Académique Documents
Professionnel Documents
Culture Documents
Sample
S
a
m
p
l
e
M
e
a
n
24 22 20 18 16 14 12 10 8 6 4 2
5.0
2.5
0.0
-2.5
-5.0
__
X=0.44
UCL=4.70
LCL=-3.82
Sample
S
a
m
p
l
e
R
a
n
g
e
24 22 20 18 16 14 12 10 8 6 4 2
16
12
8
4
0
_
R=7.38
UCL=15.61
LCL=0
Xbar-R Chart of AtoBDist
Sample
C
u
m
u
l
a
t
i
v
e
S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
10.0
7.5
5.0
2.5
0.0
-2.5
-5.0
0
UCL=5.68
LCL=-5.68
CUSUM Chart of AtoBDist
Pgina 87
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
TEST. One point beyond control limits.
Test Failed at points: 4, 5, 6, 7, 8, 9, 10
Carta de Sumas acumuladas con Mascara en V
La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m.
Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta.
Su sensibilidad est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el ltimo punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar accin
Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
OK
Indica situacin fuera
de control en el punto
de medicin actual
Carta EWMA de promedios mviles ponderados exponencialmente
Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es ms sensible que la carta X al movimiento de separacin gradual de la media del proceso.
Sample
C
u
m
u
l
a
t
i
v
e
S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
25
20
15
10
5
0 Target=0
Vmask Chart of AtoBDist
Sample
C
u
m
u
l
a
t
i
v
e
S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
40
30
20
10
0
-10
Target=0
Vmask Chart of AtoBDist
Sample
C
u
m
u
l
a
t
i
v
e
S
u
m
24 22 20 18 16 14 12 10 8 6 4 2
25
20
15
10
5
0 Target=0
Vmask Chart of AtoBDist
Pgina 88
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Stat > Control Charts > Time Weighted Charts > EWMA
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK
Puntos fuera de control
Test Results for EWMA Chart of AtoBDist
TEST. One point beyond control limits.
Test Failed at points: 5, 6
Carta de promedios mviles
Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat > Control Charts > Time Weighted Charts > Moving average
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Lenght of MA 3
OK
TEST. One point beyond control limits.
Test Failed at points: 5, 6 Fuera de control el punto 6
Sample
E
W
M
A
24 22 20 18 16 14 12 10 8 6 4 2
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
_
_
X=0.442
UCL=1.861
LCL=-0.978
EWMA Chart of AtoBDist
Sample
M
o
v
i
n
g
A
v
e
r
a
g
e
24 22 20 18 16 14 12 10 8 6 4 2
5
4
3
2
1
0
-1
-2
-3
-4
_
_
X=0.442
UCL=2.900
LCL=-2.017
Moving Average Chart of AtoBDist
Pgina 89
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
6.8 Muestreo por atributos
Para la teora ver el documento Muestreo de Aceptacin.Doc anexo
Clculo de la probabilidad de aceptacin -Curva caracterstica de operacin (OC)
La probabilidad deaceptar lotes con una cierta fraccin defectiva p
en base a un tamao de muestra n utilizando la distribucin Binomial es:
Excel =distr.binom(x, n, p, 1) con x=Defectuosos aceptados,
n -muestra, p -fraccin defectiva
Minitab Calc > Probability distributions > Binomial
seleccionar Cumulative Probability
Poner en Trials n Prob. Success p
En Input constant x (para cada una de las p's)
p Pa = |
0.005 0.98969
0.010 0.93969
0.020 0.73658
0.030 0.49848
0.040 0.30416
0.050 0.17208
0.060 0.09187
0.070 0.04682
0.080 0.02296
0.090 0.01089
0.100 0.00501
0.110 0.00225
0.120 0.00098 Fraccin def. en lote - p
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de
n = 89, aceptando hasta con c = x = 2 defectivos, se aceptan 74 lotes
de cada 100 lotes que enve el proveedor con esta fraccin defectiva
Clculo del nivel de calidad promedio de salida (AOQ) en inspeccin rectificadora
La inspeccin rectificadora se refiere a que los lotes que son
rechazados al aplicar el plan de muestreo se reingresan al cliente
una vez que se seleccionan al 100%, reduciendo la fraccin def. total.
La fraccin defectiva que se ingresa al almancn AOQ una vez que
se aplica el plan de muestreo n = 89, c = 2 es:
Pa
Curva OC con
n = 89, c = 2
Pgina 90
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
p Pa AOQ = Pa . P
0.005 0.98969 0.00495
0.01 0.93969 0.00940
0.02 0.73658 0.01473
0.03 0.49848 0.01495
0.04 0.30416 0.01217
0.05 0.17208 0.00860
0.06 0.09187 0.00551
0.07 0.04682 0.00328
0.08 0.02296 0.00184
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de
n = 89, aceptando hasta con c = x = 2 defectivos aceptables
Lo anterior est plasmado en tablas de muestreo de aceptacin por
atributos indicadas en el artculo de Muestreo de Aceptacin.Doc
6.9 Aplicaciones
Realizar los ejercicios del Mdulo 6 incluidos en el archivo CursoTallerMinitabEjercicios
AOQ
p
0.03
AOQL = 1.55%
Pgina 91
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
MDULO 7. DISEO DE EXPERIMENTOS
7.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el
comportamiento de varias fuentes de variacin. Para la teora se
anexa un archivo Cartas Multivari.doc.
Carta Multivari con tres fuentes de variacin
Ejemplo: Una empresa produce ejes para rotores elctricos con
dimetros de 0.250 0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.
La variabilidad considerada al tomar los datos se estima que proviene
de las siguientes fuentes:
** Diferencia de dimetros en los extremos del eje izquierdo y derecho.
** Diferencia de dimetro mximo y mnimo en una misma posicin
que implica falta de redondez
** Variacin de una pieza a otra producidas en forma consecutiva
** Variacin a lo largo del tiempo (largo plazo)
Las cartas Multivari nos permiten visualizar estas fuentes de variacin:
Los datos del archivo ROTOR.MTW anexos indican lo siguiente:
Hora: Hora de toma de muestra
Eje : Nmero de eje
Posicin: indica si se trata de dimetro mnimo o mximo medido
Diametro: Valor del dimetro
Stat > Quality tools > Multi Vari Chart
Response Diametro
Factor 1 Posicin Factor 2 Eje Factor 3 Hora
OK
Como se puede observar las variabilidades en orden de importancia son:
Eje
D
i
a
m
e
t
r
o
3 2 1
2.510
2.505
2.500
2.495
2.490
3 2 1
3 2 1
3 2 1
3 2 1
08:00 09:00 10:00 11:00 12:00 Posicion
Max Der
Max Izq
Min Der
Min Izq
Multi-Vari Chart for Diametro by Posicion - Hora
Panel variable: Hora
Pgina 92
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
*** Por el paso del tiempo ** Falta de redondez * Entre partes
Se pueden eliminar las lneas de conexin con Options y eliminando la marca
en Connect Means for Factor 1
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aqu es donde conviene introducir el tiempo
El ltimo factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variacin
Se puede descomponer en dos columnas la columna "Posicin", creando las columnas
"Redondez" donde se indica si el dimetro medido es mximo o mnimo, y la columna
"Inclinacin" donde se indica si corresponde a la izquierda o a la derecha.
