: a) velocidad original; b) condiciones
ptimas y c) tiempo mximo de ciclo logrado con
maquinaria similar

611
FMEA de maquinaria
Prdidas en el arranque prdidas que ocurren
durante los primeros pasos del proceso productivo
despus de paros largos (fines de semana, das de
azueto, o entre turnos), resultando en rendimiento
reducido o incremento de desperdicio y rechazos

Partes defectivas prdidas que resultan de la
generacin de defectos que producen retrabajo,
reaparaciones, y/o partes no tiles

Herramentales prdidas que resultan de fallas en
el herramental, rotura, deterioracin o desgaste (vg.
Herramientas de corte, tips de soldadura, etc.)
612
FMEA de maquinaria
Criterios de Severidad
613
FMEA de maquinaria
Causas potenciales, se asume que la maquinaria se
fabric, instal, us, y se dispuso de acuerdo a sus
especificaciones, preguntarse para identificar causas
potenciales lo siguiente:
Cules son las circunstancias que pueden orientar al
componente, subsistema y sistema a no cumplir sus
requerimientos funcionales / de desempeo?

A qu grado pueden los componentes, subsistemas y
sistemas que interactan ser compatibles?

Qu especificaciones garantizan compatibilidad?


614
FMEA de maquinaria
Criterios de Ocurrencia
615
FMEA de maquinaria
Criterios de Deteccin
616
Herramientas de la
Fase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas de Hiptesis
617
Identificacin de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de Relaciones
Diagrama de rbol
Verificacin de causas raz
618
Tormenta de ideas
Tcnica para generar ideas creativas cuando la mejor
solucin no es obvia.

Reunir a un equipo de trabajo (4 a 10 miembros) en
un lugar adecuado

El problema a analizar debe estar siempre visible

Generar y registrar en el diagrama de Ishikawa un
gran nmero de ideas, sin juzgarlas, ni criticarlas

Motivar a que todos participen con la misma
oportunidad
619
Tormenta de ideas
Permite obtener ideas de los participantes
620
Diagrama de Ishikawa
Anotar el problema en el cuadro de la derecha

Anotar en rotafolio las ideas sobre las posibles causas
asignndolas a las ramas correspondientes a:
Medio ambiente
Mediciones
Materia Prima
Maquinaria
Personal y
Mtodos
o
Las diferentes etapas del proceso de manufactura o
servicio

Diagrama de Ishikawa
Medio
ambiente Mtodos Personal
Qu
produce
bajas ventas
de
Tortillinas
Ta Rosa?
Clima
hmedo
Calidad del
producto
Tipo de
exhibidor
Falta de
motivacin
Ausentismo
Rotacin de
personal
Maquinara Materiales
Clientes con
ventas bajas
Malos
itinerarios
Descompostura
del camin
repartidor
Distancia de
la agencia al
changarro
Medicin
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Frecuencia
de visitas
Elaboracin
de pedidos
Posicin de
exhibidores
Falta de
supervi
cin
622
Programacin
deficiente
Capacidad
instalada
desconocida
Marketing no
tiene en cuenta
cap de p.
Mala prog. De
ordenes de compra
Compras
aprovecha
ofertas

Falta de com..... Entre
las dif. reas de
la empresa
Duplicidad
de funciones
Las un. Reciben
ordenes de dos
deptos diferentes
Altos
inventarios
No hay control
de inv..... En proc.
Demasiados deptos
de inv..... Y desarrollo
Falta de prog. De
la op. En base a
los pedidos
No hay com..... Entre
las UN y la oper.
Falta de
coordinacin al fincar
pedidos entre
marketing y la op.
Falta de control de
inventarios en
compras
Influencia de la
situacin econ del
pas
No hay com..... Entre compras
con la op. general
No hay coordinacin
entre la operacin y las unidades
del negocio
Falta de coordinacin
entre el enlace de compras
de cada unidad con compras
corporativo

