Operational Excellence a través del pensamiento estadístico

Descubra Statoscopex, nuestro software de análisis estadístico en línea. Está dirigido a profesionales de Six Sigma y del análisis estadístico que desean evaluar y aprovechar al máximo el potencial de toma de decisiones de un conjunto de datos.

Acceder a las calculadoras

Statoscopex ayuda a los profesionales de Six Sigma y de la estadística a identificar factores influyentes, cuantificar sus efectos y evaluar su relevancia práctica, permitiendo tomar decisiones de mejora mejor informadas.

Youri Buffe

Master Black Belt

Funciones avanzadas para sus estudios estadísticos

Statoscopex ofrece más de 50 análisis y 100 cálculos estadísticos a través de sus funcionalidades de estudio de capacidad y análisis factorial, entre los que se incluyen:

Estudio de capacidad

Para las siguientes métricas: continua, de conteo y binaria.

Determinación de la precisión estadística de la tasa de defectos de un proceso
Determinación del tamaño mínimo de muestra requerido para estimar la tasa de defectos de un proceso

Estimación del parámetro estadístico

Para los siguientes parámetros: media, desviación estándar, tasa de ocurrencia y proporción.

Determinación del intervalo de confianza del parámetro
Determinación del tamaño mínimo de muestra requerido para estimar el parámetro estadístico con una precisión determinada

Efecto útil

Para los siguientes parámetros: media, desviación estándar, tasa de ocurrencia y proporción.

Traducción del objetivo de reducción de la tasa de defectos en términos del efecto objetivo sobre el parámetro estadístico.
Determinación del tamaño mínimo de muestra requerido para detectar el efecto sobre el parámetro estadístico que alcance el objetivo de reducir la tasa de defectos.

Detección de un efecto

Para los siguientes parámetros: media, desviación estándar, tasa de ocurrencia y proporción.

Detectar la existencia de un efecto por debajo o por encima de un valor umbral
Determinar el tamaño mínimo de muestra requerido para detectar un efecto al menos igual a un tamaño determinado
Determinar el efecto detectable más pequeño utilizando dos muestras (resolución)
Determinar la potencia de detección de un efecto por debajo o por encima de un valor umbral, utilizando muestras.

Técnicas utilizadas: prueba t de dos muestras, prueba de dos varianzas, prueba de Poisson de dos muestras, prueba de dos proporciones

Detección de una desviación con respecto a un objetivo

Para los siguientes parámetros: media, desviación estándar, tasa de ocurrencia y proporción.

Detectar si un parámetro difiere de su valor de referencia
Determinar el tamaño mínimo de muestra requerido para detectar si un parámetro difiere de su valor de referencia
Determinar la diferencia detectable más pequeña entre el valor de un parámetro y su valor de referencia, utilizando una muestra (resolución)
Determinar la potencia de detección de la desviación de un parámetro con respecto a su valor de referencia, utilizando una muestra

Técnicas utilizadas: prueba t de una muestra, prueba de varianza, prueba de Poisson de una muestra, prueba de proporción.

Estudio Statoscopex

Statoscopex realiza estudios de capacidad y análisis factoriales sobre los cuatro parámetros estadísticos. Elija una familia para ir a sus calculadoras.

Estudio de capacidad

Statoscopex realiza un análisis de capacidad completo mediante la estimación de la media, la desviación estándar, la tasa de ocurrencia y la proporción en una sola vista.

6 calculadoras

Abrir

→

Estudio de la media

Módulo dedicado al análisis preciso, pruebas de hipótesis y detección de cambios o efectos en la media del proceso.

8 calculadoras

Abrir

→

Estudio de la desviación estándar

Herramientas centradas en la variabilidad: estudio, prueba y detección de cambios o desviaciones respecto a la desviación estándar esperada.

6 calculadoras

Abrir

→

Estudio de la tasa de ocurrencia

Analiza tasas basadas en conteos o eventos, detecta desviaciones de una tasa objetivo y estima parámetros de ocurrencia con cálculo de potencia.

