Análisis descriptivo e inferencial en la producción de una soda
comercial
Crespo Cárdenas Mayra, De Alba Torres Josept Jair, Leones Primera Nickolle, Pacheco Cantillo Mileidys
Programa de Ingeniería Industrial, Universidad del Atlántico Puerto Colombia, Atlántico-Colombia
macrespo@mail.uniatlantico.edu.co jjdealba@mail.uniatlantico.edu.co nleones@mail.uniatlantico.edu.co mvpacheco@mail.uniatlantico.edu.co
Resumen
Teniendo en cuenta que la calidad es un aspecto clave en las
industrias y que un producto de calidad es el requerimiento de los
clientes, las industrias deben enfocarse en realizar un control a sus
procesos, puesto que finalmente esto se convertirá en mayor
crecimiento e ingresos para estas. El objetivo de este artículo es
realizar un análisis estadístico descriptivo e inferencial con base en
unos datos históricos, a través del programa Statgraphics, mediante la
aplicación del control estadístico multivariado que permita medir la
capacidad del proceso de producción de una soda comercial, es así
como se desarrollaron las cartas T cuadrada y MEWMA para
determinar parámetros del proceso de la fabricación, posterior a eso,
se procedió a determinar los índices de capacidad multivariado para
mirar el estado del proceso, es decir su cumplimiento. Los resultados
permitieron evidenciar que el proceso en la fase inicial estaba en
control y era capaz de cumplir las especificaciones, pero luego en la
segunda fase se encontró un proceso con alta variabilidad y poca
capacidad de cumplimiento.
Palabras claves; análisis estadístico; calidad; cartas de control;
multivariados; indices de capacidad, proceso, Statgraphics.
Abstract
Taking into account that quality is a key aspect in industries and
that a quality product is the requirement of customers, industries
should focus on controlling their processes, since this will ultimately
result in greater growth and income for them. The objective of this
article is to perform a descriptive and inferential statistical analysis
based on historical data, through the Statgraphics program, by
applying the multivariate statistical control that allows measuring the
capacity of the production process of a commercial soda, this is how
the square T charts and MEWMA were developed to determine
parameters of the manufacturing process, after that, we proceeded to
determine the multivariate capacity indexes to look at the state of the
process, that is to say, its compliance. The results showed that the
process in the initial phase was in control and was able to meet the
specifications, but then in the second phase it was found to be a
process with high variability and low compliance capacity.
Keywords: statistical analysis; quality; control charts;
multivariate; capability indices, process, Statgraphics.
I. INTRODUCCIÓN
Generalmente el control de calidad en las industrias es un
aspecto fundamental dentro de sus procesos, para el caso de la
fabricación de las sodas comerciales esto no es ajeno de ello,
por consiguiente, todo el proceso de fabricación, se valora
mediante el cumplimiento de diferentes variables al tiempo, es
decir, se va a determinar la calidad en las variables como el
agua, el azúcar, la cafeína y el dióxido de carbono.
Los orígenes de la calidad, se remontan a la gran producción
industrial a principios del siglo XX, y el desarrollo de métodos
de producción en línea constituyó el primer problema de
calidad, ya que estaba relacionado con la conformidad de las
especificaciones y componentes del producto. Bajo este
enfoque, cuanto mayor sea el cumplimiento, menor será la
cantidad de residuos a procesar, reduciendo así el costo del
proceso de producción y del producto.
Ahora bien, dentro de las formas de verificar o tener un
control, se encuentra el uso de cartas de control multivariantes
que indiquen el estado del proceso mediante el estudio de cada
variable
En otro punto, la realización del estudio de control de calidad
se hace factible en la medida que permite realizar un análisis
inferencial de las variables involucradas en el proceso
productivo y con base en ello, ahorrar o disminuir costos,
puesto que, en un constante monitoreo, se toman decisiones
estratégicas en cuanto al proceso evitando así que se presenten
no conformidades, entonces, el ingeniero a cargo del proceso
debe tener una especificación clara de todo lo concerniente al
proceso, para así llegar a un control sobre lo que se produce y
de esta forma verificar que el producto final cumpla con los
estándares.
Teniendo en cuenta lo anterior, se hace necesario realizar
un estudio con aplicación de cartas de control multivariadas y
estudio de los indicadores de capacidad multivariados de una
producción de una soda comercial.
II. MARCO TEÓRICO
Los ingenieros o profesionales responsables del control de
calidad tienen la intención de evaluar la eficiencia y eficacia
de los productos a través de indicadores de gestión
comúnmente denominados indicadores de capacidad de
proceso CEP. Esto producirá menores costos, y esto se debe
principalmente a dos razones, a saber, la inspección por
muestreo y la reducción de los rechazos. Otra ventaja de
