Академический Документы
Профессиональный Документы
Культура Документы
114
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)
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
117
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
(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
C30
30
X
i=1
Desviaciones
Acumuladas
40
30
20
10
0
-10
-20
Observacin
10
20
30
k
hX
k
i X
(xi ) =
E(xi ) k = k k = 0
i=1
i=1
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
Ci = max[0, {Ci1
(xi 0 )} K].
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
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
i
X
(xj 0 )
j=1
125
Cumulative Sum
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
j=1
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
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
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
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
130
i1
X
(1 )j + (1 )i = 1
j=0
[1 (1 )2i ]
.
2
Var(yi )
(6.3)
LC = E(yi )
LCI = E(yi ) k
Var(yi )
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
2
(6.5)
LC = 0
r
LCI = 0 3
28
EWMA
27
26
25
X=25,00
24
23
22
-3,0SL=21,56
21
0
10
20
30
Sample Number
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
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
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
xi + xi1 + + xim+1
.
m
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)
LCS = 0 + 3
i
LC = 0
LCI = 0 3
i
136
(6.7)
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
137
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