Para crear la columna "Inclinacin" se tiene:
Calc > Make Patterned Data > Text Values
Store Patterned Data in Inclinacin
Test Values Izq Der
List each value 2
List the whole sequence 15
Para crear la columna "Redondez" se tiene:
Calc > Make Patterned Data > Text Values
Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30
y se corre de nuevo la carta Multivari
Stat > Quality tools > Multi Vari Chart
Response Diametro
Factor 1 Eje Factor 2 Redondez Factor 3 Hora Factor 4 Inclinacin
OK
Eje
D
i
a
m
e
t
r
o
3 2 1
2.510
2.505
2.500
2.495
2.490
3 2 1
3 2 1
3 2 1
3 2 1
08:00 09:00 10:00 11:00 12:00 Posicion
Max Der
Max Izq
Min Der
Min Izq
Multi-Vari Chart for Diametro by Posicion - Hora
Panel variable: Hora
Pgina 93
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
7.2 Diseo de experimentos factoriales completos de ms de dos niveles
Ver el archivo Diseo de experimentos.doc para la teora.
Se estudia el rendimiento de un proceso qumico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presin (X1, X2).
Se disea un experimento factorial completo con dos rplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los anlisis de la significancia de cada factor a un 5% de significancia.
PRESION (psig)
200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO
Redondez
D
i
a
m
e
t
r
o
Min Max Min Max
2.510
2.505
2.500
2.495
2.490
Min Max
2.510
2.505
2.500
2.495
2.490
Min Max Min Max
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
Eje
1
2
3
Multi-Vari Chart for Diametro by Eje - Inclinacion
Panel variables: Inclinacion, Hora
Stat > DOE > Factorial > Create Factorial Design
Type of Design: General Full Factorial
Designs: Number of levels 3, 3
Number of Replicates 2
Options Non randomize runs OK
Factors Introducir el nombre real de los factores (TEMP. PRESIN)
y los niveles reales(200 215 230 150 160 170)
OK
Pgina 94
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
NOTA: Si se introducen los nombres y valores reales de los factores
en lugar de 1, 2 y 3 aparecen en la tabla los niveles reales.
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA
COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL DISEO O ARREGLO
StdOrder RunOrder PtType TEMP PRESION Rendimiento
1 1 1 150 200 90.4
2 2 1 150 215 90.7
3 3 1 150 230 90.2
4 4 1 160 200 90.1
5 5 1 160 215 90.5
6 6 1 160 230 89.9
7 7 1 170 200 90.5
8 8 1 170 215 90.8
9 9 1 170 230 90.4
10 10 1 150 200 90.2
11 11 1 150 215 90.6
12 12 1 150 230 90.4
13 13 1 160 200 90.3
14 14 1 160 215 90.6
15 15 1 160 230 90.1
16 16 1 170 200 90.7
17 17 1 170 215 90.9
18 18 1 170 230 90.1
PASO 3. ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS FACTORIAL COMPLETO
CONCLUSIONES EN RESIDUALES
Residuales vs Y estimada
deben ser aleatorios
Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de Rendimiento
Terms Pasar todos los trminos a Selected con >> OK
Graphs Residuals for Plots Estandardized
Seleccionar Residual plots: Normal y vs fits OK
Results ANOVA table, Covariate, Unusual observations
Seleccionar todos los trminos con >> OK
OK
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d
R
e
s
i
d
u
a
l
90.9 90.8 90.7 90.6 90.5 90.4 90.3 90.2 90.1 90.0
2
1
0
-1
-2
Residuals Versus the Fitted Values
(response is Rendimiento)
Pgina 95
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Grfica Normal de residuales
deben aproximarse a la lnea recta
General Linear Model: Resp versus Temp, Presion
Factor Type Levels Values
Temp fixed 3 1 2 3
Presion fixed 3 1 2 3
Significativos a nivel de 0.05
Analysis of Variance for Resp, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Temp 2 0.30111 0.30111 0.15056 8.47 0.009
Presion 2 0.76778 0.76778 0.38389 21.59 0.000
Temp*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 0.01778
Total 17 1.29778
No significativo a nivel 0.05
Y(i,j) estimada= Promedio de valores en cada celda (i,j)
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
PASO 4. OBTENER LAS GRFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES
CONDICIONES DE OPERACIN
De aqu se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interaccin
es significativa, los mejores niveles se seleccionan de las grficas de interacciones, de otra
forma se seleccionan de las grficas de efectos de los factores principales.
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects e Interaction Plots
Setup para ambas: Seleccionar columna Respuesta
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK
Standardized Residual
P
e
r
c
e
n
t
3 2 1 0 -1 -2 -3
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probability Plot of the Residuals
(response is Rendimiento)
Pgina 96
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Para maximizar el
rendimiento se selecciona:
Temperatura =3 o 170
Presin =2 o 215 psig.
Esta grfica no es utilizada
debido a que la interaccin
no fue significativa
7.3 Diseo de experimentos factoriales completos de dos niveles (2K)
Ejemplo: En un proceso de fabricacin de Mofles se desea mejorar el proceso
de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseo de 2 factores y 3 niveles.
