Captulo 6

Grcos de control con memoria

6.1 Introduccin
Cuando en un proceso se produce un desajuste muy pequeo, los grcos
estudiados en los temas anteriores pueden ser poco efectivos. El problema
que tienen ante pequeos cambios es que tardan mucho tiempo en detec-
tar 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 grcos de control que se presentan en este tema es que la
representacin grca no se basa en las observaciones individuales, o pro-
medios de una muestra de ellas, sino en la acumulacin de informacin. Por
esta razn se les denomina grcos con memoria. Supongamos que se de-
sea controlar la evolucin de una variable X que mide cierta caracterstica
de calidad. Las sucesivas observaciones de dicha variable sern:x
1
, x
2
, x
3
, . . .
Supongamos que idealmente dicha caracterstica X debe tomar el valor no-
114
minal . Por tanto los valores
d
1
= (x
1
)
d
2
= (x
2
)
d
3
= (x
3
)

ser la sucesin de las desviaciones respecto del nivel de referencia . Los
grcos estudiados en los temas anteriores pueden verse, en cierta forma,
como grcos basados en la evolucin de d
i
. Si ocurriese un desajuste muy
pequeo, la evolucin de los valores d
1
, d
2
, d
3
, . . . sera poco ecaz para de-
tectarlo. Es ms efectivo hacer una representacin grca basada en d
1
, d
1
+
d
2
, d
1
+ d
2
+ d
3
, ... 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 grcos mostrados en este tema explo-
tan esta idea de distintas formas.
6.2 Grcos CUSUM
El trmino cusum procede del ingls cumulative-sum, que signica suma acu-
mulada. Los grcos cusum se basan en la representacin de la acumula-
cin de las desviaciones de cada observacin respecto a un valor de re-
ferencia. La principal cualidad de este tipo de grcos es que detectan
pequeas desviaciones del estado de control ms rpidamente que los gr-
cos mostrados en los anteriores captulos. Veamos la idea de este tipo de
grcos con un ejemplo. La tabla 6.1muestra los valores del tiempo de es-
pera 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 perso-
nal 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 X
i
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.
10 9 8 7 6 5 4 3 2 1 Subgroup 0
35
25
15
S
a
m
p
l
e

M
e
a
n
6
X=25,00
3,0SL=33,66
-3,0SL=16,34
20
10
0
S
a
m
p
l
e

R
a
n
g
e
R=8,465
3,0SL=21,79
-3,0SL=0,000
Grfico Xbar/R para Tiempo de espera (n=3)
Figura 6.1: grco Xbar/R para los datos del tiempo de espera (n = 3)
La gura 6.1 muestra el grco de control media-rango (

X R) tomando
grupos de 3 observaciones. Las caractersticas de este grco sern:
LCS = 25 + 3
5

3
= 33, 66
LC = 25
LCI = 25 3
5

3
= 16, 34
(6.1)
Asimismo, la gura 6.2 muestra el grco de observaciones individuales.
Las caractersticas de este grco, al usar la informacin de que X
i
N(25, 5)
116
Obsv. Turno T. de Espera
i x
i
(x
i
25) C
i
= C
i1
+ (x
i
25)
1 A 26.1 1.1 1.1
2 A 19.9 -5.1 -4
3 A 21.2 -3.8 -7.8
4 A 30.4 5.4 -2.4
5 A 24.3 -0.7 -3.1
6 A 26.9 1.9 -1.2
7 A 25.4 0.4 -0.8
8 A 21.8 -3.2 -4
9 A 22.2 -2.8 -6.8
10 A 27.2 2.2 -4.6
11 A 20.2 -4.8 -9.4
12 A 28.9 3.9 -5.5
13 A 27.8 2.8 -2.7
14 A 20.8 -4.2 -6.9
15 A 23.6 -1.4 -8.3
16 B 24.0 -1 -9.3
17 B 18.9 -6.1 -15.5
18 B 30.1 5.1 -10.3
19 B 27.4 2.4 -7.9
20 B 28.2 3.2 -4.7
21 B 31.1 6.1 1.4
22 B 30.1 5.1 6.5
23 B 29.5 4.4 6.4
24 B 27.2 2.2 6.6
25 B 28.1 3.1 9.7
26 B 30.2 5.2 8.7
27 B 26.7 1.7 8.4
28 B 37.3 12.3 20.7
29 B 30.2 5.2 25.9
30 B 29.2 4.2 24.8
Tabla 6.1: Datos del ejemplo de tiempo de espera
117
30 20 10 0
40
30
20
10
Observation Number
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Grfico Individual para Tiempo de Espera
2
2
2
2
2
X=25,00
3,0SL=40,00
-3,0SL=10,00
Figura 6.2: grco individual para los datos del tiempo de espera con alertas
activadas
son tambin inmediatas:
LCS = 25 + 3 5 = 40
LC = 25
LCI = 25 3 5 = 10
(6.2)
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 grco