reducir los costos es que a medida que mejora la línea de
producción, disminuirá el número y el porcentaje de piezas
defectuosas producidas por la fábrica. Samohyl, R. W. (2009).
Hoy en día, existe una variedad de herramientas enfocadas a
mejorar la calidad de los productos que ofrecen las empresas
de todo el mundo. Uno de ellos es el Control estadístico de
procesos (CEP).
El CEP permite que las acciones correctivas sean aplicadas
antes del surgimiento de inconformidades, responde a la
pregunta si el proceso está funcionando como debía o si está
fuera de las especificaciones de calidad y ejecuta acciones
apropiadas para lograr y mantener un estado de control
estadístico. Campos, R.; Rocha, R. (2009)
Según Deming, el Control Estadístico de Procesos, es una
colección de herramientas para la resolución de problemas, y
aplica el análisis estadístico para medir, monitorear y controlar
procesos por medio de gráficos o cartas de control. El CEP se
utiliza para revisar y garantizar que los procesos cumplan con
las especificaciones de calidad establecidas. R.
Herrera-Acosta, K. Hernández-Alvear, E. Figueroa-Gélvez, J.
De La Ossa-De Ávila (2018).
El principal objetivo del CEP es proporcionar una señal
estadística cuando aparezcan causas de variación imputables
(problemas corregibles) y lograr una alta calidad del producto
reduciendo costos de producción al minimizar los defectos del
producto. Se dice que un proceso se encuentra bajo control
estadístico cuando las únicas causas de variación son causas
especiales. H.D. Rendón. (2013).
Control estadístico univariado
El pionero del control estadístico univariado (una sola variable
o característica) fue Walter Shewhart, al reconocer que en toda
producción industrial se da variación en el proceso. Observó
que no pueden producirse dos partes con las mismas
especificaciones, lo cual se debe, entre otras cosas, a las
diferencias que se dan en la materia prima, a las diferentes
habilidades de los operadores y las condiciones en que se
encuentra el equipo. Más aún, se da variación en las piezas
producidas por un mismo operador y con la misma
maquinaria. R. Herrera-Acosta, K. Hernández-Alvear, E.
Figueroa-Gélvez, J. De La Ossa-De Ávila (2018).
Control estadístico multivariado
Existen formas más eficientes de controlar el proceso. Se trata
de examinar múltiples variables y cómo se relacionan entre sí.
La ventaja de los métodos multivariados sobre los métodos
tradicionales es que a menudo reducen la complejidad del
problema. El control estadístico multivariado. D.C.
Montgomery (2002). fue inicialmente introducido por
Hotelling en 1947; en este modelo dos o más salidas de un
proceso, que pueden estar correlacionadas, son graficadas a
partir del cálculo del estadístico T2 que relaciona el
comportamiento de las medias, las varianzas y la covarianza
entre ambas variables, con el fin de obtener una región elíptica
de control, en el caso de dos variables, o un gráfico de control
de Hotelling, generalizado a más de dos salidas de proceso.
Con el pasar de los años, se han realizado diversas
investigaciones con el objetivo de aplicar el control estadístico
multivariado a procesos y al desarrollo de proyectos
tecnológicos en diversos sectores. R. Herrera-Acosta, K.
Hernández-Alvear, E. Figueroa-Gélvez, J. De La Ossa-De
Ávila (2018).
La valoración se realiza, para el caso univariado,
seleccionando cada una de las características de calidad en
forma independiente, asumiendo variables normalmente
distribuidas. En la fabricación del producto intervienen
innumerables factores asociados a las características de
calidad monitoreadas. Es necesario utilizar herramientas en el
área del control estadístico apropiadas a las realidades actuales
de los procesos que permitan un análisis eficiente del mismo y
proporcionen, además, un estimado medible de cumplimiento
de ciertos requisitos, generalmente contenidos en un intervalo
de tolerancia o límites de especificaciones. Herrera R. (2020).
Cualquier proceso de producción, independientemente de sus
características, contiene muchas fuentes de variabilidad. Por
mejor ajustado que esté, los productos presentarán diferencias
entre sí, pudiendo ser grandes o muy pequeñas. La confusión
entre causas comunes y especiales lleva a la mayor
variabilidad y a costos más elevados. Ribeiro, J. L.; Caten, C.
S. (2012).
Aunque los valores siempre se alteren, siguen cierta
distribución. "Control estadístico de procesos (CEP) es una
técnica estadística ampliamente usada para asegurar que los
procesos incrementen su calidad. Todos los procesos están
sujetos a un cierto grado de variabilidad”. Heizer, Jay; Render,
Barry. (2001)
A nivel univariado, las cartas Shewhart, CUSUM y EWMA
han sido ampliamente utilizadas para monitorear los
parámetros del proceso que son de interés: medias, varianzas,
número de no conformidades. La idea básica en este contexto
es la identificación de causas especiales sobre variables que
son independientes y que no hayan sido influidas por el
comportamiento de otras variables del proceso. Sin embargo,
existen muchas situaciones en las que resulta necesario
