Académique Documents
Professionnel Documents
Culture Documents
4.1Clculo de probabilidades
4.2Pruebas de hiptesis de una poblacin
4.3Pruebas de hiptesis de dos poblaciones
4.4Tamao de muestra y potencia
4.5Anlisis de varianza (ANOVA)
4.6Correlacin y Regresin lineal y cuadrtica simple
4.7Regresin Mltiple - Matriz de Correlaciones
4.8Aplicaciones
Minitab
Estadstico t (valor a partir del cual inicia el rea bajo la curva alfa)
Probabilidad alfa (valor del rea bajo la curva corresp. A t)
Media = 0
Datos
10
10
Alfa
0.05
0.1
1- Alfa
Estadstico t
Minitab
en Minitab
0.95
1.83311
0.9
1.38303
Estadstico t
Excel
1.83311293
1.38302874
Distribucin F de Fisher (para probar hiptesis de comparacin de varianzas entre dos muestras)
Requiere dos parmetros adicionales de Grados de Libertad (gl) = n1 -1 y n2 = 2
Excel
=Distr.F( valor de F, gl 1, gl 2)
=Distr.F.inv( valor de probabilidad, gl 1, gl 2)
Minitab
0
Slo valores positivos en eje horizontal
Fc=
S21
S22
Pgina 1 de 51
Mintab V15
curva no simtrica
Datos de la
muestra 1
10
10
Datos de la
muestra 2
10
10
Alfa
0.05
0.1
1- Alfa
Estadstico F
Minitab
en Minitab
Excel
0.95
3.17889 3.1788931
0.9
2.44034 2.44034044
Minitab
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra
10
10
Alfa
0.05
0.1
1- Alfa
Estadstico Chi Cuadrado
Minitab
en Minitab
Excel
0.95
16.919 16.9189776
0.9
14.6837 14.6836566
Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
Usar el archivo Pesos.mtw de la hoja Archivos Datos Mdulo 4
La desviacin estndar histrica es de 25 g.
Se puede afirmar que el peso promedio es diferente a 4000 g.?
Ho: Media = 4000
Se introducen los valores en una sola columna C1 titulada Pesos del archivo Pesos.mtw anexo:
Pgina 2 de 51
Mintab V15
Nivel de confianza
_
X
Ho
3920
3940
3960
3980
Pesos
4000
4020
4040
OneSampleZ:Pesos
Testofmu=4000vsnot=4000
Theassumedstandarddeviation=25
VariableNMeanStDevSEMean95%CIZP
Pesos203985.7028.185.59(3974.74,3996.66)2.560.011
Este es el intervalo de confianza del 95% donde se encuentra
la media del proceso de llenado (poblacin). El 4000 no se
encuentra en el intervalo por tanto el promedio difiere de lo
que se afirma
l valor P es menor
a 0.05 por tanto se
rechaza la Ho y se
acepta la alterna en
Pgina 3 de 51
Mintab V15
este caso el
promedio difiere de
los 4000 g.
Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el nmero de datos es menor a 30
Ho: Media = valor
TestandCIforOneProportion
Testofp=0.1vsp<0.1
UpperExact
SampleXNSamplepBoundPValue
1172000.0850000.1247710.285
No se rechaza Ho ya que la Proporcin del 10% de la
hiptesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hiptesis alterna.
Es vlido decir que slo el 10% de los usuarios utilizan los accesorios
Minitab 15
Pgina 4 de 51
Mintab V15
Pgina 5 de 51
Mintab V15
TestforEqualVariances:MtodoA,MtodoB
95%Bonferroniconfidenceintervalsforstandarddeviations
FTest(normaldistribution)
Teststatistic=1.01,pvalue=0.991
Como el P value es mayor a 0.05 no se rechaza la Hiptesis nula de igualdad de
varianzas, por tanto se asume que son iguales. Esta inf. se usar a continuacin:
Paso 2. Se realiza un anlisis de comparacin de medias poblacionales
H: Media A - Media B = 0 Ha: Media A - Media B 0
Data
25
24
23
22
21
Mtodo A
Mtodo B
Pgina 6 de 51
Mintab V15
Lente A
6.7
5.0
3.6
6.2
5.9
4.0
5.2
4.5
4.4
4.1
Lente B
6.9
5.8
4.1
7.0
7.0
4.6
5.5
5.0
4.3
4.8
_
X
Ho
-1.2
-1.0
-0.8
-0.6
-0.4
Differences
-0.2
0.0
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
mtodos.
PairedTTestandCI:LenteA,LenteB
PairedTforLenteALenteB
NMeanStDevSEMean
LenteA104.960001.029780.32564
LenteB105.500001.130390.35746
Difference100.5400000.3438350.108730
95%CIformeandifference:(0.785964,0.294036)
TTestofmeandifference=0(vsnot=0):TValue=4.97PValue=0.001
Pgina 7 de 51
Mintab V15
Pgina 8 de 51
Mintab V15
4
5
6
Defective A
18
18
21
14
19
14
Etc.
Defective B
20
35
19
30
26
22
Etc.
Resultados:
TestandCIforOneSamplePoissonRate:DefectiveA
Testofrate=20vsrate<20
TotalRateof95%UpperExact
VariableOccurrencesNOccurrenceBound Como P value es menor
DefectiveA7134017.825018.9628 a 0.05, se rechaza Ho y se
Lengthofobservation=1.
acepta Ha donde la tasa de
defectos es menor a 20
Se puede probar si la empresa A tiene una tasa mayor de defectos que la
empresa B. La empresa A mide cada tres meses sus defectos y la empresa B cada seis meses.
Se trata de probar cual empresa tiene la menor tasa de defectos mensual.
Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Pgina 9 de 51
Mintab V15
Hiptesis Nula
Desicin
Verdadera
Falsa
No rechazar Desicin correcta
Error tipo II
p=1-
p=
Rechazar
Error tipo I
Desicin correcta
p=
p=1-
Potencia
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?
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
0.16
Ha: Corrida
367.5
Ho:
Meta
365
Variable
Original
Corrida
LIE 370
0.14
Y-Data
0.12
0.10
0.08
0.06
0.04
0.02
0.00
355
360
365
C1
370
375
Pgina 10 de 51
Mintab V15
1SampletTest
Testingmean=null(versusnot=null)
Calculatingpowerformean=null+difference
Alpha=0.05Assumedstandarddeviation=2.403
Sample
DifferenceSizePower
2.560.537662
Pgina 11 de 51
Mintab V15
H 0 =1 =2 =3 =. . . .= k
Pgina 12 de 51
Mintab V15
B
1.6
1.1
1.3
1.4
1.1
C
1.3
1.6
1.8
1.1
1.5
1.1
A un 95% de nivel de confianza, hay alguna variedad que produzca ms fenoles que otra?
