riossidas.weebly.com · Web viewBEATRIZ DE LA CRUZ DOMINGUEZ12110022 ELIZABETH RÍOS SIDAS12110063...
Transcript of riossidas.weebly.com · Web viewBEATRIZ DE LA CRUZ DOMINGUEZ12110022 ELIZABETH RÍOS SIDAS12110063...
INSTITUTO TECNOLOGICO DE CIUDAD JUAREZ
INGENIERIA INDUSTRIAL Y LOGISTICA
VI.- ANALISIS
BEATRIZ DE LA CRUZ DOMINGUEZ 12110022
ELIZABETH RÍOS SIDAS 12110063
BLANCA BEATRIZ CAMPOS MARIN 12110039
Cd. Juárez Chihuahua Octubre del 2016
A. MEDICIÓN Y MODELADO DE LAS RELACIONES ENTRE VARIABLES
Una variable es un símbolo constituyente de un predicado, fórmula, algoritmo o de una
proposición. El término «variable» se utiliza aun fuera del ámbito matemático para designar
una cantidad susceptible de tomar distintos valores numéricos dentro de un conjunto de
números especificado.
Las técnicas de regresión permiten hacer predicciones sobre los valores de cierta
variable Y (dependiente), a partir de los de otra X (independiente), entre las que se intuye
que existe una relación. Para ilustrarlo retomemos los ejemplos mencionados al principio
del tema anterior. Si sobre un grupo de personas observamos los valores que toman las
variables
X ≡ Altura medida en cm Y ≡ Altura medida en metros
Es trivial observar que la relación que hay entre ambas es:
Y = X 100
Obtener esta relación es menos evidente cuando lo que medimos sobre el mismo grupo de
personas es, por ejemplo,
X ≡ Altura medida en cm Y ≡ Peso en kilos
La razón es que no es cierto que conocida la altura xi de un individuo, podamos
determinar de modo exacto su peso yi (dos personas que miden 1,70 m pueden tener pesos
de 60 y 65 kilos). Sin embargo, alguna relación entre ellas debe existir, pues parece mucho
más probable que un individuo de 2m pese más que otro que mida 1.20m. Es más, nos
puede parecer más o menos aproximado una relación entre ambas variables como la
siguiente Y = X − 110 ± (error). A la deducción, a partir de una serie de datos, de este tipo
de relaciones entre variables, es lo que denominamos regresión.
Ilustración 1relaciones entre variables
1. Coeficiente De Correlación
Es una medida de la relación lineal entre dos variables aleatorias cuantitativas. A
diferencia de la covarianza, la correlación de Pearson es independiente de la escala de
medida de las variables.
De manera menos formal, podemos definir el coeficiente de correlación de Pearson
como un índice que puede utilizarse para medir el grado de relación de dos variables
siempre y cuando ambas sean cuantitativas.
El coeficiente de correlación entre dos variables puede definirse como
la covarianza existente entre sus dos variables tipificadas y tiene por expresión de cálculo:
pX ,Y = σxyσxσy
=E [ ( X−μX ) (Y −μy ) ]
σxσy
Dónde:
Es la covarianza de (X,Y) Es la desviación tripica de la varianza Es la desviación típica de la variable
De manera analogía podemos calcular este coeficiente sobre un estadístico muestral
rxy=∑ xiyi− nxy
(n−1 ) sxsy=¿∑ xi∑ yi
√n∑ xi−¿¿¿¿¿
Interpretación:
El valor del índice de correlación varía en el intervalo [-1,1]:
Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total
entre las dos variables denominada relación directa: cuando una de ellas aumenta, la
otra también lo hace en proporción constante.
Si 0 < r < 1, existe una correlación positiva.
Si r = 0, no existe relación lineal. Pero esto no necesariamente implica que las variables
son independientes: pueden existir todavía relaciones no lineales entre las dos variables.
Si -1 < r < 0, existe una correlación negativa.
Si r = -1, existe una correlación negativa perfecta. El índice indica una dependencia
total entre las dos variables llamada relación inversa: cuando una de ellas aumenta, la
otra disminuye en proporción constante.