6 calculadoras

Abrir

→

Estudio de la proporción

Análisis especializado de resultados binarios o proporciones, incluyendo detección de desviaciones, intervalos de confianza y evaluación del tamaño del efecto.

6 calculadoras

Abrir

→

Calculadoras

Cada análisis de Statoscopex se ejecuta aquí mismo. Abra la que necesite: cada panel contiene su propio formulario y los resultados aparecen en el lugar.

Estudio de capacidad

6 calculadoras

Métrica continua — Tasa de defectos y precisión

Tasa de defectos esperada del proceso y la precisión estadística de esa estimación.

Campo de aplicación: una métrica de calidad continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos la tasa de defectos esperada (probabilística) a partir de lo observado en una muestra. El cálculo también proporciona el margen de error (precisión estadística) sobre dicha tasa de defectos esperada.

Introduzca los siguientes datos:

n: tamaño de la muestra
Xbar: la media de la muestra
s: la desviación estándar de la muestra
LSL: el límite superior de especificación
USL: el límite inferior de especificación

Métrica continua — Tamaño mínimo de muestra

Tamaño de muestra requerido para estimar el parámetro con una precisión dada.

Campo de aplicación: una métrica de calidad continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el tamaño mínimo de la muestra que se debe tomar para conocer la tasa de defectos esperada dentro de un margen de error aceptable (precisión estadística).

Introduzca los siguientes datos:

Margen de error relativo: el % de error aceptable en la tasa de defectos
Rendimiento asumido: una estimación del orden de magnitud del rendimiento operativo, expresada como tasa de defectos o como Sigma

Métrica de conteo — Tasa de defectos y precisión

Tasa de defectos esperada del proceso y la precisión estadística de esa estimación.

Campo de aplicación: una métrica de calidad basada en conteo (Y) que sigue una distribución de Poisson. Por ejemplo: defectos por PC, retenciones por llamada telefónica, errores por documento, etc.

n: tamaño de la muestra
λ̂: la tasa de ocurrencia en la muestra; típicamente defectos por unidad (DPU).

Métrica de conteo — Tamaño mínimo de muestra

Tamaño de muestra requerido para estimar el parámetro con una precisión dada.

Aquí determinamos el tamaño mínimo de la muestra que se debe tomar para conocer la tasa de defectos esperada dentro de un margen de error aceptable (precisión estadística) (método de aproximación normal).

Introduzca los siguientes datos:

Margen de error relativo: el % de error aceptable en la tasa de defectos
Rendimiento asumido: una estimación del orden de magnitud del rendimiento operativo, expresada como tasa de defectos o como Sigma

Métrica binaria — Tasa de defectos y precisión

Tasa de defectos esperada del proceso y la precisión estadística de esa estimación.

Campo de aplicación: una métrica de calidad binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas incorrectas, piezas defectuosas, etc.

n: tamaño de la muestra
p: la proporción de unidades defectuosas en la muestra

Si no se observó ninguna unidad defectuosa en la muestra, introduzca un valor de p igual a 1/(n+2).

Métrica binaria — Tamaño mínimo de muestra

Tamaño de muestra requerido para estimar el parámetro con una precisión dada.

Campo de aplicación: una métrica de calidad binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas incorrectas, piezas defectuosas, etc.

Introduzca los siguientes datos:

Margen de error relativo: el % de error aceptable en la tasa de defectos
Rendimiento asumido: una estimación del orden de magnitud del rendimiento operativo, expresada como tasa de defectos o como Sigma

Media

8 calculadoras

Estimación — Intervalo de confianza

Intervalo de confianza del parámetro a partir de una muestra observada.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el intervalo de confianza 1-α de la media µ a partir de lo observado en una muestra.

