Captulo 6

Grficos de control con memoria

6.1 Introduccin
Cuando en un proceso se produce un desajuste muy pequeo, los grficos
estudiados en los temas anteriores pueden ser poco efectivos. El problema
que tienen ante pequeos cambios es que tardan mucho tiempo en detectar el desajuste. En este tema se presentan procedimientos alternativos que
son ms apropiados que los ya vistos para detectar pequeos desajustes con
ms rapidez. Por contra, son menos apropiados para detectar desajustes
grandes, por lo que son complementarios, y no sustitutivos, de los ya vistos.
La idea de los grficos de control que se presentan en este tema es que la
representacin grfica no se basa en las observaciones individuales, o promedios de una muestra de ellas, sino en la acumulacin de informacin. Por
esta razn se les denomina grficos con memoria. Supongamos que se desea controlar la evolucin de una variable X que mide cierta caracterstica
de calidad. Las sucesivas observaciones de dicha variable sern:x1 , x2 , x3 , . . .
Supongamos que idealmente dicha caracterstica X debe tomar el valor no-

114

minal . Por tanto los valores

d1 = (x1 )
d2 = (x2 )
d3 = (x3 )

ser la sucesin de las desviaciones respecto del nivel de referencia . Los

grficos estudiados en los temas anteriores pueden verse, en cierta forma,
como grficos basados en la evolucin de di . Si ocurriese un desajuste muy
pequeo, la evolucin de los valores d1 , d2 , d3 , . . . sera poco eficaz para detectarlo. Es ms efectivo hacer una representacin grfica basada en d1 , d1 +
d2 , d1 + d2 + d3 , ... etc, de forma que en cada instante se considera tambin
la informacin histrica. Un desajuste pequeo se ir as acumulando hasta
que sea evidente su deteccin. Los grficos mostrados en este tema explotan esta idea de distintas formas.

6.2 Grficos CUSUM

El trmino cusum procede del ingls cumulative-sum, que significa suma acumulada. Los grficos cusum se basan en la representacin de la acumulacin de las desviaciones de cada observacin respecto a un valor de referencia. La principal cualidad de este tipo de grficos es que detectan
pequeas desviaciones del estado de control ms rpidamente que los grficos mostrados en los anteriores captulos. Veamos la idea de este tipo de
grficos con un ejemplo. La tabla 6.1muestra los valores del tiempo de espera en la atencin a clientes que llamaban a una lnea comercial (lnea
902). Es el tiempo, en segundos, desde que se realiza la conexin telefnica
(desde que contestan a la llamada) hasta que se es atendido por el personal tcnico (incluyendo el tiempo de espera con la tpica msica de fondo).
Se ha estimado con informacin histrica que, cuando el proceso est bajo
control, el tiempo de espera se puede aproximar a una normal Xi N (25, 5).
115

Los 15 primeros datos de la tabla corresponden a una situacin en la que el

proceso esta bajo control: todos los operadores trabajaban en condiciones
normales de trabajo y la demanda estaba en los niveles habituales. A partir
de la observacin 16 (inclusive) cambia el turno de trabajo, incorporndose
varios operadores con poca experiencia, por esta razn se sospecha que el
tiempo de espera puede aumentar.

Grfico Xbar/R para Tiempo de espera (n=3)

Sample Mean

35

25

X=25,00

-3,0SL=16,34

15

Sample Range

Subgroup

3,0SL=33,66

10

3,0SL=21,79

20

10

R=8,465

-3,0SL=0,000

Figura 6.1: grfico Xbar/R para los datos del tiempo de espera (n = 3)

R) tomando
La figura 6.1 muestra el grfico de control media-rango (X
grupos de 3 observaciones. Las caractersticas de este grfico sern:
LCS = 25 + 3 53 = 33, 66
LC = 25

(6.1)

LCI = 25 3 53 = 16, 34
Asimismo, la figura 6.2 muestra el grfico de observaciones individuales.
Las caractersticas de este grfico, al usar la informacin de que Xi N (25, 5)
116

Obsv.

