Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.
-
Upload
mercedes-marto -
Category
Documents
-
view
217 -
download
2
Transcript of Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.
![Page 1: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/1.jpg)
Producción Industrial
SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES
![Page 2: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/2.jpg)
2
Análisis de varianza (ANOVA)
El Análisis de Varianza es una prueba de hipótesis que trata de probar la igualdad de varias medias al mismo tiempo:
Requiere que las poblaciones sean normales y con varianza similar.
ANOVA de una vía con datos de tratamientos en diferentes columnas:
Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factorpara ver que variedad de árbol produce menos fenoles en los desechos de pasta depapel. Se colectan los siguientes datos en porcentajes:A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
Se colocan los datos en tres columnas distintas:
kH ....3210
.:1 diferentessonmediasdosmenosAlH
![Page 3: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/3.jpg)
3
Instrucciones de Minitab:Stat > ANOVA > One Way (Unstacked)
OK
IR aEstadistica_ANOVA_Un solo Factor_DesapiladoRespuestas en columnas Separadas A B CNivel de Confianza: 95Comparaciones: Tukey Tasa de error por familiaGráficos: Diagrama de Cajas de Datos y Gráfica Normal de Residuos OK
![Page 4: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/4.jpg)
4
Los resultados se muestran a continuación:Como el valor P value es menor
One-way ANOVA: A, B, C a 0.05 existe una diferencia significativa entre algunas medias
Source DF SS MS F PFactor 2 0.9000 0.4500 8.44 0.005Error 12 0.6400 0.0533Total 14 1.5400S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on Pooled StDevA produce más fenoles que B,CLevel N Mean StDev ----+---------+---------+---------+-----A 4 1.9000 0.1414 (-------*--------)B 5 1.3000 0.2121 (------*-------)C 6 1.4000 0.2828 (------*------) ----+---------+---------+---------+----- 1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C La media de A esDesviación estándar poblacional son similares diferente a B y C
![Page 5: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/5.jpg)
5
Tukey 95% Simultaneous Confidence IntervalsAll Pairwise Comparisons
Individual confidence level = 97.94% Como el cero no está en elintervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C Lower Center Upper -----+---------+---------+---------+----B -1.0130 -0.6000 -0.1870 (---------*---------)C -0.8974 -0.5000 -0.1026 (---------*--------) -----+---------+---------+---------+---- -0.80 -0.40 -0.00 0.40
B subtracted from: Lower Center Upper -----+---------+---------+---------+----C -0.2728 0.1000 0.4728 (---------*--------) -----+---------+---------+---------+---- -0.80 -0.40 -0.00 0.40
El intervalo de la diferencia C-B si incluyeel cero por tanto B no es diferentes de C
![Page 6: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/6.jpg)
6
CBA
2.2
2.0
1.8
1.6
1.4
1.2
1.0
Data
Boxplot of A, B, C
Los resultados gráficos son los siguientes:
Se observa que la media de A es diferente a las medias de B y C (si se superpone B y C tienen elementos comunes y son iguales)Los árboles B y C producen menos cantidad de fenoles.
![Page 7: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/7.jpg)
7
Los resultados gráficos son los siguientes:
0.500.250.00-0.25-0.50
99
95
90
80
70
605040
30
20
10
5
1
Residual
Perc
entNormal Probability Plot
(responses are A, B, C)
Los residuos o errores se apegan a la recta normal, por tantoel modelo ANOVA es un modelo adecuado para los datos
![Page 8: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/8.jpg)
8
ANOVA de una vía con datos de tratamientos en una sola columna
Los datos del ejemplo anterior se arreglan en doscolumnas como se muestran a continuación: Fenoles Árbol
1.9 AA B C 1.8 A
1.9 1.6 1.3 2.1 A1.8 1.1 1.6 1.8 A2.1 1.3 1.8 1.6 B1.8 1.4 1.1 1.1 B
1.1 1.5 1.3 B1.1 1.4 B
1.1 B1.3 C1.6 C1.8 C1.1 C1.5 C1.1 C
![Page 9: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/9.jpg)
9
Instrucciones de Minitab:Estadistica> ANOVA > Un solo Factor
Respuestas Fenoles Factor Árbol Nivel deConfidanzal 95Comparaciones Tukey's, : 5Graficos: Residuos De cajas y Normal de ResiduosOK
Los resultados que se obtienen son iguales a los ejemplo anterior.
