1 / 22

SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES

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

keaton-austin
Download Presentation

SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES Producción Industrial

  2. 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

  3. 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.

  4. 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 Depto Calificaciones 8 7 5 8 Depto_A 7 8 6 7 Depto_A 8 7 6 8 Depto_A 6 7 7 6 Depto_A 7 6 7 7 Depto_A 8 8 6 8 Depto_A 7 Depto_B 8 Depto_B 7 Depto_B 7 Depto_B 6 Depto_B 8 Depto_B 5 Depto_C 6 Depto_C 6 Depto_C 7 Depto_C 7 Depto_C 6 Depto_C

  5. Estadística no paramétrica

  6. Regresión lineal y cuadrática

  7. 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 Scatterplot of Weight vs Height 220 200 180 t h g 160 i e W 140 120 100 60 62 64 66 68 70 72 74 76 Height

  8. Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe entre dos variables, como sigue: Estadistica > Estadistica Básica > Correlacion Variables Peso Altura Seleccionar en Presentar Valores de p Seleccionar Los resultados son los siguientes: Correlations: Weight, Height Coeficiente de correlación Pearson correlation of Weight and Height = 0.785 P-Value = 0.000 Como el P value es menor a 0.05, la correlación si es significativa

  9. 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

  10. 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

  11. Modelo de regresión lineal simple R^2 Coef. de determinación Mínimos cuadrados

More Related