Escolar Documentos
Profissional Documentos
Cultura Documentos
Pgina 81
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 .
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
Carta de Sumas acumuladas con Lmites Superior e inferior
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
OK
Los puntos 4-10 estan
fuera de lmite superior
de control, el proceso
est fuera de control
Se tienen corridas por
arriba del lmite superior
de control, no visibles en
la carta X-R anterior
Test Results for CUSUM Chart of AtoBDist
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
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 82
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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.
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
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 83
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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 84
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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 85
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
6.8 Aplicaciones
Referirse a la hoja de Aplicaciones Mdulo 6 donde se encuentra el material de ejercicios.
AOQ
p
0.03
AOQL = 1.55%
Pgina 86
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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:
*** Por el paso del tiempo ** Falta de redondez * Entre partes
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 87
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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 88
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
7.2 Diseo de experimentos factoriales completos
Ver el archivo Diseo de experimentos.doc para la teora.
Diseo de experimentos factoriales completos de dos niveles
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.
Factor Nivel bajo Nivel Alto
A. Caudal gas 8 12
B. Corriente A 230 240
C. Vel. Cadena 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: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
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 Corriente Velocidad Y
1 8 230 0,6 10
2 12 230 0,6 26,5
3 8 240 0,6 15
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
Pgina 89
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
OK OK
Los resultados se muestran a continuacin.
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
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
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
Pgina 90
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Los efectos se pueden guardar en una columna y despus graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Facorial 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; Caudal
Seleccionar Interaction Plot: Setup: Response Y; Corriente y Caudal
Seleccionar Cube Plot: SetUp >>
OK
El nico factor
significativo es A
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
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
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
Pgina 91
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
Diseo de experimentos fraccionales (1/2) de dos niveles:
Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:
Factor Nivel Bajo Nivel Alto
A. Tipo de cola X Y
B. Temperatura 30 40
C. Cantidad 2 3
D. Temp.sec. 80 90
E. Presin 1 1,5
Al principio se realiz un diseo fraccional de dos niveles y cinco factores, 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
StdOrder Temp Cola Cantidad Temp secado Presion Y
1 30 2 90 1,5 24
2 30 2 80 1 16
3 40 2 80 1,5 22,5
4 40 2 90 1 24,5
5 30 3 90 1 25
6 30 3 80 1,5 16
7 40 3 80 1 24,5
8 40 3 90 1,5 23,5
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
Pgina 92
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
Constant -36.0000
Cola -2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
Temp Cola*Presion -0.200000
Los factores significativos se observan de las grficas siguientes
Son significativos los
factores A, B, D
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
Pgina 93
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
La mejor respuesta es
con:
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
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
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 94
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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 95
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el mtodo de descomposicin:
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
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere
analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal
y estacionalidad as como el error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.
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
Pgina 96
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
663.5590
671.7674
683.4757
693.2674
705.3924
718.4965
7212.5590
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
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 97
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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).
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
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 98
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
La grfica muestra los valores de la serie y los valores estimados (un periodo adelante) y 12 pronst.
8.2 Regresin mltiple - Matriz de correlaciones
Se utiliza el archivo COCHES.MTW anexo en los archivos de trabajo del Mdulo 2.
Cargar los datos a Minitab
Stat > Matrix Plot: Simple
Graph Variables: Num. Cil.; Cil. (cc); Pot. (CV); Velo.max
Parece que la relacin entre Potencia y Velocidad mxima es cuadrtica.
Cambiando la escala horizontal del nmero de cilindros a 4 a 6,
se identifica que un coche tiene 5 cilindros, con Brush y Set ID Variables
indicando Marca y Modelo se ve que es un VOLVO 850 GLT (rengln 244)
Evaluando la fuerza de la relacin entre los predictores por medio de un anlisis de
correlacin se tiene:
Stat > Basic statistics > Correlation
Display Variables 'Num.Cil.' 'Cil.(cc)' 'Pot.(CV)'
Correlations: Num.Cil., Cil.(cc), Pot.(CV)
Num.Cil. Cil.(cc)
Cil.(cc) 0.852
0
Pot.(CV) 0.829 0.854
0.000 0.000
Cell Contents: Pearson correlation
Aqu se observa que hay MULTICOLINEALIDAD entre las variables predictoras.
por lo que el modelo puede ser inestable.
