Excelente pregunta 👏 — estás describiendo un estudio de análisis de

sistemas de medición (MSA) aplicado a una variable continua (el Box

Compression Test – BCT) y, por lo que cuentas, con un laboratorio
central certificado (juez o referencia) y una planta muestra
(laboratorio bajo evaluación).

Veamos paso a paso qué análisis estadístico debes realizar y por qué 👇

🎯 Objetivo

Determinar si el laboratorio de planta mide el BCT con la misma

precisión y exactitud que el laboratorio central (referencia).

⚙️Estructura de tus datos

Tienes:

 25 muestras medidas por la planta.

 Las mismas 25 muestras medidas por el laboratorio central.

 Cada muestra tiene entonces dos mediciones (planta vs central).

🧠 Tipo de análisis que corresponde

Este es un estudio de concordancia / comparación de métodos de

medición, también conocido como:

🔹 Estudio de comparación entre laboratorios (bias y concordancia)

🔹 MSA tipo “correlación interlaboratorios”

El análisis se enfoca en evaluar precisión, sesgo y linealidad entre

métodos.

📊 Análisis estadístico recomendado

1️⃣ Análisis descriptivo

 Graficar ambas series de datos (boxplot o histograma) para ver si hay

diferencias en la distribución.

 Calcular media, desviación estándar y rango para cada laboratorio.

2️⃣ Diagrama de dispersión y correlación

 Graficar los valores de la planta (Y) contra los del laboratorio

central (X).

 Calcular el coeficiente de correlación de Pearson (r).

o r >0.98 sugiere muy buena concordancia en variación.

3️⃣ Análisis de sesgo (bias)

 Calcular las diferencias entre mediciones:

d i=BC T planta ,i−BC T central , i

 Calcular:

o Promedio del sesgo: d́

o Desviación estándar del sesgo

o Intervalo de confianza del sesgo (t-test pareado)

→ Si el sesgo no es estadísticamente diferente de cero (p >
0.05), no hay sesgo significativo.

4️⃣ Análisis de linealidad (si el rango de BCT es amplio)

 Ajustar una regresión lineal:

BC T planta =a+b × BC T central

 Evaluar:

o Pendiente (b) ≈ 1

o Intercepto (a) ≈ 0

o R² alto (>0.98 idealmente)

→ Si b ≈ 1 y a ≈ 0, la relación es lineal y sin desviaciones sistemáticas.

5️⃣ Análisis de concordancia tipo Bland–Altman (opcional pero muy

útil)
  Graficar las diferencias vs. el promedio de ambas mediciones:
BC T planta + BC T central
Eje X: , Eje Y: BC T planta −BC T central
2
 Determina los límites de concordancia (±1.96·SD).
→ Cuantifica si las diferencias son aceptables frente a la tolerancia del
BCT.

6️⃣ Evaluación de repetibilidad (opcional si tienes replicados)

Si en la planta o el laboratorio central se midieron varias veces las mismas

muestras, podrías aplicar un ANOVA de R&R (Repetibilidad y
Reproducibilidad) para evaluar la variación interna del sistema de
medición.

🧾 Resultado esperado del análisis

Deberías poder concluir algo como:

“El laboratorio de planta muestra un coeficiente de correlación de 0.985 con

el laboratorio central, sin sesgo significativo (p=0.21) y con límites de
concordancia dentro de ±X N. Por tanto, el sistema de medición es aceptable
para uso de control de calidad.”

✅ En resumen: pasos prácticos en orden

Pas
Análisis Herramienta sugerida
o

1 Estadística descriptiva Excel / Minitab / Python

Correlación y gráfico de
2 Minitab: Graph > Scatterplot
dispersión

3 t-test pareado para sesgo Stat > Basic Statistics > Paired t

Stat > Regression > Fit

4 Regresión lineal
Regression Model

5 Bland–Altman Python / Excel avanzado

Pas
Análisis Herramienta sugerida
o

Stat > Quality Tools > Gage R&R

6 (opcional) R&R
Study

¿Quieres que te ayude a construir el análisis paso a paso en Excel o

Minitab (con fórmulas o comandos específicos)?
Puedo prepararte el modelo de cálculo y los gráficos listos para tus 25
muestras.