Turno

T. de Espera
xi

(xi 25)

Ci = Ci1 + (xi 25)

26.1

1.1

1.1

19.9

-5.1

-4

21.2

-3.8

-7.8

30.4

5.4

-2.4

24.3

-0.7

-3.1

26.9

1.9

-1.2

25.4

0.4

-0.8

21.8

-3.2

-4

22.2

-2.8

-6.8

10

27.2

2.2

-4.6

11

20.2

-4.8

-9.4

12

28.9

3.9

-5.5

13

27.8

2.8

-2.7

14

20.8

-4.2

-6.9

15

23.6

-1.4

-8.3

16

24.0

-1

-9.3

17

18.9

-6.1

-15.5

18

30.1

5.1

-10.3

19

27.4

2.4

-7.9

20

28.2

3.2

-4.7

21

31.1

6.1

1.4

22

30.1

5.1

6.5

23

29.5

4.4

6.4

24

27.2

2.2

6.6

25

28.1

3.1

9.7

26

30.2

5.2

8.7

27

26.7

1.7

8.4

28

37.3

12.3

20.7

29

30.2

5.2

25.9

30

29.2

4.2

24.8

Tabla 6.1: Datos del ejemplo de tiempo de espera

117

Grfico Individual para Tiempo de Espera

Individual Value

40

3,0SL=40,00

2
22

30

2
X=25,00

20

-3,0SL=10,00

10
0

10

20

30

Observation Number

Figura 6.2: grfico individual para los datos del tiempo de espera con alertas
activadas

son tambin inmediatas:

LCS = 25 + 3 5 = 40
LC = 25

(6.2)

LCI = 25 3 5 = 10
A la vista de estos lmites de control se concluira que se est bajo control
antes y despus del cambio de turno (ocurrido en la observacin 16). La
nica forma de detectar alguna anomala es con un test de aleatoriedad
(de rachas o run tests). De esta forma, podra observarse que en el grfico
R las ltimas 4 observaciones estn a ms de 1, lo que podra ser indicio
X
de estar fuera de control. Asimismo, el grfico de observaciones individuales
muestra una sucesin muy numerosa de puntos que estn por encima de la
lnea central, lo cual sera tambin indicio de estar fuera de control.
Veamos a continuacin cmo un grfico basado en la acumulacin de
118

desviaciones ayudara a detectar de forma ms clara que la media ha cambiado con el cambio de turno. Para ello se anotan las desviaciones de cada
valor respecto del valor medio nominal = 25 (columna 4 de la tabla 6.1).
A continuacin se van sumando estas desviaciones en la columna 5, donde
cada valor Ci es la suma de todas las desviaciones hasta esa observacin, es
decir

C1

(x1 25),

C2

(x1 25) + (x2 25) = C1 + (x2 25),

C30

30
X

(xi 25) = C29 + (x30 25).

i=1

Grficos de desviaciones acumuladas al valor nominal

50

Desviaciones
Acumuladas

40
30
20
10
0
-10
-20
Observacin

10

20

30

Figura 6.3: grfico de desviaciones al valor nominal = 25 de los datos de

tiempos de espera

La figura 6.3 es la representacin de Ci , i = 1, ..., 30. En este grfico pue119

de apreciarse cmo hasta la observacin 16 las desviaciones no seguan

ningn patrn de aumento ni disminucin, por eso al acumularlas producen
una senda o trayectoria sin ningn tipo de tendencia. Los valores de Ci evolucionan alrededor de su valor medio, que es cero. En efecto, si E(Xk ) = ,
para k = 1, 2, , entonces E(Xk ) = 0 y por tanto
E(Ck ) = E

k
hX

k
i X
(xi ) =
E(xi ) k = k k = 0

i=1

i=1

y la suma acumulada Ck tendr una trayectoria (o senda) que, de forma

aleatoria, evolucionar alrededor de una horizontal de valor cero. Por el
contrario, si la media cambia y pasa a valer E(Xk ) = = + 6= , entonces
E(Xk ) = . Por tanto,
E(Ck ) = E