monitorear simultáneamente dos o más características de
calidad; por ejemplo, en procesos desarrollados en la industria
química y farmacéutica, en los cuales es común encontrar
variables de entrada, de proceso y de salida interrelacionadas.
En tales casos el control multivariado permite evaluar en
forma apropiada el desempeño de un proceso con base en el
comportamiento de un conjunto de variables correlacionadas,
las cuales no deben ser evaluadas individualmente sino como
grupo. Yáñez Canal, Sergio. (2011).
Características deseables de un procedimiento de control
multivariado
Los sistemas avanzados de control de procesos sobre una gran
variedad de variables son usados básicamente para asegurar
que dichas variables se mantengan cerca de un valor objetivo
o dentro de un rango operacional aceptable; en ese sentido,
reducen la variabilidad total del proceso (si no se llega a sobre
controlar); sin embargo, de ninguna manera garantizan que el
proceso satisfaga un conjunto de condiciones de línea base y
tampoco permiten identificar las causas de las perturbaciones
ocurridas en el proceso. Este tipo de control debe ser
complementado con el SPC para detectar los cambios en los
modelos de control automático establecidos, así como la
detección de causas. Por tanto, no se debe pensar que el ajuste
automático es sinónimo de control multivariado.
Mason & Young (2002) señalan las siguientes características
deseables para un esquema de control multivariado:
1. El monitoreo estadístico a través de cartas de control debe
ser de fácil construcción y útil al identificar tendencias en el
proceso.
2. Cuando ocurre un punto fuera de control, debe ser fácil
determinar la causa en términos del conjunto de variables que
determinan dicha señal.
3. El procedimiento debe ser flexible en su aplicación.
4. El procedimiento debe ser sensible a cambios pequeños
pero persistentes en el proceso. En algunos procesos
multivariados, cambios pequeños pueden conducir a grandes
riesgos y pérdidas.
5. El procedimiento debería ser capaz de monitorear el
proceso tanto en línea como fuera de línea. Yáñez Canal,
Sergio. (2011).
Cartas de control multivariadas
La carta T2 de Hotelling es la herramienta de control
multivariado más popular para monitorear vectores de medias
de varias características de calidad correlacionadas en un
proceso productivo
Carta T2 de Hotelling
La carta de control T2 de Hotelling se puede considerar como
la extensión multivarada de las cartas de Shewhart, lo que no
quiere decir que sean gráficos iguales. Así como en los demás
métodos de control multivariados se debe determinar un
estadístico que resuma la información de los datos, en este
caso el estadístico es el T2 de Hotelling.
Tal como lo indican J. Alfaro y col. J.L (2008), el estadístico
T2 es un número que combina la información para medidas de
dispersión y posición de las variables que se analicen, con dos
suposiciones básicas igual que en las cartas de Shewhart
univariadas que son que las variables analizadas se distribuyen
como normal multivariada y que las observaciones son
independientes. Por lo tanto, el estadístico sigue una
distribución X2p (Chi-cuadrada con p grados de libertad).
Donde µ es un vector px1 de medias poblacionales de las
variables bajo control, ∑ es la matriz de varianzas covarianzas
de orden pxp (en la diagonal se encuentran las varianzas de las
variables que intervienen y fuera de esa diagonal las
covarianzas), n es el tamaño muestral y xi es un vector px1 que
contiene los promedios muestrales observados de las p
variables analizadas.
El límite superior de control (LSC) está situado para un nivel
de significancia α dado en X2 a,p y el límite inferior de control
(LIC) está situado en cero, dado que este estadístico no toma
valores negativos.
Como en la realidad se desconocen los parámetros de la
población bajo control, surge la necesidad de estimarlos
mediante una muestra obtenida del mismo proceso, dando
origen a la distribución T2 de Hotelling propuesta por Harold
Hotelling en 1947 y cuyo estadístico está dado por:
Donde n es el tamaño de la muestra o de subgrupo, XJ es el
vector que contiene los promedios muestrales observados de
las p variables analizadas para el subgrupo j-esimo, M es el
vector que contiene las estimaciones preliminares de las
medias poblacionales de las p variables analizadas cuando el
proceso está controlado, y V es la matriz que contiene las
estimaciones de la matriz de varianzas covarianzas del proceso
bajo control.
De acuerdo con J.L. Alfaro Navarro (2010) los límites de
control para el gráfico T2 de Hotelling se determinan de tal
forma que cuando el proceso se encuentre bajo control, la
probabilidad una falsa alarma tome el valor α que se
considere, normalmente es 0,0027. Cuando no se conocen los
valores poblacionales y hay que estimarlos, la distribución que
describe el estadístico T2 viene dada por una F de Snedecor.
En 1989 T. Ryan derivó la distribución del estadístico T2 para
las dos fases o etapas del proceso, las cuales llamó instalación
y operación respectivamente; en la primera fase se estiman los
