Академический Документы
Профессиональный Документы
Культура Документы
Resumen
Las gráficas de control son herramientas que se utilizan para monitorear variables en
procesos de calidad, donde se tienen distintas metodologı́as basadas en el supuesto de
normalidad en los datos, pero que pueden presentar problemas cuando los supuestos
no se cumplen. En este trabajo se estudian dos metodologı́as: dos gráficas de control
bootstrap, propuestas por Liu, Tang y por Bajgier; la segunda, es la gráfica de control
propuesta por Choobineh y Ballard basada en un método heurı́stico para distribu-
ciones sesgadas. Se pretende medir la eficiencia de las gráficas de control y decidir
cuál de las dos alternativas es la más conveniente y aplicarlo a un caso real.
Abstract
Control charts are tools used to monitor process quality variables, which have diffe-
rent methodologies based on the assumption of normality in the data, but they can
present problems when the assumptions are not met. This paper studies two methodo-
logies: two bootstrap control charts proposed by Liu, Tang and by Bajgier; the second
methodology presented is the control chart, proposed Ballard Choobineh based on a
heuristic method for skewed distributions. The aim is to measure the efficiency of
control charts and decide which of the two alternatives is the most convenient and
apply it to a real case.
39
40 Carlos M. Camelo, Héctor F. López, Alex J. Zambrano
1. Introducción
Las gráficas de control son herramientas estadı́sticas que se utilizan para moni-
torear y detectar cambios que afectan procesos de calidad. Identificar las causas
de estos cambios es el principal objetivo en los sectores de industria y comercio
ya que buscan ser competitivos en la satisfacción de los consumidores. Existen
diferentes gráficas de control como son: los gráficos de tipo Shewhart, los de
sumas acumuladas (CUSUM), el de promedio móvil ponderado exponencial-
mente (EWMA), todos ellos bajo el supuesto de normalidad e independencia
en las observaciones. Estos gráficos de control permiten monitorear procesos
donde la eficiencia de los mismos frente a la detección de cambios en un pro-
ceso o la interpretación de las causas que generan una señal fuera de control
permiten mejorar la calidad en procesos.
Este artı́culo pretende abordar los conceptos básicos (sección 2), consecuente-
mente, se describe la metodologı́a propuesta (sección 3). Se presentan los re-
sultados obtenidos (sección 4), se implementa un ejemplo con datos reales
(sección 5), se dan a conocer las conclusiones (sección 6) ası́ como recomenda-
ciones para trabajos futuros (sección 7).
2. Conceptos básicos
Propiedad 1: f (x) ≥ 0
∫∞
Propiedad 2: −∞ f (x) dx = 1
∫b
Propiedad 3: P(a ≤ x ≤ b) = a f (x) dx
x(p−1) (1 − x)q−1
f (x; p, q) = ,
B (p, q)
σ2 ( 2 )
V (x) = e2µ +σ eσ − 1 .
2
E (x) = µ + ,
2
E (x) = µ , V (x) = σ 2 .
Sea {X1∗ , X2∗ , . . . , Xn∗ } una muestra aleatoria seleccionada con reemplazo de {X1 , X2 ,
· · · , Xn }. {X1∗ , X2∗ , . . . , Xn∗ } es una muestra aleatoria de F̂ y se denomina muestra
bootstrap. Sea θ̂ ∗ un estimador de θ̂ obtenido a partir de la muestra bootstrap.
El proceso de re-muestreo se repite un número B de veces obteniendo B esti-
madores bootstrap.
1 k n
X̄¯N = ∑ ∑ Xi j .
N i=1 j=1
tα∗ /2 ∗
t1−α /2
LCI = X̄¯N + √ , LCS = X̄¯N + √
n n
3. Marco Metodológico
µ j = µ0 + δ j σ0 ;
j = 1, 2, 3, . . . , 6, δ j = 0.5, 1, 1.5, 2, 2.5, 3,
√
donde µ0 = E (x), la media teórica y σ0 = V (x) desviación estándar teórica,
con δ j representando los distintos corrimientos en media. En la distribución
Beta, se toman los parámetros √ p = 2 y q = 5. El valor esperado es E (x) = µ0 =
2/7, desviación estándar σ0 = 5/196. Los cambios en media se calculan de
la siguiente manera:
√
2 5
µ1 = + 0.5 = 0.3655.