Dijiste:

en minitab

ChatGPT dijo:

Perfecto 👌 — trabajar en Minitab es ideal para este tipo de análisis, ya que

tiene herramientas específicas para comparación de métodos y estudios de
sesgo.
A continuación te explico exactamente qué pasos seguir en Minitab,
usando tus 25 pares de datos (BCT planta vs BCT laboratorio central).

🎯 Objetivo

Evaluar si las mediciones del laboratorio de planta son equivalentes (sin

sesgo ni variación significativa) a las del laboratorio central (referencia).

🧾 Preparación de los datos

Primero, estructura tus datos en Minitab así:

Muest BCT_Centr BCT_Plan

ra al ta

1 530 525

2 510 507

... ... ...

25 490 492
Guarda el archivo como un proyecto Minitab (.mwpx).
Asegúrate que las columnas estén en formato numérico.

🔹 PASO 1: Estadística descriptiva

Ruta en Minitab:

Stat → Basic Statistics → Display Descriptive Statistics

Selecciona:

 Variables: BCT_Central y BCT_Planta

✅ Qué revisar:

 Medias (¿similares?)

 Desviación estándar (¿comparable?)

 Rango de valores (¿similar dispersión?)

🔹 PASO 2: Diagrama de dispersión y correlación

Ruta:

Graph → Scatterplot → Simple

Y luego:

 Y-variable: BCT_Planta

 X-variable: BCT_Central

Después calcula la correlación:

Stat → Basic Statistics → Correlation

✅ Qué revisar:

 Coeficiente de correlación de Pearson (r)

o Si r ≥ 0.98, hay excelente concordancia lineal.

🔹 PASO 3: Prueba t pareada (para evaluar sesgo)

Ruta:
Stat → Basic Statistics → Paired t...

Configura así:

 First sample: BCT_Planta

 Second sample: BCT_Central

Haz clic en "Options" → verifica que la hipótesis sea:

“μ (Planta – Central) = 0”

✅ Interpretación:

 Si p > 0.05 → no hay diferencia significativa entre laboratorios.

 Si p ≤ 0.05 → el laboratorio de planta tiene un sesgo significativo.

🔹 PASO 4: Análisis de regresión lineal

Ruta:

Stat → Regression → Fitted Line Plot

Configura:

 Response (Y): BCT_Planta

 Predictor (X): BCT_Central

✅ Qué revisar:

 Pendiente (b): debe ser cercana a 1

 Intercepto (a): cercano a 0

 R²: preferiblemente ≥ 0.98

Conclusión:

 Si b≈1 y a≈0, el sistema mide igual que el laboratorio central

(linealidad correcta).

🔹 PASO 5: Gráfico de diferencias (Bland–Altman plot)

Minitab no tiene una opción directa, pero puedes generarlo así:

1. Crea dos nuevas columnas:

 o Promedio = (BCT_Planta + BCT_Central) / 2

o Diferencia = BCT_Planta - BCT_Central

2. Luego ve a:

Graph → Scatterplot → Simple

o Y-variable: Diferencia

o X-variable: Promedio

3. Agrega líneas de referencia:

o Media de las diferencias (bias)

o ±1.96 * Desv. Estándar de las diferencias

(puedes calcular esto con “Stat → Basic Statistics → Display
Descriptive Statistics” sobre la columna Diferencia)

✅ Interpretación:

 Si la mayoría de los puntos están dentro de ±1.96·SD y sin tendencia

clara → concordancia aceptable.

🔹 PASO 6 (Opcional): Análisis Gage R&R o Repetibilidad

Solo si tienes replicaciones de las mismas muestras en ambos

laboratorios.
Ruta:

Stat → Quality Tools → Gage Study → Gage R&R Study (Crossed)

Configura:

 Parts: Muestra

 Operators: Laboratorio (Central, Planta)

 Response: BCT

Te dará componentes de varianza (repetibilidad y reproducibilidad).