Nivel bajo Nivel Alto
8 12
230 240
C. Vel. de Cadena (m/min.) 0.6 1
Como respuesta se toma la calidad del componente en una escala de 0 a 30
entre mayor sea mejor calidad
Paso 1. Generar diseo
Stat > DOE > Factorial > Create Factorial Design
Seleccionar 2-Level factorial (default values); Number of factors 3
Designs: Seleccionar Full Factorial
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1
Options: Quitar bandera de Random
A. Caudal de gas (l/min.)
B. Intensidad de Corriente (A)
Factor
M
e
a
n
o
f
R
e
n
d
i
m
i
e
n
t
o
170 160 150
90.7
90.6
90.5
90.4
90.3
90.2
230 215 200
TEMP PRESION
Main Effects Plot (data means) for Rendimiento
PRESION
M
e
a
n
230 215 200
90.9
90.8
90.7
90.6
90.5
90.4
90.3
90.2
90.1
90.0
TEMP
170
150
160
Interaction Plot (data means) for Rendimiento
Pgina 97
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
OK OK
Puede colocar la matriz del diseo en orden aleatorio o estndar con
Stat > DOE > Display Design: Estndar order for design
Para cambiar de unidades sin codificar a unidades codificadas:
Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseo:
StdOrder Caudal Intensidad Velocidad Y
1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20
Paso 3. Analizar el diseo
Stat > DOE > Factorial > Analyze Factorial Design
Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los trminos con >>
OK OK
Los resultados se muestran a continuacin. Como es una sola rplica no hay residuos
La ecuacin del modelo se puede formar a partir de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant -893.750
Caudal 102.625
Corriente 3.75000
Velocidad 186.250
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000
Corriente*Velocidad -0.750000
Caudal*Corriente*Velocidad 0.125000
Y = -893.750 + 102.625 Caudal +
- 0.425 Caudal*Corriente
Las grficas donde se indica cuales factores son significativos son:
Son significativos A y AB
T
e
r
m
Effect
AC
ABC
BC
B
C
AB
A
9 8 7 6 5 4 3 2 1 0
5.646
Factor Name
A Caudal
B Corriente
C Velocidad
Pareto Chart of the Effects
(response is Y, Alpha = .05)
Lenth's PSE = 1.5
Pgina 98
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Los efectos se pueden guardar en una columna y despus graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1.5
-6.5
-0.5
1
0.5
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Stat > DOE > Factorial Plots
Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
El nico factor
significativo es A
Effect
P
e
r
c
e
n
t
10.0 7.5 5.0 2.5 0.0 -2.5 -5.0
99
95
90
80
70
60
50
40
30
20
10
5
1
Factor Name
A Caudal
B Corriente
C Velocidad
Effect Type
Not Significant
Significant
AB
A
Normal Probability Plot of the Effects
(response is Y, Alpha = .05)
Lenth's PSE = 1.5
M
e
a
n
o
f
Y
12 8
22
20
18
16
14
240 230
1.0 0.6
22
20
18
16
14
Caudal Corriente
Velocidad
Main Effects Plot (data means) for Y
Pgina 99
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
El cubo proporciona los
valores de las respuestas
en las diferentes
combinaciones de los
factores
Es el mejor resultado
La experimentacin podra continuar en esta direccin
Paso 5. Obtener las grficas de contornos y de superficie de respuesta
Stat > DOE > Contour and Surface Plots
Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
Corriente
M
e
a
n
240 230
28
26
24
22
20
18
16
14
12
10
Caudal
8
12
Interaction Plot (data means) for Y
1
0.6
240
230
12 8
Velocidad
Corriente
Caudal
20.0
26.0 11.5
17.5
17.5
26.5 10.0
15.0
Cube Plot (data means) for Y
Caudal
I
n
t
e
n
s
i
d
a
d
12 11 10 9 8
240.0
238.5
237.0
235.5
234.0
232.5
231.0
Hold Values
Velocidad 0.6
Y
15 - 18
18 - 21
21 - 24
> 24
< 12
12 - 15
Contour Plot of Y vs Intensidad, Caudal
10
Y
15
20
10
Caudal
8
10
20
25
240
235
Intensidad
230
12
Hold Values
Velocidad 0.6
Surface Plot of Y vs Intensidad, Caudal
Pgina 100
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Paso 6. Obtener una ampliacin de la respuesta en la zona de Y = 21 a 24
Stat > DOE > Factorial > Overlaid Contour Plot
Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting Probar con High y Middle settings
Seleccionar en Contours Low 21 High 26
OK
Paso 7. Obtener una respuesta optimizada
Stat > DOE > Factorial > Response Optimizer
Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Goal Maximize Lower 21 Target 26
OK
Seleccionar y mover las lneas de cada factor hasta obtener el mximo rendimiento:
7.4 Diseo de experimentos fraccionales (1/4) de dos niveles:
Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:
Nivel Bajo Nivel Alto
X Y
30 40
2 3
80 90
Factor
A. Tipo de cola
B. Temperatura
C. Cantidad
D. Temp.sec.
Caudal
I
n
t
e
n
s
i
d
a
d
12 11 10 9 8
240.0
238.5
237.0
235.5
234.0
232.5
231.0
Hold Values
Velocidad 0.6
Y
15 - 18
18 - 21
21 - 24
> 24
< 12
12 - 15
Contour Plot of Y vs Intensidad, Caudal
10
Y
15
20
10
Caudal
8
10
20
25
240
235
Intensidad
230
12
Hold Values
Velocidad 0.6
Surface Plot of Y vs Intensidad, Caudal
Caudal
I
n
t
e
n
s
i
d
a
d
12 11 10 9 8
240.0
238.5
237.0
235.5
234.0
232.5
231.0
Hold Values
Velocidad 0.6
Y
21
26
Overlaid Contour Plot of Y
Pgina 101
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
1 1.5
Al principio se realiz un diseo fraccional de dos niveles y cinco factores (2
5-2
), en cada
condicin se midi la fuerza de adhesin en 100 botellas y se tom como respuesta el promedio.
Paso 1. Generar el diseo
Stat > DOE > Factorial > Create Factorial Design
Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
OK OK
Paso 2. Introducir los datos en el diseo
Cola Temp Cola Cant cola Temp Secado Presion
A 30 2 90 1.5
B 30 2 80 1
A 40 2 80 1.5
B 40 2 90 1
A 30 3 90 1
B 30 3 80 1.5
A 40 3 80 1
B 40 3 90 1.5
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
I + ABD + ACE + BCDE
A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Paso 3. Analizar el diseo
Stat > DOE > Factorial > Analyze Factorial Design
Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef Ecuacin de regresin
Constant -36.0000
Cola -2.00000 Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
E. Presin
Pgina 102
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Temp Cola*Presion -0.200000
Los factores significativos se observan de las grficas siguientes
Son significativos los
factores A, B, D
Son significativos los
factores A, B, D
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Stat > DOE > Factorial Plots
Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
T
e
r
m
Effect
BC
C
BE
E
B
A
D
5 4 3 2 1 0
2.823
Factor
Temp secado
E Presion
Name
A Cola
B Temp Cola
C Cantidad
D
Pareto Chart of the Effects
(response is Y, Alpha = .05)
Lenth's PSE = 0.75
Effect
P
e
r
c
e
n
t
5 4 3 2 1 0 -1 -2 -3 -4
99
95
90
80
70
60
50
40
30
20
10
5
1
Factor
Temp secado
E Presion
Name
A Cola
B Temp Cola
C Cantidad
D
Effect Type
Not Significant
Significant
D
B
A
Normal Probability Plot of the Effects
(response is Y, Alpha = .05)
Lenth's PSE = 0.75
Pgina 103
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Se maximiza la respuesta
en las condiciones
siguientes:
Cola = X
Temp Cola = 40
Temp Sec = 90
Despus de este
experimento de filtracin
se puede hacer otro ms
completo slo con los
factores A, B, D
7.5 Aplicaciones:
Realizar los ejercicios del Mdulo 7 incluidos en el archivo CursoTallerMinitabEjercicios
M
e
a
n
o
f
Y
Y X
24
23
22
21
20
40 30
90 80
24
23
22
21
20
Cola Temp Cola
Temp secado
Main Effects Plot (data means) for Y
90
80
40
30
Y X
Temp secado
Temp Cola
Cola
24.0
24.5
16.0
23.5
Cube Plot (data means) for Y
Pgina 104
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
MODULO 8. TPICOS ESPECIALES
8.1 Series de tiempo
Para la teora ver archivo Series de Tiempo.Doc anexo.
Anlisis de tendencias
Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo.
Las instrucciones de Minitab son las siguientes:
Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los ltimos 60 meses.
Open Worksheet EMPLOY.MTW. o copiar los datos del archivo anexo.
Ejecutar Stat > Time Series > Trend Analysis.
En Variable, poner Trade.
En Model Type, seleccionar Quadratic.
Seleccionar Generate forecasts y poner 12 en Number of forecasts.
Seleccionar Storage .
Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts.
Los resultados son los siguientes:
FittedTrendEquation
Yt=320.762+0.509373*t+0.0107456*t**2
AccuracyMeasures
MAPE1.7076
MAD5.9566
MSD59.1305
Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el mtodo de descomposicin:
INTRODUCCIN
Definicin de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo peridicos y consecutivos.
Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las
fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo,
retroalimentacin y control en avance.
Pgina 105
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Mtodo de Descomposicin
Las intrucciones de Minitab son las siguientes:
Despus de correr el ejemplo de Anlisis de Tendencias con el archivo EMPLOY.MTW
Stat > Time Series > Decomposition.
En Variable indicar RESI1 (columna donde se guardaron los residuos de Trend Analysis - Tendencias)
En Seasonal length, poner 12.
En Model Type, seleccionar Additive. En Model Components, seleccionar Seasonal only.
Seleccionar Generate forecasts y poner 12 en Number of forecasts.
Seleccionar Storage . Seleccionar Forecasts y Fits.