Se colocan los datos en tres columnas distintas C1, C2 y C3:
99
0.4
Residual
Percent
90
50
0.0
-0.2
10
1
0.2
-0.50
-0.25
0.00
Residual
0.25
0.50
-0.4
1.4
1.6
Fitted Value
Frequency
3
2
1
0
0.2
0.3
0.4
Pgina 13 de 51
1.8
Mintab V15
Respuesta
1.9
Los datos del ejemplo anterior arreglados en una
1.8
sola columna se muestran a continuacin
2.1
1.8
1.6
1.1
1.3
1.4
1.1
1.3
1.6
1.8
1.1
1.5
1.1
Factor
A
A
A
A
B
B
B
B
B
C
C
C
C
C
C
99
0.4
Residual
Percent
90
50
-0.50
-0.25
0.00
Residual
0.25
-0.4
0.50
1.6
Fitted Value
1.8
Residual
Frequency
Mintab 15
1.4
0.4
1
0
0.0
-0.2
10
1
0.2
0.2
0.0
-0.2
0.2
0.3
0.4
-0.4
Pgina 14 de 51
9 10 11 12 13 14 15
Observation Order
Mintab V15
1
2
3
4
5
Minitab 15
2
3
4
5
Pgina 15 de 51
Mintab V15
TwowayANOVA:ZooplanktonversusSupplement,Lake
SourceDFSSMSFP
Supplement21918.50959.2509.250.015
Lake121.3321.3330.210.666
Interaction2561.17280.5832.710.145
Error6622.00103.667
Total113123.00
S=10.18RSq=80.08%RSq(adj)=63.49%
Individual95%CIsForMeanBasedon
PooledStDev
SupplementMean++++
143.50(*)
268.25(*)
339.75(*)
++++
30456075
Individual95%CIsForMeanBasedon
PooledStDev
LakeMean++++
Dennison51.8333(*)
Rose49.1667(*)
++++
42.048.054.060.0
De la tabla de ANOVA se ve que no hay una interaccin significativa entre Supplement*Lake o por Lake.
Hay evidencia significativa de que el Supplement afecta al crecimiento para un alfa de 0.05.
De la grfica de medias parece que el Supplement 2 es mejor para el crecimiento del plancton.
Para examinar comparaciones mltiples de medias, utilizar el modelo lineal general.
Anlisis de medias
Sirve para realizar un anlisis de medias (ANOM) para datos normales, binomiales o de Poisson y
opcionalmente imprime una tabla resumen para datos normales o binomiales.
Por ejemplo para datos normales:
Se evala el efecto de tres tiempos de nvieles de proceso y tres niveles de resitencia en la densidad.
Se analizan las medias y un diseo de dos vas para identificar interacciones o efectos principales
significativos.
1
3
4
5
Effect
Minitab 15
1.578
0
Pgina 16 de 51
Mintab V15
1.578
0
-2
Strength
Minutes
0
-1.578
1
10
1
15
Mean
Mean
6.222
1
18
7.145
6.222
5.300
6
4
5.300
10
15
Minutes
18
2
Strength
Se muestra una grfica de interaccin y de efectos principales para los dos factores.
La grfica ANOM tiene una lnea central y lmites de decisin, si un punto cae fuera de estos lmites
es evidente que es diferente de la gran media. Si la interaccin fuera significativa, ya no se consideran
los efectos principales por separado, dado que unos dependen de otros. En este caso no es significat.
El punto que representa la media del nivel 3 del factor Minutes se muestra con un asterisco en rojo,
indicando que hay evidencia al nivel de alfa = 0.05 de que difiera significativamente de la media gral.
En el caso de Strenght, hay evidencia de que los efectos principales para los niveles 1 y 3 estn fuera
de los lmites de decisin y son diferentes de la media general.
Los puntos que estn fuera se pueden investigar.
Ejemplos con datos binomiales
Se cuenta el nmero de soldaduara rechazadas en muestras de tamao 80 para identificar que
proporciones estn fuera de la lnea con las otras muestras.
Como las muestras tienen dos resultados, la proporcin de xitos es constante y son independientes
se usa el anlisis de medias para datos binomiales.
1 File > Open worksheet EXH_AOV.MTW.
WeldRejects
3
6
8
14
6
1
8
1
8
10
1
2
3
4
Proportion
0.15
0.1547
0.10
0.075
0.05
0.00
Pgina 17 de 51
0.20
Mintab V15
Proportion
0.15
0.10
0.075
0.05
0.00
6
Sample
10
11
La grfica muestra la proporcin de defectos para cada muestra, la lnea central representando la
proporcin promedio, y los lmites superior e inferior.
En este caso la muestra cuatro sale de los lmites de decisin y es anormal.
Ejemplo con datos de Poisson
Una fbrica de juguetes, quiere monitorear el nmero de defectos de carros de juguete.
Se toman 20 muestras de carros y se crea una carta de medias para examinar el nmero de defectos
en cada muestra.
1
2
3
4
16
12.49
Defects
12
8
5.55
4
10 11 12 13 14 15 16 17 18 19 20
Sample
La grfica muestra el nmero de defectos en cada muestra, la lnea central representando el promedio
de defectos, y los lmites de decisin superior e inferior.
En este caso, el nmero de defectos de los carros cinco y seis son anormales ya que caen fuera de los
lmites de decisin.
Mintab 15
ANOVA Balanceado
Se usa para realizar anlisis univariado de varianza para cada una de las variables de respuesta.
El diseo debe ser balanceado, con las mismas observaciones por celda.
Pgina 18 de 51
Mintab V15
Los factores pueden ser cruzados o anidados, fijos o aleatorios. Se pueden incluir hasta 50 variables de
respuesta con hasta 31 factores al mismo tiempo.
Los factores son predictores (independientes) que se seleccionan a que varien durante el experimento
para determinar su efecto en la variable de respuesta (variable dependiente).
Por ejemplo, si se quiere evaluar el acabado superficial de partes metlicas producidas por varias
mquinas y se miden por varios operadores. Tanto "Mquina" como "Operador" son factores en este
experimento. Los factores pueden ser cruzados o anidados, dependiendo de cmo se colecten los
datos.
Factores cruzados:
Dos factores son cruzados cuando cada nivel de un factor ocurre en combinacin con cada nivel del
otro factor. Por ejemplo, los mismos tres operadores evalan el acabado superficial de las 2 mquinas.
Factores anidados:
Dos factores son anidados cuando los niveles de un factor son similares pero no idnticos, y cada uno
ocurre en combinacin con diferentes niveles de otro factor.
En este caso, si la mquina 1 est una ciudad y la otra en otra diferente, cada una tendr diferentes
operadores.
Modelo:
En la caja de Model solo se especifican las X's no la Y. La opcin Make Patterned data, single set of
numbers puede ayudar a cargar los nmeros de niveles de un factor.
Las reglas para expresar modelos son:
1 * indica un trmino de interaccin, por ejemplo A*B.
2 () indica anidado, cuando B est anidado dentro de A, poner B(A). Si C est anidado dentro de A y B
poner C(A B). Los trminos entre parntesis son factores del modelo y se separan con espacio.