📊 Interpretación final esperada

Ejemplo de conclusiones:
  Correlación: r = 0.986 (excelente)

 t pareada: p = 0.28 (sin sesgo significativo)

 Regresión: Y = 1.01X – 2.3, R² = 0.98

 Bland–Altman: diferencias dentro de ±3% del valor medio

→ El laboratorio de planta mide consistentemente y sin sesgo
significativo respecto al laboratorio central.

¿Quieres que te prepare una plantilla de Minitab (.mtw) con todas las
columnas, fórmulas y gráficos configurados (solo para llenar tus datos)?
Puedo generarla paso a paso para que solo copies tus 25 pares de datos.

ANOVA
Objetivo del ANOVA en tu caso

Evaluar si el laboratorio (Planta vs Central) tiene un efecto

significativo en los resultados de BCT, considerando las 25 muestras.

🧩 Estructura de los datos para ANOVA

Para realizar el ANOVA correctamente, debes tener los datos en formato

“longitudinal” o de una sola columna de respuesta, así:

Muest Laborato BC
ra rio T

1 Central 530

1 Planta 525

2 Central 510

2 Planta 507

... ... ...

25 Central 490

25 Planta 492

🔸 Cada muestra aparece dos veces (una por laboratorio).

🔸 “Laboratorio” es un factor categórico con 2 niveles.
🔸 “Muestra” también puede considerarse un factor (bloque).

🧮 PASO 1: Configurar el modelo ANOVA en Minitab

🔹 Ruta

Stat → ANOVA → General Linear Model → Fit General Linear Model...

🔹 Configuración del modelo

 Response (Y): BCT

 Model:
 o Fixed Factors: Laboratorio

o Random/Blocking Factor: Muestra

(esto controla que cada muestra es diferente y tiene su propio
nivel de resistencia)

👉 Esto se llama un ANOVA de medidas repetidas de 2 factores

(bloques), donde las diferencias entre muestras no te interesan, pero sí el
efecto del laboratorio.

🔹 En la ventana “Model...”

Incluye los términos:

Laboratorio

Muestra

No necesitas interacciones si cada muestra se midió solo una vez por

laboratorio.

🔹 En la ventana “Options...”

Marca:

 “Confidence level: 95%”

 “Use the pooled standard deviation”

📊 PASO 2: Interpretar resultados

Minitab te mostrará una tabla como esta:

D Adj Adj
Source F P
F SS MS

Laboratori 0.8 0.35

1 48.5 48.5
o 9 3

1570
Muestra 24 654.2 ... ...
0

Error ... ... ... ... ...

✅ Interpretación clave:

 Mira el valor p en la fila de Laboratorio:

o p > 0.05: No hay diferencia significativa entre laboratorios →

buena concordancia.

o p ≤ 0.05: Hay una diferencia estadísticamente significativa →

posible sesgo o calibración distinta.

🔹 PASO 3: Verificación gráfica (opcional)

Después del análisis:

Stat → ANOVA → General Linear Model → Storage

Marca Residuals y Fits para almacenarlos.
Luego grafica los residuos:

Graph → Residual Plots → By Variables

✅ Si los residuos se ven aleatorios (sin patrón), el modelo es válido.

📈 PASO 4 (Opcional): ANOVA de dos factores si tienes replicados

Si cada muestra fue medida varias veces por cada laboratorio (por ejemplo,
2 o 3 mediciones por muestra), puedes aplicar un ANOVA de dos factores
con replicación:

Stat → ANOVA → Two-Way...

 Response: BCT

 Factors: Laboratorio y Muestra

 Marca “Model includes interaction term” si te interesa ver si el efecto

del laboratorio cambia según la muestra.

🧾 Conclusión esperada (ejemplo)

ANOVA mostró que el efecto del factor Laboratorio no fue significativo (p =

0.35), lo cual indica que no existen diferencias sistemáticas entre las
mediciones de la Planta y del Laboratorio Central.
La variación observada se atribuye principalmente a las diferencias propias
entre muestras (p < 0.001).