EJEMPLO:
Un ejemplo de correlación lineal seria:
x Y
8 14
10 15
9 11
12 14
12 15
El coeficiente de correlación lineal mide la relación entre los valores emparejados de
una nueva muestra
r=n¿¿
Suma los valores de la primera columna de datos (x)
∑x= 8+10+9+12+12
Simplificando la expresión quedaría:
∑x=51
Suma los valores de la segunda columna de datos (y)
∑y=15+15+11+14+15
Simplificando la expresión
∑y=69
Suma los valores de x*y
∑xy= 8*14+10*15+9*11+12*14+12*15
Simplificando la expresión
∑xy=709
Suma los valores de x2
∑x2= (8)2 + (10)2 + (9)2 + (12)2 + (12)2
Suma la expresión
∑x2= 533
Suma de valores de y2
∑y2= (14)2 + (15)2 + (11)2 + (14)2 + (15)2
Simplificando la expresión
∑y2= 963
Ahora pasar los datos en la fórmula original quedaría
r=5(709)−5 (69 )
√5 (533 )−(51 ) 2√5 (963 )−(69 ) 2
Simplificada el resultado quedaría
R= 0,44226898
2. Regresión
El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una
variable aleatoria a cuando b toma un valor específico. La aplicación de este método
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razón, se hace indispensable que previo a la selección de
este método exista un análisis de regresión que determine la intensidad de las relaciones
entre las variables que componen el modelo.
El objetivo de un análisis de regresión es determinar la relación que existe entre
una variable dependiente y una o más variables independientes. Para poder realizar esta
relación, se debe postular una relación funcional entre las variables. Cuando se trata de una
variable independiente, la forma funcional que más se utiliza en la práctica es la relación
lineal. El análisis de regresión entonces determina la intensidad entre las variables a través
de coeficientes de correlación y determinación.
Regresión lineal
En estadística la regresión lineal o ajuste lineal es un modelo matemático usado para
aproximar la relación de dependencia entre una variable dependiente Y, las variables
independientes Xi y un término aleatorio ε. Este modelo puede ser expresado como:
Yt=B0+B1 X1+B2 X2+B p X p+EDónde:
Yt: variable dependiente, explicada o regresando
X1,X2,,,,Xp: parámetros, miden la influencia que las variables explicativas tienen sobre el
recreciendo, donde B0 intersección o término “constante”, las Bi(i>0) son los parámetros
respectivos a cada variable independiente, si el número de parámetros independientes a
tener en cuenta en la regresión. La regresión lineal puede ser contrastada con la regresión
no lineal
Ilustración 2 Ejemplo de una regresión lineal con una variable dependiente y una variable independiente.
Ejemplo
La juguetería Gaby desea estimar mediante regresión lineal simple las ventas para el mes de
Julio de su nuevo carrito infantil "Mate". La información del comportamiento de las ventas
de todos sus almacenes de cadena se presenta en el siguiente tabulado.
MES VENTAS
ENERO 7000
FEBRERO 9000
MARZO 5000
ABRIL 11000
MAYO 10000
JUNIO 13000
El primer paso para encontrar el pronóstico del mes 7 consiste en hallar la
pendiente, para ello efectuamos los siguientes cálculos:
∑I=1
N
Xiti=[ (7000∗1 )+(9000∗2 )+ (5000∗3 )+ (11000∗4 )+(10000∗5 )+ (13000∗6 )]
∑I=1
N
Xiti=212000
∑I=1
N
Xi=(7000+9000+5000+11000+13000)
∑I=1
N
Xi=55000
∑I=1
N
ti=(1+2+3+4+5+6)
∑I=1
N
ti=21
∑I=1
N
ti=[ (12 )+( 22)+ (32 )+( 42 )+(52)+ (62 ) ]
∑I=1
N
ti2=91
∑I=1
N
ti=[(1+2+3+4+5+6)2]
∑I=1
N
ti=441
B=[6(212000)]-[(55000)(21)] / [6(91)]-(441)
B=1114.28
x=7000+9000+5000+11000+130006
X= 9166.67
t=(1+2+3+4+5+6)6
T= 3.5
A=9166.67-[(1114.28)(3.5)]
A= 5266.68
X=5266,68+[(1114,28)(7)]
X=13067
Podemos así determinar que el pronóstico de ventas para el período 7 es
equivalente a 13067 unidades.