3 Abreviar el modelo con | o ! Para indicar factores cruzados o - para remover trminos.
Por ejemplo:
Dos factores cruzados: A B A*B
Tres factores cruzados: A B C A*B A*C B*C A*B*C
Tres factores anidados: A B(A) C(A B)
B anidado dentro de A, y ambos cruzados con C: A B(A) A*C B*C(A)
Para introducir nmeros de niveles para un conjunto de datos:
Por ejemplo para un diseo cruzado de tres vas con niveles a, b y c de factores A, B, C, con n
observaciones por celda, se tiene:
1 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults).
Poner A en Store patterned data in. Poner 1 en From first value, niveles de A en To last value.
Poner el producto bcn en List the whole sequence. Clik OK
2 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults).
Poner B en Store patterned data in. Poner 1 en From first value, niveles de B en To last value.
Niveles de A en List each value. Poner el producto cn en List the whole sequence. Clik OK
3 Calc>Make Patterned Data > Simple set of numbers, F3 (Reset defaults).
Poner C en Store patterned data in. Poner 1 en From first value, niveles de C en To last value.
Producto ab en List each value. Poner el tamao de muestra n en List the whole sequence. Clik OK
Ejemplo de ANOVA con dos factores cruzados
Se quiere probar cuanto toma usar una calculadora nueva y una antigua. Seis ingenieros trabajan en
ambos un problema estadstico y uno de ingeniera usando cada modelo de calculadora y se toma
el tiempo en minutos que toma resolver el problema.
Los ingenieros se pueden considerar como bloques del diseo experimental. Hay dos factores
Tipo de problema y modelo de calculadora, cada uno con dos niveles. Como cada nivel del factor
ocurre en combinacin con cada nivel del otro factor, los factores son cruzados.
1
SolveTime
3.1
7.5
2.5
ProbType
Stat
Stat
Eng
Calculator
New
Old
New
Pgina 19 de 51
Mintab V15
5.1
3.8
8.1
2.8
5.3
3
7.6
2
4.9
3.4
7.8
2.7
5.5
3.3
6.9
2.5
5.4
3.6
7.8
2.4
4.8
Jones
Williams
Williams
Williams
Williams
Adams
Adams
Adams
Adams
2
3
4
5
6
7
Eng
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Eng
Old
New
Old
New
Old
New
Old
New
Old
Dixon
Erickson
Erickson
Erickson
Erickson
Maynes
Maynes
Maynes
Maynes
Eng
Stat
Stat
Eng
Eng
Stat
Stat
Eng
Eng
Old
New
Old
New
Old
New
Old
New
Old
AnalysisofVarianceforSolveTime
SourceDFSSMSFP
Engineer51.0530.2113.130.039
ProbType116.66716.667247.520.000
Calculator172.10772.1071070.890.000
ProbType*Calculator13.6823.68254.680.000
Error151.0100.067
Total2394.518
S=0.259487RSq=98.93%RSq(adj)=98.36%
Means
ProbTypeNSolveTime
Eng123.8250
Stat125.4917
CalculatorNSolveTime
New122.9250
Old126.3917
ProbTypeCalculatorNSolveTime
EngNew62.4833
EngOld65.1667
StatNew63.3667
StatOld67.6167
Se muestran los factores con su tipo (fijos o aleatorios), nmero de niveles y valores. Despus se
muestra la tabla de ANOVA, indicando una interaccin significativa entre tipo de problema y calculadora.
Tambin se muestran las medias de todos los factores y sus combinaciones como efectos principales.
Donde se puede observar que el tiempo se reduce al cambiar de la calculadora antigua a la nueva.
Ejemplo de ANOVA con diseo de mediciones repetidas
Se corre un experimento para ver como afectan los factores la exactitud de ajuste de indicadores.
Tres personas realizan las pruebas en uno de dos niveles de ruido. En cada uno de los tres periodos
de tiempo, las personas monitorean tres diferentes indicadores y realizan ajustes conforme se requiere
La respuesta es una medida de la exactitud. El ruido, tiempo e indicadores son factores fijos y cruzados
Pgina 20 de 51
Mintab V15
La persona en un factor aleatorio, anidado dentro del ruido. El ruido es un factor entre personas,
el tiempo e indicadores estan dentro de las personas.
1
2
3
4
5
6
7
8
9
Dial
1
2
3
1
2
3
1
2
3
1
2
3
AnalysisofVarianceforScore
SourceDFSSMSFP
Noise1468.17468.170.750.435
Subject(Noise)42491.11622.7878.390.000
ETime23722.331861.1763.390.000
Noise*ETime2333.00166.505.670.029
ETime*Subject(Noise)8234.8929.363.700.013
Dial22370.331185.1789.820.000
Noise*Dial250.3325.171.910.210
Dial*Subject(Noise)8105.5613.191.660.184
ETime*Dial410.672.670.340.850
Noise*ETime*Dial411.332.830.360.836
Error16127.117.94
Total539924.83
S=2.81859RSq=98.72%RSq(adj)=95.76%
VarianceErrorExpectedMeanSquareforEach
SourcecomponenttermTerm(usingrestrictedmodel)
1Noise2(11)+9(2)+27Q[1]
2Subject(Noise)68.31511(11)+9(2)
3ETime5(11)+3(5)+18Q[3]
4Noise*ETime5(11)+3(5)+9Q[4]
5ETime*Subject(Noise)7.13911(11)+3(5)
6Dial8(11)+3(8)+18Q[6]
7Noise*Dial8(11)+3(8)+9Q[7]
8Dial*Subject(Noise)1.75011(11)+3(8)
9ETime*Dial11(11)+6Q[9]
Pgina 21 de 51
Mintab V15
10Noise*ETime*Dial11(11)+3Q[10]
11Error7.944(11)
Se muestra la tabla de niveles de factores, la tabla de ANOVA y los cuadrados medios esperados.
Esto ltimo permite ver los componentes estimados de la varianza y descubrir cul trmino de error
es usado para probar los diferentes trminos del modelo.
El trmino de error est en fila 11 de la tabla de cuadrados medios esperados. La columna Error Term"
indica que el trmino 11 se usa para probar los trminos 2, 5, 8 y 10. Dial*Subject se numera como 8
y se usa para probar el sexto y sptimo trminos. Se puede seguir el patrn para otros trminos.
Se puede tener alguna idea de cmo afecta el diseo la sensibilidad de las pruebas F observando los
componentes de la varianza. Los componentes para probar los factores dentro de las personas
son ms pequeos (7.139, 1.750, 7.994) que la varianza entre personas (68.315). Es tpico que
para el modelo de mediciones repetidas, pueda detectar diferencias ms pequeas en medias dentro
de personas cuando se compara a la varianza entre personas.
De las cuatro interacciones entre los factores fijos, la interaccin de Noise*Etime fue la nica significativa
P-value = 0.029. Implica que la sensibilidad al ruido de las personas cambia en el tiempo.
Tambien es significativo el efecto del indicador Dial P value < 0.0005. Entre trminos aleatorios,
hay evidencia significativa para tiempo por persona (Etime*Subject con P value = 0.013) y persona
(Subject P value < 0.0005).
