Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO MONOGRÁFICO
Para optar el Título Profesional de Licenciado en Estadística
AUTOR
LIMA – PERÚ
2003
CAPITULO III
GRAFICO DE CONTROL T2 DE HOTELLING
CAP. III GRAFICO DE CONTROL T2 DE HOTELLING
x02 =
n
σ σ − σ 12
2 2 2
[
σ 22 ( x1 − µ1 ) 2 + σ 12 ( x2 − µ 2 ) 2 − 2σ 12 ( x1 − µ1 )( x2 − µ 2 ) ]
1 2
estadístico es no negativo.
Cuando los valores poblacionales no son conocidos, es necesaria su estimación, dando
origen al gráfico T2 de Hotelling. Con p variables y m muestras de tamaño n, la media y
cuasivarianza muestral se calculan como:
1 k j = 1,2,....., p
x jk = ∑ xijk
n i =1 k = 1,2,...., m
....................(3.2)
1 k j = 1,2,....., p
S 2jk = ∑ ( xijk − xijk ) 2
n − 1 i =1 k = 1,2,......, m
27
donde xijk es la i-ésima observación en la j-ésima característica de calida en la muestra k.
La cuasicovarianza entre dos características de calidad j y h se calcula para la muestra k
como:
1 k k = 1,2,...., m
S ijhk = ∑ ( xijk − x jk )( xihk − x hk ) ............(3.3)
n − 1 i =1 j ≠ h
Con las expresiones anteriores podemos determinar la media y varianza para las m
muestras y para las variables a través de las expresiones:
1 m
x= ∑ x jk
m k −1 j = 1,2,....., p
1 m 2
S 2j = ∑ S jk
m k −1
j = 1,2,....., p ....................(3.4)
1 m
S jk = ∑ S jhk
m k −1
j≠h
= =
2
Ti = n ( xi − x) r S −1 ( xi − x) .......................................(3.5)
Para datos agrupados, el estadístico T2 sigue una distribución F de Snedecor, por lo que
los límites de control bajo los supuestos usuales van a venir dados como:
p (m − 1)(n − 1)
LSC = Fα , p ,mn − m − p +1
mn − m − p + 1
....................(3.6)
LIC = 0
Así, podemos analizar si el proceso se encuentra bajo control mediante la representación
de los valores T2 junto a dicho límite de control. Cuando el valor T2 para todas las
muestras sea inferior al LSC, el proceso se considera bajo control y, en caso contrario,
que existe una anomalía que nos lleva a una situación fuera de control.
28
Si bien la interpretación de los resultados era bastante sencilla en el caso univariante, en
el caso multivariante la interpretación de estas señales fuera de control va a ser más
compleja. El fin que perseguimos es detectar situaciones en las que el proceso presenta
cambios moderados y una vez detectadas, determinar sus causas.
En las técnicas multivariantes, determinar esa situación fuera de control es
relativamente fácil, ya que el análisis es similar al caso univariante; pero determinar las
causas que han provocado ese cambio será más complicado. Se han desarrollado
algunas técnicas para ayudar en la interpretación de esas señales fuera de control, si
bien, las más utilizada consiste en analizar gráficos de control univariantes
correspondientes a cada una de las características de calidad y así intentar determinar
qué característica de calidad provoca esa situación. Este camino presenta ciertos
inconvenientes; el primero es que hay muchas variables y estas técnicas tienden a ser
tediosas por la cantidad de gráficos de control que analizar. La segunda, más
importante, es que normalmente una señal fuera de control no es causada por una
variable, sino más bien por la interacción entre varias variables.
Así por ejemplo, si estamos analizando dos características de calidad con una alta
correlación positiva, debemos suponer que las medias en cada muestra para cada una de
las características deben tener una relación parecida, si no igual, respecto a la media del
29
número de falsas alarmas que ocurren cuando utilizamos simultáneamente muchos
gráficos de control univariantes.
Hayter y Tsui (1994) utilizaron un procedimiento de intervalos de confianza
simultáneos tipo Bonferroni para cada una de las características de calidad. Estos
intervalos de confianza son esencialmente unos sustitutos de los gráficos de control de
media individuales y suelen ser más efectivos en la identificación de la característica de
calidad que causa la señal fuera de control en los gráficos multivariantes. La idea
general es construir p intervalos (uno para cada característica de calidad) para cada
muestra que produce una señal fuera de control en el gráfico de control multivariante.
Este intervalo para el subgrupo j-ésimo y la característica de calidad i-ésima tendrá la
siguiente forma:
m −1 ϖ m −1
xi − t α n ( n −1)
S pi ≤ xi ≤ xi + t α n ( n −1) S pi .......................(3.7)
2p mn 2p mn
donde:
30
Otro procedimiento para interpretar esas señales fuera de control consiste en la
descomposición del estadístico T2 de forma que nos mida la influencia de cada una de
las variables. Si T2 es el valor del estadístico, y T2(i ) es su valor para todas las variables
del proceso excepto la i-ésima, podemos calcular un indicador de la contribución de la
variable i-ésima sobre el conjunto de la siguiente forma:
d i = T 2 − T 2 (i )
31