Influencia directa de
marketing sobre
compras
Compra de material
para el desarrollo de
nuevos productos por
parte inv..... Y desarrollo
No hay flujo
efectivo de mat.
Por falta de
programacin
de acuerdo
a pedidos
Perdida de mercado
debido a la
competencia
Constantes
cancelaciones
de pedidos
de marketing
No hay coordinacin
entre marketing
operaciones
Falta de comunicacin
entre las unidades
del negocio
Diagrama de relaciones
Dancer
Taco generador
del motor
Poleas guas
Presin del
dancer
Mal guiado
Sensor de velocidad
de lnea
Sensor
circunferencial
Bandas de
transmisin
Empaques de arrastre
Presin de aire de trabajo
Drive principal
Voltaje del motor
Ejes principales
Poleas de transmisin
Que nos puede provocar Variacin de Velocidad
Durante el ciclo de cambio en la seccin del Embobinadores?
Causas a validar
13/0
2/4
0/4
1/2
5/1
1/4
1/4
2/1
1/1
0/3
5/2
4/1
1/5
1/5
Entradas Causa
Salidas Efecto
Interrelationship Diagraph
Allows a team to identify & classify the cause and effect relationships that exist among variables
Business Planning Process
Communica-
tion issues
within the
group
External
factors impact
implemen-
tation
Means not
clearly
defined
Plan not
integrated
Fast new
product
introductions
stretch
resources
Lack of
time and
resources
No strong
commitment
to the group
Driver
Driver
Planning
approach not
standardized Outcome
Capacity
may not
meet needs
In = 1 Out = 3
In = 3 Out = 2
In = 2 Out = 4
In = 1 Out = 2
In = 2 Out = 0
In = 0 Out = 5
In = 5 Out = 1
In = 0 Out = 2
In = 5 Out = 0
What Data Needs to be Collected to understand
the sources of variation in a key measure ?
625
Diagrama de rbol o sistemtico
Meta Medio
Meta
Meta
Medio
Medio
Meta u
objetivo
Medios
o planes
Medios
o planes
Medios


Medios
Medios
Primer
nivel
Segundo
nivel
Tercer
nivel
Cuarto
nivel
Implantar el
Sistema
SMED
Producto DJ
2702
Objetivo?
Preparacin
para el SMED
Fase 1: Separacin
de la preparacin
interna de la externa
Fase 2: Conversin
de preparacin
interna en externa
Fase 3: Refinamiento
de todos los aspectos
de la preparacin.
Filmar la preparacin
Analizar el video
Describir las tareas
Separar las tareas
Elaborar lista de chequeo
Realizar chequeo de
funciones
Analizar el transporte de
herramientas y materiales
Analizar las funciones y
propsito de c/operacin
Convertir tareas de prepa-
racin interna a externas
Realizacin de operaciones
en paralelo.
Uso de sujeciones
funcionales.
Eliminacin de ajustes
5- 12 - Mar-04
10 y 17 Mar-04
17- Mar-04
17- Mar-04
2- Mar-04
24- Mar-04
24- Mar-04
12 - Abr- 04
15 Abr - 04
5 May -04
19 May -04
12- May -04
Qu?
Cmo? Cundo?
Elaboramos un
Diagrama de Arbol
para poder
analizar nuestro
problema siguiendo
el sistema SMED.
Diagrama de Arbol- Aplicacin Sistema SMED
19
627
Verificacin de posibles causas
Para cada causa probable , el equipo deber
por medio del diagrama 5Ws 1H:
Llevar a cabo una tormenta de ideas para
verificar la causa.
Seleccionar la manera que:
represente la causa de forma efectiva, y
sea fcil y rpida de aplicar.

628
Calendario de las actividades
qu? por qu? cmo? cundo
?
dnde
?
quin?
1
Tacogenerador
de motor
embobinador
1.1 Por variacin de
voltaje durante el
ciclo de cambio
1.1.1 Tomar dimensiones de ensamble entre
coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
Abril 04 1804
Embob.
J. R.
2 Sensor
circular y de
velocidad de
linea.
2.1 Por que nos
genera una varin en
la seal de referencia
hacia el control de
velocidad del motor
embobinador
2.1.1 Tomar dimensiones de la distancia
entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida de
los sensores.
2.1.3 Verificar estado de rodamientos de
poleas.
Abril 04 1804
Embob.
U. P.
3 Ejes
principales de
transmisin.
3.1 Por vibracin
excesiva durante el
ciclo de cambio
3.1.1 Tomar lecturas de vibracin en
alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibracin
tomadas.
Abril04 1804
Embob.
F. F.
4 Poleas de
transmisin de
ejes
embobinadores
.
4.1 Puede generar
vibracin excesiva
durante el ciclo de
cambio.
4.1.1 Verificar alineacin, entre poleas de
ejes principales y polea de transmisin del
motor.
4.1.2 Tomar dimensiones de poleas(dientes
de transmisin).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisin)
4.1.4 Verificar valor de tensin de bandas.
Abril04 1804
Embob.
J. R.
U. P.
Causa
Raz
Resultados
Causas
# de
Causa
SI ES CAUSA RAIZ

SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
NO ES CAUSA RAIZ

SI ES CAUSA RAIZ

SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
Ensamble de ojillos, bloques y
contrapesos no adecuados en
aspas.
Amortiguadores daados.
Desgaste de bujes en los
carretes.
Fabricacin y reemplazo de
ejes y poleas no adecuados en
ensamble de aspas.
Desalineamiento de poleas y
bandas de transmisin de
aspas.
Mtodo de Balanceo no
adecuado.
Desalineacin de pinolas en
cuna.
1

2
3
4

5

6
7
Resumen de la validacin de las causas
X


X




X

X

630
VI.D Mtodos de anlisis
adicionales
631
Mtodos adicionales de anlisis
1. Anlisis de brecha

2. Anlisis de causa raz

3. Anlisis del Muda
632
VI.D.1 Anlisis de brecha
633
El anlisis de brecha (Gap Analysis) es una
herramienta de evaluacin para comparar el
desempeo actual de la organizacin, a un
desempeo potencial deseado.

Identifica la diferencia de lo que es y lo que debera
ser
634
Anlisis de brecha
Se pueden redirigir los esfuerzos a objetivos como:
Permanecer en el negocio
Mantener o incrementar la participacin del mercado
Mejorar el clima laboral
Igualar o exceder a Benchmarks
Igualar o exceder a la competencia
Reducir tiempos de ciclo
Lograr certificaciones
Mejorar la productividad
Mejorar los niveles de calidad
635
Anlisis de brecha
Se requieren tres categoras de informacin
Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?

636
Planeacin de escenarios
Al elaborar planes estratgicos, los directivos pueden
confiarse o ser orgullosos de aceptar cambios. Por lo
que se sugiere considerar escenarios del mejor y del
peor caso, para evitar errores en la toma de
decisiones

Los escenarios permiten imaginar el desempeo
futuro de la organizacin ante riesgos, para tomar las
mejores decisiones y atender estos eventos. Aunque
algunos elementos sean desconocidos
637
Planeacin de escenarios
El proceso de planeacin es como sigue:
Seleccionar al personal que pueda dar muchas
perspectivas
Desarrollar una lista de cambios percibidos, sociales,
tcnicos y econmicos
Agrupar estas percepciones en patrones relacionados
Desarrollar una lista de las mejores percepciones
(prioridades)

638
Planeacin de escenarios
El proceso de planeacin es como sigue:
Desarrollar un escenario grueso del futuro basado en
estas prioridades
Determinar como afectan los escenarios a la
organizacin
Determinar los cursos de accin potenciales a tomar
Monitorear, evaluar, y revisar los escenarios
639
Planeacin de escenarios
Por lo comn se perciben de 6 10 amenazas u
oportunidades en 2 o 3 escenarios desarrollados.
Evitar las siguientes trampas:

No utilizar un facilitador experimentado

Considerar escenarios como pronsticos

Hacer escenarios simplistas

Limitar el impacto global de los escenarios
640
Planeacin de escenarios
Evitar las siguientes trampas..:
No incluir a un equipo directivo en el proceso

Tratar los escenarios solo como actividad informativa

Limitar el estmulo imaginativo en el diseo del
escenario

No desarrollar escenarios para rea de impacto clave
del negocio
641
Planeacin Hoshin
Es una herramienta de ejecucin, usada para
organizar y desplegar planes estratgicos

Hoshin traduce la visin de la empresa en resultados
medibles dramticos y rupturas estratgicas

Hoshin se enfoca a identificar los pocos logros vitales
de ruptura
642
Planeacin Hoshin
Tiene seis objetivos:
Alinear las metas organizacionales

Enfocarse en las pocas brechas vitales estratgicas

Trabajar con otros para cerrar las brechas

Especificar los mtodos para lograr los objetivos

Hacer visible el enlace entre planes locales

Mejora continua del proceso de planeacin
643
Otras tcnicas de anlisis clave
Benchmarking

Anlisis FODA

Anlisis PEST

Las cinco fuerzas competitivas de Porter
644
Evaluacin organizacional
Anlisis funcional con datos de coleccin:
Entrevistas cara a cara
Seleccin de muestra apropiada
Entradas de grupo de enfoque
Observaciones de visitas a la planta
Datos colectados de fuentes de la industria