Seleccionar OK en cada cuadro de dilogo
Los resultados se muestran a continuacin:
TimeSeriesDecompositionforRESI1
AdditiveModel
DataRESI1
Length60
SeasonalIndices
PeriodIndex
1-8.4826
2-13.3368
3-11.4410
4-5.8160
50.5590
63.5590
71.7674
83.4757
93.2674
105.3924
118.4965
1212.5590
AccuracyMeasures
MAPE881.582
MAD2.802
MSD11.899
Forecasts
PeriodForecast
61-8.4826
62-13.3368
63-11.4410
64-5.8160
650.5590
663.5590
671.7674
683.4757
693.2674
705.3924
718.4965
7212.5590
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere
Index
R
E
S
I
1
70 63 56 49 42 35 28 21 14 7 1
20
10
0
-10
-20
AccuracyMeasures
MAPE 881.582
MAD 2.802
MSD 11.899
Variable
Trend
Forecasts
Actual
Fits
Time Series Decomposition Plot for RESI1
AdditiveModel
Index
D
a
t
a
60 54 48 42 36 30 24 18 12 6 1
10
0
-10
-20
Index
S
e
a
s
.
A
d
j
.
D
a
t
a
60 54 48 42 36 30 24 18 12 6 1
10
0
-10
-20
Component Analysis for RESI1
AdditiveModel
Original Data
Seasonally Adjusted Data
12 11 10 9 8 7 6 5 4 3 2 1
10
0
-10
12 11 10 9 8 7 6 5 4 3 2 1
12
8
4
0
12 11 10 9 8 7 6 5 4 3 2 1
10
0
-10
-20
12 11 10 9 8 7 6 5 4 3 2 1
10
5
0
-5
Seasonal Analysis for RESI1
AdditiveModel
SeasonalIndices
Percent Variation, by Seasonal Period
Original Data, by Seasonal Period
Residuals, by Seasonal Period
Pgina 106
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
La descomposicin genera tres tipos de grficas:
Una grfica de serie de tiempo mostrando los datos originales con la lnea de tendencia ajustada,
valores estimados y pronsticos
Un anlisis de componentes con grficas separadas para la serie, datos sin tendencia, datos ajustados
con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos).
Index
R
E
S
I
1
12 11 10 9 8 7 6 5 4 3 2 1
20
10
0
-10
-20
AccuracyMeasures
MAPE 881.582
MAD 2.802
MSD 11.899
Variable
Trend
Forecasts
Actual
Fits
Time Series Decomposition Plot for RESI1
AdditiveModel
Pgina 107
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Un anlisis estacional, mostrando los ndices estacionales y la variacin porcentual dentro de cada
estacin respecto a la suma de la variacin por estacin y grficas de caja de los residuos por
periodo estacional.
METODO DE WINTERS
Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad.
Instrucciones de Minitab
Open Worksheet EMPLOY.MTW.
Ejecutar Stat > Time Series > Winters' Method.
En Variable, poner Food. In Seasonal length, 12 .
En Model Type, seleccionar Multiplicative.
Seleccionar Generate forecasts poner 4 en Number of forecasts. Seleccionar OK.
Winters' Method for Food
Multiplicative Method
Smoothing Constants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE1.88377
MAD1.12068
MSD2.86696
Interpretacin de los resultados
La grfica muestra los valores de la serie y los estimados (un periodo adelante) y 12 pronsticos.
8.4 Anlisis Multivariado
Se usa el archivo IBEROAMERICA.MTW de indicadores sociales de los 22 pases
iberoamericanos de 1998.
Componentes principales:
Calcula nuevas variables ("Componentes") en funcin de las variables disponibles
que sintetizan la informacin que estas contienen. Estas pocas variables vitales son las
que mejor explican el comportamiento de los datos.
Stat > multivariate > Principal components
Todas
Nmero de componentes principales
(5)
Index
F
o
o
d
70 63 56 49 42 35 28 21 14 7 1
85
80
75
70
65
60
55
50
SmoothingConstants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
AccuracyMeasures
MAPE 1.88377
MAD 1.12068
MSD 2.86696
Variable
Forecasts
95.0% PI
Actual
Fits
Winters' Method Plot for Food
Multiplicative Method
Pgina 108
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
En Scores se almacenan las
coordenadas de cada observacin
(pas) en los ejes de los componentes
principales
Componentes: Primero C13, segundo C14, tercero C15
Los valores propios o eigenvalores representan la proporcin de la variabilidad total
explicada por ese componente.
Principal Component Analysis: Poblacin (m, Superficie (, % menores 15, Esperan
Eigenanalysis of the Correlation Matrix
Eigenvalue 5.5117 2.0441 1.4691 0.8631 0.5554 0.2638 0.1386 0.0660
Proportion 0.501 0.186 0.134 0.078 0.050 0.024 0.013 0.006
Cumulative 0.501 0.687 0.820 0.899 0.949 0.973 0.986 0.992
Eigenvalue 0.0475 0.0350 0.0056
Proportion 0.004 0.003 0.001
Cumulative 0.996 0.999 1.000
Valores propios asociados a cada componente principal
Valores propios = 5.5117 + 2.0441 + 1.4691 + ........... + 0.0056 = 11
Proporcin = 50.1% + 18.6% + ...... + 0.001 = 100%
Abajo se presenta la aportacin de cada variable a cada compenente principal:
Variable PC1 PC2 PC3 PC4 PC5
Poblacin (miles) 0.016 0.667 0.150 0.023 0.191 El segundo componente
Superficie (km2) -0.024 0.679 0.076 0.004 0.122 est relacionado
% menores 15 aos -0.398 -0.076 0.008 0.073 0.013 con el tamao del pas
Esperanza vida al nacer 0.358 -0.157 0.140 -0.125 0.564
Tasa de mortalidad infan -0.370 0.162 -0.111 0.096 -0.487
Telfonos por 1.000 hab 0.387 -0.033 0.010 0.266 -0.320
Usuarios Internet por 1000 hab 0.310 0.030 0.053 0.625 0.045
PIB $/hab 0.380 0.085 0.018 0.235 -0.352
% PIB Agricultura -0.334 -0.093 -0.062 0.561 0.330
% PIB Industria 0.272 0.122 -0.555 -0.314 -0.067
% PIB Servicios 0.019 -0.066 0.791 -0.197 -0.228
El primer componente esta El tercero est centrado en la
formado por aportaciones distribucin del PIB y servicios
de las variables ligadas al
desarrollo
Pgina 109
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Grfica de Pareto de los valores propios que permite visualizar la importancia de cada
uno de los componentes
La primera componente representa el 50%
y la segunda el 18.6% de la variacin total
La siguiente grfica representa cada una de las observaciones (pases) en las
coordenadas de los dos primeros componentes. Para identificar a que pas corresponde
cada punto puede usarse la opcin de Brush.
TAMAO
DESARROLLO
Agregando etiquetas a cada punto, seleccionar la grfica y:
Add > Data Labels: Use Labels from Column: Pais
Component Number
E
i
g
e
n
v
a
l
u
e
11 10 9 8 7 6 5 4 3 2 1
6
5
4
3
2
1
0
Scree Plot of Poblacin (miles), ..., % PIB Servicios
First Component
S
e
c
o
n
d
C
o
m
p
o
n
e
n
t
5 4 3 2 1 0 -1 -2 -3 -4
6
5
4
3
2
1
0
-1
-2
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Score Plot of Poblacin (miles), ..., % PIB Servicios
Pgina 110
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
No siempre se le puede dar un nombre a los componentes
La siguiente grfica muestra las variables en las coordenadas que corresponden
a sus valores en las dos componentes principales.