Pgina 22 de 51
Mintab V15
95
96
2
3
4
5
6
7
8
1
1
2
2
52
52
AnalysisofVarianceforThickness
SourceDFSSMSFP
Time19.09.00.290.644
Operator21120.9560.4165.380.000
Setting215676.47838.273.180.001
Time*Operator262.031.09.150.002
Time*Setting2114.557.32.390.208
Operator*Setting4428.4107.131.610.000
Time*Operator*Setting496.024.07.080.001
Error1861.03.4
Total3517568.2
S=1.84089RSq=99.65%RSq(adj)=99.32%
ExpectedMeanSquare
VarianceErrorforEachTerm(using
Sourcecomponenttermrestrictedmodel)
1Time4(8)+6(4)+18Q[1]
2Operator46.4218(8)+12(2)
3Setting6(8)+4(6)+12Q[3]
4Time*Operator4.6028(8)+6(4)
5Time*Setting7(8)+2(7)+6Q[5]
6Operator*Setting25.9318(8)+4(6)
7Time*Operator*Setting10.3068(8)+2(7)
8Error3.389(8)
Modelo no restringido
ANOVA:ThicknessversusTime,Operator,Setting
FactorTypeLevelsValues
Timefixed21,2
Operatorrandom31,2,3
Settingfixed335,44,52
AnalysisofVarianceforThickness
SourceDFSSMSFP
Time19.09.00.290.644
Pgina 23 de 51
Mintab V15
Operator21120.9560.44.910.090x
Setting215676.47838.273.180.001
Time*Operator262.031.01.290.369
Time*Setting2114.557.32.390.208
Operator*Setting4428.4107.14.460.088
Time*Operator*Setting496.024.07.080.001
Error1861.03.4
Total3517568.2
xNotanexactFtest.
S=1.84089RSq=99.65%RSq(adj)=99.32%
VarianceErrorExpectedMeanSquareforEach
SourcecomponenttermTerm(usingunrestrictedmodel)
1Time4(8)+2(7)+6(4)+Q[1,5]
2Operator37.194*(8)+2(7)+4(6)+6(4)+12
2
3Setting6(8)+2(7)+4(6)+Q[3,5]
4Time*Operator1.1677(8)+2(7)+6(4)
5Time*Setting7(8)+2(7)+Q[5]
6Operator*Setting20.7787(8)+2(7)+4(6)
7Time*Operator*Setting10.3068(8)+2(7)
8Error3.389(8)
*SynthesizedTest.
ErrorTermsforSynthesizedTests
Synthesisof
SourceErrorDFErrorMSErrorMS
2Operator3.73114.1(4)+(6)(7)
La organizacin de la salida es la misma para el modelo restringido o no restringido:
- Una tabla de niveles de factores, la tabla ANOVA, y como se requiri, los cuadrados medios
esperados. Las diferencias en la salida se encuentran en los cuadrados medios esperados,
y las pruebas F para algunos trminos del modelo. En este caso la prueba F para el operador se
sintetiza para el Operator en el modelo no restringido dado que no puede ser calculada exactamente.
Al examinar la interaccin de los tres factores Time*Operator*Setting, la prueba F es la misma en
ambos modelos con un P value de 0.001, por tanto el espesor depende de la combinacin de tiempo,
operador y ajuste. En algunos casos aqu termina este anlisis, no siguiendo con los factores.
En los casos donde los modelos dan diferente salida es en: La prueba F para Operator*Setting es
diferente, asi como Time*Operator*Setting, Time*Operator, Operator, Time*Operator, Oper*Setting.
Pgina 24 de 51
Mintab V15
depende del diseo experimental y las opciones disponibles. El diseo experimental se refiere a la
seleccin de unidades o sujetos a medir, la asignacin de tratamientos a esas unidades o sujetos, y la
secuencia de las mediciones tomadas en las unidades o sujetos. Ambos modelos pueden ajustar modelos
univariados para datos balanceados con hasta 31 factores. Algunas opciones son las siguientes:
ANOVA balanceado
Puede ajustar datos no balanceados
No
GLM
Si
Si
Si
Ajusta covariados
No
Si
No
Si
Si
Solo no restringidos
Se puede usar el ANOVA balanceado para analizar datos de diseos balanceados. Se usa GLM para
analizar datos de diseos balanceados, a pesar de que no se puede seleccionar el ajuste para el caso
restringido del modelo mezclado, el cual solo el ANOVA balanceado puede ajustarlo.
Para clasificar las variables, determinar si los factores son:
- Cruzados o anidados: cruzados cuando cada nivel de un factor ocurre combinado con cada nivel del otro.
Anidados cuando los niveles de un factor son similares pero no idnticos y cada uno ocurre
en combinacin con diferentes niveles de otro factor.
- Fijos o aleatorios: son fijos si se controla su nivel; son aleatorios si se seleccionan aleatoriamente de
los niveles de un factor de una poblacin (por ejemplo seleccionar tres operadores de una poblacin).
- Covariados es un predictor continuo, que puede ser controlable o no controlable. Por ejemplo se puede
estar interesado en el efecto del covariado edad en los ingresos de ventas por Internet.
En un DOE es una variable que es observable pero dficil de controlar. Se introduce al
modelo para reducir la varianza del error. Por ejemplo, se tiene intenrs en el efecto del
covariado temperatura en el tiempo de secado de dos diferentes tipos de pintura.
Especificacin del modelo:
Pgina 25 de 51
Mintab V15
AnalysisofVarianceforLightOutput,usingAdjustedSSforTests
SourceDFSeqSSAdjSSAdjMSFP
Temperature11779756262884262884719.210.000
Temperature*Temperature1190579190579190579521.390.000
GlassType2150865414162070856.650.000
GlassType*Temperature2226178511262556369.940.000
GlassType*Temperature*Temperature264374643743218788.060.000
Pgina 26 de 51
Mintab V15
Error1865796579366
Total262418330
S=19.1185RSq=99.73%RSq(adj)=99.61%
TermCoefSECoefTP
Constant4968.8191.325.970.000
Temperature83.8673.12726.820.000
Temperature*Temperature0.285160.0124922.830.000
Temperature*GlassType
124.4004.4235.520.000
227.8674.4236.300.000
Temperature*Temperature*GlassType
10.112360.017666.360.000
20.121960.017666.910.000
UnusualObservationsforLightOutput
ObsLightOutputFitSEFitResidualStResid
111070.001035.0011.0435.002.24R
171000.001035.0011.0435.002.24R
Rdenotesanobservationwithalargestandardizedresidual.
Se muestra la tabla de factores con sus niveles y valores. La segunda tabla da una tabla de ANOVA,
seguida por una tabla de coeficientes y una tabla de observaciones no normales.
La suma secuencial de cuadrados se calculan dependiendo de que trminos se puedieron primero en
el modelo, o sea que depende del orden del modelo. La suma ajustada de cuadrados son las sumas de
cuadrados dado que todos los otros trminos estn en el modelo. Estos valores no dependen
del orden en el modelo. Si se selecciona la opcin de suma secuencial de cuadrados, estos se usan para
la determinacin de los valores F.
En el ejemplo, todos los valores P fueron ceo, indicando que hay evidencia significativa de que afectan los
factores de vidrio y temperatura en el brillo as como su interaccin lineal y cuadrtica.