Se divide a la organizacin en reas funcionales clave
Liderazgo, prcticas de negocio, anlisis financiero,
mercadotecnia, gestin de la calidad, diseo y
desarrollo, manufactura, salud y seguridad, etc
645
Evaluacin organizacional
Se deben analizar los resultados y presentarlos a la
direccin, quien debe promover e implementar
planes de accin claros

Normalmente el consultor colecta y resume la
informacin en categoras principales para su revisin
por la direccin. Quienes deben generar e
implementar las soluciones y guiar al xito
646
Mtricas organizacionales
Se establecen metas de desempeo organizacional y
sus mtricas en las reas de:
Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado

Por cada meta organizacional mayor deben
desarrollarse mtricas, con unidades y mtodos de
medicin.
647
Mtricas organizacionales
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo
Valor de acciones, inversin de capital, costos
personales, comparaciones competitivas, ROI, ventas$

Tiempos de ciclo
Tiempos de ciclo actuales
Benchmarks internos
Benchmarks externos
Reduccin en tiempos de ciclo
648
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

Respuestas del mercado
Encuestas con clientes
Anlisis de devoluciones
Desarrollo de nuevos productos
Retencin de clientes
Prdidas con clientes
Tasas de cortesas e instalaciones
649
Mtricas organizacionales
Las mtricas permiten medir los avances en relacin a
las metas organizacionales

De acuerdo a Juran se debe tomar en cuenta lo
siguiente:
Las mtricas deben tener un significado estndar
Deben apoyar el proceso de toma de decisiones
Deben proporcionar informacin valiosa
Debe ser fcil de instalar
Si son valiosas, deben usarse en todo
Las mtricas se basan en la retroalimentacin con
base en clientes, proveedores, o internas
650
VI.D.2 Anlisis de causa raz
651
Anlisis de causa raz
Un equipo tiene la responsabilidad de determinar la
causa raz de una deficiencia y corregirla. Pueden
tomar varios pasos:

Situacin (presa con fuga)
Accin inmediata (desahogarla)
Accin intermedia (reparar la presa)
Accin en la causa raz (identificar que caus la fuga
para evitar su recurrencia y reconstruir la presa)
652
Anlisis de causa raz
Se pueden utilizar las siguientes herramientas:
Herramientas subjetivas:
Preguntar por qu cinco veces, tormenta de ideas,

anlisis de flujo de proceso, PHVA, grupo nominal,

observacin de operacin, diagrama de causa efecto,

tcnicas de consenso, seis sombreros de pensamiento,

equipos de trabajo, FMEA, FTA

653
Anlisis de causa raz
Se pueden utilizar las siguientes herramientas:
Herramientas analticas:
Coleccin y anlisis de datos

Anlisis de Pareto, anlisis de regresin, hoja de
verificacin

Anlisis de matriz de datos
Anlisis de capacidad de procesos, divisin de variacin

Subgrupos de datos, experimentos simples, DOE
Pruebas analticas, cartas de control

654
Anlisis de causa raz
Ante una accin correctiva permanente, la direccin
debe determinar si:

El anlisis de causa raz ha identificado el impacto
completo del problema

La accin correctiva es efectiva para eliminar o
prevenir la recurrencia

La accin correctiva es realista y sostenible
655
Los 5 Por qus
Se hace la pregunta Por qu? Cinco veces
Por qu? Nos faltaron partes por mquina daada
Por qu? La mquina no ha tenido mantenimiento en
los ltimos 3 meses
Por qu? El departamento de mantenimiento se ha
reducido a 6 personas de 8
Por qu? Se pas del presupuesto, les quitaron el
tiempo extra y dos personas
Por qu? La empresa no ha tenido los resultados
esperados y el director ha hecho recortes para salvar la
situacin, teme por su puesto
656
5Ws y 1H
El mtodo de las 5Ws y 1H se resume al preguntar
quin?, qu?, cundo?, dnde?, por qu? Y
cmo?.