La tercera componente que explica el 1.34% de la variabilidad, est relacionada con
la distribucin del PIB en la industria y servicios, se puede obtener la grfica de la
tercera vesus la primera componente como sigue:
Si se guardan previamente los coeficientes de las variables y despus se
grafican en una grafica de dispersin, se pueden btener grficas de un tercer componente
vesrus el primero, haciendo una columna con los ttulos de las variables para usarse como
ttulos en los puntos de una grfica de dispersin, como sigue:
Columna de Pais
variables Poblacin (miles)
Superficie (km2)
% menores 15 aos
Esperanza vida al nacer
Tasa de mortalidad infan
Telfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
Desarrollo
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
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
% PIB Servicios
% PIB Industria
% PIB Agricultura
PIB $/hab
Usuarios Internet por 1000 hab
Telfonos por 1.000 hab
Tasa de mortalidad infan
Esperanza vida al nacer
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Loading Plot of Poblacin (miles), ..., % PIB Servicios
Primer Componente
T
e
r
c
e
r
C
o
m
p
o
n
e
n
t
e
5 4 3 2 1 0 -1 -2 -3 -4
3
2
1
0
-1
-2
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Scatterplot of C15 vs C13
Pgina 111
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Para agregar lneas a la grfica, insertar celdas de ceros en las columnas corresponientes a los
coeficientes del tercer y primer componentes (entre cada una de sus celdas):
Seleccionar la grfica y agregar lneas con: Add > Calculated Line; Y tercer comp; X primer comp
Comp 1 Comp 3
0.0156420 0.1498280
0.0000000 0.0000000
-0.0238230 0.0764970
0.0000000 0.0000000
-0.3978570 0.0080330
0.0000000 0.0000000
0.3576520 0.1395810
0.0000000 0.0000000
-0.3701140 -0.1109600
0.0000000 0.0000000
0.3873530 0.0098170
0.0000000 0.0000000
0.3095390 0.0527510
0.0000000 0.0000000
0.3799270 0.0179240
0.0000000 0.0000000
-0.3335910 -0.0616860
0.0000000 0.0000000
0.2722960 -0.5545960
0.0000000 0.0000000
0.0191980 0.7907320
0.0000000 0.0000000
Anlisis de Clusters
Se trata de distribuir las observaciones en grupos afines inicialmente no conocidos.
Ahora se trata de dividir los pases en grupos similares (conglomerados) de acuerdo con la
informacin disponible:
Stat > Multivariate > Cluster observations
Linkage Method: Single Distance Measure: Euclidean Number of Clusters 3
Seleccionar Show Dendogram
En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin
OK
Se muestra la secuencia de formacin de Clusters, cada uno tiene un color diferente:
C16
C
1
8
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4
0.75
0.50
0.25
0.00
-0.25
-0.50
% PIB Industria
% PIB Agricultura
PIB $/hab
Usuarios Internet por 1000 hab
Telfonos por 1.000 hab
Tasa de mortalidad infan
Esperanza vida al nacer
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Pais
Scatterplot of C18 vs C16
Desarrollo
S
e
r
v
i
c
i
o
s
I
n
d
u
s
t
r
a
i
0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4
0.75
0.50
0.25
0.00
-0.25
-0.50
% PIB Industria
% PIB Agricultura
PIB $/hab Usuarios Internet por 1000 hab
Telfonos por 1.000 hab
Tasa de mortalidad infan
Esperanza vida al nacer
% menores 15 aos
Superficie (km2)
Poblacin (miles)
Pais
Scatterplot of Comp 3 vs Comp 1
Pgina 112
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Los Clusters se identifican fcilmente
ya que para cada uno las lneas son
de diferente color
Fila del Pas
Con esto se puede hacer una grfica de dispersin para analizar los clusters, por ejemplo para
Esperanza de vida y PIB por habitante se tiene:
Seleccionando la grfica y editando los smbolos por grupos correspondientes a los clusters.
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
1 21 99.6131 54.06 2 14 2 2 Primer Cluster
2 20 99.4939 70.73 7 12 7 2 Segundo Cluster
3 19 99.2755 101.25 2 9 2 3 Tercer con 3
4 18 99.2675 102.37 2 5 2 4 observaciones 2, 14, 9
5 17 98.9909 141.02 8 18 8 2 etc..
6 16 98.9137 151.81 2 8 2 6
7 15 98.7540 174.12 3 16 3 2
8 14 98.7458 175.28 2 11 2 7
9 13 98.1957 252.15 6 15 6 2
10 12 97.9917 280.66 3 4 3 3
11 11 97.9498 286.51 2 6 2 9
12 10 97.2457 384.91 2 7 2 11
13 9 96.6741 464.79 13 17 13 2
14 8 95.7750 590.44 1 2 1 12
15 7 95.4151 640.73 1 3 1 15
16 6 94.7709 730.75 1 13 1 17
17 5 93.5426 902.41 1 20 1 18
Observations
S
i
m
i
l
a
r
i
t
y
21 22 19 10 20 17 13 4 16 3 12 7 15 6 11 18 8 5 9 14 2 1
81.25
87.50
93.75
100.00
Dendrogram with Single Linkage and Euclidean Distance
1er
PIB $/hab
E
s
p
e
r
a
n
z
a
v
i
d
a
a
l
n
a
c
e
r
16000 14000 12000 10000 8000 6000 4000 2000 0
80
75
70
65
60
Cluster
1
2
3
Portugal
Espaa
Uruguay
Argentina
Paraguay
Chile
Bolivia
Per
Ecuador
Brasil
Venezuela
Colombia
Puerto Rico
Rep. Dominicana
Cuba
Panam
Costa Rica
El Salvador
Nicaragua
Honduras
Guatemala
Mxico
Scatterplot of Esperanza vida al nacer vs PIB $/hab
Pgina 113
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
18 4 87.1791 1791.70 19 22 19 2 Se forma un solo Cluster
19 3 85.3070 2053.32 10 19 10 3 al final
20 2 84.7016 2137.93 10 21 10 4
21 1 81.2502 2620.26 1 10 1 22
Number of clusters: 3
Within Average Maximum
cluster distance distance
Number of sum of from from
observations squares centroid centroid
Cluster1 18 36798918 1151.26 3319.75
Cluster2 3 7382783 1319.42 1962.60
Cluster3 1 0 0.00 0.00
Cluster Centroids Grand
Variable Cluster1 Cluster2 Cluster3 centroid
% menores 15 aos 34.50 23.0 16.0 32.09
Esperanza vida al nacer 70.59 74.5 77.9 71.45
Tasa de mortalidad infan 32.31 13.2 5.5 28.48
Telfonos por 1.000 hab 78.78 284.3 385.0 120.73
Usuarios Internet por 1000 hab 2.78 8.0 31.0 4.77
PIB $/hab 2442.39 10251.0 14350.0 4048.45
% PIB Agricultura 14.09 2.9 5.9 12.19
% PIB Industria 29.71 43.6 37.8 31.96
% PIB Servicios 56.57 53.6 56.3 56.15
Distances Between Cluster Centroids
Cluster1 Cluster2 Cluster3
Cluster1 0.0 7811.37 11911.6
Cluster2 7811.4 0.00 4100.3
Cluster3 11911.6 4100.32 0.0
Ejemplo: Se trata de distribuir las variablies en grupos afines inicialmente no conocidos.