parámetros de la distribución del proceso y se comparan las
mediciones frente a unos límites de control preliminares, los
cuales se estiman mediante las siguientes fórmulas:
(3)
Donde: LSC: límite superior de control, p: número de
variables analizadas, m: número de subgrupos o muestras.
Teniendo en cuenta la fórmula (3) se puede analizar si el
proceso se encuentra bajo control o no mediante la
representación gráfica de cada uno de los valores de T2 junto a
los límites de control; de tal forma que cuando el valor T2 para
todos los subgrupos sea inferior al LSC el proceso se
considera bajo control y en caso contrario existe una situación
fuera de control. Siguiendo lo planteado por A. Konrath
(2002), aquellas observaciones que en la fase inicial sean
consideradas fuera de control, se deben eliminar del estudio,
estimando otra vez los parámetros del proceso y recalculando
los límites de control hasta que el gráfico permita evidenciar
que el proceso se encuentra bajo control. Para recalcular el
límite superior de control en la segunda fase se utiliza (3) pero
teniendo en cuenta que m corresponde al número de subgrupos
con los que se elaboró el nuevo gráfico de control. R.
Herrera-Acosta, K. Hernández-Alvear, E. Figueroa-Gélvez, J.
De La Ossa-De Ávila (2018).
Índices de capacidad multivariados
En el caso multivariado, se tiene la matriz de datos X de
orden, nv donde v es el número de características de calidad
medidas en un producto y n es el número de productos
monitoreados. Se asume que las observaciones son
independientes y representan una muestra aleatoria de una
distribución multivariada con correlaciones entre las variables.
R. Herrera-Acosta (2018)
Cada una de las v variables del producto posee
especificaciones técnicas de cumplimiento, es conocido el
vector de medias µ0 de los valores objetivos para cada una de
las características de calidad medidas. En el caso del índice de
capacidad univariado los intervalos de las especificaciones son
medidas de longitudes, por otro lado, si asumimos una
distribución normal multivariada, el análogo a los intervalos,
son los contornos elípticos o elipsoides. R. Herrera-Acosta
(2018)
En términos generales según Shinde R.L. y Khadse K.G.
(2009) existen cuatro formas de definir los índices de
capacidad multivariado.
1. Aquellos basados en la razón de la región de tolerancia y
una región de proceso, tal como el propuesto por Taam et al.
(1993).
2. Un segundo grupo que utiliza la proporción de productos
no conformes, como los que presentan Taam et al. (1993),
Castagliola P. et al. (2009), Bothe, D. (1991). y Wierda, S.J.
(1994).
3. Otro grupo basado en la aplicación de la técnica de análisis
de componentes principales, como lo sugieren Wang F.K. y
Chen. J. (1998) y Chan L.K. et al. (1998). Los autores
presentan un Índice de Capacidad Multivariante (ICM de
Chen, Pearn y Lin) que evalúa n características de calidad de
un producto, primero calcula los índices de capacidad
promedio para cada una de las variables.
4. Un cuarto grupo que incluye otras propuestas, como la
presentada por Shahriari, H. y Abdollahzadeh, M. (2009) y
Cumea G. (2013). 5) Índices de capacidad paramétricos y no
paramétricos aplicando datos funcionales FDA, Clements, J.A.
(1989), Guevara R. (2011).
III. METODOLOGÍA
Para realizar el análisis inferencial de la producción de una
soda comercial se tomó como soporte y ayuda el programa
Statgraphics y el software de Excel, ingresan los datos
históricos de las tablas, en el programa Statgraphics para
realizar las cartas multivariantes de T cuadrada y MEWMA,
se calcula el vector de medias, varianza covarianza y varianza
generalizada.
Después de esto, se procedió a calcular los índices de
capacidad multivariantes que se solicitaron, para este caso, se
hizo uso de la teoría de la asignatura Control de Calidad para
el cálculo mediante las fórmulas de los índices de capacidad,
acto seguido, se hicieron los cálculos en Excel, para el caso de
los indicadores de desempeño del proceso y de proporción de
conformes, es decir los indicadores de Castagliola Bothe y
Chen y Pearn respectivamente, se tiene en cuenta la tabla V
de las especificaciones por variables, como se dijo
anteriormente, los cálculos se hacen en la hoja dinámica de
Excel y para efectos de presentar de forma clase, se trasladan
los datos al presente informe con las ecuaciones de Word.
Para el cálculo del análisis de capacidad Espacio tiempo de
Herrera, se hizo el uso de la tabla IV de la caducidad del
producto y se realiza el mismo procedimiento que se
mencionó anteriormente.
Una vez que se realizan las cartas en fase 1, se ingresan los
datos de control en línea para hacer control, esto se hace
usando ambas cartas multivariantes teniendo en cuenta los
parámetros arrojados en la fase 1 y se determina si los
componentes o variables se encuentran en control o no, si se
observa que los datos para control están fuera de los límites, se
procede a hacer la descomposición de la T cuadrada.
Finalmente, se indican los resultados obtenidos y el estado del
proceso, haciendo un análisis de las cartas antes realizadas.