k
hX

k
i X
(xi ) =
E(xi ) k = k( + ) = k

i=1

i=1

y la suma acumulada Ck llevar ahora una senda o trayectoria que evolucionar alrededor de una recta de pendiente positiva o negativa, segn el
signo de . En la figura 6.3 puede verse este efecto. A partir de la observacin 16, la suma acumulada sigue una tendencia positiva, lo que es indicio
de que el nuevo tiempo de espera medio ha aumentado: > = 25.
El siguiente paso para aprovechar la informacin de la representacin cusum es la colocacin de lmites de control. Tendremos entonces un verdadero grfico de control que nos proporcionar un criterio objetivo para detectar
desajustes. A continuacin se mostrarn dos procedimientos para la elaboracin de grficos de control, basados en la representacin cusum: El cusum
algortmico y la plantilla-V.

6.2.1

Cusum algortmico

Los grficos cusum se construyen generalmente para observaciones individuales, aunque pueden construirse para representar la evolucin de algn
120

Obsv.

T. de Espera

Desviaciones Positivas

Desviaciones Negativas

Ci1
(xi 25)

Ci

-1.1

5.1

2.6

-3.8

6.4

3.9

30.4

5.4

2.9

-1.5

24.3

2.2

0.7

26.9

1.9

-1.9

25.4

0.4

-0.4

21.8

-3.2

3.2

0.7

22.2

-2.8

3.5

1.0

10

27.2

2.2

-1.2

11

20.2

-4.8

4.8

2.3

12

28.9

3.9

1.4

-1.6

13

27.8

4.2

1.7

-2.8

14

20.8

-2.5

4.2

1.7

15

23.6

-1.4

3.1

0.6

16

24.0

-1

1.6

17

18.9

-6.1

6.1

3.6

18

30.1

5.1

2.6

-1.5

19

27.4

5.0

2.5

-2.4

20

28.2

5.7

3.2

-3.2

21

31.1

9.3

6.8

-6.1

22

30.1

11.9

9.4

-5.1

23

29.5

13.9

11.4

-4.5

24

27.2

13.6

11.1

-2.2

25

28.1

14.2

11.7

-3.1

26

30.2

16.9

14.4

-5.2

27

26.7

16.1

13.6

10

-1.7

28

37.3

25.9

23.4

11

-12.3

29

30.2

28.6

26.1

12

-5.2

30

29.2

30.3

27.8

13

-4.2

+
Ci1

+ (xi 25)

Ci+

xi

26.1

1.1

19.9

-5.1

21.2

Tabla 6.2: Datos del ejemplo de tiempo de espera para el grfico CUSUM,
K = 2, 5

121

estadstico, media, varianza..., de muestras de tamao n > 1. Supongamos

que se desea controlar la evolucin de una variable Xi N (0 , ), donde
es conocida o se posee una estimacin. El cusum algortmico (o tabular) calcula las desviaciones de cada valor respecto del valor objetivo o nominal 0 .
Se distinguir entre desviaciones positivas y negativas, puesto que en muchas
situaciones ambas desviaciones no tienen la misma repercusin. En el ejemplo que se est utilizando del tiempo de espera en un servicio telefnico, no
tiene la misma importancia un aumento del tiempo de espera (deterioro del
servicio) que una disminucin (mejora del servicio).
Es necesario definir un valor K a partir del cul se considera que la desviacin acumulada es significativa. Este valor determinar la sensibilidad del
grfico de control. Si la suma acumulada hasta la observacin isima es
menor que cierto umbral K, se considera que la desviacin acumulada es
cero. Si el grfico es insensible a desviaciones no significativas, ser ms fcil
visualizar las desviaciones que sean significativas. La representacin grfica
ser ms limpia. Uniendo esta idea de desviacin significativa con las de separacin de desviaciones positivas y negativas se tendrn dos tipos de sumas
significativas acumuladas : Ci+ para las desviaciones positivas y Ci para las
negativas. Estas sumas acumuladas se definen de la siguiente forma:
Ci+ =acumulacin de desviaciones positivas significativas:
+
Ci+ = max[0, {Ci1
+ (xi 0 )} K].