X R las ltimas 4 observaciones estn a ms de 1, lo que podra ser indicio

de estar fuera de control. Asimismo, el grco 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 grco basado en la acumulacin de
118
desviaciones ayudara a detectar de forma ms clara que la media ha cam-
biado 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 C
i
es la suma de todas las desviaciones hasta esa observacin, es
decir
C
1
= (x
1
25),
C
2
= (x
1
25) + (x
2
25) = C
1
+ (x
2
25),

C
30
=
30

i=1
(x
i
25) = C
29
+ (x
30
25).
30 20 10
50
40
30
20
10
0
-10
-20
Observacin
A
c
u
m
u
l
a
d
a
s
D
e
s
v
i
a
c
i
o
n
e
s
Grficos de desviaciones acumuladas al valor nominal
Figura 6.3: grco de desviaciones al valor nominal = 25 de los datos de
tiempos de espera
La gura 6.3 es la representacin de C
i
, i = 1, ..., 30. En este grco pue-
119
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 C
i
evo-
lucionan alrededor de su valor medio, que es cero. En efecto, si E(X
k
) = ,
para k = 1, 2, , entonces E(X
k
) = 0 y por tanto
E(C
k
) = E
_
k

i=1
(x
i
)
_
=
k

i=1
E(x
i
) k = k k = 0
y la suma acumulada C
k
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(X
k
) =

= + = , entonces
E(X
k
) = . Por tanto,
E(C
k
) = E
_
k

i=1
(x
i
)
_
=
k

i=1
E(x
i
) k = k( + ) = k
y la suma acumulada C
k
llevar ahora una senda o trayectoria que evolu-
cionar alrededor de una recta de pendiente positiva o negativa, segn el
signo de . En la gura 6.3 puede verse este efecto. A partir de la observa-
cin 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 cu-
sum es la colocacin de lmites de control. Tendremos entonces un verdade-
ro grco de control que nos proporcionar un criterio objetivo para detectar
desajustes. A continuacin se mostrarn dos procedimientos para la elabo-
racin de grcos de control, basados en la representacin cusum: El cusum
algortmico y la plantilla-V.
6.2.1 Cusum algortmico
Los grcos cusum se construyen generalmente para observaciones indivi-
duales, aunque pueden construirse para representar la evolucin de algn
120
Obsv. T. de Espera Desviaciones Positivas Desviaciones Negativas
i x
i
C
+
i1
+ (x
i
25) C
+
i
N
+
C