Introduzca los siguientes datos:

α: el riesgo de que el verdadero valor de la media quede fuera del intervalo de confianza. Para un intervalo de confianza del 95%, introduzca α = 5%
n: tamaño de la muestra
Xbar: la media de la muestra
σ o s: la desviación estándar real (si se conoce) o la desviación estándar de la muestra

Estimación — Tamaño mínimo de muestra

Tamaño de muestra requerido para estimar el parámetro con una precisión dada.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el tamaño mínimo de la muestra que se debe tomar para conocer la media µ dentro de un margen de error elegido (precisión estadística).

Introduzca los siguientes datos:

σ o s: la desviación estándar real (si se conoce) o la desviación estándar de la muestra
Margen de error: la semi-amplitud deseada del intervalo de confianza 1-α de la media
α: el riesgo de que el verdadero valor de la media quede fuera del intervalo de confianza. Por lo tanto, establece el nivel de confianza 1-α del margen de error. Para un intervalo de confianza del 95%, introduzca α = 5%

Efecto útil — Efecto objetivo a partir del objetivo

Traduce un objetivo de reducción de la tasa de defectos en el efecto requerido sobre el parámetro.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el desplazamiento requerido en la media, a desviación estándar constante, para alcanzar la reducción objetivo en la tasa de defectos.

Introduzca los siguientes datos:

Cálculo resumido (si ya conoce la tasa inicial de defectos):

Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos
σ: la desviación estándar de Y

Cálculo detallado:

LSL: el límite superior de especificación
USL: el límite inferior de especificación
µi: la media inicial (actual)
σ: la desviación estándar de Y
τred. (%): la reducción deseada en la tasa de defectos

Efecto útil — Tamaño de muestra para el objetivo

Tamaño mínimo de muestra necesario para detectar el efecto que cumple el objetivo.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el tamaño mínimo de la muestra necesario para detectar el desplazamiento en la media que cumpliría, a desviación estándar constante, la reducción objetivo en la tasa de defectos.

Introduzca los siguientes datos:

α: el riesgo de concluir erróneamente que existe el efecto requerido
β: el riesgo de no detectar el efecto requerido
Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos

Detección de un efecto — Prueba del efecto

Prueba si un efecto observado entre dos muestras es real y mayor que un umbral seleccionado.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos si se puede concluir un desplazamiento en la media por encima o por debajo de un umbral dado, a partir de las diferencias entre las medias observadas en dos muestras. Esto evalúa típicamente el efecto de dos condiciones operativas diferentes (el efecto de una X, de una solución, etc.). La prueba utilizada aquí es la prueba t de dos muestras.

Introduzca los siguientes datos:

n1 y n2: el tamaño de cada muestra
Xbar1 y Xbar2: la media de Y en cada muestra
s1 y s2: la desviación estándar de Y en cada muestra
α: el riesgo de que el verdadero efecto quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%
Emin: el umbral del efecto buscado

Detección de un efecto — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos, para una prueba t de dos muestras:

El tamaño mínimo de la muestra requerido para detectar un desplazamiento en la media por encima de un umbral dado
El desplazamiento detectable más pequeño en la media (resolución) para unas muestras dadas
La potencia para detectar un desplazamiento en la media por encima o por debajo de un umbral dado, para unas muestras dadas

Introduzca los siguientes datos:

1/ Para el tamaño de la muestra:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
σ: desviación estándar (conocida o estimada)
Emin a detectar: el efecto mínimo (útil) que se desea detectar

2/ Para el efecto mínimo detectable:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
n1 y n2: el tamaño de cada muestra
σ1 y σ2: la desviación estándar de cada muestra, si no se conoce de otro modo

3/ Para la potencia:

n1 y n2: el tamaño de cada muestra
σ1 y σ2: la desviación estándar de cada muestra, si no se conoce de otro modo
Emin a detectar: el efecto mínimo (útil) que se desea detectar

Detección de una desviación respecto a un objetivo — Prueba de la desviación

Prueba si una desviación observada respecto a un valor de referencia es real y lo suficientemente grande como para importar.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos si una media difiere de su valor hipotético, a partir de la media observada en una muestra. La prueba utilizada aquí es la

prueba t para una muestra.