De esta forma, si el proceso est bajo control, la variable Xi tomar

valores cercanos al nominal y el trmino Ci+ tender a tomar valores
nulos.
Ci =acumulacin de desviaciones negativas significativas:

Ci = max[0, {Ci1
(xi 0 )} K].

El valor de K se suele elegir en funcin de la desviacin que se quiera

detectar. Supongamos que el valor nominal de la variable de inters es 0 .
122

Grfico CUSUM para Tiempo de Espera

Upper CUSUM

30

Cumulative Sum

25
20
10
0
-10
-20
-25

Lower CUSUM

10

20

30

Subgroup Number

Figura 6.4: Grfico CUSUM para Tiempo de Espera con valor nominal = 25,
h = 5 y k = 0, 5 de los datos de tiempos de espera

Supongamos que se desea detectar que el proceso se ha desajustado pasando de un nivel medio 0 a un nuevo nivel medio 1 . Este valor puede
expresarse en funcin del nmero de desviaciones tpicas que le separan de
0 . Por tanto,
1 = 0 + ,
o bien
1 = 0 ,
con > 0. Se suele tomar como valor umbral K a la mitad de la distancia
entre 1 0 , es decir,

|0 1 |
K= =
.
2
2

O bien,
K = k;

123

k=

Por ejemplo, si se desea detectar un cambio en el tiempo medio de espera de los clientes del servicio telefnico de una desviacin tpica se tendra
que 1 = 30 y

1
K = 5 = 2, 5.
2

Con este valor se puede ya calcular las sumas acumuladas Ci+ y Ci , tomndose como valores iniciales C0+ = C0 = 0. Estos valores se encuentran
en la tabla 6.2. En esta tabla se incluyen las columnas N + y N , que indican el nmero de trminos consecutivos con sumas acumuladas C + o C no
negativos.
Los valores de las sumas acumuladas Ci+ y Ci se han de comparar con
el valor mximo admisible. Este valor, denominado valor de decisin H suele
ser:
H = h,
donde se recomienda que h = 5, por tanto H = 5 (algunos autores tambin
recomiendan valores de h = 4). Los valores H son los lmites de control de
este grfico. En el presente ejemplo correspondern a H = 25. Puede observarse en la tabla 6.2 que este valor es superado en las observaciones 29 y 30
por Ci+ por lo que se concluye que el proceso est fuera de control en esos
puntos. Mirando a la columna N + puede verse cundo ha podido comenzar
el cambio en la media que ha llevado al estado de fuera de control. Al valer N + = 13 se puede concluir que el desajuste podra haber comenzado en
la observacin 18, lo cual es compatible con el efecto de cambio de turno,
que comenz en la observacin 16. La figura 6.4 muestra grficamente estos
resultados por tanto, con este grfico se ha detectado que ha ocurrido un
cambio positivo en el tiempo medio de espera, que dicho cambio podra
haber comenzado en la observacin 18 y que es de poca magnitud al no
haberse detectado en los grficos de control habituales. La cuantificacin
de este desajuste se puede hacer de la siguiente manera. Si comparamos la
media de la variable tiempo de espera en el segundo turno es
P30
i=16 xi
= 28, 5,
15
124

por lo tanto el cambio en la media ha sido de

|28, 5 25|
= 0, 7desviaciones tpicas,
=

que es un cambio muy pequeo. En general, los grficos de control habituales son tiles para detectar desviaciones del orden de 2 y los grficos cusum
para detectar cambios ms pequeos. Por tanto lo recomendable es usarlos
conjuntamente.
Estrategia de Respuesta Inicial Rpida
Tras una seal de alarma en el grfico Cusum debemos buscar la causa
asignable que la origin. Puede suceder que dicha causa exista pero no la
encontremos o que existan varias causas concurrentes y slo parte de ellas
sean corregidas. En tales circunstancias, sera deseable que el grfico nos
volviera a detectar de la salida de control tan rpido como sea posible. Con
este fin, existe una estrategia que consiste en substituir los valores iniciales de
C0+ y C0 iguales a 0 por los siguientes valores:
C0+ = C0 = H/2,
esta inicializacin a medio camino del valor de decisin se conoce en ingls
como FIR (fast initial response). Se ha comprobado que bajo control el FIR no
reduce sensiblemente el ARL, y sin embargo s reduce notablemente el valor
ARL para desviaciones pequeas del valor nominal