i1
(x
i
25) C

i
N

1 26.1 1.1 0 0 -1.1 0 0

2 19.9 -5.1 0 0 5.1 2.6 1
3 21.2 -3.8 0 0 6.4 3.9 2
4 30.4 5.4 2.9 1 -1.5 0 0
5 24.3 2.2 0 0 0.7 0 0
6 26.9 1.9 0 0 -1.9 0 0
7 25.4 0.4 0 0 -0.4 0 0
8 21.8 -3.2 0 0 3.2 0.7 1
9 22.2 -2.8 0 0 3.5 1.0 2
10 27.2 2.2 0 0 -1.2 0 0
11 20.2 -4.8 0 0 4.8 2.3 1
12 28.9 3.9 1.4 1 -1.6 0 0
13 27.8 4.2 1.7 2 -2.8 0 0
14 20.8 -2.5 0 0 4.2 1.7 1
15 23.6 -1.4 0 0 3.1 0.6 2
16 24.0 -1 0 0 1.6 0 0
17 18.9 -6.1 0 0 6.1 3.6 1
18 30.1 5.1 2.6 1 -1.5 0 0
19 27.4 5.0 2.5 2 -2.4 0 0
20 28.2 5.7 3.2 3 -3.2 0 0
21 31.1 9.3 6.8 4 -6.1 0 0
22 30.1 11.9 9.4 5 -5.1 0 0
23 29.5 13.9 11.4 6 -4.5 0 0
24 27.2 13.6 11.1 7 -2.2 0 0
25 28.1 14.2 11.7 8 -3.1 0 0
26 30.2 16.9 14.4 9 -5.2 0 0
27 26.7 16.1 13.6 10 -1.7 0 0
28 37.3 25.9 23.4 11 -12.3 0 0
29 30.2 28.6 26.1 12 -5.2 0 0
30 29.2 30.3 27.8 13 -4.2 0 0
Tabla 6.2: Datos del ejemplo de tiempo de espera para el grco CUSUM,
K = 2, 5
121
estadstico, media, varianza..., de muestras de tamao n > 1. Supongamos
que se desea controlar la evolucin de una variable X
i
N(
0
, ), donde
es conocida o se posee una estimacin. El cusum algortmico (o tabular) cal-
cula 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 ejem-
plo 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 denir un valor K a partir del cul se considera que la des-
viacin acumulada es signicativa. Este valor determinar la sensibilidad del
grco 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 grco es insensible a desviaciones no signicativas, ser ms fcil
visualizar las desviaciones que sean signicativas. La representacin grca
ser ms limpia. Uniendo esta idea de desviacin signicativa con las de se-
paracin de desviaciones positivas y negativas se tendrn dos tipos de sumas
signicativas acumuladas : C
+
i
para las desviaciones positivas y C

i
para las
negativas. Estas sumas acumuladas se denen de la siguiente forma:
C
+
i
=acumulacin de desviaciones positivas signicativas:
C
+
i
= max[0, {C
+
i1
+ (x
i

0
)} K].
De esta forma, si el proceso est bajo control, la variable X
i
tomar
valores cercanos al nominal y el trmino C
+
i
tender a tomar valores
nulos.
C

i
=acumulacin de desviaciones negativas signicativas:
C

i
= max[0, {C

i1
(x
i

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
30
20
10
0
-10
-20
25
-25
30 20 10 0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
Upper CUSUM
Lower CUSUM
Grfico CUSUM para Tiempo de Espera
Figura 6.4: Grco 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 pa-
sando 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,
K =

2
=
|
0

1
|
2
.
O bien,
K = k; k =

2
123
Por ejemplo, si se desea detectar un cambio en el tiempo medio de espe-
ra de los clientes del servicio telefnico de una desviacin tpica se tendra
que
1
= 30 y
K =
1
2
5 = 2, 5.
Con este valor se puede ya calcular las sumas acumuladas C
+
i
y C

i
, to-
mndose como valores iniciales C
+
0
= C

0
= 0. Estos valores se encuentran
en la tabla 6.2. En esta tabla se incluyen las columnas N
+
y N

, que indi-
can el nmero de trminos consecutivos con sumas acumuladas C
+
o C

no
negativos.
Los valores de las sumas acumuladas C
+
i
y C

i
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 grco. En el presente ejemplo correspondern a H = 25. Puede obser-
varse en la tabla 6.2 que este valor es superado en las observaciones 29 y 30
por C
+
i
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 va-
ler 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 gura 6.4 muestra grcamente estos
resultados por tanto, con este grco 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 grcos de control habituales. La cuanticacin
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

30
i=16
x
i
15
= 28, 5,
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 grcos de control habitua-
les son tiles para detectar desviaciones del orden de 2 y los grcos 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 grco 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 grco nos
volviera a detectar de la salida de control tan rpido como sea posible. Con
este n, existe una estrategia que consiste en substituir los valores iniciales de
C
+
0
y C