Introduzca los siguientes datos:

µ0: el valor hipotético de la media
n: el tamaño de la muestra
Xbar: la media de Y calculada en la muestra
s o σ: la desviación estándar de Y calculada en la muestra, o la desviación estándar real si se conoce
α: el riesgo de que la media real quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%

Detección de una desviación respecto a un objetivo — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos, en el marco de la aplicación de una prueba t para una muestra:

El tamaño de muestra mínimo requerido para detectar si la media está por encima o por debajo de la media hipotética
La desviación mínima detectable entre la media y la media hipotética, para muestras dadas
La potencia para detectar una desviación entre la media y la media hipotética, para muestras dadas

Introduzca los siguientes datos:

1/ Para la determinación del tamaño de la muestra:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
σ: desviación estándar (conocida o estimada)
εmin a detectar: la desviación mínima (útil) que se desea detectar

2/ Para la determinación de la desviación mínima detectable:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
n: el tamaño de la muestra
σ: la desviación estándar de la muestra, si no se conoce de otro modo

3/ Para la determinación de la potencia:

n: el tamaño de la muestra
σ: la desviación estándar de la muestra, si no se conoce de otro modo
εmin a detectar: la desviación mínima (útil) que se desea detectar

Desviación estándar

6 calculadoras

Estimación — Intervalo de confianza

Intervalo de confianza del parámetro a partir de una muestra observada.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el intervalo de confianza 1-α de la desviación estándar σ a partir de lo observado en una muestra.

Introduzca los siguientes datos:

α: el riesgo de que el valor real de la desviación estándar quede fuera del intervalo de confianza. Para un intervalo de confianza del 95%, introduzca α = 5%
s: la desviación estándar de Y en la muestra
n: tamaño de la muestra

Estimación — Tamaño mínimo de muestra

Tamaño de muestra requerido para estimar el parámetro con una precisión dada.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos el tamaño mínimo de la muestra que se debe tomar para conocer la desviación estándar σ dentro de un margen de error elegido (precisión estadística).

Introduzca los siguientes datos:

s: la desviación estándar de Y en la muestra
Margen de error: la semi-amplitud deseada del intervalo de confianza 1-α de la media
α: el riesgo de que el valor real de la desviación estándar quede fuera del intervalo de confianza. Por lo tanto, establece el nivel de confianza 1-α del margen de error. Para un intervalo de confianza del 95%, introduzca α = 5%

Efecto útil — Efecto objetivo a partir del objetivo

Traduce un objetivo de reducción de la tasa de defectos en el efecto requerido sobre el parámetro.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos la reducción de la desviación estándar requerida, a media constante, para cumplir con la reducción objetivo de la tasa de defectos.

Introduzca los siguientes datos:

Cálculo resumido (si ya conoce la tasa inicial de defectos):

Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos

Cálculo detallado:

SL: el límite de especificación sobre Y (inferior o superior)
LSL: el límite de especificación inferior de Y
USL: el límite de especificación superior de Y
µ: la media
σi: la desviación estándar inicial (actual)
τred. (%): la reducción deseada en la tasa de defectos

Detección de un efecto — Prueba del efecto

Prueba si un efecto observado entre dos muestras es real y mayor que un umbral seleccionado.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos si se puede concluir una disminución o un aumento en la desviación estándar por encima o por debajo de un umbral dado, a partir de las diferencias entre las desviaciones estándar observadas en dos muestras. Esto suele probar el efecto de dos condiciones operativas diferentes (el efecto de una X, de una solución, etc.). La prueba utilizada aquí es la

prueba de dos varianzas (prueba F)

Introduzca los siguientes datos:

n1 y n2: el tamaño de cada muestra
s1 y s2: la desviación estándar de Y en cada muestra
α: el riesgo de que el verdadero efecto quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%
Emin: el umbral del efecto buscado

Detección de un efecto — Tamaño de muestra y resolución

Tamaño mínimo de muestra para un efecto de un tamaño dado, y el efecto más pequeño que una muestra dada puede detectar.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos, para una prueba de dos varianzas (prueba F):

El tamaño de muestra mínimo requerido para detectar una disminución o un aumento en la desviación estándar por encima o por debajo de un umbral dado
La reducción mínima detectable en la desviación estándar (resolución), para muestras dadas

Los cálculos asumen una potencia del 79.16% y α = 5%.