![Page 10: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/10.jpg)
10
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 8 Depto_A7 8 6 7 Depto_A8 7 6 8 Depto_A6 7 7 6 Depto_A7 6 7 7 Depto_A8 8 6 8 Depto_A
7 Depto_B8 Depto_B7 Depto_B7 Depto_B6 Depto_B8 Depto_B5 Depto_C6 Depto_C6 Depto_C7 Depto_C7 Depto_C6 Depto_C
![Page 11: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/11.jpg)
Curso básico de Minitab
Estadística no paramétrica
11
![Page 12: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/12.jpg)
Curso básico de Minitab
Regresión lineal y cuadrática
12
![Page 13: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/13.jpg)
13
Correlación y Regresión lineal y cuadrática simple
Coeficiente de Correlación
Establece si existe una relación entre las variables y responde a la pregunta,”¿Qué tan evidente es esta relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la predicción, para una respuesta dada.
* Es una medida de la fuerza de la relación lineal entre dos variables x y y.* Es un número entre -1 y 1* Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta* Un valor negativo indica que cuando una variable aumenta, la otra disminuye* Si las dos variables no están relacionadas, el coeficiente de correlación tiende a 0.
![Page 14: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/14.jpg)
14
Correlación PositivaEvidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlación NegativaEvidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelaciónPositiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelaciónNegativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Sin Correlación
10
15
20
25
5 10 15 20 25
X
Y0
5
0
Correlación PositivaEvidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlación NegativaEvidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelaciónPositiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelaciónNegativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Sin Correlación
10
15
20
25
5 10 15 20 25
X
Y0
5
0
r = 1
r = 0.8 r = -0.8
r = -1
r = 0
![Page 15: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/15.jpg)
15
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 diagramabivariante para identificar posibles valores anómalos, relaciones no lineales, etc.
Grafica > Disperción: Simple Y = Peso y X = Altura
Height
Weig
ht
767472706866646260
220
200
180
160
140
120
100
Scatterplot of Weight vs Height
![Page 16: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/16.jpg)
16
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existeentre dos variables, como sigue:
Estadistica > Estadistica Básica > CorrelacionSeleccionar 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 = 0.000Como el P value es menor a 0.05, la correlación si es significativa
![Page 17: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/17.jpg)
17
Curso básico de Minitab
Coeficiente de correlación
Coeficiente de correlación0.8 < r < 1.00.3 < r < 0.8-0.3 < r < 0.3-0.8 < r < -0.3-1.0 < r < -0.8
RelaciónFuerte, positivaDébil, positiva
No existeDébil, negativa
Fuerte, negativa
Reglas empíricas
![Page 18: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/18.jpg)
18
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
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
![Page 19: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/19.jpg)
19
Modelo de regresión lineal simple
7060504030
80
75
70
65
60
55
50
Tiempo de estudio (horas)
Resu
ltados
de p
rueba (
%)
S 4.47182R-Sq 77.0%R-Sq(adj) 74.2%
Fitted Line PlotResultados de prueba (%) = 31.21 + 0.6955 Tiempo de estudio (horas)
Mínimos cuadrados
R^2 Coef. de determinación
![Page 20: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/20.jpg)
20
Regresión simple por medio de gráfica:
File > Open Worksheet > Pulse.MtwStat > Regression > Fitted line PlotSeleccionar en Response (Y) Weight y en Predictor (X) HeightSeleccionar modelo Type of Regression model LinearSel. en Graphs > Residuals Standardized > Normal Plot y Residuals vs fitsOK
Ecuación deRegresión
S Desv. Estandar delos residuos(valor real-estimadopor la regresión)
R-Sq Coeficientede Determinaciónen porcentaje de variación explicadapor la ecuación deregresión
R-Sq (Adj) - Sólo para regresión múltiple
Height
Weig
ht
767472706866646260
220
200
180
160
140
120
100
S 14.7920R-Sq 61.6%R-Sq(adj) 61.2%
Fitted Line PlotWeight = - 204.7 + 5.092 Height
![Page 21: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/21.jpg)
21
Regression Analysis: Weight versus Height
The regression equation isWeight = - 204.7 + 5.092 HeightS = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%
Analysis of VarianceSource DF SS MS F PRegression 1 31591.6 31591.6 144.38 0.000Error 90 19692.2 218.8Total 91 51283.9
El valor p menor a 0.05 indica que SIes significativa la Correlación de Y y X.
![Page 22: Producción Industrial SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES.](https://reader036.fdocuments.net/reader036/viewer/2022062519/5665b4291a28abb57c8fad0b/html5/thumbnails/22.jpg)
22
Análisis de los residuos
Los residuos muestran aleatoriedad Los residuos siguen una distribución normal
180170160150140130120110100
4
3
2
1
0
-1
-2
Fitted Value
Sta
nd
ard
ize
d R
esi
du
al
Versus Fits(response is Weight)
43210-1-2-3-4
99.9
99
95
90
80706050403020
10
5
1
0.1
Standardized Residual
Pe
rce
nt
Normal Probability Plot(response is Weight)