6.2.2

Plantilla V

El procedimiento de la plantilla V es el procedimiento ms popular de grfico

cusum, estando implementado en muchos paquetes estadsticos. La plantilla
V se basa en la representacin grfica del estadstico cusum
Ci =

i
X

(xj 0 )

j=1

125

Cumulative Sum

Grfico CUSUM para Tiempo de Espera

50

-50
0

10

20

30

Subgroup Number

Figura 6.5: Grfico CUSUM bilateral (con plantilla V) para Tiempo de Espera,
plantilla situada en la ltima observacin

aunque algunos programas informticos utilizan la estandarizacin de la variable de inters xj ; es decir,

i 
X
x j 0 
Ci =
,

j=1

donde 0 es el valor nominal de referencia y la desviacin tpica (conocida

o estimada) de la variable de inters x. Junto a la representacin de Cj se
coloca la conocida como plantilla V, que es un ngulo junto con una lnea
horizontal. El extremo izquierdo de la lnea horizontal (punto O) se coloca
en una de las observaciones, y en el extremo derecho de dicho segmento
horizontal (punto P) se coloca el vrtice del ngulo. En estas plantillas, la
distancia OP y el ngulo determinan la sensibilidad del grfico de control.
La figura 6.5 muestra un grfico cusum donde la plantilla est en la ltima
126

observacin.
Usualmente la plantilla se coloca en la ltima observacin disponible, con
la recta OP paralela al eje de abscisas. Si los valores previos C1 , C2 , . . . estn
dentro de los dos segmentos del ngulo de la plantilla V el proceso est bajo
control. Por el contrario, si en algn momento algn punto Ci est fuera del
ngulo el proceso est fuera de control. Segn esto, la figura 6.5 revela que
el proceso est fuera de control .
Muchos paquetes informticos utilizan el procedimiento de Johnson y Leone para determinar y la distancia d distancia del segmento OP. Estos parmetros se fijan de la siguiente forma:
2 2
1

ln
2
n

/2
 
= arctan
2A
d =

donde:
A depende de la escala del grfico. Es la distancia horizontal entre
puntos sucesivos del eje de abscisas medida en las unidades del eje
de ordenadas. Si el grfico se realiza con un programa estadstico este
parmetro viene ya predeterminado y no necesita calcularlo el analista.
es la sensibilidad del anlisis y es el grado de desajuste que queremos
detectar, en nmero de desviaciones tpicas. Si queremos detectar que
la media aumente de 0 a 1 se tiene que
1 = 0 +
es la probabilidad de una falsa alarma cuando el proceso est bajo
control,
es la probabilidad de NO detectar una desviacin .
n
es el promedio de los tamaos muestrales. Si el grfico es de observaciones individuales se tendr n
=1
127

La figura 6.5 ha sido realizada con los valores 0 = 25, = 5, = 1, = 0, 05,

= 0, 05, n
= 1. Como no es fcil hacer una buena determinacin de y
, una buena recomendacin sera utilizar varios valores de y cercanos.
De esta forma nos aseguraremos que el resultado sigue siendo el mismo con
pequeas desviaciones de estos parmetros.
Autores como Montgomery [Montgomery 05] desaconsejan esta forma
de implementar el grfico cusum (con mscara V) y prefieren el grfico asociado al Cusum algortmico. Las razones de este rechazo son fundamentalmente las siguientes:
No es posible adaptar algunos de los procedimientos de mejora tales
como la respuesta inicial rpida.
En ocasiones no est claro cunto debemos extender hacia atrs los
brazos de la plantilla, dificultando la interpretacin por partes del usuario.
Ambigedad entre y en el procedimiento de Johnson y Leone.