Introduzca los siguientes datos:

1/ Para el tamaño de la muestra: E

_mín.

a detectar: el efecto mínimo (útil) que desea detectar

2/ Para el efecto mínimo detectable: n1 y n2: el tamaño de cada muestra

Detección de una desviación respecto a un objetivo — Prueba de la desviación

Prueba si una desviación observada respecto a un valor de referencia es real y lo suficientemente grande como para importar.

Campo de aplicación: una métrica continua (Y) que sigue una distribución normal. Por ejemplo: duración, temperatura, tamaño, etc.

Aquí determinamos si una desviación estándar difiere de su valor hipotético, a partir de la desviación estándar observada en una muestra. La prueba utilizada aquí es la prueba de una varianza (prueba F).

Introduzca los siguientes datos:

σ0: el valor hipotético de la desviación estándar
n: el tamaño de la muestra
Xbar: la media de Y calculada en la muestra
s: la desviación estándar de Y calculada en la muestra
α: el riesgo de que la desviación estándar real quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%

Tasa de ocurrencia

6 calculadoras

Efecto útil — Efecto objetivo a partir del objetivo

Traduce un objetivo de reducción de la tasa de defectos en el efecto requerido sobre el parámetro.

Aquí determinamos la reducción en la tasa de ocurrencia requerida para cumplir con la reducción objetivo en la tasa de defectos.

Introduzca los siguientes datos:

Cálculo resumido (si ya conoce la tasa inicial de defectos):

Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos

Cálculo detallado:

λi: la tasa de ocurrencia inicial (actual)
τred. (%): la reducción deseada en la tasa de defectos

Efecto útil — Tamaño de muestra para el objetivo

Tamaño mínimo de muestra necesario para detectar el efecto que cumple el objetivo.

Aquí determinamos el tamaño de muestra mínimo necesario para detectar la reducción en la tasa de ocurrencia que cumpliría con la reducción objetivo en la tasa de defectos.

Introduzca los siguientes datos:

α: el riesgo de concluir erróneamente que existe el efecto requerido
β: el riesgo de no detectar el efecto requerido
Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos

Detección de un efecto — Prueba del efecto

Prueba si un efecto observado entre dos muestras es real y mayor que un umbral seleccionado.

Aquí determinamos si se puede concluir una disminución o un aumento en la tasa de ocurrencia por encima o por debajo de un umbral dado, a partir de las diferencias entre las tasas de ocurrencia observadas en dos muestras. Esto suele probar el efecto de dos condiciones operativas diferentes (el efecto de una X, de una solución, etc.). La prueba utilizada aquí es la prueba de Poisson de dos muestras.

Introduzca los siguientes datos:

n1 y n2: el tamaño de cada muestra
d1 y d2: el número de defectos contabilizados en cada muestra
α: el riesgo de que el verdadero efecto quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%
Emin: el umbral del efecto buscado, λ2 – λ1

Detección de un efecto — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: métrica de calidad (Y) de recuento que sigue una distribución de Poisson. Por ejemplo: número de defectos por PC, número de llamadas en espera, número de errores por documento, etc.