El valor de R2 indica que el modelo explica el 99.73% de la varianza de la salidad de luz, muy bueno.
Las siguientes tablas dan los coeficientes estimados para la covariada, temperatura, y las interacciones,
el error estndar, estadsticos t, y valores p. Despus se muestran los valores atpicos, con valor
estandarizado mayor a 2.
Minitab 15
Pgina 27 de 51
Mintab V15
140
2
3
4
5
6
B1
AnalysisofVarianceforNMosquito,usingAdjustedSSforTests
SourceDFSeqSSAdjSSAdjMSFP
Company322813.322813.37604.4132.780.000
Product(Company)71500.61500.6214.43.740.008
Error221260.01260.057.3
Total3225573.9
S=7.56787RSq=95.07%RSq(adj)=92.83%
Tukey95.0%SimultaneousConfidenceIntervals
ResponseVariableNMosquito
AllPairwiseComparisonsamongLevelsofCompany
Company=Asubtractedfrom:
CompanyLowerCenterUpper+++
B2.928.1719.25(*)
C52.2541.1730.08(*)
D61.6952.4243.14(*)
+++
50250
Company=Bsubtractedfrom:
CompanyLowerCenterUpper+++
C61.4849.3337.19(*)
D71.1060.5850.07(*)
+++
50250
Company=Csubtractedfrom:
CompanyLowerCenterUpper+++
D21.7711.250.7347(*)
+++
50250
TukeySimultaneousTests
ResponseVariableNMosquito
AllPairwiseComparisonsamongLevelsofCompany
Company=Asubtractedfrom:
DifferenceSEofAdjusted
CompanyofMeansDifferenceTValuePValue
Pgina 28 de 51
Mintab V15
B8.173.9892.050.2016
C41.173.98910.320.0000
D52.423.33715.710.0000
Company=Bsubtractedfrom:
DifferenceSEofAdjusted
CompanyofMeansDifferenceTValuePValue
C49.334.36911.290.0000
D60.583.78416.010.0000
Company=Csubtractedfrom:
DifferenceSEofAdjusted
CompanyofMeansDifferenceTValuePValue
D11.253.7842.9730.0329
Se muestra una tabla de niveles de factores, tabla de ANOVA, comparaciones mltiples de Tukey para
diferencias entre empresas y las pruebas de hiptesis correspondientes. La prueba F indica que la
empresa es significativa.
El valor de R2 indica que el modelo explica el 95.07% de la varianza en el nmero de mosquitos vivos,
siendo adecuado el modelo.
De la comparacin de diferencias se observa que las empresas A y B son similares (cero incluido), y ambas
diferentes de C y D (cero no incluido).
Minitab 15
2
3
4
Batch
1
2
3
1
2
3
1
2
3
1
2
Etctera
Pgina 29 de 51
Mintab V15
NestedANOVA:TempversusPlant,Operator,Shift,Batch
AnalysisofVarianceforTemp
SourceDFSSMSFP
Plant3731.5156243.83855.8540.011
Operator12499.812541.65101.3030.248
Shift481534.916731.97742.5780.000
Batch1281588.000012.4062
Total1914354.2448
VarianceComponents
%of
SourceVarComp.TotalStDev
Plant4.21217.592.052
Residual
Plots for
Velo.max
Line
Plot
Residuals
Versus
the
Fitted
Values
Residual
Plots
for
Velo.max
Fitted
Line
Plot
Residuals Versus Pot.(CV)
IFitted
nterval
Plot
Durability
Scatterplot
of Peso
cerebro
(g)
Peso
total
(kg)
Interval
Plot
of
Week
1,
Week
2,
Week
3
Y
=(response
15.12
+ vs
2.829
Xof
Fitted
Line
Plot
Interaction
Plot
for
LightOutput
Main
Effects
Plot
for
Versus
the
Fitted
Values
Interval
Plot
of
Durability
Y)
Operator0.8063.370.898
(response
Normal Probability
PlotResiduals
of Residuals
the
Residuals
Residuals
Versus
FittedYield
Values
Matrix
Plot
Interval
of
Num.Cil.,
Plot
of
Week
Cil.(cc),
1,the
Week
Pot.(CV),
2,total
Week
Velo.max
logten(Peso
cerebro
(g))
=is
+Mean
0.7517
logten(Peso
(kg)) 3is Velo.max)
Versus
Pot2
95%
the
95%
CI
for
the
Mean
+ 0.2355
X*
*0.9271
2for
6000
Weight
=
204.7
+ 5.092
Height
(response
isCI
Y)
Normal
Probability
Plot
of
the
Residuals
Residuals
Versus the Fitted Values
Scatterplot
of
Weight
vs
Data
Means
95% Data
CI for
forHeight
Means
the
Mean
30
0.50
20 95%
(response is Velo.max)
CI
the
Mean
Shift6.52427.242.554
100000.00
99.9
1.0
220
0
2500
5000
160 Regression
240
35
7.0
220
70
30
205000
99
9
20 20
1400
Batch12.40651.803.522
95% CI
Variety 0
Field
16
10000.00
95%
PI
3.3
90
10
200
4000
200
30
Total23.9484.894
0.25
60
100.5
0
1300
-20
99.9
Regression
95% CI
95% PI
50
6.5
50
3.2
25
10 0
-40
0.00
0.0
6.0
2000
0.1
1000.00
3000
15
25180
1200
3.1
Num.Cil.
8
180
100.00
-20
Weight
10
Residual
Residual
Percent
Percent
Residual
Data
Residual
ResidualY
90
-40
0
20
150
Residual
1
160
1100 10.00
ExpectedMeanSquares
20160
20
-10
0.1
20
S
R-Sq
R-Sq(adj)
0.228822
99.9%
99.9%S
-20 -10
50
300
200
250
Fitted
-20 Value
R-Sq
R-Sq(adj)
0.301528
92.1%
91.9%
-0.25
140
-40
Fitted Value
15.0
20
Residual
Residual
Frequency
Frequency
7.5
3.47429
86.6%
86.3%
S
14.7920
61.6%
Residuals Versus
the Order of the Data
-30
40 250 R-Sq
40
150
200
300
18.115
R-Sq(adj)
61.2%
20
-40
152.9
40-20
Cil.(cc)
1Plant1.00(4)+3.00(3)+12.00(2)+48.00(1)
2500 0
30
15
0
0.101 of 14.4825
-50
0 Histogram
2
3
4
5
30
the
Versus the Order of the Data
13 900
1000
2000Residuals
3000
4000
5000 Residuals
6000
7000
120
2Operator1.00(4)+3.00(3)+12.00(2)
120 0 6
X
0
100
200
300
400
-30
2.8
-1.0
5.0
Peso
total
(kg)
12.8075
20800
Pot.(CV)
-0.50 800 0.01
-20
20
3Shift1.00(4)+3.00(3)
400
20
10
1515 100
2020
25
25
30
30
35
35
2.7
-40 100
60
1210
Fitted
Fitted
Value9.735
-40Value
4Batch1.00(4)
0
5
10.0
12.5
15.0
17.5
20.0
22.5
4.55.0700 7.5
-30.0 -22.5 -15.0 -7.5 0.0
60
Week
60 Residual
621
S
R-Sq
R-Sq(adj)
GlassType
12
1
2
8
3
14
Histogram
of the Residuals
3.0
7
50001000
-40
-20
0
1000 1.00
-0.5
5.5
140 Residual
Residual
99
40
60
80
0
500
200
62
64Pot2
66
70 Pot.(CV)
72
74 10 76 76
2.6
Order
2 68 Observation
64
66 Week68
70
72Week 374
Height
600
Peso Height
total
(kg)
-20
5
0
2
4
6
8
10 cuadrados
12
11
2.5
Se 20
muestran
tres tablas: 1) ANOVA; 2) Componentes estimados de la varianza;
3)
medios
0
320
4
X
500
esprados.
