1
Comparación de Cartas de calidad Ewma con
Distribución normal, Distribución gamma,
Distribución weibull - Comparison of Ewma Quality
charts with normal Distribution, gamma Distribution
and weibull Distribution
Ronald Jose Orellano Giraldo
Estudiante de Ingeniería Industrial
Barranquilla, Colombia
Email: erickbarrazaortiz@gmail.com
Carolina Andrea Tordecilla Field
Estudiante de Ingeniería Industrial
Barranquilla, Colombia
Email: caroltordecilla@gmail.com
Resumen— En el presente artículo se
profundiza de manera experimental las cartas
de control EWMA pueden ser aplicados para
detectar cambios pequeños de forma eficiente
en el control estadístico de procesos se presenta
con el programa R-proyect el cual es programa
desarrollado para el diseño óptimo de los
parámetros de los gráficos EWMA para
procedimientos de medición de la calidad,
donde se comprara la probabilidad de dos
distribuciones de incorrecta resulte para
detectar cambios de magnitud importantes. Se
han utilizado algoritmos genéticos para llevar a
cabo este analisis .
Palabras claves: Laplace, distribución, Cartas
Ewma , R-proyect.
Abstract—In this article the experimental letters
EWMA can be applied to detect small changes in
an efficient way in the statistical control of
processes. It is presented with the program R-
proyect which is a developed program for the
optimal design of The parameters of the EWMA
graphs for quality measurement procedures,
where the probability of two distributions of
incorrect will be purchased, will be found to detect
changes of important magnitude. Genetic
algorithms have been used to carry out this
analysis.
Keywords: Laplace, distribution, Ewma letters, R-
project.
I. INTRODUCCIÓN
En el ámbito de la calidad las cartas de control
EWMA es uno de los instrumentos más utilizados
proceso tradicional y exacto para analiza también
en el monitoreo de la estabilidad de un proceso a
través de una característica de calidad, que sirve
para localizar patrones anormales en cualquier
lapso de tiempo. En ámbito el objetivo es controlar
el valor promedio de la característica de calidad, así
como su variabilidad. En este caso práctico se
aplicara la carta de control EWMA con
Distribuccion normal y con distribución de Laplace
Como objeto de este caso práctico se busca
establecer y saber los estándares de calidad para la
aplicación de la carta de control EWMA.
necesidad muy frecuente en los procesos consiste
en evaluar la capacidad de una característica de
calidad, para así compararla con sus
especificaciones de diseño. La capacidad de
proceso es el grado de aptitud que tiene un proceso
para cumplir con las especificaciones técnicas
deseadas.
En la elaboración de análisis estadísticos es común
que se presente la necesidad de realizar
comparaciones entre las características de dos o
más poblaciones, para lograr esto existen
diferentes tipos de pruebas que permiten inferir
sobre las características de las poblaciones
mediante el análisis de datos muestrales. En una de
estas pruebas se encuentran las pruebas de