3. Herramientas multivariantes
El MANOVA Prueba que analiza la relación entre diferentes variables de respuesta
y un conjunto común de predictores al mismo tiempo. Del mismo modo que ANOVA,
MANOVA requiere variables de respuesta continuas y predictores categóricos. MANOVA
tiene numerosas ventajas importantes en comparación con realizar múltiples ANOVA, una
variable de respuesta por vez.
Mayor potencia
Usted puede utilizar la estructura de covarianza de los datos entre las variables de
respuesta para probar la igualdad de las medias al mismo tiempo. Si las variables de
respuesta están correlacionadas, entonces esta información adicional puede ayudar a
detectar diferencias más pequeñas que las que pudieran detectar ANOVA individuales.
Detecta patrones de respuesta multivariados
Los factores pueden afectar la relación entre las respuestas en lugar de afectar a una
sola respuesta. Los ANOVA no detectarán estos patrones multivariados, tal como lo
demuestran las siguientes cifras.
Controla la tasa de error por familia
Su probabilidad de rechazar incorrectamente la hipótesis nula aumenta con cada
ANOVA sucesivo. Realizar un MANOVA para probar todas las variables de respuesta al
mismo tiempo mantiene la tasa de error por familia igual a su nivel alfa.
El MANOVA contrasta la hipótesis nula de que los vectores de las medias de todos
los grupos son iguales y/o provienen de la misma población. Matemáticamente lo
anotaríamos como sigue:
Ho: μ1=μ2=μ3=...=μn
Los supuestos estadísticos paramétricos que han de cumplir los datos para que se les
pueda aplicar el análisis de varianza son tres: deben proceder de muestras aleatorias
simples, debe existir normalidad en la distribución de los datos y las varianzas de las
subpoblaciones deben ser iguales. El análisis multivariante de la varianza, con el que
finalizamos la exposición de este capítulo, lo hemos estructurado en torno a cinco
apartados, a saber:
1. La primera parte del análisis trata de valorar la significación estadística de las diferencias
multivariantes entre los grupos. Para este fin nos encontramos con cuatro estadísticos a
partir de los cuales contrastar la hipótesis nula de igualdad de vectores de medias: mrc de
Roy, lambda de Wilks, criterio de Pillai y la traza de Hotelling.
2. Ya hemos comentado que sólo tiene sentido aplicar el análisis de varianza cuando los
datos cumplen los requisitos paramétricos arriba señalados. Por ello, es imprescindible
contrastar, fundamentalmente, la homogeneidad o igualdad de las varianzas de las variables
dependientes en los grupos (subpoblaciones) establecidos por los valores de la variable
independiente. Para este caso se aplica la prueba de Levene en las dos variables
dependientes seleccionadas. Si el resultado nos llevara a rechazar tal supuesto, deberemos
someter a los datos a un proceso de transformación.
3. Si el análisis concluye en que rechazamos la hipótesis nula (todos los criterios se sitúan
por debajo de 0.05), esto es, que existen diferencias entre entre los grupos, deberemos
analizar si las diferencias que se producen entre vectores son explicadas por las diferencias
que se producen entre las medias de alguna de las variables dependientes. Para contrastar si
las diferencias entre los vectores de medias no son debidas a las diferencias entre as medias
de una de las variables dependientes en particular deberemos realizar un análisis
univariante sobre cada una de las variables dependientes. Éste es el punto de la
investigación que lo diferencia del análisis factorial de la varianza.
4. En cuarto lugar, debemos identificar, tal y como ya hicié- ramos en el análisis de
varianza con un factor y en el aná- lisis factorial de la varianza, en qué grupos se producen
las diferencias significativas. Recordemos que estas diferencias son las que nos han
conducido a rechazar la hipótesis nula. Para ello aplicaremos algunos de los métodos Post
Hot (de Sheffe y de Tuhey). Cada uno de estos métodos indican qué comparaciones entre
los grupos presentan diferencias significativas. La aplicación de estos métodos proporciona
los contrastes para cada combinación de grupos.