Hay
cuatro
fuentes
secuenciales
anidadas
de
variabilidad:
Planta,
operador,
turno
y
lote.
-40 3
Week
1
Week
2
Week
Week
1
Week
2
Week
3
2.4
0
1 100
2 125
3 150
4
1 20 40 60 80 100 120 140 160 180 200 220 240
240 -40
-30 -20 -10
0
10
20
Machine
1 Temperature
Carpet Observation Order2 Velo.max
Residual
1
2
3
4
5
6
1
2
3
4
40
La tabla
ANOVA indica que que hay evidencia significativa de planta y turno para alfa de 0.05.
160
Los estimados de los componentes de la varianza indican que la variabilidad atribuible a lotes, turnos y
4
8
12
0
200
400
plantas fue
de 52,
27,
y 18 porciento resp.
De
la varianza
total.
Si el estimado de un componente de varianza es menor que cero, Minitab lo toma como cero en clculos.
Minitab 15
Grficas de intervalos
Se usan las grficas por intervalos para graficar medias, intervalos de confianza o barras de errores para
una o ms variables. La grfica de intervalos muestra tanto la tendencia central como la variabilidad de los
datos.
Nota: Por default Minitan muestra los intervalos de confianza para el 95%. Para cambiar el tipo de
despliegue para una grfica especfica, usar el Editor > Edit Interval Bar > Options.
Para cambiarlo en todas las grficas futuras usar Tools > Options > Individual Graphs > Interval Plots.
Las opciones son las siguientes:
Pgina 30 de 51
Mintab V15
2
3
4
Carpet
3
3
3
3
4
4
4
4
Composition
A
B
A
B
A
B
A
B
Graph > Interval Plot or Stat > ANOVA > Interval Plot.
En One Y, seleccionar Simple. Click OK.
En Graph variables, seleccionar Durability. Click OK.
Pgina 31 de 51
Mintab V15
La media ms grande es para la alfombra 4, y todas se traslapan sugieriendo que no son diferentes.
El intervalo de confianza corresponde al 95%, se puede cambiar con:
Editor > Edit Interval Bar > Options.
2
3
4
Machine
1
2
1
2
1
2
1
2
1
2
Operator
A
B
A
B
A
A
B
B
A
B
Graph > Interval Plot or Stat > ANOVA > Interval Plot.
En Multiple Y's, seleccionar Simple. Click OK.
En Graph variables, seleccionar 'Week 1' 'Week 2' 'Week 3'. Click OK.
En la semana 4 se observa una mayor media y variabilidad. Acercando el cursor se ven los valores.
Pgina 32 de 51
Mintab V15
3
4
5
6
7
Se observa que:
- Para la mquina 1, las medias e intervalos de confianza tienen tendencia creceinte cada semana
- Para la mquina 2, las medias e intervalos de confianza son consistentes durante las semanas
Minitab 15
Yield
3.26
3.27
2.93
2.59
3.11
2.38
3.25
3.2
3.09
2.62
3.23
2.37
Variety
1
2
3
4
5
6
1
2
3
4
5
6
Pgina 33 de 51
Field
3
3
3
3
3
3
4
4
4
4
4
4
Mintab V15
Se muestra la media de la respuesta para cada uno de los niveles de los factores en orden si los
factores son numricos o en formato de fecha fecha/hora o en orden alfabtico si es texto.
Se muestra una lnea horizontal como la gran media. Los efectos son las diferencias entre las medias
y la lnea de referencia.
En este ejemplo los efectos de Variety sobre el rendimiento son grnades comparados con los efectos
del factor Field (la variable de bloqueo):
Minitab 15
Grfica de interacciones
Crea una grfica simple de interaccin de dos factores, o una matriz de grficas de interaccin para
tres a nueve factores.
Una interaccin se presenta cuando la respuesta en el nivel de un factor, depende de los niveles de
otros factores. Las lneas paralelas indican que no hay interaccin; entre menos paralelas sean las
lneas mayor ser el grado de interaccin.
Ejemplo de grfica de interacciones para dos factores
Se realiza un experimento para probar el efecto de la temperatura y el tipo de vidrio en la
luminosidad de un osciloscopio. Hay tres niveles para tipo de vidrio y para temperatura, 100, 125, y 150
grados farenheit.
1 File > Open worksheet EXH_AOV.
LightOutput Temperature GlassType
580
100
1
1090
125
1
1392
150
1
568
100
1
1087
125
1
2
3
4
Etctera
Pgina 34 de 51
Mintab V15
Se muestra una posible interaccin entre el tipo de vidrio y la temperatura del lado superior (150C).
Minitab 15
MANOVA balanceado
Se usa para realizar anlisis multivariado de varianza (MANOVA) para diseos balanceados. Se puede
tomar ventaja de la estructura de la covarianza de los datos para probar al mismo tiempo la igualdad
de medias de diferentes respuestas.
Por ejemplo:
Se quieren determinar las condiciones ptimas para extruir capa de plstico. Se miden tres respuestas
resistencia, gloss, y opacidad - cinco veces cada combinacin de dos factores - tasa de extrusin
y cantidad de aditivo -- cada uno es puesto en niveles bajos y altos. Se usa MANOVA dado que el
diseo est balanceado.
1
Additive
1
1
1
1
1
2
2
2
2
2
Etctera.
SSCPMatrixforExtrusion
TearGlossOpacity
Tear1.7401.5040.855SS Extrusin para las tres respuestas
Gloss1.5041.3010.7395
Opacity0.8550.7390.4205
SSCPMatrixforError
TearGlossOpacity
Tear1.7640.02003.0SSE para las tres respuestas
Pgina 35 de 51
Mintab V15
Gloss0.0202.62800.552
Opacity3.0700.552064.924
PartialCorrelationsfortheErrorSSCPMatrix
TearGlossOLas correlaciones entre respuestas son dbiles y se
Tear1.000000.009290pudo haber corrido un ANOVA por separado para cada
Gloss0.009291.000000una de las respuestas.