Otro ejemplo con el archivo COCHES.MTW
Stat > Multivariate > Cluster Variable
Linkage Method: Single Distance Measure: Correlation Number of Clusters 7
Seleccionar Show Dendogram
En Storage poner C13 - Para tener identificado a que cluster corresponde cada observacin
OK
Cluster 1 formado por 6 variables afines Los otros 6 clusters se forman de una variable cada uno
indicados con un color diferente
Variables
S
i
m
i
l
a
r
i
t
y
A
c
e
l
e
.
A
l
t
u
.
V
e
l
o
.
m
a
x
M
a
l
e
t
e
.
P
e
s
o
A
n
c
h
.
L
o
n
g
.
C
o
n
s
u
m
o
N
u
m
.
C
i
l
.
C
i
l
.
(
c
c
)
P
o
t
.
(
C
V
)
P
V
P
59.47
72.98
86.49
100.00
Dendrogram with Single Linkage and Correlation Coefficient Distance
Pgina 114
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Anlisis discriminante
Este anlisis se aplica cuando ya se sabe a que grupo pertenece cada observacin y lo que se desea
saber es cmo la variables disponibles afectan a la clasificacin para poder asignar una nueva
observacin de la que se conocen los valores de las variables pero no el grupo al que pertenece.
Ejemplo: Con los datos del archivo COCHES.MTW se usan los primeros 150 coches y considerando
solo los de 4, 6 y 8 cilindros:
Data > Code > Numeric to Numeric
Code Data from columns 'Num.Cil' Into Columns 'Num.Cil'
Original Values 2, 5, 12 por New *
OK
Data > Subset worksheet
Name: Coches 1:150
Seleccionar Especify which rows to include: Row Numbers 1:150
OK
Utilizando esta nueva hoja ahora se realiza el anlisis discriminate con:
Stat > Multivariate > Discriminant Analysis
Groups: 'Num.Cil' Predictors: PVP 'Cil(cc)' - 'Acele.'
Linear Discriminant function C15 C16 C17 - Columnas para la funcin de discriminacin
OK
Linear Discriminant Function for Groups
4 6 8
Constant -1136.2 -1098.4 -1136.1
PVP -0.0 -0.0 -0.0
Cil.(cc) -0.0 0.0 0.0
Pot.(CV) 1.1 1.1 1.1
Long. -0.3 -0.3 -0.4
Anch. 12.1 11.8 12.1
Altu. 3.0 3.0 2.9
Malete. -0.3 -0.3 -0.2
Peso -0.0 -0.0 -0.0
Consumo -15.1 -14.6 -15.7
Velo.max 11.2 5.6 8.2
Acele. 10.1 10.3 10.8
Se van a aplicar estas funciones de discriminacin de los primeros 150 coches a los 97 restantes:
Manip > Subset Worksheet
Name: Coches 151:247
Specify which rows to include Row numbers 151:247
OK
Copiar columnas C15, C16 y C17 de la hoja COCHES 1:150 que corresponden a las funciones de
discriminacin a la hoja COCHES 151:247.
Por medio de Matrices se tiene:
1. Insertar una columna de unos entre Modelo y PVP
2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminacin
Pgina 115
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Editor > Enable comands
MTB > copy c3 c4 c6-c15 m1 - c5 (no. cil.) se excluye ya que es el valor que se trata de predecir.
MTB > copy c16 m2
MTB > copy c17 m3 Matrices de coeficientes de las tres funciones de discriminacin
MTB > copy c18 m4 para 4, 6 y 8 cilindros
3. Obtener las funciones de discriminacin para cada observacin
MTB > multi m1 m2 m5
MTB > multi m1 m3 m6 Valores de la funcin de discrimiancin para 4, 6 y 8 cilindros
MTB > multi m1 m4 m7
4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21
Editor Enable comands
MTB > copy m5 c19 MTB > copy c3 c4 c6-c15 m1
MTB > copy m6 c20 MTB > copy c16 m2
MTB > copy m7 c21 MTB > copy c17 m3
MTB > copy c18 m4
5. Identificar cual es la funcin que da el valor mximo para MTB > multi m1 m2 m5
cada coche MTB > multi m1 m3 m6
MTB > rmax c19-c21 c22 (Calc > Row Statistics) MTB > multi m1 m4 m7
MTB > copy m5 c19
MTB > let c23=c19=c22 MTB > copy m6 c20
MTB > let c24=c20=c22 MTB > copy m7 c21
MTB > let c25=c21=c22 MTB > rmax c19-c21 c22
MTB > let c23=c19=c22
6. Colocar en c26 el nmero de cilindros asignado MTB > let c24=c20=c22
MTB > let c25=c21=c22
MTB > let c26=4*c23+6*c24+8*c25 MTB > let c26=4*c23+6*c24+8*c25
MTB > code (18) '*' c26 c26
Para poner * en los valores missing de las funciones MTB > .
discriminantes en C26
MTB > Code (18) '*' c26 c26
7. Para comparar mediante una tabla cruzada
Stat > Tables > Descrpitive statistics
Categorical variables:
For rows 'Num.Cil.' For columns 'c26'
OK
Tabulated statistics: Num.Cil., C26
Rows: Num.Cil. Columns: C26
4 6 8 Missing All
4 80 3 0 4 83
6 0 5 1 1 6
8 0 0 0 2 0
Missing 0 1 0 0 *
All 80 8 1 * 89
Cell Contents: Count
De los 89 coches se han acertado a clasificar como de 4 cilindros 80. De los 6 de 6 cilindros
se han clasificado bien 5 y el de 8 cilindros no se clasificaron 2. La mejor discriminacin
fue con los de 4 por tener mas coches en la muestra.
Pgina 116
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
8.5 Confiabilidad
La confiabilidad permite determinar la probabilidad de funcionamiento de un sistema
bajo condiciones establecidas
Ejemplo: Una empresa fabrica bombas de inyeccin diesel, los datos se encuentran
el el archivo INYECCION.MTW anexo, que contiene datos de funcionamiento de 40 bombas.
Datos censurados se refieren a algunos elementos que todava funcionaban cuando se par el
experimento.
Anlisis no paramtrico
Modelo para estimar la confiabilidad y sus funciones para datos completos o censurados
por la derecha y sin suponer ningn modelo terico.
Stat > Relibility/survival > Distribution Analysis (Right Censoring) > Nonparamtric Distribution Analysis
Variables: Duracin
Censor: Si los datos son completos no tocar, si no especificar cuantos hay censurados por la derecha
Graphs: Surival Plot Hazard Plot Tiene usted una Distribucin Weibull con
b=2 y h=2, Cul es la media y la varianza?