5. Por último, y si el análisis concluye en que rechazamos la hipótesis nula, nos quedará por
determinar si las diferencias que se aprecian entre las medias responde al efecto de las
variables independientes consideradas de forma individual (efectos principales) o/y
responde al efecto provocado por la interacción de las variables independientes. Para
resolver esta cuestión, además de los correspondientes contrastes de hipótesis, la
representación gráfica de los resultados puede sernos de gran utilidad
Ejemplo
incorporamos un segundo factor explicativo con 5 niveles: edcat (educación) el cruce
comunidad*edcat da lugar a 20 celdas. el diseño es balanceado con 4 observaciones 6-
dimensionales por celda. medias en las celdas
:
En los 6 Anovas (uno por cada variable dependiente) todos los efectos son significativos en
todas las variables, salvo acaso la interacción de los dos factores para X1 (p-valor 0.037))
En el Manova resultan también significativos los dos factores y su interacción.
Perfiles de la sensación de inseguridad según el nivel de educación
La sensación de inseguridad disminuye cuando aumenta el nivel de educación. Para cada
variable se observa esta asociación negativa entre educación e inseguridad, especialmente
en las comunidades 1 y 3, donde es mayor la pendiente decreciente al aumentar el nivel de
educación. Esta diferencia de pendiente de unos grupos a otros debe de ser la causa de que
la interacción entre comunidad y educación resulte significativa en el modelo. (Ver los
gráficos)
Cuando el Manova de un factor detecta que los valores medios de las variables
respuesta difieren entre grupos, podemos realizar un Análisis Discriminante (AD) para
detectar las variables que más cambian a través de los grupos, caracterizar los grupos y
construir nuevas variables artificiales que recojan las diferencias entre ellos. El AD también
se emplea para asignar un nuevo individuo a uno de estos grupos (diagnóstico automático,
reconocimiento de formas…). Lo estudiaremos más adelante.
Perfil de un grupo k: medias de las p variables dentro del grupo k. Como caso
particular, las p variables respuesta de un Manova pueden ser Medidas Repetidas, es decir,
observaciones de una misma variable sobre la misma unidad experimental en p condiciones
diferentes: Medidas en p días consecutivos, o a p diferentes horas del día o bajo p diferentes
tratamientos (factor de repetición) … Sean medidas repetidas o no, en Manova
comparamos los perfiles de los grupos.
A la vista del gráfico de perfiles, sospechamos que en este caso un Manova va a
rechazar la hipótesis de no efecto e ideamos nuevas hipótesis para contrastar. Por ej.: Los
perfiles del grupo 1 y 2 son iguales. V2 es la variable causante del rechazo, pues en el
grupo 3 toma valores mucho menores que en los otros. Las medias de V3 y V4 son iguales
dentro de cada grupo… etc. En todos los grupos las condiciones producen efectos
significativos.