Opacity0.286870.042261.00000
EIGENAnalysisforExtrusion
Eigenvalue1.6190.000000.00000
Proportion1.0000.000000.00000
Cumulative1.0001.000001.00000
Eigenvector123
Tear0.65410.4315 Aqu la mayor diferencia entre niveles de factores
Gloss0.33850.5163 es para Tear, despus Gloss y al ltimo Opacity
Opacity0.03590.03020.1209
MANOVAforAdditive
s=1m=0.5n=6.0
TestDF
CriterionStatisticFNumDenomP
Wilks'0.523034.2563140.025
LawleyHotelling0.911924.2563140.025
Pillai's0.476974.2563140.025
Roy's0.91192
SSCPMatrixforAdditive
TearGlossOpacity
Tear0.76050.68251.93SS Aditivo para las tres respuestas
Gloss0.68250.61251.732
Opacity1.93051.73254.901
EIGENAnalysisforAdditive
Eigenvalue0.91190.000000.00000
Proportion1.00000.000000.00000
Cumulative1.00001.000001.00000
Eigenvector123
Tear0.63300.44800.1276
Gloss0.32140.49920.1694
Opacity0.06840.00000.1102
MANOVAforExtrusion*Additive
s=1m=0.5n=6.0
TestDF
CriterionStatisticFNumDenomP
Wilks'0.777111.3393140.302
LawleyHotelling0.286831.3393140.302
Pgina 36 de 51
Mintab V15
Pillai's0.222891.3393140.302
Roy's0.28683
SSCPMatrixforExtrusion*Additive
TearGlossOpacity
Tear0.0005000.016500.04450
Gloss0.0165000.544501.46850
Opacity0.0445001.468503.96050
EIGENAnalysisforExtrusion*Additive
Eigenvalue0.28680.000000.00000
Proportion1.00000.000000.00000
Cumulative1.00001.000001.00000
Eigenvector123
Tear0.13640.18060.7527
Gloss0.53760.30280.0228
Opacity0.06830.11020.0000
Se observa que el factor extrusin y el factor aditivo son significativos, con P value < 0.05
Aqu la mayor diferencia entre niveles de factores es para Tear, despus Gloss y al ltimo Opacity
Minitab 15
MANOVA general
Se usa para realizar anlisis multivariado de varianza (MANOVA) para diseos balanceados y no
balanceados si se tienen covariados. Se puede
tomar ventaja de la estructura de la covarianza de los datos para probar al mismo tiempo la igualdad
de medias de diferentes respuestas.
Los clculos se hacen por el mtodo de regresin, para lo que es necesaria una mtriz de rango
completo formada de factores y covariados donde para cada variable se hace una regresin.
Los factores pueden ser cruzados o anidados, pero no pueden ser declarados aleatorios.
Los covariados pueden ser cruzados entre ellos o con los factores, o anidados dentro de los factores.
Se pueden analizar hasta 50 variables de respuesta con hasta 31 factores y 50 covariados a un tiempo
Pgina 37 de 51
Mintab V15
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mt o copiar los datos del archivo anexo
Antes de calcular el coeficiente de correlacin se sugiere hacer un diagrama
bivariante para identificar posibles valores anmalos, relaciones no lineales, etc.
Y = Weight y X = Height
Ahora se calcula el coeficiente de Correlacin que mide el grado de relacin que existe
entre dos variables, como sigue:
Pgina 38 de 51
Mintab V15
Minitab 15
1
2
3
Math
509
471
700
719
710
643
Etc.
GPA
2.6
2.3
2.4
3
3.1
2.9
Etc.
Correlations:Verbal,Math,GPA
VerbalMath
Math0.275
0
GPA0.3220.194
0.0000.006
CellContents:Pearsoncorrelation
Todas las correlaciones son significativas, ya que su P value es menor a 0.05
Mintab 15
1
2
3
Resultsfor:Grades.MTW
Covariances:Verbal,Math,GPA
VerbalMathGPA
Verbal5359.6859
Math1333.97044401.9388
GPA13.69957.47900.3368
Regresin simple por medio de grfica:
Pgina 39 de 51
Mintab V15
Theregressionequationis
Weight=204.7+5.092Height
S=14.7920RSq=61.6%RSq(adj)=61.2%
AnalysisofVariance
SourceDFSSMSFP
Regression131591.631591.6144.380.000
Error9019692.2218.8
Total9151283.9
El valor p menor a 0.05 indica que SI
es significativa la Correlacin entre Y y X.
Regresin simple:
Efecta un anlisis de regresin simple:
Ecuacin de regresin
PredictorCoefSECoefTP
Constant204.7429.167.020.000
Height5.09180.423712.020.000
S=14.7920RSq=61.6%RSq(adj)=61.2%
Coef. De determinacin
AnalysisofVariance
SourceDFSSMSFP
Regression13159231592144.38Regresin significativa
ResidualError9019692219
Total9151284
UnusualObservations
ObsHeightWeightFitSEFitResidualStResid
972.0195.00161.872.0833.13 Puntos con un
2561.0140.00105.863.6234.14 residuo estndar
4072.0215.00161.872.0853.13 mayor a 2
8468.0110.00141.501.5731.502.14R
Rdenotesanobservationwithalargestandardizedresidual.
En algunos casos hay puntos que estn muy alejados de la mayora de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo:
Usando el archivo PUNTOS_RX.MTW anexo:
Copiar los datos del archivo a Minitab
Y=yyX=x
Pgina 40 de 51
Mintab V15
UnusualObservations
ObsXYFitSEFitResidualStResid
512.540.00024.3430.48315.6574.55R
5212.060.00063.0562.1783.0561.13X
Rdenotesanobservationwithalargestandardizedresidual.
XdenotesanobservationwhoseXvaluegivesitlargeinfluenc
Regresin simple con datos transformados:
En algunos casos el ajuste se mejora mucho si se transforman los datos:
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamferos se tiene:
Copiar los datos del archivo a Minitab
Haciendo una grfica de dispersin bivariada se tiene:
En este caso los pesos de los elefantes pueden sesgar la ecuacin de la recta
no se pueden eliminar como anmalos y se intentar transformarlos en forma
logartmica:
Intervalos de
confianza de Ymedia
en base a una X
Pgina 41 de 51
Mintab V15
Intervalo de
prediccin de Y para
valores individuales
en base a una X
Coeficiente de
determinacin
muy cercano a uno
Pgina 42 de 51
Mintab V15
Regresin mltiple
Pgina 43 de 51
Mintab V15
Constant157.1782.56261.340.000
Num.Cil.5.71770.98935.780.Significativo
(P value < 0.05)
Cil.(cc)0.0021780.0016101.350.No significativo (Pvalue > 0.05)
Pot.(CV)0.520920.0192727.030.Significativo
(P value < 0.05)
S=9.76245RSq=89.1%RSq(adj)=Coef. De determinacin
AnalysisofVariance
SourceDFSSMSFP
Regression318788762629657.140.000
ResidualError2402287395
Total243210760
R residuos con
SourceDFSeqSS
ms de 2 sigmas
Num.Cil.198419
Cil.(cc)119841
X residuos muy
Pot.(CV)169627
alejados del
grupo normal
UnusualObservations
ObsNum.Cil.Velo.maxFitSEFitResidualStResid
106.0222.000195.3511.12326.6492.75R
224.0211.000189.2590.70521.7412.23R
248.0235.000218.4702.25416.5301.74X
256.0250.000291.7192.70741.7194.45RX
268.0235.000218.4702.25416.5301.74X
2812.0250.000274.3713.82224.3712.71RX
468.0295.000301.7723.1096.7720.73X
4712.0302.000306.8903.8384.8900.54X
482.0127.000160.3581.39633.3583.45R
764.0232.000248.2152.33516.2151.71X
1028.0270.000274.2502.6464.2500.45X
1066.0216.000194.5811.51421.4192.22R
1178.0250.000267.3002.24917.3001.82X
11812.0250.000280.7693.73830.7693.41RX
1294.0150.000181.8790.69731.8793.27R
1304.0170.000195.5910.82025.5912.63R
1446.0233.000205.9881.05927.0122.78R
1644.0252.000252.8162.4990.8160.09X
1656.0280.000302.5623.06022.5622.43RX
1798.0210.000213.9435.3003.9430.48X
1808.0200.000213.9435.30013.9431.70X
Rdenotesanobservationwithalargestandardizedresidual.