Pueden usarse las ramas del diagrama de causa
efecto
657
Diagrama de causa efecto
Rompe el problema en partes ms pequeas
Muestra muchas causas potenciales grficamente
Muestra como interactan las causas
Sigue las reglas de la tormenta de ideas
Las sesiones tienen tres partes:
Tormenta de ideas
Dar prioridades (identificar las tres causas principales)
Desarrollo de un plan de accin
658
Diagrama de Pareto
Sirve para identificar problemas u oportunidades
prioritarias o mayores

De acuerdo a Juran permite identificar los pocos
vitales de los muchos triviales

El principio de Pareto sugiere que unas cuantas
categoras de problemas (20% aprox.) presentan la
mayor oportunidad para la mejora (80% aprox.)
659
Mtodo de las 8 disciplinas - Ford
El mtodo de Ford para el anlisis de causa raz es:
D1. Establecer el equipo
D2. Describir el problema
D3. Desarrollar una accin de contencin
D4. Identificar la causa raz
D5. Desarrollar alternativas de solucin
D6. Implementar una accin correctiva permanente
D7. Prevenir la recurrencia
D8. Reconocer al equipo y las contribuciones individuales
660
Anlisis de rbol de falla - FTA
FTA es un mtodo sistemtico deductivo, para definir
un evento singular especfico e indeseable, y
determinar todas las posibles razones (fallas) que
pueden hacer que ocurra el evento

Se utiliza el las primeras fases del diseo como
herramienta para impulsar modificaciones iniciales de
diseo.
661
Anlisis de rbol de falla - FTA
Otras reas de su aplicacin son:
Anlisis funcional de sistemas complejos
Evaluacin de requerimientos de seguridad,
confiabilidad,
defectos de diseo,
riesgos de peligro,
acciones correctivas,
simplificacin de mantenimiento y deteccin de falla,
eliminacin lgica de causas de falla
662
Anlisis de rbol de falla - FTA
Se prefiere el FTA en vez del FMEA cuando:
La seguridad el personal es importante
Se pueden identificar un nmero pequeo de eventos
superiores
Hay alto potencial de falla
El problema es cuantificar la evaluacin del riesgo
La funcionalidad del producto es altamente compleja
El producto no es reaprables
663
Anlisis de rbol de falla - FTA
Se prefiere el FMEA en vez del FTA cuando:
Los eventos superiores no se pueden definir
explcitamente
Son factibles mltiples perfiles potencialmente exitosos
La identificacin de todos los modos de falla es
importante
La funcionalidad del producto tiene poca intervencin
externa
664
Anlisis de rbol de falla - FTA
Smbolos de compuertas lgicas para determinar la
confiabilidad del sistema. Hay smbolos de eventos y
smbolos de compuertas

Smbolos de eventos

Evento superior, falla a nivel sistema o evento
indeseable

Evento bsico, evento falla de ms bajo nivel
a estudiar

Evento de falla, evento de falla de bajo nivel. Puede recibir
entradas o proporcionar salidas a una compuerta lgica
665
Anlisis de rbol de falla - FTA
Smbolos de compuertas lgicas

AND. El evento de salida ocurre solo
Si ocurren todos los eventos de entrada
Simultaneamente

OR. El evento de salida ocurre si
Ocurre alguno de los eventos de
La entrada
666
Anlisis de rbol de falla - FTA
Ejemplo: se asume que falla el sistema superior

667
Anlisis de rbol de falla - FTA
La probabilidad de falla del sistema es 5.02%. Se
indica que el teclado es prioritario (0.20), despus la
CPU (0.015) y el monitor (0.015)
668
VI.D.3 Anlisis del Muda
669
Anlisis de Muda
Las actividades que no agregan valor se clasifican
como Muda, de acuerdo a Imai son:
Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas
670
Sobreproduccin
Se produce ms en cierto momento, por:
Producir ms de lo necesario por el siguiente proceso
Producir antes de lo requerido por el siguiente proceso
Producir ms rpido de lo requerido por el siguiente
proceso
Sus consecuencias son:
Espacio extra en las instalaciones del cliente
Materias primas adicionales en uso
Utilizacin de energticos y transportes adicionales
Costos de programacin adicionales
671
Inventario en exceso
Las partes, materias primas, inventario en proceso,
refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:
Espacio en piso, Transporte, Montacargas
Sistemas de transportadores
Inters sobre el costo de los materiales

Puede verse afectado por:
El polvo, deterioro, obsolescencia
Humedad (oxidacin), dao durante el manejo


672
Inventario en exceso
Las partes, materias primas, inventario en proceso,
refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:
Espacio en piso, Transporte, Montacargas
Sistemas de transportadores
Inters sobre el costo de los materiales

Puede verse afectado por:
El polvo, deterioro, obsolescencia
Humedad (oxidacin), dao durante el manejo


673
Reparaciones / defectos
Las reparaciones o el retrabajo de partes defectivas
significa un segundo intento de producirlas bien. Se
rompe el Takt Time

Puede haber desperdicio de materiales o productos
no recuperable

Si hay defectos, no puede implementarse el flujo de
una pieza
Los cambios de diseo tambin son Muda

674
Movimientos
Los movimientos adicionales del personal son Muda.
Caminar mucho, cargar pesado, agacharse, estirarse
mucho, repetir movimientos, etc.