0
iguales a 0 por los siguientes valores:
C
+
0
= C

0
= 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 grco
cusum, estando implementado en muchos paquetes estadsticos. La plantilla
V se basa en la representacin grca del estadstico cusum
C
i
=
i

j=1
(x
j

0
)
125
30 20 10 0
50
0
-50
0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
Grfico CUSUM para Tiempo de Espera
O
P
Figura 6.5: Grco CUSUM bilateral (con plantilla V) para Tiempo de Espera,
plantilla situada en la ltima observacin
aunque algunos programas informticos utilizan la estandarizacin de la va-
riable de inters x
j
; es decir,
C
i
=
i

j=1
_
x
j

_
,
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 C
j
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 grco de control.
La gura 6.5 muestra un grco 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 C
1
, C
2
, . . . 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 C
i
est fuera del
ngulo el proceso est fuera de control. Segn esto, la gura 6.5 revela que
el proceso est fuera de control .
Muchos paquetes informticos utilizan el procedimiento de Johnson y Leo-
ne para determinar y la distancia d distancia del segmento OP. Estos pa-
rmetros se jan de la siguiente forma:
d =
2

2
n
ln
_
1
/2
_
= arctan
_

2A
_
donde:
A depende de la escala del grco. Es la distancia horizontal entre
puntos sucesivos del eje de abscisas medida en las unidades del eje
de ordenadas. Si el grco 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 grco es de observa-
ciones individuales se tendr n = 1
127
La gura 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 grco cusum (con mscara V) y preeren el grco aso-
ciado al Cusum algortmico. Las razones de este rechazo son fundamental-
mente 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, dicultando la interpretacin por partes del usua-
rio.
Ambigedad entre y en el procedimiento de Johnson y Leone.
6.2.3 Comparacin entre el grco CUSUM y el grco de
Shewhart
Existen tablas que nos dan el ARL() en funcin de los parmetros de la ms-
cara (o plantilla V) o del grco de control CUSUM cuando se produce una
desviacin de unidades en la media del proceso. Algunas nos dan los va-
lores de los parmetros del grco que minimizan el ARL() para un valor jo
de ARL(0) (tiempo medio necesario para declarar una falsa alarma).
En la tabla 6.3 se recogen algunos valores que permiten comparar la sen-
sibilidad del grco CUSUM y el de Shewhart. Supongamos que jamos el
ARL(0) de ambos grcos a 500, esto representa en los grcos de Shewhart
unos lmites de control situados en +/ 3, 13.
128
CUSUM Shewhart
0 500 500
,5 30 214,5
1 10,5 65,2
1,5 5,4 18,2
2 3,4 7,35
3 2,6 2,2
Tabla 6.3: ARL() para grcos CUSUM y de Shewhart comparables
k 0.25 0.5 0.75 1.0 1.25 1.5
h 8.01 4.77 3.34 2.52 1.99 1.61
Tabla 6.4: Valores asociados de k y h correspondientes a un ARL(0) en gr-
cos Cusum bilaterales
Se puede observar que el grco CUSUM es mucho ms sensible que el de
Shewhart para detectar variaciones pequeas. Para las variaciones grandes
ambos grcos son similares o incluso CUSUM algo peor.
Recordemos que un grco de control del tipo Shewhart con lmites 3-
sigma 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 corres-
ponderse para que un grco Cusum (bilateral) tenga un ARL(0) tambin de
370 unidades.
Tambin resulta interesante comparar el ARL de diversas variantes de los
grcos Cusum. En la tabla 6.5 podemos ver el ARL de un grco Cusum
tabular con k = 0.5, los dos valores de h (4 5) y del grco Cusum con FIR (y
h = 5)
Nos hemos limitado a presentar los grcos CUSUM para el estadstico