6.2.3 Comparacin entre el grfico CUSUM y el grfico de

Shewhart
Existen tablas que nos dan el ARL() en funcin de los parmetros de la mscara (o plantilla V) o del grfico de control CUSUM cuando se produce una
desviacin de unidades en la media del proceso. Algunas nos dan los valores de los parmetros del grfico que minimizan el ARL() para un valor fijo
de ARL(0) (tiempo medio necesario para declarar una falsa alarma).
En la tabla 6.3 se recogen algunos valores que permiten comparar la sensibilidad del grfico CUSUM y el de Shewhart. Supongamos que fijamos el
ARL(0) de ambos grficos a 500, esto representa en los grficos de Shewhart
unos lmites de control situados en +/ 3, 13.

128

CUSUM

Shewhart

500

500

,5

30

214,5

10,5

65,2

1,5

5,4

18,2

3,4

7,35

2,6

2,2

Tabla 6.3: ARL() para grficos CUSUM y de Shewhart comparables

k

0.25

0.5

h 8.01 4.77

0.75

1.0

1.25

1.5

3.34

2.52

1.99

1.61

Tabla 6.4: Valores asociados de k y h correspondientes a un ARL(0) en grficos Cusum bilaterales

Se puede observar que el grfico CUSUM es mucho ms sensible que el de
Shewhart para detectar variaciones pequeas. Para las variaciones grandes
ambos grficos son similares o incluso CUSUM algo peor.
Recordemos que un grfico de control del tipo Shewhart con lmites 3sigma viene a tener un ARL(0) (bajo control) de 370 unidades. La tabla 6.4
(tomada de [Hawkins 1993]) nos da los valores de k y h que deben corresponderse para que un grfico Cusum (bilateral) tenga un ARL(0) tambin de
370 unidades.
Tambin resulta interesante comparar el ARL de diversas variantes de los
grficos Cusum. En la tabla 6.5 podemos ver el ARL de un grfico Cusum
tabular con k = 0.5, los dos valores de h (4 5) y del grfico Cusum con FIR (y
h = 5)

Nos hemos limitado a presentar los grficos CUSUM para el estadstico X

o X; las mismas ideas pueden extenderse a otros estadsticos: rangos, desviaciones, proporciones, etc. Existen referencias bibliogrficas [Ryan, 1989]
donde se pueden consultar las diferentes variaciones de estos grficos para
estos otros estadsticos comunes en el Control de Calidad.
129

CUSUM (h = 4) CUSUM (h=5)

CUSUM (h=5) + FIR

168

465

430

,5

26,6

38

28,7

8,38

10,4

6,35

1,5

4,75

5,75

3,37

3,34

4,01

2,36

2,19

2,57

1,54

Tabla 6.5: ARL() para diversas variantes de grficos CUSUM

6.3 Grficos EWMA

Los grficos EWMA o de medias mviles ponderadas exponencialmente (EWMA= exponentially weighted moving-average) se realizan usualmente sobre
observaciones individuales. En este grfico tambin se acumula en cada
periodo los valores de observaciones pasadas. La variable que se representa en cada periodo es un promedio de la observacin contempornea y las
observaciones anteriores, donde se da ms peso a las observaciones ms
recientes. En general, a este tipo de promedios donde en cada instante se
incorpora nueva informacin y se le va restando peso a las informaciones histricas se le denomina media mvil (en ingls moving average). Los grficos
EWMA utilizan una forma muy concreta de hacer media mviles que consiste
en dar un peso a las informaciones histricas que decae exponencialmente
con el tiempo. Esta media mvil la denotaremos por yi . Se define como
yi = xi + (1 )yi1
donde y0 = 0 o bien y0 = x, y donde el parmetros lo decide el analista en
el rango 0 < 1.
Por tanto, en cada momento, se pondera la observacin actual xi con el

130

valor de la media mvil anterior yi1 . Si sustituimos recursivamente se obtiene:

yi = xi + (1 )[xi1 + (1 )yi2 ] = xi + (1 )xi1 + (1 )2 yi2
i1
X
=
(1 )j xij + (1 )i y0 .
j=0