capacidad paramétricas, siendo estas una
alternativa para realizar inferencia sobre
características poblacionales. [1]
Cuando la capacidad de un proceso es alta, se dice
que el proceso es capaz, cuando se mantiene
estable a lo largo del tiempo, se dice que el proceso
está bajo control, cuando no ocurre esto se dice que
el proceso no es adecuado para el trabajo o requiere
de inmediatas modificaciones.
El principal requerimiento para iniciar con un
estudio de aptitud o análisis de la capacidad del
proceso consiste en que éste se encuentre
estadísticamente estable o esté bajo control.
Además, se precisa que las mediciones
individuales del proceso se comporten siguiendo
una distribución normal.
Así cuando se han identificado desviaciones en el
comportamiento estadístico de las mediciones de
alguna característica de calidad, la evaluación de la
capacidad del proceso inicia después de que en las
gráficas de control las causas especiales han sido
identificadas, analizadas y corregidas, por ende, las
gráficas actuales de control muestran un proceso
dentro de control estadístico. [2]
R. Walter Shewhart, entendía la calidad como un
problema de variación, el cual puede ser controlado
y prevenido mediante la eliminación a tiempo de
las causas que lo provocan [3], teniendo en cuenta
este concepto, se ejecutará el análisis de datos por
medio de la carta de control X-R sobre un proceso
de producción de Chazos, con el objetivo de
analizar la variación en dicho proceso,
determinar las causas y aplicar acciones
correctivas.
II. MARCO TEÓRICO
Las El diagrama o carta de control de la media
móvil geométrica EWMA también denominado
diagrama de Media Móvil Ponderada
Exponencialmente puede considerarse en
procedimiento de control de la media ponderada en
el que cada media muestra es ponderada por 1/w
en el instante las media muéstrales para periodos
t<=i-w son ponderadas por cero, Estos diagramas
son mucho más eficaces para detectar pequeños
cambios en el proceso y su grafica de control está
basada en la media geo
2
Métrica de orden r definida así: donde r es una
contante tal que 0<r<=1 cuyo valor inicial
(necesario para la primera muestra en i=1.
es el caso de patrón dado( µ dado), la media móvil
geométrica Zi se denomina a veces media móvil
ponderada exponencialmente (EWMA),porque las
ponderaciones parecen disminuir en forma
exponencial cuando se unen mediante una curva
alisada. [1]
Para las Carta de control EWMA
Se utiliza cuando se tiene interés en monitorear
pequeños cambios en la variabilidad (o en la
media) de un proceso, las cartas tipo EWMA han
mostrado ser muy eficientes. Estas cartas, en el
caso multivariado, tradicionalmente han utilizado
la varianza generalizada como medida global de
variabilidad, definida como el determinante de la
matriz de varianzas y covarianzas.
El EWMA puede considerarse como un promedio
ponderado de todas las observaciones pasadas y
actuales, es en alto grado insensible al supuesto de
normalidad. por lo tanto, es una carta de control
ideal para usarse con observaciones individuales.
La aplicación de la carta de control EWMA es muy
efectiva contra los cambios pequeños en el
proceso. Los parámetros de diseño de la carta son
el múltiplo de sigma usado en los límites de control
(L).λ: El valor de λ controla la cantidad de peso
dado a la historia pasada del proceso. Entre menor
sea λ más peso se de da a las observaciones o
grupos recientes.
Generalmente EWMA es una estadística que se usa
para analizar frecuentemente el proceso que
promedia los datos de manera que le da menor peso
a los datos a medida que son removidos en el
tiempo.
Se utiliza en estos caso: u
-Cuando las variables estén altamente
relacionadas.
-Para detectar pequeños cambios en la media del
proceso.
-Para controlar los procesos en el tiempo.

Para la carta EWMA la decisión depende de la
estadística EWMA, que es un promedio de todos
[2].
Utilice la Gráfica EWMA para detectar pequeños
desplazamientos en la media del proceso, sin
influencia de valores bajos o altos. La gráfica
EWMA monitorea promedios móviles con
ponderación exponencial, lo que elimina la
influencia de valores bajos y altos. Las
observaciones pueden ser mediciones individuales
o medias de subgrupos. Una ventaja de las gráficas
EWMA es que valores bajos o altos no influyen
considerablemente en ellas. [3]
Cartas de control EWMA Para definir los valores
que toma la EWMA, el estimador se define por la
siguiente ecuación:
Zi=λXi+(a-λ)Zi-1
Donde 0 < λ < 1 se toma como una constante y su
valor inicial es el valor objetivo del proceso, es
decir, z0= µ0.
De esta manera, la carta EWMA se construye a
partir de la graficación de Zi versus el número de
la muestra i. La línea central y los límites de control
superior e inferior para la carta EWMA [4][4] esta
la 3, para obtener una estadística conocida como
EWMA para monitorear los estadístico de control
de un proceso. En la siguiente formulación
presenta que valor del estadístico, que puede ser
una variable donde T = X, para observaciones
individuales o T = Ẋ cuando se seleccionan
subgrupos en el proceso. Esta carta de control es
aplicada en procesos en donde la medida de
variabilidad es pequeña, por lo que la importancia
de esta carta no es discutible en procesos
tecnológicamente avanzados. Como el objetivo
3
generalmente es controlar los incrementos o
decrementos de la medida de localización.
L Donde el valor de λ están sujeto a la sensibilidad
de la carta de control, es decir las propiedades que
se desean de un valor de ARL previamente
establecido antes de realizar el monitoreo. [5]
profesor
Los parámetros que se deben tener en cuenta para
el diseño de estas cartas son el múltiplo de sigma
en los límites de control (L) y el valor de λ.
En relación con los parámetros de la carta EWMA
que se deben utilizar, se puede decir que son
muchos los estudios que se han realizado sobre este
tema; de hecho, la gran mayoría de estudios sobre
diseño económico de cartas de control están
relacionados con la determinación de los
parámetros óptimos que se deben usar en estas
cartas para obtener los mejores costos asociados a
la calidad. [4] Teniendo en cuenta lo establecido
por Montgomery[6] , que dice que en general los
estudios determinan qué valores de λen el intervalo
0.05 ≤ λ ≤ 0.25 tienen un buen desempeño, una
buena regla es utilizar pequeños valores de λpara
detectar pequeños cambios. Los estudios
determinan que para un L=3 (el usual límite de tres
sigma) resulta útil trabajar con grandes valores de
λ. Sin embargo, cuando λ ≤ 0.1 es ventajoso reducir
el ancho de límites utilizando valores de L entre 2.6
y 2.8. Teniendo en cuenta lo anterior, para este
estudio se decidió utilizar un λ= 0.1 y L=2.7, los
cuales han demostrado ser unos buenos parámetros
para las cartas EWMA[6].
DISTRIBUCION NORMAL