a) g perfiles iguales: Ho: 1=2=…=g no hay efecto de grupo (o factor A) Es la
hipótesis básica de no efecto en MANOVA Si se rechaza a) Ho, aún podrían darse
b) c) o d)
b) g perfiles paralelos: HoP: 1║2║…║g no hay efecto de interacción
condiciones*grupo. HoP: ij la diferencia i–j es constante sobre las p
condiciones (o vbles respuesta) HoP: ij i–j tiene las componentes iguales
c) perfiles con la misma media general: HoM : 1+ = 2+ =…= g+
d) g perfiles horizontales: no hay efecto de las condiciones (respuesta) HoH: i, i
es constante sobre las p condiciones (o variables respuesta) HoH: i, i tiene las
componentes iguales
Contraste a) Perfiles iguales. Es la hipótesis básica de no efecto del factor en
Manova. Contraste
b) Perfiles paralelos (las condiciones no interaccionan con los grupos) HoP :
1║2║…║g HoP: ij la diferencia i–j es constante sobre las p condiciones
(o vbles respuesta) HoP: i=2…g la diferencia 1–i es constante sobre las p
condiciones
Ejemplo de Seguridad: *b* HoP: F=5.334 ~ F15, 254.5 p-valor: 0.0001 Rechazo
paralelismo. Existe interacción entre las respuestas y la comunidad
Figura 1perfiles µ1= µ3 y µ2=µ4, los niveles de inseguridad parecen mas altos en la comunidad 1 y 3
Contraste c) Suma de las p medias en el grupo, constante a través de los grupos. Cuando
dos perfiles son paralelos, serán iguales si la suma de las p medias en el grupo (1t k) no
depende del grupo: 1t 1 = 1t 2 =…= 1t g es decir, HoM : 1+ = 2+ =…= g+ (Nota:
Si HoP no es cierta, entonces HoM tiene escaso valor, pues en ese caso sólo indicaría que el
promedio de las p medias es el mismo en todos los perfiles) HoM se puede expresar
también en la forma general ABM=O :
Contraste d) Perfiles horizontales (no efecto de las condiciones): HoH: j Si los perfiles son
paralelos –no interacción- (HoP no se rechaza), podrían además ser horizontales –no efecto
de las condiciones- En todo caso, sin necesidad de contrastar el paralelismo previamente,
podemos contrastar la horizontalidad de los perfiles directamente: HoH para cada k, la
hipótesis de que k tiene las componentes todas iguales se escribe:
Ejemplo de Seguridad *d* F=9.27 ~ F20, 306 ; p-valor< 0.0001 rechazo *c* Habíamos
rechazado ya el paralelismo de los perfiles (*b*), luego no tiene sentido contrastar la
horizontalidad (pues horizontalidad paralelismo). En cualquier caso, si contrastamos
HoM se obtiene: F=31.392 ~ F3,96 p-valor: 0.0001 Rechazo que en los g grupos la
sensación global de inseguridad sea la misma.
4. ESTUDIOS MULTIVARIABLES
El análisis multivariante es un método estadístico utilizado para determinar la contribución
de varios factores en un simple evento o resultado.
Los factores de estudio son los llamados factores de riesgo (bioestadística), variables
independientes o variables explicativas.
El resultado estudiado es el evento, la variable dependiente o la variable respuesta.
El análisis multivariante mediante técnicas de proyección sobre variables latentes tiene
muchas ventajas sobre los métodos de regresión tradicionales:
se puede utilizar la información de múltiples variables de entrada, aunque éstas no sean
linealmente independientes
puede trabajar con matrices que contengan más variables que observaciones
puede trabajar con matrices incompletas, siempre que los valores faltantes estén
aleatoriamente distribuidos y no superen un 10%
puesto que se basan en la extracción secuencial de los factores, que extraen la mayor
variabilidad posible de la matriz de las X (variables explicativas, tienen que ser
dependientes) pueden separar la información del ruido. Se asume que las X se miden
con ruido.
Variación posicional
Es un sistema de numeración en el cual cada dígito posee un valor que depende de
su posición relativa, la cual está determinada por la base, que es el número de dígitos
necesarios para escribir cualquier número. Un ejemplo de numeración posicional es el
habitualmente usado sistema decimal (base 10), necesitándose diez dígitos diferentes, los
cuales deberán estar constituidos de un símbolo (grafema), cuyo valor en orden creciente
es: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9. Para los números escritos en sistemas de bases menores se usan
sólo los dígitos de menor valor; para los escritos con bases mayores que 10 se utilizan
letras: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D
EJEMPLO
589 = 500 + 80+ 9
859 = 800 +50+ 9
985= 900 + 80 + 5
Cada cifra cambia su valor según el lugar que ocupa (valor relativo)
Variación cíclica
El modelo de variación estacional, estacionaria o cíclica permite hallar el valor
esperado o pronóstico cuándo existen fluctuaciones (movimientos ascendentes y
descendentes de la variable) periódicas de la serie de tiempo, esto generalmente como
resultante de la influencia de fenómenos de naturaleza económica.
