Usted puede transformar los datos para que se ajusten a una distribución normal para satisfacer los supuestos del análisis.
- Sin
transformación: No utilice una transformación si los datos ya siguen una distribución normal. Para determinar la distribución de los datos, o si una transformación será efectiva si los datos no son normales, utilice Identificación de distribución
individual.
- Transformación de
potencia de Box-Cox (W = Y^λ): Utilice la transformación de Box-Cox si todos los datos no normales son positivos (> 0) y usted desea obtener estimaciones de la capacidad dentro de los subgrupos (potencial), así como de la capacidad a largo plazo. La transformación de Box-Cox es una transformación simple y fácil de entender.
Seleccione el valor de lambda (λ) que Minitab utiliza para transformar los datos.
- Usar λ
óptimo: Utilice el valor óptimo de lambda, que debe producir la transformación con el mejor ajuste. Minitab redondea la lambda óptima a 0,5 o al entero más cercano.
Nota
Para utilizar un valor exacto en lugar de un valor redondeado de λ óptima, elija y desmarque Usar valores redondeados para las transformaciones de Box-Cox cuando sea posible.
- λ = 0 (ln): Usar el logaritmo natural de los datos.
- λ = 0.5 (raíz
cuadrada): Usar la raíz cuadrada de los datos.
- Otro (ingrese un valor
entre -5 y 5): Usar un valor especificado para lambda. Otras transformaciones comunes son el cuadrado (λ = 2), la raíz cuadrada inversa (λ = −0,5) y la inversa (λ = −1). En la mayoría de los casos, no se debe usar un valor fuera del rango de −2 y 2.
- Transformación de
Johnson (para análisis general solamente): Utilice la transformación de Johnson si los datos no normales contienen valores negativos (o 0) o si la transformación de Box-Cox no es efectiva. La función de transformación de Johnson es más complicada que la de Box-Cox, pero es muy efectiva para encontrar una transformación apropiada.
- Valor P para
seleccionar mejor ajuste
-
Ingrese un valor entre 0 y 1. El valor que usted ingrese define el nivel de significancia para una prueba de normalidad de los datos antes y después de la transformación. Un valor más alto hace que el criterio de normalidad sea más riguroso. Un valor más bajo hace que el criterio de normalidad sea menos exigente.