Aquí determinamos, en el marco de la aplicación de una prueba de Poisson para dos muestras:

El tamaño de muestra mínimo requerido para detectar una disminución o un aumento en la tasa de ocurrencia por encima de un umbral dado
La disminución o aumento mínimo detectable en la tasa de ocurrencia, para muestras dadas
La potencia para detectar una disminución o un aumento en la tasa de ocurrencia por encima o por debajo de un umbral dado, para muestras dadas

Introduzca los siguientes datos:

1/ Para la determinación del tamaño de la muestra:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
λ1: la tasa de ocurrencia de referencia
λ2: la tasa de ocurrencia de comparación correspondiente al umbral de efecto a detectar, Emin = λ2 – λ1

2/ Para la determinación del efecto mínimo detectable:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
n1 y n2: el tamaño de cada muestra
λ1: la tasa de ocurrencia de referencia

3/ Para la determinación de la potencia:

n1 y n2: el tamaño de cada muestra
λ1: la tasa de ocurrencia de referencia
λ2: la tasa de ocurrencia de comparación correspondiente al umbral de efecto a detectar, Emin = λ2 – λ1

Detección de una desviación respecto a un objetivo — Prueba de la desviación

Prueba si una desviación observada respecto a un valor de referencia es real y lo suficientemente grande como para importar.

Campo de aplicación: métrica (Y) de recuento que sigue una distribución de Poisson. Por ejemplo: número de defectos por PC, número de llamadas en espera, número de errores por documento, etc.

Aquí determinamos si una tasa de ocurrencia difiere de su valor hipotético, a partir de la tasa de ocurrencia observada en una muestra. La prueba utilizada aquí es la prueba de Poisson para una muestra.

Introduzca los siguientes datos:

λ0: el valor hipotético de la tasa de ocurrencia
n: el tamaño de la muestra
d: el número de defectos contabilizados en la muestra
α: el riesgo de que la media real quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%

Detección de una desviación respecto a un objetivo — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: métrica (Y) de recuento que sigue una distribución de Poisson. Por ejemplo: número de defectos por PC, número de llamadas en espera, número de errores por documento, etc.

Aquí determinamos, en el marco de la aplicación de una prueba de Poisson para una muestra:

El tamaño de muestra mínimo requerido para detectar si la tasa de ocurrencia está por encima o por debajo de su valor hipotético
La desviación mínima detectable entre la tasa de ocurrencia y su valor hipotético, para muestras dadas
La potencia para detectar una desviación entre la tasa de ocurrencia y su valor hipotético, para muestras dadas

Introduzca los siguientes datos:

1/ Para la determinación del tamaño de la muestra:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
λ0: la tasa de ocurrencia hipotética
λ: la tasa de ocurrencia de comparación tal que εmin = λ – λ0

2/ Para la determinación de la desviación mínima detectable:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
n: el tamaño de la muestra
λ0: la tasa de ocurrencia hipotética

3/ Para la determinación de la potencia:

n: el tamaño de la muestra
λ0: la tasa de ocurrencia hipotética
λ: la tasa de ocurrencia de comparación tal que εmin = λ – λ0

Proporción

6 calculadoras

Efecto útil — Efecto objetivo a partir del objetivo

Traduce un objetivo de reducción de la tasa de defectos en el efecto requerido sobre el parámetro.

Campo de aplicación: métrica binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas erróneas, piezas defectuosas, etc.

Aquí determinamos el objetivo de reducción de la proporción requerido para alcanzar el objetivo de reducción de la tasa de defectuosos.

Introduzca los siguientes datos:

πi: la tasa de defectos inicial
τred.: la reducción deseada en la tasa de defectos

Efecto útil — Tamaño de muestra para el objetivo

Tamaño mínimo de muestra necesario para detectar el efecto que cumple el objetivo.

Campo de aplicación: métrica binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas erróneas, piezas defectuosas, etc.

Aquí determinamos el tamaño de muestra mínimo necesario para detectar la reducción en la proporción que cumpliría con la reducción objetivo en la tasa de defectos.

Introduzca los siguientes datos:

α: el riesgo de concluir erróneamente que existe el efecto requerido
β: el riesgo de no detectar el efecto requerido
Di: la tasa inicial de defectos
Dc: la tasa objetivo de defectos

Detección de un efecto — Prueba del efecto

Prueba si un efecto observado entre dos muestras es real y mayor que un umbral seleccionado.