beta = 2
eta = 2
qI(1+1/|) = 1.772453851
q
2
I(1+2/|) = 4
varianza= 0.858407346
Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value 40
Nonparametric Estimates
Duracion
P
e
r
c
e
n
t
300000 250000 200000 150000 100000 50000 0
100
80
60
40
20
0
Table of Statistics
Mean 71060.1
Median 51710
IQR 84266
Nonparametric Survival Plot for Duracion
Complete Data
Kaplan-Meier Method
Duracion
R
a
t
e
300000 250000 200000 150000 100000 50000 0
1.0
0.8
0.6
0.4
0.2
0.0
Table of Statistics
Mean 71060.1
Median 51710
IQR 84266
Nonparametric Hazard Plot for Duracion
Complete Data
Empirical Hazard Function
Pgina 117
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Characteristics of Variable
Standard 95.0% Normal CI
Mean(MTTF) Error Lower Upper
71060.1 10634.4 50216.9 91903.2
Median = 51710
IQR = 84266 Q1 = 12504 Q3 = 96770
Kaplan-Meier Estimates
Momento falla Bombas que Unidades Confiabilidad
Number siguen funcin que fallan emprica
at Number Survival Standard 95.0% Normal CI
Time Risk Failed Probability Error Lower Upper
3607 40 1 0.975 0.0246855 0.926617 1.00000
4100 39 1 0.950 0.0344601 0.882459 1.00000
5734 38 1 0.925 0.0416458 0.843376 1.00000
5768 37 1 0.900 0.0474342 0.807031 0.99297
7025 36 1 0.875 0.0522913 0.772511 0.97749
8089 35 1 0.850 0.0564579 0.739344 0.96066
9411 34 1 0.825 0.0600781 0.707249 0.94275
10640 33 1 0.800 0.0632456 0.676041 0.92396
10681 32 1 0.775 0.0660256 0.645592 0.90441
12504 31 1 0.750 0.0684653 0.615810 0.88419
13030 30 1 0.725 0.0706001 0.586626 0.86337
17656 29 1 0.700 0.0724569 0.557987 0.84201
22339 28 1 0.675 0.0740566 0.529852 0.82015
28698 27 1 0.650 0.0754155 0.502188 0.79781
31749 26 1 0.625 0.0765466 0.474972 0.77503
34585 25 1 0.600 0.0774597 0.448182 0.75182
36863 24 1 0.575 0.0781625 0.421804 0.72820
43403 23 1 0.550 0.0786607 0.395828 0.70417
49389 22 1 0.525 0.0789581 0.370245 0.67975
51710 21 1 0.500 0.0790569 0.345051 0.65495
56084 20 1 0.475 0.0789581 0.320245 0.62975
63311 19 1 0.450 0.0786607 0.295828 0.60417
68135 18 1 0.425 0.0781625 0.271804 0.57820
71329 17 1 0.400 0.0774597 0.248182 0.55182
77223 16 1 0.375 0.0765466 0.224972 0.52503
77629 15 1 0.350 0.0754155 0.202188 0.49781
87564 14 1 0.325 0.0740566 0.179852 0.47015
94596 13 1 0.300 0.0724569 0.157987 0.44201
96104 12 1 0.275 0.0706001 0.136626 0.41337
96770 11 1 0.250 0.0684653 0.115810 0.38419
101214 10 1 0.225 0.0660256 0.095592 0.35441
102993 9 1 0.200 0.0632456 0.076041 0.32396
123815 8 1 0.175 0.0600781 0.057249 0.29275
140341 7 1 0.150 0.0564579 0.039344 0.26066
142312 6 1 0.125 0.0522913 0.022511 0.22749
148521 5 1 0.100 0.0474342 0.007031 0.19297
168021 4 1 0.075 0.0416458 0.000000 0.15662
204471 3 1 0.050 0.0344601 0.000000 0.11754
242796 2 1 0.025 0.0246855 0.000000 0.07338
272193 1 1 0.000 0.0000000 0.000000 0.00000
Cul es la fiabiliad despus de 40,000 horas de funcionamiento? 0.575
Identificacin del mejor modelo para los datos
Pgina 118
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot
Variables: Duracin
Seleccionar Use all distributions
OK
Goodness-of-Fit
Anderson-Darling Correlation
Distribution (adj) Coefficient
Weibull 0.776 0.977
Lognormal 1.072 0.977
Exponential 0.654 *
Loglogistic 1.337 0.968
3-Parameter Weibull 0.653 0.992
3-Parameter Lognormal 0.849 0.982
2-Parameter Exponential 0.670 *
3-Parameter Loglogistic 1.117 0.971
Smallest Extreme Value 7.328 0.839
Menor es Mayor es mejor
mejor
La grfica que muestra los puntos ms alineados es la que mejor se adapta
a los datos
Anlisis paramtrico
Se usa la distribucin identificada anteriormente:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis
Variables: Duracin
Assumed Distribution: Exponential
Graphs: Probability Plot All Points Display confidence intervals
OK
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
50
10
1
Correlation Coefficient
Weibull
0.977
Lognormal
0.977
Exponential
*
Loglogistic
0.968
Probability Plot for Duracion
LSXY Estimates-Complete Data
Weibull Lognormal
Exponential Loglogistic
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
Failure 40
Censor 0
AD* 0.654
Mean 72651.5
StDev 72651.5
Median 50358.2
IQR 79815.9
Probability Plot for Duracion
Complete Data - LSXY Estimates
Exponential - 95% CI
Pgina 119
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Table of Percentiles
Standard 95.0% Normal CI
Percent Percentile Error Lower Upper
1 730.172 116.736 533.752 998.875
2 1467.76 234.657 1072.92 2007.89
3 2212.91 353.788 1617.63 3027.26
4 2965.78 474.153 2167.97 4057.18
5 3726.54 595.779 2724.08 5097.90
6 4495.34 718.692 3286.07 6149.62
7 5272.37 842.919 3854.08 7212.60
8 6057.80 968.489 4428.22 8287.06
9 6851.82 1095.43 5008.64 9373.27 A las 7654 horas, un 10% de las
10 7654.60 1223.78 5595.48 10471.5 bombas ya no funcionan por tanto
20 16211.7 2591.84 11850.7 22177.6 la confiabilidad es del 90%
30 25913.0 4142.83 18942.3 35448.9
40 37112.3 5933.31 27128.9 50769.5
50 50358.2 8051.00 36811.6 68890.0
60 66569.9 10642.8 48662.3 91067.6
70 87470.5 13984.3 63940.5 119659
80 116928 18693.8 85473.9 159958
90 167286 26744.9 122286 228847
91 174941 27968.6 127881 239319
92 183498 29336.7 134136 251025
93 193199 30887.7 141228 264296
94 204399 32678.2 149414 279617
95 217645 34795.9 159097 297737
96 233856 37387.7 170948 319915
97 254757 40729.2 186226 348507
98 284215 45438.7 207759 388805
99 334573 53489.7 244571 457695
Cul es la confiabiliad a las 40000 horas?