X
o X; las mismas ideas pueden extenderse a otros estadsticos: rangos, des-
viaciones, proporciones, etc. Existen referencias bibliogrcas [Ryan, 1989]
donde se pueden consultar las diferentes variaciones de estos grcos para
estos otros estadsticos comunes en el Control de Calidad.
129
CUSUM (h = 4) CUSUM (h=5) CUSUM (h=5) + FIR
0 168 465 430
,5 26,6 38 28,7
1 8,38 10,4 6,35
1,5 4,75 5,75 3,37
2 3,34 4,01 2,36
3 2,19 2,57 1,54
Tabla 6.5: ARL() para diversas variantes de grcos CUSUM
6.3 Grcos EWMA
Los grcos EWMA o de medias mviles ponderadas exponencialmente (EW-
MA= exponentially weighted moving-average) se realizan usualmente sobre
observaciones individuales. En este grco tambin se acumula en cada
periodo los valores de observaciones pasadas. La variable que se represen-
ta 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 his-
tricas se le denomina media mvil (en ingls moving average). Los grcos
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 y
i
. Se dene como
y
i
= x
i
+ (1 )y
i1
donde y
0
=
0
o bien y
0
= x, y donde el parmetros lo decide el analista en
el rango 0 < 1.
Por tanto, en cada momento, se pondera la observacin actual x
i
con el
130
valor de la media mvil anterior y
i1
. Si sustituimos recursivamente se obtiene:
y
i
= x
i
+ (1 )[x
i1
+ (1 )y
i2
] = x
i
+(1 )x
i1
+ (1 )
2
y
i2
=
i1

j=0
(1 )
j
x
ij
+ (1 )
i
y
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 x
i
, x
i1
, . . . son 0, 8, 0, 16, 0, 032, 0, 0064 . . . . Puede vericarse que

i1

j=0
(1 )
j
+ (1 )
i
= 1
Si se cumplen las hiptesis de independencia y estabilidad sobre x
i
(media
y varianza constantes) se tiene que
E(y
i
) =
0
Var(y
i
) =
2
[1 (1 )
2i
]
2
.
Los lmites de control y la lnea central son entonces:
LCS = E(y
i
) +k
_
Var(y
i
)
LC = E(y
i
)
LCI = E(y
i
) k
_
Var(y
i
)
(6.3)
Substituyendo los respectivos valores de la media y varianza y para k = 3,
resulta
LCS =
0
+ 3
_
[1 (1 )
2i
]
2
LC =
0
LCI =
0
3
_
[1 (1 )
2i
]
2
(6.4)
Puede verse que los lmites varan en cada instante i. Si i es muy elevado
131
se tiene que, aproximadamente,
LCS =
0
+ 3
_

2
LC =
0
LCI =
0
3
_

2
(6.5)
30 20 10 0
29
28
27
26
25
24
23
22
21
Sample Number
E
W
M
A
Grfico EWMA para Tiempo de Espera
X=25,00
3,0SL=28,44
-3,0SL=21,56
Figura 6.6: Grco 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 ale-
jados en el tiempo. Puesto que este tipo de grcos se usan para detectar
pequeos desajustes, se recomienda utilizar valores de bajos. La gura 6.6
muestra el grco de control para los datos de tiempo de espera usados an-
teriormente (
0
= 25) y = 0, 1. Segn este grco, el proceso est bajo
control. La gura 6.7 muestra el grco de control para los datos simulados
132
80 70 60 50 40 30 20 10 0
15,5
14,5
13,5
12,5
11,5
Sample Number
E
W
M
A
Grfico EWMA para datos simulados
X=13,00
3,0SL=14,24
-3,0SL=11,76
Figura 6.7: Grco 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 graco EWMA es menos sensible a pequeas desviaciones
que el grco CUSUM. Por esta razn, una recomendacin para mejorar el
comportamiento de los grcos EWMA ante pequeas desviaciones es utili-
zar 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 grco que se obtiene se encuentra
en la gura 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 pro-
fundos sobre estos grcos, en los que la pareja de parmetros (, k) se eligen
de forma que jamos un valor de ARL(0) igual a 500 bajo control estadstico.
Tambin existe la posibilidad de especicar a priori el ARL(0) y el valor espe-
rado de la desviacin y podemos calcular los valores (, k) que minimi-
133
30 20 10 0
29
28
27
26
25
24
23
22
21
Sample Number
E
W
M
A
Grfico EWMA para Tiempo de Espera
X=25,00
2,6SL=27,98
-2,6SL=22,02
Figura 6.8: Grco EWMA para los datos de Tiempo de espera, k = 2, 6 y
= 0, 1
zan el valor del ARL() para ese valor prejado. Tambin existe la posibilidad
de jar k = 3 y tomar como el valor que minimiza la suma de cuadrados