Estos ciclos corresponden a los movimientos en una serie de tiempo, que ocurren
año tras año en los mismos meses o períodos del año y relativamente con la misma
intensidad.
El modelo de variación estacional es un modelo óptimo para patrones de demanda
sin tendencia y que presenten un comportamiento cíclico, por ejemplo la demanda de
artículos escolares, la cual tiene un comportamiento cíclico de conformidad con el
calendario escolar.
X̂ t=1 X g
X̂ t= pronostico del periodo t
1= índice de factor estacionalidad
X g= medida o promedio general de las ventas
Dónde:
1= X iX g
X i= media o promedio de las ventas i
Ejemplo De Aplicación De Un Pronóstico De Variación Estacional O Cíclica
La distribuidora de papelería CAROLA desea vender para el año 2015 una cantidad de
12000 kits escolares. Determine el pronóstico por trimestre a partir del modelo de variación
estacional, teniendo en cuenta la siguiente información acerca del comportamiento de las
ventas:
tetramestre ventas
1 2500
2 1500
3 3800
4 2200
El primer paso consiste en determinar el promedio general de las ventas, para ello hemos de
sumar las ventas totales y dividirlas entre el número de trimestres.
X g=2500+1500+3800+ 22004
X g=2500
Luego se procede a calcular el promedio de las ventas de cada período, en este caso
de cada período tan sólo tenemos un dato, existirán en la práctica ejercicios en los que de
cada período (por ejemplo trimestre I) tengamos gran cantidad de información histórica,
por ejemplo la información histórica del trimestre I de 5 años. Como lo mencionamos, para
éste caso no es necesario promediar, ya que contamos tan sólo con un dato de cada
trimestre, por tal razón procedemos a calcular el índice de estacionalidad de cada período.
I 1=25002500
=1,00
I 2=15002500
=0,60
I 3=38002500
=1,52
I 4=22002500
=0,88
Teniendo en cuenta que se desean vender un total de 12000 kits para el año 2015,
calcularemos el promedio general de las ventas para dicho año, para ello dividiremos ésta
cantidad en la cantidad de trimestres.
X2015=12000
4
X2015=3000
Ya que tenemos el promedio general de las ventas del año que deseamos pronosticar
y contamos con el índice de estacionalidad de cada trimestre, es momento de determinar el
pronóstico por trimestre para el año 2015.
X 1(2015)=1,00∗3000=3000
X 2(2015)=0,60∗3000=1800
X 3(2015)=1,52∗3000=4560
X 4(2015)=0,88∗3000=2640
Variación temporal
Es una secuencia de datos, observaciones o valores, medidos en determinados
momentos y ordenados cronológicamente. Los datos pueden estar espaciados a intervalos
iguales (como la temperatura en un observatorio meteorológico en días sucesivos al
mediodía) o desiguales (como el peso de una persona en sucesivas mediciones en el
consultorio médico, la farmacia, etc.). Para el análisis de las series temporales se usan
métodos que ayudan a interpretarlas y que permiten extraer información representativa
sobre las relaciones subyacentes entre los datos de la serie o de diversas series y que
permiten en diferente medida y con distinta confianza extrapolar o interpolar los datos y así
predecir el comportamiento de la serie en momentos no observados, sean en el futuro
(extrapolación pronóstica), en el pasado (extrapolación retrógrada) o en momentos
intermedios (interpolación).
Figura 2Una serie temporal formada por fluctuaciones aleatoriasSuperpuesta a una tendencia creciente, la línea de mejor ajuste y
Diferentes suavizados de la serie.
Análisis De Los Datos De Atributos
Son Gráficos de Control basados en la observación de la presencia o ausencia de
una determinada característica, o de cualquier tipo de defecto en el producto, servicio o
proceso en estudio.
TIPO DE GRAFICAS
1. Gráfico P : proporción de unidades defectuosas o no conformes, donde “P” es el
porcentaje de las unidades no conformes encontradas en la muestra controlada.
2. Gráfico NP : número de defectuosos o no conformes. Aplicable solamente si todas
las muestras son del mismo tamaño “N”.