Distribución normal o gaussiana. Función de
densidad de probabilidad para la variable aleatoria
continúa. Fue descubierta por Carl Gauss al
estudiar el comportamiento de los procesos
aleatorios. Es ampliamente utilizada en estadística
y teoría de las probabilidades.[7][7]
La distribución normal:
-Está caracterizada por dos parámetros: la media, μ
y la desviación típica, σ.
-Su función de densidad es:
La curva normal adopta un número infinito de
formas, determinadas por sus parámetros μ y σ.
[8][8]
La representación gráfica de esta distribución es
una curva simétrica y su forma se asemeja a una
campana por lo que se conoce como campana de
Gauss.
Propiedades de la distribución normal
-La forma de la curva de la distribución depende de
sus dos parámetros: la media y la desviación
estándar.
-La media indica la posición de la campana, la
gráfica se desplaza a lo largo del eje x.
4
-A mayor desviación la curva será más "plana",
dado que la distribución, en este caso, presenta una
mayor variabilidad.
-La curva es simétrica respecto a la media.[7]
Tipificación
-Dada una variable de media μ y desviación típica
σ, se denomina valor tipificado z, de una
observación x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
típicas, es decir:
En el caso de variable X normal, la interpretación
es clara: asigna a todo valor de N(μ, σ), un valor de
N(0,1) que deja exactamente la misma
probabilidad por debajo.
-Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál
de los dos es más extremo.[8]
¿Cómo se usa la tabla de Z?
Lo averiguaremos con un valor concreto: ¿cuál es
la probabilidad de encontrar un valor de Z menor o
igual a 1,96? Vamos a la tabla y familiaricémonos
con algunas de sus características.
-En la primera columna de la tabla aparece el
entero y primer decimal del valor de Z, vemos que
los valores van desde -3,4 a 3,3. En la primera fila
(arriba), aparece el segundo decimal del valor de Z
y, como es lógico, hay 10 números (0,00 a 0,09).
-Entonces, para nuestro valor de Z = 1,96
buscaremos 1,9 en la primera columna de la tabla
y 0,06 en la primera fila de la tabla. Trazaremos
líneas perpendiculares desde esos valores y
llegaremos a un número en el cuerpo de la tabla
(véase la tabla más abajo, que tiene marcadas las
dos perpendiculares de las que hablamos. El
número que encontramos y que está destacado es:
0,9750.
-Por lo tanto, la probabilidad asociada a Z=1,96 es
0,9750, es decir, la probabilidad de encontrar un
valor de Z menor o igual a 1,96 es 0,9750.[9][9]