Num.Cil.
5000 2500 0 320 240 160
12
8
4
5000
2500
0
Cil.(cc)
Pot.(CV)
400
200
0
12 8 4
320
240
160
400 200 0
Velo.max
Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max
Pgina 99
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Regresin mltiple
Stat > Regression > Regression
Response Velo.max Predictors Num.Cil, Cil.(cc), Pot.(CV)
Graphs: Four in One Residuals versus variables Pot.(CV)
Options: Prediction intervals for new observations 4 1124 100
Se obtienen los siguientes resultados:
Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
The regression equation is
Velo.max = 157 - 5.72 Num.Cil. - 0.00218 Cil.(cc) + 0.521 Pot.(CV)
244 cases used, 3 cases contain missing values
Predictor Coef SE Coef T P
Constant 157.178 2.562 61.34 0.000
Num.Cil. -5.7177 0.9893 -5.78 0.000 Significativo (P value < 0.05)
Cil.(cc) -0.002178 0.001610 -1.35 0.177 No significativo (Pvalue > 0.05)
Pot.(CV) 0.52092 0.01927 27.03 0.000 Significativo (P value < 0.05)
S = 9.76245 R-Sq = 89.1% R-Sq(adj) = 89.0% Coef. De determinacin
Analysis of Variance
Source DF SS MS F P
Regression 3 187887 62629 657.14 0.000
Residual Error 240 22873 95
Total 243 210760
R residuos con
Source DF Seq SS ms de 2 sigmas
Num.Cil. 1 98419
Cil.(cc) 1 19841 X residuos muy
Pot.(CV) 1 69627 alejados del
grupo normal
Unusual Observations
Obs Num.Cil. Velo.max Fit SE Fit Residual St Resid
10 6.0 222.000 195.351 1.123 26.649 2.75R
22 4.0 211.000 189.259 0.705 21.741 2.23R
24 8.0 235.000 218.470 2.254 16.530 1.74 X
25 6.0 250.000 291.719 2.707 -41.719 -4.45RX
26 8.0 235.000 218.470 2.254 16.530 1.74 X
28 12.0 250.000 274.371 3.822 -24.371 -2.71RX
46 8.0 295.000 301.772 3.109 -6.772 -0.73 X
47 12.0 302.000 306.890 3.838 -4.890 -0.54 X
48 2.0 127.000 160.358 1.396 -33.358 -3.45R
76 4.0 232.000 248.215 2.335 -16.215 -1.71 X
102 8.0 270.000 274.250 2.646 -4.250 -0.45 X
106 6.0 216.000 194.581 1.514 21.419 2.22R
117 8.0 250.000 267.300 2.249 -17.300 -1.82 X
118 12.0 250.000 280.769 3.738 -30.769 -3.41RX
129 4.0 150.000 181.879 0.697 -31.879 -3.27R
130 4.0 170.000 195.591 0.820 -25.591 -2.63R
144 6.0 233.000 205.988 1.059 27.012 2.78R
164 4.0 252.000 252.816 2.499 -0.816 -0.09 X
165 6.0 280.000 302.562 3.060 -22.562 -2.43RX
179 8.0 210.000 213.943 5.300 -3.943 -0.48 X
180 8.0 200.000 213.943 5.300 -13.943 -1.70 X
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
Pgina 100
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Predicted Values for New Observations
Obs Fit SE Fit 95% CI 95% PI
1 183.951 1.161 (181.663, 186.239) (164.584, 203.318)
Values of Predictors for New Observations
Obs Num.Cil. Cil.(cc) Pot.(CV)
1 4.00 1124 100
Los residuos muestran un comportamiento normal por lo que el modelo es adecuado
El comportamiento de los residuos vs Potencia sugiere que es necesaria
una transformacin de variables por ejemplo sacarle raz cuadrada.