3. Gráfico U : no conformidades por unidad. Se emplea cuando aparecen varios
defectos en una misma unidad de producto o servicio.
4. Gráfico C : número de defectos o no conformidades. Aplicable si todas las muestras
son del mismo tamaño “N”, siendo utilizado, cuando las no conformidades se hallan
dispersas en un flujo más o menos continuo de producto.
Establecer los objetivos del control estadístico del proceso, Identificar las características a
controlar.
Determinar el tipo de gráfico de control que es conveniente utilizar, conjugando aspectos
como:
1. Tipo de información requerida
2. Características del proceso
3. Recursos humanos y materiales disponibles
4. Características del producto
5. Nivel de frecuencia de las unidades no conformes o defectos
EJEMPLO DE GRFICO DE CONTROL
DEFINIR ESCALA DE GRAFICO
REPRESENTAR LINEA CENTRAL Y LIMITES DE CONTROL
INCLUIR DATOS AL GRAFICO
COMPROPBACION DE DATOS DE GRAFICOS DE CONTROL
COMPROBACION DE ANALISIS DE RESULTADOS
Si esta condición no se cumple para alguna muestra, esta deberá ser desechada para el
cálculo de los límites de control.
Se repetirán todos los cálculos, sin considerar los valores desechados.
El proceso se repetirá hasta que todas las muestras utilizadas para el cálculo de los límites
de control muestren un proceso dentro de control.
Los límites, finalmente obtenidos, son los definitivos para elaborar la gráfica de control.
FUENTES DE CONSULTA
GRIM, L. and YARNOLD, P.R. (1994). Reading and understanding multivariate statistics. American Psycological Association. Washington D.C
HAIR, J., ANDERSON, R., TATHAM, R. y BLACK, W. (1999). Análisis Multivariante. 5ª Edición. Prentice Hall.
MARTINEZ ARIAS, R. (2000). El Análisis Multivariante en la Investigación Científica. Cuadernos de Estadística. Editorial La Muralla
Otros libros interesantes son:AFIFI, A.A. and CLARK, V. (1996) Computer-Aided Multivariate Analysis. Third Edition. Texts in Statistical Science. Chapman and Hall.EVERITT, B. And GRAHAM, D. (1991). Applied Multivariate Data Analysis. Arnold.SHARMA, S. (1998). Applied Multivariate Techiques. John Wiley and Sons.URIEL, E. (1995). Análisis de Datos: Series temporales y Análisis Multivariante. Colección Plan Nuevo. Editorial AC. JOBSON, J.D. (1992) Applied Multivariate Data Analysis. Volume II: Categorical and Multivariate Methods. Springer-Verlag.LEBART, L; MORINEAU, A. and PIRON, M. (2000). Statistique Exploratoire Multidimensionnelle. 3ª Edition. DUNOD.MARDIA, K.V., KENT, J.T. y BIBBY, J.M. (1994). Multivariate Analysis. Academic Press. FERRAN, M. (1997). SPSS para WINDOWS. Programación y Análisis Estadístico. Mc.Graw Hill.VISAUTA, B. (1998) Análisis Estadístico con SPSS para WINDOWS (Vol II. Análisis Multivariante). Mc-Graw Hill.
http://www.eio.uva.es/~valentin/ad3d/anadat/np/rlm/mlm_manova_1.pdfhttps://www.google.com.mx/?
hl=es&gws_rd=cr,ssl&ei=QqkhVvCCBMGoogT4_7LQBA#hl=es&q=ejemplos+manova
https://rua.ua.es/dspace/bitstream/10045/12081/1/Capitulo11.pdf
https://es.wikipedia.org/wiki/An%C3%A1lisis_multivariante
http://qurriculum.webs.ull.es/0_materiales/articulos/numero1/6.juan%20camacho.PDF
https://www.mathway.com/es/examples/statistics/correlation-and-regression/finding-the-
linear-correlation-coefficient?id=328
http://www.mcgraw-hill-educacion.com/pye01e/
cap13/13analisis_de_correlacion_y_regresion.pdf
http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdf
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/pron
%C3%B3stico-de-ventas/regresi%C3%B3n-lineal/