XdenotesanobservationwhoseXvaluegivesitlargeinfluence.
PredictedValuesforNewObservations
ObsFitSEFit95%CI95%PI
1183.9511.161(181.663,186.239)(164.584,203.318)
ValuesofPredictorsforNewObservations
ObsNum.Cil.Cil.(cc)Pot.(CV)
14.001124100
Los residuos muestran un comportamiento normal por lo que el modelo es adecuado
Pgina 44 de 51
Mintab V15
S=7.03547RSq=94.4%RSq(adj)=Mejora el ajuste
PredictedValuesforNewObservations
ObsFitSEFit95%CI95%PI
11342.28629.024(1285.111,1399.461)(1283.455,1401.117)XX
XXdenotesapointthatisanextremeoutlierinthepredictors.
ValuesofPredictorsforNewObservations
ObsNum.Cil.Cil.(cc)Pot2
14.001124100
Pgina 45 de 51
Mintab V15
Variable de respuesta
Pgina 46 de 51
Mintab V15
4.8Aplicaciones
Realizar los ejercicios del Mdulo 4 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 47 de 51
Mapa de archivos
PESOS
PUNTOS_RX
Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
Pesos
4035
3928
3974
4024
3949
4017
4009
3983
3969
3979
3970
3997
3955
3984
4034
3964
3969
3995
3991
3988
ARCHIVO PUNTOS_RX.MTW
X
1.0419
0.2313
3.9113
3.913
4.1251
0.6399
4.9837
2.9609
0.1064
3.2944
1.7959
4.4906
1.3232
0.406
0.7498
3.7309
1.3626
0.3194
4.9198
4.9699
1.2351
4.3841
3.0166
2.0734
4.174
1.7504
3.7985
4.8115
1.439
4.879
4.8717
3.9591
4.8814
0.1703
1.2865
0.8069
Y
13.023
16.4953
28.8893
32.8623
35.7745
17.0317
34.0061
27.0021
10.2112
21.7729
22.7822
29.0109
18.524
17.7324
14.1805
31.8958
21.8475
19.0498
34.9526
38.4555
16.9255
30.4883
25.0134
22.4536
29.1249
21.9985
26.2615
35.2962
20.4422
38.1152
34.8812
30.6333
32.5794
8.9585
19.5526
18.3349
ARCHIVO CEREBRO.MTW
Nombre Peso total (kg)
Zorro blanco
3.38
Bho
0.48
Castor
1.35
Vaca
465
Lobo gris
36.33
Cabra
27.66
Corzo
14.83
Cobaya
1.04
Vervet
4.19
Chinchilla
0.43
Ardilla
0.1
Ardilla rtica
0.92
Rata africana
1
Musaraa
0
Topo
0.06
Armadillo
3.5
Tree Hyrax
2
Zarigeya
1.7
Elefante asiti
2547
Gran murcilag 0.02
Burro
187.1
Caballo
521
Erizo
0.79
Patas monkey
10
Gato
3.3
Galago
0.2
Jineta
1.41
Jirafa
529
Gorila
207
Foca gris
85
Rock hyrax
0.75
Persona humana 62
Elefante africa 6654
Zarigella de
3.5
Rhesus monkey 6.8
Canguro
35
0.8631
2.8896
1.2012
0.1498
3.7274
0.9256
0.6973
2.1619
0.2435
0.4348
4.3498
3.7273
0.911
3.8812
2.5
12
17.1237
27.2717
22.8602
15.2259
29.776
13.7623
12.6159
23.1912
18.0998
15.423
27.8229
28.1968
18.2094
30.1827
40
60
Marmota
Hamster
Ratn
Pequeo murci
Slow loris
Okapi
Conejo
Oveja
Jaguar
Chimpance
Mandril
Erizo del desie
Armadillo gigan
Rock hyrax
Mapache
Rata americana
Topo del este
Topo rata
Almizcle
Cerdo
Echidna
Tapir
Tenrec
Phalanger
Tree shrew
Zorro rojo
4.05
0.12
0.02
0.01
1.4
250
2.5
55.5
100
52.16
10.55
0.55
60
3.6
4.29
0.28
0.08
0.12
0.05
192
3
160
0.9
1.62
0.1
4.24
EREBRO.MTW
Peso cerebro (g)
44.5
15.5
8.1
423
119.5
115
98.2
5.5
58
6.4
4
5.7
6.6
0.14
1
10.8
12.3
6.3
4603
0.3
419
655
3.5
115
25.6
5
17.5
680
406
325
12.3
1320
5712
3.9
179
56
ARCHIVO RESIDUOS.MTW
X
1.04185
0.23129
3.9113
3.913
4.12512
0.63987
4.98369
2.96085
0.10635
3.29437
1.79592
4.49059
1.32325
0.406
0.74985
3.7309
1.36255
0.31936
4.91976
4.96988
1.23507
4.38413
3.01659
2.07339
4.174
1.75039
3.79849
4.81151
1.43903
4.87897
4.87167
3.95905
4.88136
0.17029
1.28646
0.8069
Y
18.0899
16.0308
29.6501
29.7359
30.7384
17.3818
35.21
25.6314
15.4889
27.1189
21.2583
32.6554
19.1882
16.2046
17.4462
29.2728
19.2741
15.793
34.8713
34.7539
19.2883
32.2554
25.5766
21.586
31.4337
20.5674
29.2888
33.8393
19.3294
34.5135
34.0387
30.0292
34.7271
15.4243
18.8098
17.4371
17
1
0.4
0.25
12.5
490
12.1
175
157
440
179.5
2.4
81
21
39.2
1.9
1.2
3
0.33
180
25
169
2.6
11.4
2.5
50.4
0.86312
2.88961
1.2012
0.14982
3.7274
0.92558
0.6973
2.16195
0.24348
0.4348
4.34982
3.72729
0.91105
3.88122
17.7384
25.1772
18.8126
15.3833
29.1058
17.8978
17.6353
22.4571
15.8191
16.8297
31.6999
29.137
17.9504
29.7899