Si los pesos < 0, 1 los pesos (1 )j decrecen exponencialmente con

j. Por ejemplo, si = 0, 8 se tiene que los sucesivos pesos que se dan a las
observaciones xi , xi1 , . . . son 0, 8, 0, 16, 0, 032, 0, 0064 . . . . Puede verificarse que

i1
X

(1 )j + (1 )i = 1

j=0

Si se cumplen las hiptesis de independencia y estabilidad sobre xi (media

y varianza constantes) se tiene que
E(yi ) = 0
Var(yi ) = 2

[1 (1 )2i ]
.
2

Los lmites de control y la lnea central son entonces:

LCS = E(yi ) + k

Var(yi )
(6.3)

LC = E(yi )
LCI = E(yi ) k

Var(yi )

Substituyendo los respectivos valores de la media y varianza y para k = 3,

resulta

r
LCS = 0 + 3

[1 (1 )2i ]
2
(6.4)

LC = 0
r
LCI = 0 3

2i

[1 (1 ) ]
2

Puede verse que los lmites varan en cada instante i. Si i es muy elevado

131

se tiene que, aproximadamente,

r
LCS = 0 + 3

2
(6.5)

LC = 0
r
LCI = 0 3

Grfico EWMA para Tiempo de Espera

29
3,0SL=28,44

28

EWMA

27
26
25

X=25,00

24
23
22

-3,0SL=21,56

21
0

10

20

30

Sample Number

Figura 6.6: Grfico EWMA para los datos de Tiempo de espera, k = 3 y = 0, 1

En la prctica suelen elegirse valores de en el rango 0, 05 0, 25,
estando muy extendido el uso de valores = 0, 05, = 0, 10 y = 0, 20. Cuanto
mayor sea el valor de menos importancia estamos dando los valores alejados en el tiempo. Puesto que este tipo de grficos se usan para detectar
pequeos desajustes, se recomienda utilizar valores de bajos. La figura 6.6
muestra el grfico de control para los datos de tiempo de espera usados anteriormente (0 = 25) y = 0, 1. Segn este grfico, el proceso est bajo
control. La figura 6.7 muestra el grfico de control para los datos simulados
132

Grfico EWMA para datos simulados

15,5

EWMA

14,5

3,0SL=14,24

13,5
X=13,00
12,5
-3,0SL=11,76

11,5
0

10

20

30

40

50

60

70

80

Sample Number

Figura 6.7: Grfico EWMA para los datos de Tiempo de espera, k = 3 y = 0, 1

(0 = 13) y = 0, 1; el proceso est fuera de control y la salida de control se

detecta en la observacin 55.
En general, el grafico EWMA es menos sensible a pequeas desviaciones
que el grfico CUSUM. Por esta razn, una recomendacin para mejorar el
comportamiento de los grficos EWMA ante pequeas desviaciones es utilizar un valor de k en el rango 2, 6 < k < 2, 8 si < 0, 1.Por tanto, en el ejemplo de
los tiempos de espera, en el que se desea detectar desviaciones inferiores a
1, emplearemos = 0, 1 con k = 2, 6. El grfico que se obtiene se encuentra
en la figura 6.8. En l s que puede ya apreciarse que el proceso se encuentra
fuera de control.
Las recomendaciones anteriores son consecuencias de estudios ms profundos sobre estos grficos, en los que la pareja de parmetros (, k) se eligen
de forma que fijamos un valor de ARL(0) igual a 500 bajo control estadstico.
Tambin existe la posibilidad de especificar a priori el ARL(0) y el valor esperado de la desviacin y podemos calcular los valores (, k) que minimi133

Grfico EWMA para Tiempo de Espera

29
28

2,6SL=27,98

EWMA

27
26
X=25,00

25
24
23

-2,6SL=22,02

22
21
0

10

20

30

Sample Number

Figura 6.8: Grfico EWMA para los datos de Tiempo de espera, k = 2, 6 y

= 0, 1

zan el valor del ARL() para ese valor prefijado. Tambin existe la posibilidad
de fijar k = 3 y tomar como el valor que minimiza la suma de cuadrados
Pn
2
i=1 (yi1 xi )
Similar a la tabla 6.3 presentamos otra tabla donde aadimos los valores
ARL correspondientes a grficos EWMA con valores elegidos de forma que
sean comparables a los otros dos tipos.
El comportamiento es mejor que el grfico de Shewhart y comparable al
CUSUM frente a pequeas desviaciones de la media.
Los grficos EWMA de datos individuales (n = 1) se comportan de forma
ms robusta frente a desviaciones de la hiptesis de normalidad que los grficos Shewhart.
Una ventaja adicional del grfico EWMA es la capacidad de predecir la
134