DISTRIBUCIÓN GAMMA
Es una distribución adecuada para modelizar el
comportamiento de variables aleatorias continuas
con asimetría positiva. Es decir, variables que
presentan una mayor densidad de sucesos a la
izquierda de la media que a la derecha. En su
expresión se encuentran dos parámetros, siempre
positivos, (α) y (β) de los que depende su forma y
alcance por la derecha, y también la función
Gamma Γ(α), responsable de la convergencia de la
distribución. [10]
La distribución gamma es una distribución
continua que se define por sus parámetros de forma
y escala. La distribución gamma de 3 parámetros
se define por sus parámetros de forma, escala y
valor umbral.
Utilice la distribución gamma para modelar valores
de datos positivos que sean asimétricos a la derecha
y mayores que 0. La distribución gamma se utiliza
comúnmente en estudios de supervivencia de
fiabilidad. Por ejemplo, la distribución gamma
puede describir el tiempo que transcurre para que
falle un componente eléctrico. La mayoría de los
componentes eléctricos de un tipo particular fallará
aproximadamente en el mismo momento, pero
unos pocos tardarán más en fallar. [11]
Ventajas:
De esta forma, la distribución Gamma es una
distribución flexible para modelizar las formas de
la asimetría positiva, de las más concentradas y
puntiagudas, a las más dispersas y achatadas.
Como ejemplos de variables que se comportan así:
- Número de individuos involucrados en accidentes
de tráfico en el área urbana: es más habitual que la
mayoría de partes abiertos den la proporción de 1
herido por vehículo, que otras proporciones
superiores.
- Altura a la que se inician las precipitaciones;
sucede de forma más habitual precipitaciones
iniciadas a una altura baja, que iniciadas a gran
altitud.
- Tiempo o espacio necesarios para observar X
sucesos que siguen una distribución de Poisson.
[10]
5
Propiedades de la distribución Gamma
1. Su esperanza es pα.
2. Su varianza es pα2
3. La distribución Gamma (α, p = 1) es una
distribución Exponencial de parámetro α. Es decir,
el modelo Exponencial es un caso particular de la
Gamma con p = 1.
4. Dadas dos variables aleatorias con distribución
Gamma y parámetro α común
X ~ G(α, p1) y Y ~ G(α, p2)
se cumplirá que la suma también sigue una
distribución Gamma
X + Y ~ G(α, p1 + p2).
Una consecuencia inmediata de esta propiedad es
que, si tenemos k variables aleatorias con
distribución Exponencial de parámetro α (común)
e independientes, la suma de todas ellas seguirá una
distribución G(α, k).
- Distribución de la finura de fibras de lana: la
mayoría presentan una menor finura que unas
pocas fibras más gruesas. [12]
DISTRIBUCIÓN WEIBULL
La distribución de Weibull es continua. Describe
los datos resultantes de las pruebas de desgaste y se
puede utilizar para describir momentos de error en
estudios de fiabilidad o resistencia de materiales en
pruebas de fiabilidad y control de calidad. Las
distribuciones de Weibull se utilizan también para
representar diferentes cantidades físicas, como la
velocidad del viento. [13]
La distribución de Weibull es una distribución
versátil que se puede utilizar para modelar una
amplia gama de aplicaciones en ingeniería,
investigación médica, control de calidad, finanzas
y climatología. Por ejemplo, la distribución se
utiliza frecuentemente con análisis de fiabilidad
para modelar datos de tiempo antes de falla. La
distribución de Weibull también se utiliza para
modelar datos asimétricos del proceso en el
análisis de capacidad. [14]
 6

Se trata de un modelo continúo asociado a

variables del tipo tiempo de vida, tiempo hasta que
un mecanismo falla, etc.
La función de distribución se obtiene por la
integración de la función de densidad y vale:

Propiedades de la distribución Weibull

1. Si tomamos β = 1 tenemos una distribución
Exponencial.
2. Su esperanza vale:
Grafica 1. carta de control en X para la longitud

3. Su varianza vale:

[15]

III. METODOLOGÍA

IV. CALCULOS Y ANALISIS DE

RESULTADOS
Grafica 2. carta de control en R para la longitud
En el desarrollo se tuvo en cuenta las mediciones
del diámetro y longitud de cada uno de los Chazos,
así mismo se procedió a realizar la carta de control
X-R para encontrar los parámetros, buscar los
límites de tolerancia y así hallar los índices de
capacidad paramétricos respectivos del proceso.
Para el cálculo del índice de capacidad del proceso
se asume normalidad y de esta manera se utiliza el
índice de capacidad para datos paramétricos

Grafica 3. Índice de capacidad para la longitud

En el proceso de la longitud de los chazos se puede

decir que la capacidad del proceso es mayor a las
especificaciones, una situación indeseada, a pesar
 7

de que los datos están bajo control, ya que no se Grafica 6. Índice de capacidad para el diámetro
estaría cumpliendo con las especificaciones.