Transformando la variable Pot.(CV) por Pot2 = raiz cuadrada de Pot.(CV) se tiene:
Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot2
The regression equation is
Velo.max = 73.5 - 1.42 Num.Cil. - 0.00699 Cil.(cc) + 12.8 Pot2
Predictor Coef SE Coef T P
Constant 73.502 2.258 32.56 0.000
Num.Cil. -1.4201 0.6770 -2.10 0.037
Cil.(cc) -0.006988 0.001202 -5.82 0.000 Significativo (P value < 0.05)
Pot2 12.8232 0.3177 40.36 0.000
Residual
P
e
r
c
e
n
t
40 20 0 -20 -40
99.9
99
90
50
10
1
0.1
Fitted Value
R
e
s
i
d
u
a
l
300 250 200 150
20
0
-20
-40
Residual
F
r
e
q
u
e
n
c
y
20 10 0 -10 -20 -30 -40
80
60
40
20
0
Observation Order
R
e
s
i
d
u
a
l
240 220 200 180 160 140 120 100 80 60 40 20 1
20
0
-20
-40
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Velo.max
Pot.(CV)
R
e
s
i
d
u
a
l
500 400 300 200 100 0
30
20
10
0
-10
-20
-30
-40
-50
Residuals Versus Pot.(CV)
(response is Velo.max)
Pgina 101
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
S = 7.03547 R-Sq = 94.4% R-Sq(adj) = 94.3% Mejora el ajuste
Predicted Values for New Observations
Obs Fit SE Fit 95% CI 95% PI
1 1342.286 29.024 (1285.111, 1399.461) (1283.455, 1401.117)XX
XX denotes a point that is an extreme outlier in the predictors.
Values of Predictors for New Observations
Obs Num.Cil. Cil.(cc) Pot2
1 4.00 1124 100
Los residuos vs Pot2 ya tienen un mejor comportamiento ms aleatorio:
Seleccin de la mejor ecuacin: Best Subsets
Permite obtener un "buen modelo" en funcin de su sencillez o facilidad de
interpretacin.
Stat > Regression > Stepwise
Variables candidatas a entrar en
el modelo
Variables forzadas a entrar en los
modelos
Residual
P
e
r
c
e
n
t
20 0 -20 -40
99.9
99
90
50
10
1
0.1
Fitted Value
R
e
s
i
d
u
a
l
300 250 200 150
20
0
-20
-40
Residual
F
r
e
q
u
e
n
c
y
15.0 7.5 0.0 -7.5 -15.0 -22.5 -30.0
40
30
20
10
0
Observation Order
R
e
s
i
d
u
a
l
240 220 200 180 160 140 120 100 80 60 40 20 1
20
0
-20
-40
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Velo.max
Pot2
R
e
s
i
d
u
a
l
22.5 20.0 17.5 15.0 12.5 10.0 7.5 5.0
20
10
0
-10
-20
-30
-40
Residuals Versus Pot2
(response is Velo.max)
Pgina 102
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Mnimo numero de variables en el modelo 1
Mximo nmero de variables en el modelo
todas
Nmero de ecuaciones que aparecen con
1, 2, 3.... Variables regresoras
Los resultados son los siguientes:
Best Subsets Regression: Velo.max versus Num.Cil., Cil.(cc), ...
Response is Velo.max
244 cases used, 3 cases contain missing values
N C P
u i o
m l t
. . .