EWMA

CUSUM

Shewhart

500

500

500

,5

36

30

214,5

10,20

10,5

65,2

1,5

6,0

5,4

18,2

4,05

3,4

7,35

2,63

2,6

2,2

Tabla 6.6: ARL() para grficos EWMA, CUSUM y Shewhart comparables

magnitud de la desviacin producida en la media. Concretamente el valor
de yi es una prediccin del valor de en el instante i + 1. Una estimacin de
la desviacin producida obtenida de esta forma puede servir a la hora de
decidir el ajuste necesario en el proceso para volverlo a centrar en su valor
nominal. Esta caracterstica no se da en los grficos de Shewhart ni en el
grfico CUSUM.

6.4 Grficos de medias mviles

Sean las observaciones xi , i = 1, 2, . . . , n. En el grfico de medias mviles se
estudia la evolucin del estadstico
yi =

xi + xi1 + + xim+1
.
m

Es, entonces, similar a un grfico de medias con la diferencia de que de un

periodo al siguiente la media tiene elementos comunes. Para los m valores
iniciales la media mvil se realiza con las observaciones disponibles. Si por

135

ejemplo m = 3, se tiene:
y1 = x1
x1 + x2
y2 =
2
x1 + x2 + x3
y3 =
3
x2 + x3 + x4
y4 =
3
=
xi2 + xi1 + xi
yi =
3
Este grfico es semejante al anterior en el sentido de que el estadstico
promedia, con pesos que suman 1, observaciones pasadas. En este tipo de
grfico se da igual peso a un nmero pequeo de observaciones recientes y
peso cero a las restantes.
Si el proceso es estable en media (0 ) y dispersin () y, hay independencia entre las observaciones, se verifica que:
E(yi ) = 0
2
Var(yi ) =
.
m
Por tanto, el grfico de control es, para las observaciones i m (grfico
3 0 ),

LCS = 0 + 3
m
LC = 0

LCI = 0 3
m

(6.6)

mientras que para i < m, se tiene el siguiente grfico:

LCS = 0 + 3
i
LC = 0

LCI = 0 3
i
136

(6.7)

Grfico de Medias Mviles de orden 5

para Tiempo de Espera

Moving Average

40

3,0SL=31,71

30

X=25,00
20

-3,0SL=18,29

10
0

10

20

30

Sample Number

Figura 6.9: Grfico de medias mviles (MA) de orden 5 para los datos de
Tiempo de espera

Si 0 y son desconocidos se estimaran a partir de una muestra de datos

que procediesen del proceso bajo control. Para ver la evolucin de la varianza suele utilizarse un grfico de rangos mviles tal y como se expuso en el
tema 3. El grfico de medias mviles es, en general, menos efectivo que el
grfico CUSUM y el EWMA. La figura 6.9 muestra el grfico de medias mviles
de orden 5 (m = 5) y utilizando que 0 = 25 y = 5. Puede verse que este
grfico no es capaz de detectar que en el segundo turno se produce un pequeo deterioro del servicio y que la experiencia del operador de telefona
puede tener una influencia directa en la calidad del servicio.
Para los datos simulados en el ejemplo del captulo 2, si utilizamos tambin
un grfico de medias mviles de tamao 5, se puede ver en la figura 6.10 que
se detecta la salida de control.

137

Grfico de Medias Mviles de orden 5

para Tiempo de Espera

Moving Average

20

3,0SL=15,41

15

X=13,00
-3,0SL=10,59

10

10

20

30

40

50

60

70

80

Sample Number

Figura 6.10: Grfico de medias mviles (MA) de orden 5 para los datos simulados

138