En el proceso del diámetro de los chazos a

diferencia que en la longitud presenta la situación
ideal, donde las especificaciones son mayores a la
capacidad del proceso y no ocurre rechazo del
producto.

Mediante el software Statgraphics se realizó la

gráfica de capacidad para el proceso de fabricación
de chazos, donde se muestran en la región azul las
cantidades que cumplen con las especificaciones y
en rojo las unidades no conformes.

V. CONCLUSIONES
Grafica 4. carta de control en X para el diámetro
 Los datos mediante un índice de capacidad
promedio presentan valores iguales
(𝐶𝑝𝑘 = 𝐶𝑝), lo que indica que las medidas
están centradas y la mediana de la muestra
está equidistante de los límites de control.
 El índice de capacidad cp está entre 0.67 y
1, es necesario hacer cambios en los
procesos o los métodos de fabricación con
el fin de aumentar la calidad hasta que ésta
sea de seis sigma.
 Según el índice Taguchi como el Cpm es
menor que uno (Cpm=0,19357034) los
datos no cumplen con las especificaciones,
las cuales podrían estar causadas por una
variabilidad.
 Para el índice de capacidad recíproca Cr
Grafica 5. carta de control en R para el diámetro tenemos que es menor que uno y quiere
decir que el 63.36% de la banda de
especificaciones es ocupada por el proceso.
 Se recomienda aumentar las
especificaciones o disminuir la variabilidad
del proceso para el proceso en cuanto a la
longitud del chazo.
 Las principales causas de variabilidad de
las medidas pueden recaer en el
instrumento de medición utilizado, en este
caso el pie de rey.
 8

[10] http://files.freddy-jose-
henriquez.webnode.com.ve/200000032-
6c2186e155/distribucion-gamma.pdf
 El proceso de fabricación de Chazos se [11] https://support.minitab.com/es-
encuentra dentro de los límites de control y mx/minitab/18/help-and-how-to/probability-
su comportamiento no responde a estado distributions-and-random-data/supporting-
fuera de control, sin embargo, genera topics/distributions/gamma-distribution/
producto no conforme por las medidas de [12]
sus longitudes, por lo que se debe aplicar un http://www.ub.edu/stat/GrupsInnovacio/Statm
sistema de mejoramiento del índice de edia/demo/Temas/Capitulo4/B0C4m1t7.htm
capacidad de la organización y así reducir [13]
el número de piezas defectuosas. https://www.crystalballservices.com/Portals/0/
 Los chazos, en cuanto al diámetro no se CB_Material/CrystalBallUserGuides/es/Cryst
salen de los límites de control y presentan al%20Ball%20Users%20Guide/frameset.htm
un mejor índice de capacidad, de lo que se ?weibull_distribution.htm
infiere un mejor desempeño del proceso. [14] https://support.minitab.com/es-
mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-
VI. BIBLIOGRAFIA topics/distributions/weibull-distribution/
[15]
[1] “Carta Ewma.” [Online]. Available: http://www.ub.edu/stat/GrupsInnovacio/Statm
https://es.scribd.com/document/257114 edia/demo/Temas/Capitulo4/B0C4m1t9.htm
749/Carta-Ewma. [Accessed: 01-Jun-
2018].
[2] “CARTAS DE CONTROL EWMA. de
Mario Andres Martinez Orjuela en
Prezi.” [Online]. Available:
https://prezi.com/7c4wkhitd-cp/cartas-
de-control-ewma/. [Accessed: 01-Jun-
2018].
[3] “Revisión general de Gráfica EWMA.”
[4] F. P. G. P.-B. N. R. P. Eljach,
Ingeniería y Desarrollo., no. 20.
Fundacion Universidad del Norte,
2006.
[5] R. José and H. Acosta, “Roberto José
Herrera Acosta Universidad del
Atlántico,” 2016.
[6] John Wiley and Sons,
MONTGOMERY, 4aedición,. new york,
2001.
[7] A. Baeza Pena ̃ and Quebecor World),
Estadística, probabilidad y precálculo :
enseñanza media. Santillana, 2008.
[8] “Distribución normal.”
[9] F. Quevedo, “Distribución normal,”
Medwave, vol. 11, no. 05, May 2011.
9
10