SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES Producción Industrial
IR a Estadistica_ANOVA_Un solo Factor_Desapilado Respuestas en columnas Separadas A B C Nivel de Confianza: 95 Comparaciones: Tukey Tasa de error por familia Gráficos: Diagrama de Cajas de Datos y Gráfica Normal de Residuos OK
Los resultados que se obtienen son iguales a los ejemplo anterior. Instrucciones de Minitab: Estadistica> ANOVA > Un solo Factor Respuestas Fenoles Factor Árbol Nivel deConfidanzal 95 Comparaciones Tukey's, : 5 Graficos: Residuos De cajas y Normal de Residuos OK Los resultados que se obtienen son iguales a los ejemplo anterior.
Ejercicios: Las calificaciones de un curso de liderazgo para 18 participantes de tres diferentes departamentos fueron las mostradas en la tabla siguiente. Probar a un 95% de nivel de confianza o 5% de nivel de significancia si el aprovechamiento fue similar en los tres departamentos o en su caso cuál fue el peor. DEPARTAMENTO Arreglados en dos columnas quedan como: Depto_A Depto_B Depto_C Calificaciones Depto 8 7 5 6
Estadística no paramétrica
Regresión lineal y cuadrática
Archivo > Abrir hoja de trabajo> Pulso.Mtw Ejemplo: Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height) Archivo > Abrir hoja de trabajo> Pulso.Mtw Antes de calcular el coeficiente de correlación se sugiere hacer un diagrama bivariante para identificar posibles valores anómalos, relaciones no lineales, etc. Grafica > Disperción: Simple Y = Peso y X = Altura Height W e i g h t 76 74 72 70 68 66 64 62 60 220 200 180 160 140 120 100 Scatterplot of Weight vs Height
Estadistica > Estadistica Básica > Correlacion Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe entre dos variables, como sigue: Estadistica > Estadistica Básica > Correlacion Seleccionar en Variables Peso Altura Seleccionar Presentar Valores de p Los resultados son los siguientes: Correlations: Weight, Height Pearson correlation of Weight and Height = 0.785 Coeficiente de correlación P-Value = 0.000 Como el P value es menor a 0.05, la correlación si es significativa
Coeficiente de correlación Reglas empíricas Coeficiente de correlación 0.8 < r < 1.0 0.3 < r < 0.8 -0.3 < r < 0.3 -0.8 < r < -0.3 -1.0 < r < -0.8 Relación Fuerte, positiva Débil, positiva No existe Débil, negativa Fuerte, negativa
Análisis de Regresión El análisis de regresión es un método estandarizado para localizar la correlación entre dos grupos de datos, y, quizá más importante, crear un modelo de predicción. Puede ser usado para analizar las relaciones entre: Una sola “X” predictora y una sola “Y” Múltiples predictores “X” y una sola “Y” Varios predictores “X” entre sí
Modelo de regresión lineal simple R^2 Coef. de determinación Mínimos cuadrados