Fig. 2. Elipse de control T cuadrado en fase 1

IV. ANÁLISIS DE RESULTADOS

Se realizaron las cartas multivariantes usando la tabla

I Datos históricos del proceso y se procede a realizar en
Fig. 3. Grafico de la varianza generalizada en fase 1.
primera medida la carta T cuadrada de Hotelling en fase 1.
Se indica el vector de medias, parámetros y varianza
covarianza

Tabla 1. Vector de medias

Los valores T cuadrado son presentados en la siguiente tabla

Fig. 1. Carta T cuadrado fase 1

Existe estabilidad estadística de las características evaluadas en el proceso.

 Tabla 2. Valores T2

Dado que hay puntos fuera de control o señales de alarma en

la carta multivariada, se realiza la descomposición

El resumen de las contribuciones, es presentado en la siguiente

Tabla 3. Covarianza estimada tabla.

Se procede a hacer control teniendo en cuenta los datos de la

fase 1

Tabla 5. Descomposición de T cuadrado.

Comentarios

Ahora bien, al observar el gráfico de la varianza generalizada

se observa que todos los datos que están generando son cero,
esto posiblemente se debe a que alguna de las variables son
Fig. 4. Grafico de T cuadrado en fase 2
linealmente dependientes, por consiguiente para tener claro
qué está pasando en el proceso, se quitará una de las variables
para ver el comportamiento, en este caso, se quitaron las
variables Dióxido de carbono y sodio, puesto que al quitar
solo la variable sodio, el comportamiento no cambiaba.

Fig. 5. Elipse de control T cuadrado en fase 2

Fig. 6. Carta T cuadrado fase 1 con las modificaciones en

Tabla 4. Reporte de Gráfico Multivariada variables

Esta tabla lista los valores de T-Cuadrada y la varianza

generalizada para cada uno de los 6 subgrupos. T-cuadrada es
una medida de que tan lejos está cada uno de los casos del
centroide de la distribución supuesta. Los 6 casos fuera del
límite superior están marcados con un asterisco (*). Estos
casos están muy alejados del centroide en el espacio definido
por las 5 variables.