El lugar de trabajo debe disearse ergonmicamente,
analizando cada estacin de trabajo

La ergonoma puede causar daos y produccin
perdida
675
Movimientos
Algunas reglas de la ergonoma incluyen:
Enfatizar la seguridad todas las veces
Adecuar el empelado a la tarea
Cambiar el lugar de trabajo para que se adecue al
empleado
Mantener posiciones neutrales del cuerpo
Redisear las herramientas para reducir esfuerzo y
daos
Variar las tareas con rotacin de puestos
Hacer que la mquina sirva al ser humano

676
Reprocesos
Consiste de pasos adicionales en el proceso de
manufactura, por ejemplo:
Remocin de rebabas
Maquinado de partes mal moldeadas
Agregar procesos de manejo adicionales
Realizar procesos de inspeccin
Repetir cambios al producto innecesarios
Mantener copias adicionales de informacin
677
Transportes
Todo transporte es Muda excepto la entrega al
cliente. Incluye:
Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones

Puede ser causado por:
Deficiente distribucin de planta o de celdas
Tiempos de espera largos, reas grandes de
almacenaje, o problemas de programacin
678
Esperas
Ocurre cuando un operador est listo para realizar su
operacin, pero permanece ocioso, por falla de
mquina, falta de partes, paros de lnea, etc. El Muda
de espera puede ser por:
Operadores ociosos
Fallas de maquinaria
Tiempos de ajuste y preparacin largos
Tareas no programadas a tiempo
Flujo de materiales en lotes
Juntas largas e innecesarias
679
Mudas adicionales
Otros mudas adicionales a los 7 desperdicios son:
Recursos mal utilizados
Recursos poco utilizados
Actividades de conteo
Bsqueda de herramientas o partes
Sistemas mltiples
Manos mltiples
Aprobaciones innecesarias
Fallas de mquinas
Envo de producto defectivo al cliente o mal servicio
680
Salidas de la Fase de Anlisis
Causas raz validadas

Gua de oportunidades de mejora

681
Preguntas ejemplo
1. En un sentido amplio, cuantas de las siguientes causas de
variacin en estudios multi vari pueden incluir elementos de
proceso relacionados con el tiempo:
I. Posicional
II. Cilndrica
III. Temporal
a. I y II c. II y III
b. I y III d. I, II y III

2. En un estudio de anlisis de regresin con dos variables, que
representa el trmino Beta 1?:
a. La pendiente de la lnea
b. La interaccin de la medicin
c. La interseccin en el eje X
d. La interseccin en el eje Y
3. Se hace un estudio entre la velocidad de coches y su consumo
de gasolina. El coeficiente de correlacin es de 0.35. Despus se
encontr que el velocmetro est equivocado y debi haber
marcado 5 km. De ms. Se recalcula el coeficiente de
correlacin, que debe dar:
a. 0.30 b. 0.35 c. 0.40 d. -0.35
682
Preguntas ejemplo
4. La siguiente ecuacin es:
a. La covarianza de X y Y
b. El coeficiente de correlacin de X y Y
c. El coeficiente de determinacin de X y Y
d. La varianza del producto de X y Y

5. Segn la figura, Cul de las afirmaciones siguientes es falsa?



I. El coeficiente de correlacin es negativo
II. El coeficiente de determinacin es positivo
III. El coeficiente de determinacin es menor que el coeficiente de
correlacin
a. Slo I c. Slo III
b. Slo II d. II y III
683
Preguntas ejemplo
6. Un problema de correlacin:
a. Se resuelve estimado el valor de la variable
dependiente para varios valores de la variable
independiente
b. Considera la variacin conjunta de las dos
mediciones, ninguna de las cuales es restringida por
el experimentador
c. Es un caso donde la distribucin relevante debe ser
geomtrica
d. Se resuelve al asumir que las variables son normales
e independientemente distribuidas con media cero y
varianza s
684
Preguntas ejemplo
7. Una muestra aleatoria de tamao n se toma de una gran poblacin con
desviacin estndar de 1.0. El tamao de muestra se determina de
manera que haya un 0.05 de probabilidad de riesgo de exceder 0.1 de
error de tolerancia al usar la media de la muestra para estimar la Mu.
Cul de los siguientes valores es el ms cercano al tamao de muestra
requerido?