7 296
pj
Los cambios en el parámetro p a partir de µ j = p j +5 se tiene que
p1
0.3655 = → p1 = 2.8802.
p1 + 5
µ j = ea j +1/2 → despejar a j
2.72931 = ea1 +1/2 → a1 = 0.50405
µ j = µ + δ j σ0 .
De los cálculos obtenidos en la tabla 3, los cambios en media, y corrimientos
en δ j son exactamente iguales.
4. Resultados
Tabla 5: Valores ARL distribución Beta(2;5) para el gráfico de control de Lui y Tang
(1992)
los cambios cuando el valor de k = 2000. A medida que aumente el valor del
corrimiento en media tiende al valor de 1. Los lı́mites de control parecen tener
cierta similitud sin importar el valor de k.
400
300
Valores ARL
Método
Bajgier
Choobineh y Ballard
200
Liu y Tang
100
Para los tamaños de las sub-muestras de n = 10, sin hacer corrimiento en media
(δ = 0), a medida que se aumente el tamaño de la muestra se va aproximando
al valor ARL teórico (370). Cuando los corrimientos son cortos son grandes los
valores ARL simulados para k = 2000, luego los corrimientos en media tienden
a tener cierta similitud cuando son grandes. Por último los lı́mites de control
son mucho más amplios cuando n = 10 y k = 2000.
300
200
Valores ARL
Método
Bajgier
Choobineh y Ballard
Lui y Tang
100
Tabla 10: Valores ARL distribución Normal(0;1) para el gráfico de control de Bajgier
(1992)
Tabla 11: Valores ARL distribución Normal(0;1) para el gráfico de control de Lui y
Tang (1992)
Analizando los resultados de la tabla 11, para los tamaños de las sub-muestras
n = 5, sin hacer corrimiento en media cuando δ = 0, los valores de la tabla se
encuentran por encima del valor ARL teórico, lo interesante es que a medida
que se aumenta el tamaño de muestra tiende a reducirse el valor del ARL
simulado hacia el ARL teórico, para corrimientos en media de δ = 1.5 en
adelante se tiende a estabilizar el proceso. Caso contrario sucede cuando el
valor de n = 10, aumentándose el valor de k, oscila alrededor del ARL teórico.
Con corrimientos en media mayores de δ = 1.5, el proceso tiende a estabilizarse
y además los lı́mites de control son más anchos cuando el valor de k = 250.
Analizando los resultados de la tabla 12, para los tamaños de las sub-muestras
n = 5, sin hacer corrimiento en media cuando δ = 0, hay variabilidad de los
ARL simulados con respecto al valor ARL teórico, sin importar cuál sea el
valor de n y de k. cuando n = 5, y el corrimiento es mayor o igual que δ =
1, tiende a estabilizarse el proceso. Mientras que para el caso de n = 10 sin
corrimientos, con corrimientos cortos o grandes el proceso es semejante. Los
lı́mites de control presentan a tener cierta simetrı́a cuando el valor de n = 10
y k aumenta su valor.
400
300
Valores ARL
Método
Bajgier
200
Choobineh y Ballard
Lui y Tang
100
5. Ejemplo
30
20
count
10
0 50 100 150
Datos
1.4
1.2
1.0
0.8
0.6
0 50 100 150
Datos
La figura 5 muestra los resultados de los lı́mites de control de las tres gráficas
de control en estudio. Se puede apreciar que ningún punto se sale de control.
Hay cierta similitud entre los lı́mites de control de Liu y Tang y de Bajgier, por
tanto cualquiera de los dos son buenas alternativas, y son eficientes. Para el
gráfico de control de Choobineh y Ballard se recomienda tener precaución ya
que la distribución de las observaciones tiene un sesgo severo y puede prestarse
para malas interpretaciones, según estudio del ARL simulado anteriormente.
Los lı́mites de control de Shewhart, presenta una señal fuera de control en
la muestra 22, la cual es un indicio de que el gráfico está fallando por los
supuestos clásicos.
6. Conclusiones
Bibliografı́a