Podemos usar el botn ESTIMATE Estimate survival probability 40000
OK
Table of Survival Probabilities
95.0% Normal CI
Time Probability Lower Upper
40000 0.576619 0.470865 0.668669
La confiabilidad a las 40000 horas es del 0.5766
La confiabilidad noparamtrica fue de 0.755 muy parecida
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
Failure 40
Censor 0
AD* 0.654
Mean 72651.5
StDev 72651.5
Median 50358.2
IQR 79815.9
Probability Plot for Duracion
Complete Data - LSXY Estimates
Exponential - 95% CI
Pgina 120
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Forma rpida
Una forma rpida de ver la confiabilidad y riesgo es a travs de:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot
Variables: Duracin
Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis
OK
8.5 Comandos especiales
Preguntas frecuentes
No sale el indicador MTB > de comandos
Temporal Editor > Enable commands
Permanente Activar ventana de sesin
Tools > Options > Session Window > Submitting commands
Seleccionar Enable (aparece MTB > al iniciar Minitab)
Algunas columnas en las que deberan haber datos estn vacias
Puede ser que la hoja de datos se muestre a partir de una fila mayor a 1
Una columna debe ser numrica sin embargo se muestra como texto
Convertirla con: Data > Change Data Type > Text to Numeric
Duracion
P
D
F
300000 200000 100000 0
0.000015
0.000010
0.000005
0.000000
Duracion
P
e
r
c
e
n
t
1000000 100000 10000 1000
90
50
10
1
Duracion
P
e
r
c
e
n
t
300000 200000 100000 0
100
50
0
Duracion
R
a
t
e
300000 200000 100000 0
0.0000175
0.0000150
0.0000125
0.0000100
Table of Statistics
Failure 40
Censor 0
AD* 0.654
Mean 72651.5
StDev 72651.5
Median 50358.2
IQR 79815.9
Probability Density Function
Surv iv al Function Hazard Function
Distribution Overview Plot for Duracion
LSXY Estimates-Complete Data
Exponential
Duracion
P
e
r
c
e
n
t
300000 200000 100000 0
100
80
60
40
20
0
Duracion
R
a
t
e
300000 200000 100000 0
1.0
0.8
0.6
0.4
0.2
0.0
Survival Function Hazard Function
Distribution Overview Plot for Duracion
Kaplan-Meier Estimates-Complete Data
Pgina 121
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Change text column C1 Store numeric column C1
Copia de columnas con condiciones
Usando el achivo PULSE.MTW
Se calcula la diferencia entre Pulse1 y Pulse2
Calc > Calculator
Store result in variable C10 (Incremento)
Expression 'Pulse2' - 'Pulse1'
Seleccionar solo las personas que han corrido
Data > Copy > Columns to Columns
Copy from columns 'Incremento' 'Sexo'
Store Copied Data in columns C11 c12
Seleccionar Name the columns containing the copied data
Subset the data:
Seleccionar Rows that match
Condition: Ran = 1
Diagrama de caja estratificado por sexo
Graph > Boxplot > One Y:With groups
Graph variables Incremento_1
Categorical variables 'Sex_1'
Apilado y separacin de columnas (se usa el archivo PAN.MTW)
Columna con todos los pesos de las columnas correspondientes a la mquina 1
Data > Stack > Columns
Stack the following columns 'Mquina 1, Pieza 1'....'Mquina 1, Pieza 4'
Sel. store stacked data in Column of current worksheet 'Mquina 1'
Codificacin y ordenacin de datos (se usa el archivo CLIENTES.MTW)
Se desea codificar a los clientes segn el valor de sus compras para el primer trimestre
Categora 3 Menos de 50,000; Cat. 2 entre 50,000 y 100,000; Cat. 1 Ms de100,000
Calc > Row statistics
Sumas Sel. Statistic Sum input vars. 'ENERO' - 'MARZO' store result in Total
Codificacin Data > Code > Numeric to numeric
Code data from columns Total
Into columns Categora
Original values New
00:49.9 3
50:100 2
100.1:999 1
Numeros de cliente en columnas separadas por categora
Data > Unstack columns
Unstack the data in Total
Sel. After last column in use
Name the columns containing then stacked data
Ordenar clientes por su rango de compras
Data > Sort
Sort Columns CLIENTE Total
By columns Total seleccionar Descending
Store sorted data in seleccionar Columns of current worksheet
Clientes ordenados' 'Facturacin'
otra opcin
Manip > Rank
Rank data in total Store ranks in C13
NOTA. Si dos clientes coinciden les pone el nmero promedio de ellos
Personalizacin de Minitab
Pgina 122
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
Opciones de configuracin Tools > Options
Lenguaje de Session Window > Submiting Commands
comandos Seleccionar Enable Command Language
Configurar Graphics > Regions > Graph
grficas Fill Pattern; Background color N
No pregunte Graphics > Graph Management
al cerrar Prompt to save a graph before closing Never
grficas
Cambios en Click sobre una barra de herramientas
barras de Botn derecho para ver la lista de barras disponibles
herramientas o con
Tools > Toolbars
Personalizar Tools > Customize
la barra de Commands para seleccionar y arrastrar cualquier opcin nadicional del
herramientas menu y dejarla en la barra de herramientas existente
como en Office
Hacer una Tools > Customize > Toolbars: New
barra de Se puede ir llenado la barra de herramientas vaca con opciones
herramientas de menu
nueva
Comandos en la pantalla de sesin
Editor > Commands enable
Histograma de 100 nmeros MTB > Random 100 c1
aleatorios MTB > Histo c1 Solo se requieren las primeras 4 letras
random 100 c1; Un ; indica continuacin de instruccin
normal 0,0,1,0. Un . Indica fin de la instruccin
Histogram c1;
Bar.
Instrucciones ejecutables Edit > Command Line Editor
Escribir los comandos y al final pulsar Submit Commands para ejecutar
Archivos ejecutables Se pueden grabar las instrucciones en un archivo ASCII y ejecutarlas
File > Other Files > Run an Exe Random 100 c1;
Number of times to execute 10 normal 10,3.
Select file (buscarlo en archivos con *.txt) histo c1
#
Se pueden realizar varios histogramas como sigue: Random 100 c2;
normal 10,4.
histo c2
Grficas personalizadas
Hacer todos los cambios necesarios a las grficas y copiar
las instrucciones una vez seleccionada la grfica:
Editor > Copy Command Language
Pegar las instrucciones en un archivo desde el que se puedan accesar
Macros, panorama general
Minitab contiene un lenguaje de programacin sencillo para elaborar programas hechos a la medida
Pgina 123
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
incluye instrucciones de control generales IF/ELSEIF/ELSE/ENDIF, DO/ENDO, WHILE/ENDWHILE
EXIT devuelve el control a la ventana del Minitab
Simulador de media muestral
Macros globales GMACRO GMACRO
Nombre MacroG_SimulaMedia.txt (archivo)
Cuerpo de la macro Let k2=1
ENDMACRO #
WHILE k2<=5000
Ejecucin: Random 100 c1;
Indicar el directorio donde est integer 1 6.
almacenada la macro Mean c1 k1
Tools > Options > General Let c2(k2) = k1
indicar carpeta en Initial directory Let k2=k2 +1
Let c3(1)=k2
Ejecucin MTB > %Macrog_SimulaMedia.txt ENDWHILE
#
ENDMACRO
Macros locales
Permiten tener varias variables de entrada / salida de cualquier nombre
MACRO
Ident. Nombre + variables de entrada y salida
Declaracin de variables: constantes, vectores y matrices
Cuerpo de la macro
ENDMACRO
MACRO
Local_SimulMedia itera n c_med c_conta # Nombre + Variables de Entrada/Salida
#
# Significado de las variables utilizadas:
#
# itera: Nm. de iteraciones
# n: Tamao de las muestras
# c_med: columna (vector) donde se van almacenando las medias
# c_conta: Columna donde aparece el contador
# i: nmero de iteracin
# media: valor de la media de la muestra
# c_mues: nombre del vector que contiene la muestra generada
#
#
MCONSTANT itera n i media # Declaracin de constantes
MCOLUMN c_mues c_med c_conta # Declaracin de vectores
#
brief 0 #Pantalla de sesin
#
LET i=1 # Inicializa el contador
WHILE i<= itera # Realiza la simulacin
RANDOM n c_mues;
INTEGER 1 6.
MEAN c_mues media
LET c_med(i)=media
LET i=i+1
LET C_conta(1)=i
ENDWHILE
#
HISTO c_med
#
Pgina 124
TALLER DE APLICACIN DE MINITAB AVANZADO
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
P. Reyes /Mayo 2006
ENDMACRO
Ejecucin de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2
itera n c_med c_conta
Pgina 125