Campo de aplicación: métrica binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas erróneas, piezas defectuosas, etc.

Aquí determinamos si se puede concluir una disminución o un aumento en la proporción por encima o por debajo de un umbral dado, a partir de las diferencias entre las proporciones observadas en dos muestras. Esto suele probar el efecto de dos condiciones operativas diferentes (el efecto de una X, de una solución, etc.). La prueba utilizada aquí es la

prueba de dos proporciones

Introduzca los siguientes datos:

n1 y n2: el tamaño de cada muestra
D1 y D2: el número de unidades defectuosas contabilizadas en cada muestra
α: el riesgo de que el verdadero efecto quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%
Emin: el umbral del efecto buscado, π2 – π1

Detección de un efecto — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: métrica binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas erróneas, piezas defectuosas, etc.

Aquí determinamos, para una prueba de dos proporciones:

El tamaño de muestra mínimo requerido para detectar una disminución o un aumento en la proporción por encima de un umbral dado
La disminución o aumento mínimo detectable en la proporción (resolución), para muestras dadas
La potencia para detectar un efecto en la proporción por encima o por debajo de un umbral dado, para muestras dadas

Introduzca los siguientes datos:

1/ Para la determinación del tamaño de la muestra:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
π1: la proporción de referencia
π2: la proporción de comparación correspondiente al umbral de efecto a detectar, Emin = π2 – π1

2/ Para la determinación del efecto mínimo detectable:

α: el riesgo de detectar erróneamente un efecto
β: el riesgo de no detectar el efecto
n1 y n2: el tamaño de cada muestra
π1: la proporción de referencia

3/ Para la determinación de la potencia:

n1 y n2: el tamaño de cada muestra
π1: la proporción de referencia
π2: la proporción de comparación correspondiente al umbral de efecto a detectar, Emin = π2 – π1

Detección de una desviación respecto a un objetivo — Prueba de la desviación

Prueba si una desviación observada respecto a un valor de referencia es real y lo suficientemente grande como para importar.

Campo de aplicación: métrica de calidad (Y) binaria que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas erróneas, piezas defectuosas, etc.

Aquí determinamos si una proporción difiere de su valor hipotético, a partir de la proporción observada en una muestra. La prueba utilizada aquí es la prueba de una proporción.

Introduzca los siguientes datos:

π0: el valor hipotético de la proporción
n: el tamaño de la muestra
D: el número de unidades defectuosas contabilizadas en la muestra
α: el riesgo de que la media real quede fuera del intervalo de confianza calculado; introduzca 5% para un intervalo de confianza del 95%

Detección de una desviación respecto a un objetivo — Tamaño de muestra, resolución y potencia

Tamaño mínimo de muestra para un efecto de un tamaño dado, efecto detectable más pequeño y potencia de detección.

Campo de aplicación: una métrica de calidad binaria (Y) que sigue una distribución binomial. Por ejemplo: llamadas abandonadas, facturas incorrectas, piezas defectuosas, etc.

Aquí determinamos, para un test de una proporción:

El tamaño de muestra mínimo requerido para detectar si la proporción está por encima o por debajo de su valor hipotético
La desviación mínima detectable entre la proporción y su valor hipotético, para una muestra dada
La potencia para detectar una desviación entre la proporción y su valor hipotético, para una muestra dada

Introduzca los siguientes datos:

1/ Para el tamaño de la muestra:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
π0: la proporción hipotética
π: la proporción de comparación tal que εmin = π – π0

2/ Para la desviación mínima detectable:

α: el riesgo de detectar erróneamente una desviación
β: el riesgo de no detectar la desviación
n: el tamaño de la muestra
π0: la proporción hipotética

3/ Para la potencia:

n: el tamaño de la muestra
π0: la proporción hipotética
π: la proporción de comparación tal que εmin = π – π0