a. 365 b. 40 c. 200 d. 100

8. La diferencia entre poner alfa de 0.05 y alfa igual a 0.01 en una prueba
de hiptesis es:
a. Con alfa de 0.05 se tiene mayor tendencia a cometer un error tipo I
b. Con alfa de 0.05 se tiene ms posibilidad de riesgo de cometer un error
tipo II
c. Con alfa de 0.05 es una prueba ms conservadora de la hiptesis nula
Ho
d. Con alfa de 0.05 se tiene menos posibilidad de cometer un error tipo I

9. Si un tamao de muestra de 16 tiene un promedio de 12 y una
desviacin estndar de 3, estimar el intervalo de confianza para un
nivel de confianza del 95% para la poblacin (asumir una distribucin
normal)

Preguntas ejemplo
10. En una muestra aleatoria de 900 vehculos, 80% tienen frenos
ABS. Cul es el intervalo del 95% para el porcentaje de
vehculos con frenos ABS?
a. 0.778 0.821 c. 0.639 0.964
b. 0.771 0.829 d. 0.774 0.826

11. Determinar si los siguientes dos tipos de misiles tienen
diferencias significativas en sus varianzas a un nivel del 5%:
Misil A: 61 lecturas Varianza = 1.347 km2.
Misil B: 31 lecturas Varianza = 2.237 km2.
a. Hay diferencia significativa ya que Fcalc < Ftablas
b. No hay diferencia significativa por que Fcalc < Ftablas
c. Hay diferencia significativa por que Fcalc > Ftablas
d. No hay diferencia significativa pro que Facla > Ftablas

12. El valor crtico para t, cuando se hace una prueba t de dos
colas, con muestras de 13 y alfa de 0.05 es:
a. 1.782 c. 2.064
b. 2.179 d. 1.711
Preguntas ejemplo
13. Tres personas en entrenamiento se les proporciona el mismo lote de
50 piezas y se les pide que las clasifiquen como buenas o defectuosas,
con los resultados siguientes:
Persona





Para determinar si hay o no hay diferencia en la habilidad de las tres
personas para clasificar adecuadamente las partes, cul de los
siguiente es (son) verdadero?
I. El valor calculado de Chi cuadrada es de 6.9
II. Para un nivel de significancia de 0.05, el valor crtico de Chi cuadrada
es de 5.99
III. Como el valor calaculado de Chi cuadrada en mayor a 5.99, se rechaza
la hiptesis nula
a. Slo I c. Slo II
b. I y II d. I, II y III

14. Un anlisis de varianza de dos vas tiene r niveles para una variable y c
niveles para la otra, con dos obseraciones por celda. Los grados de
libertad para la interaccin son:
a. 2 (r ) (c ) b. (r-1) (c-1) c. rc 1 d. 2 (r -1) (c 1)
A B C Total
Defectivos 17 30 25 72
Buenos 33 20 25 78
Total 50 50 50 150

Preguntas ejemplo
15. Los supuestos bsicos del anlisis de varianza oncluyen:
I. Las observaciones vienen de poblaciones normales
II. Las observaciones vienen de poblaciones con vaianzas iguales
III. Las observaciones vienen de poblaciones con medias iguales
a. I y II c. II y III
b. I y III d. I, II y III


16. El valor terico esperado para una celda en la tabla de
contingencia se calcula como:
Preguntas ejemplo
17. Cul de las siguientes afirmaciones son verdaderas en relacin a
las pruebas no paramtricas?
I. Tienen mayor eficiencia que sus equivalentes pruebas paramtricas
II. Pueden ser aplicadas a estudios de correlacin
III. Requieren supuestos acerca de la forma oi naturaleza de las
poblaciones involucradas
IV. Requieren clculos que son ms difciles que sus equivalentes
pruebas paramtricas
a. Slo II c. II y IV
b. I y III d. I, II y III

S-ar putea să vă placă și