C ( ( P
i c C o
Mallows l c V t
Vars R-Sq R-Sq(adj) C-p S . ) ) 2
1 92.5 92.5 109.0 8.0783 X Buenos modelos
1 86.6 86.5 385.3 10.813 X
2 94.3 94.2 29.3 7.0849 X X Incluye slo Cil.(cc) y Pot2
2 93.6 93.6 58.0 7.4544 X X
3 94.8 94.8 3.9 6.7261 X X X
3 94.4 94.3 26.5 7.0355 X X X Incluye Num.Cil, Cil.(Cc), Pot2
4 94.9 94.8 5.0 6.7269 X X X X
Seleccin de la mejor ecuacin: Stepwise
Se usa cuando el nmero de variables es muy grande mayor a 31, antes da los
mismos resultados que el mtodo anterior:
Variable de respuesta
Variables candidatas a entrar en
ls modelos
Pgina 103
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Criterio para la entrada y salida
de variables
El mtodo implica que las
variables puedan ir entrando o
saliendo. Iniciando con ninguna.
Las variables van entrando pero
ya no salen
Las variables van saliendo a
partir de tomar todas y no vuelven
a entrar
Permite mostrar en cada paso
las mejores opciones adems de
la seleccionada y el nmero de
pasos entre pausas.
Los resultados obtenidos son los siguientes:
Stepwise Regression: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV), Pot2
Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Response is Velo.max on 4 predictors, with N = 244
N(cases with missing observations) = 3 N(all cases) = 247
Step 1 2 3 Variables que entran en cada
Constant 78.97 71.48 43.58 paso y su calidad de ajuste
Pot2 10.41 12.69 17.41
T-Value 54.66 40.50 18.33
P-Value 0.000 0.000 0.000
Cil.(cc) -0.00845 -0.00722
T-Value -8.58 -7.48
P-Value 0.000 0.000
Pot.(CV) -0.206
T-Value -5.23
P-Value 0.000
S 8.08 7.08 6.73
R-Sq 92.51 94.26 94.85
R-Sq(adj) 92.48 94.21 94.78 Modelo adecuado
Mallows C-p 109.0 29.3 3.9
8.3 Anlisis Multivariado
Se usa el archivo IBEROAMERICA.MTW de indicadores sociales de los 22 pases
iberoamericanos de 1998.
Pgina 104
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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)
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
Superficie (km2) -0.024 0.679 0.076 0.004 0.122
Pgina 105
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
% menores 15 aos -0.398 -0.076 0.008 0.073 0.013
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
El segundo componente est
relacionado con el tamao del
pas
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
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
Pgina 106
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Agregando etiquetas a cada punto, seleccionar la grfica y:
Add > Data Labels: Use Labels from Column: Pais
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:
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
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
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
Pgina 107
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
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 108
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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:
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
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 109
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
18 4 87.1791 1791.70 19 22 19 2
19 3 85.3070 2053.32 10 19 10 3
20 2 84.7016 2137.93 10 21 10 4
21 1 81.2502 2620.26 1 10 1 22 Se forma un solo Cluster
al final
Final Partition
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
Pgina 110
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
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 111
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
Pgina 112
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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.
8.4 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
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
Pgina 113
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value 40
Nonparametric Estimates
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
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 114
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
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
Pgina 115
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
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 116
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
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 117
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
Pgina 118
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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.
Pgina 119
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
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
#
Pgina 120
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
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
#
ENDMACRO
Ejecucin de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2
itera n c_med c_conta
Pgina 121
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 122
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 123
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 124
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 125
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 126
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 127
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 128
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 129
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 130
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 131
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 132
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 133
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 134
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 135
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 136
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 137
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 138
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 139
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 140
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 141
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 142
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 143
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 144
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 145
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 146
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 147
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 148
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 149
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 150
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 151
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 152
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 153
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 154
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 155
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 156
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 157
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 158
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 159
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 160
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 161
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 162
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 163
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 164
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 165
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 166
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 167
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 168
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 169
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 170
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 171
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 172
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 173
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 174
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 175
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 176
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 177
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 178
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 179
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 180
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 181
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 182
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 183
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 184
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 185
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 186
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 187
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 188
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 189
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 190
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 191
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 192
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 193
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 194
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 195
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 196
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 197
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Pgina 198
TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
Dagoberto Salgado Horta
Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002")
Pgina 199