n
i=1
(y
i1
x
i
)
2
Similar a la tabla 6.3 presentamos otra tabla donde aadimos los valores
ARL correspondientes a grcos EWMA con valores elegidos de forma que
sean comparables a los otros dos tipos.
El comportamiento es mejor que el grco de Shewhart y comparable al
CUSUM frente a pequeas desviaciones de la media.
Los grcos EWMA de datos individuales (n = 1) se comportan de forma
ms robusta frente a desviaciones de la hiptesis de normalidad que los gr-
cos Shewhart.
Una ventaja adicional del grco EWMA es la capacidad de predecir la
134
EWMA CUSUM Shewhart
0 500 500 500
,5 36 30 214,5
1 10,20 10,5 65,2
1,5 6,0 5,4 18,2
2 4,05 3,4 7,35
3 2,63 2,6 2,2
Tabla 6.6: ARL() para grcos EWMA, CUSUM y Shewhart comparables
magnitud de la desviacin producida en la media. Concretamente el valor
de y
i
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 grcos de Shewhart ni en el
grco CUSUM.
6.4 Grcos de medias mviles
Sean las observaciones x
i
, i = 1, 2, . . . , n. En el grco de medias mviles se
estudia la evolucin del estadstico
y
i
=
x
i
+x
i1
+ +x
im+1
m
.
Es, entonces, similar a un grco 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:
y
1
= x
1
y
2
=
x
1
+x
2
2
y
3
=
x
1
+x
2
+x
3
3
y
4
=
x
2
+x
3
+x
4
3
=
y
i
=
x
i2
+x
i1
+x
i
3
Este grco es semejante al anterior en el sentido de que el estadstico
promedia, con pesos que suman 1, observaciones pasadas. En este tipo de
grco 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 independen-
cia entre las observaciones, se verica que:
E(y
i
) =
0
Var(y
i
) =

2
m
.
Por tanto, el grco de control es, para las observaciones i m (grco
3

),
LCS =
0
+ 3

m
LC =
0
LCI =
0
3

m
(6.6)
mientras que para i < m, se tiene el siguiente grco:
LCS =
0
+ 3

i
LC =
0
LCI =
0
3

i
(6.7)
136
30 20 10 0
40
30
20
10
Sample Number
M
o
v
i
n
g

A
v
e
r
a
g
e
Grfico de Medias Mviles de orden 5
para Tiempo de Espera
X=25,00
3,0SL=31,71
-3,0SL=18,29
Figura 6.9: Grco 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 va-
rianza suele utilizarse un grco de rangos mviles tal y como se expuso en el
tema 3. El grco de medias mviles es, en general, menos efectivo que el
grco CUSUM y el EWMA. La gura 6.9 muestra el grco de medias mviles
de orden 5 (m = 5) y utilizando que
0
= 25 y = 5. Puede verse que este
grco no es capaz de detectar que en el segundo turno se produce un pe-
queo deterioro del servicio y que la experiencia del operador de telefona
puede tener una inuencia directa en la calidad del servicio.
Para los datos simulados en el ejemplo del captulo 2, si utilizamos tambin
un grco de medias mviles de tamao 5, se puede ver en la gura 6.10 que
se detecta la salida de control.
137
80 70 60 50 40 30 20 10 0
20
15
10
Sample Number
M
o
v
i
n
g

A
v
e
r
a
g
e
Grfico de Medias Mviles de orden 5
para Tiempo de Espera
X=13,00
3,0SL=15,41
-3,0SL=10,59
Figura 6.10: Grco de medias mviles (MA) de orden 5 para los datos simu-
lados
138