Comentario: Para el gráfico T-Cuadrada, 6 casos están

arriba del límite de control, se puede decir que el proceso se
encuentra fuera de control con un nivel de confianza del 95%.
 Fig. 10. Elipse de control T cuadrada en fase 2 con las
modificaciones

Fig. 7. Elipse de control T cuadrado en fase 1 modificaciones en

variables
Fig. 11. Varianza generalizada carta T cuadrada con las
modificaciones

Tabla Reporte de Gráfico Multivariada T cuadrado

Esta tabla lista los valores de T-Cuadrada y la varianza

Fig. 8. Gráfico de la varianza generalizada en fase 1 con las generalizada para cada uno de los 6 subgrupos. T-cuadrada es
modificaciones una medida de qué tan lejos está cada uno de los casos del
centroide de la distribución supuesta. Los 6 casos fuera del
límite superior están marcados con un asterisco (*). Estos
Se procede a hacer control
casos están muy alejados del centroide en el espacio definido
por las 3 variables.´

Fig. 9. Grafico de T cuadrado en fase 2 con las modificaciones

Se hace carta de control MEWMA

 Fig. 12. Carta MEWMA en fase 1
Fig. 16. Elipse de control MEWMA en fase 2

Fig. 13. Elipse de control MEWMA en fase 1 Fig. 17. Carta de control de varianza generalizada MEWMA en fase
2

Reporte de Gráfico Multivariada

Fig. 14. Gráfico de varianza generalizada en fase 1 Esta tabla lista los valores de T-Cuadrada y la varianza
generalizada para cada uno de los 6 subgrupos. T-cuadrada es
Se procede a hacer control con los datos de la fase 1
una medida de que tan lejos está cada uno de los casos del
centroide de la distribución supuesta. Los 6 casos fuera del
límite superior están marcados con un asterisco (*). Estos
casos están muy alejados del centroide en el espacio definido
por las 5 variables.

Comentario: Para el gráfico MEWMA, 6 casos están arriba

del límite de control, se puede decir que el proceso se
encuentra fuera de control con un nivel de confianza del 95%.

Dado que hay puntos fuera de control o señales de alarma en

la carta multivariada, se realiza la descomposición

El resumen de las contribuciones, es presentado en la siguiente

Fig. 15. Carta de control MEWMA en fase 2
tabla.
 Fig. 20. Gráfico de la varianza generalizada MEWMA en fase 1 con
las modificaciones

Se procede a hacer control con estas modificaciones

Tabla 7. Descomposición de T cuadrado.

Ahora bien, al observar el gráfico de la varianza generalizada

se observa que todos los datos que están generando son cero,
esto posiblemente se debe a que alguna de las variables son
linealmente dependientes, por consiguiente para tener claro
qué está pasando en el proceso, se realiza el mismo
procedimiento qiue se hizo con la carta de T cuadrada.

Fig. 21. Carta de control MEWMA en fase 2 con las modificaciones

Fig. 18. Carta MEWMA fase 1 con las modificaciones en variables

Fig. 22. Elipse de control MEWMA en fase 2 con las modificaciones

Fig. 19. Elipse de control MEWMA en fase 1 modificaciones en

variables

Fig. 23. Carta de varianza generalizada MEWMA en fase 2 con las

modificaciones

Fig. 24.
 Desempeño del proceso aplicando el índice de capacidad
multivariado propuesto por Castagliola-Bothe-Wierda.

La medida de probabilidad de cumplimiento de las

especificaciones con respecto a la información de la
muestra es
(
𝑃𝑎𝑔𝑢𝑎 = 𝑃 𝐿𝑆𝐿𝑎𝑔𝑢𝑎 < 𝑋 < 𝑈𝑆𝐿𝑎𝑔𝑢𝑎 )
𝑈𝑆𝐿𝑎𝑔𝑢𝑎−µ1 𝐿𝑆𝐿𝑎𝑔𝑢𝑎−µ1
= 𝑃⎡⎢𝑍 < σ1
⎤ − 𝑃⎡𝑍 <
⎥ ⎢ σ1
⎤
⎥
⎣ ⎦ ⎣ ⎦
310−301.324 290−301.324
= 𝑃⎡𝑍 < 10.3757 ⎤ − 𝑃⎡𝑍 < ⎤
⎣ ⎦ ⎣ 10.3757 ⎦

= 𝑃[𝑍≤0. 836] − 𝑃[𝑍≤ − 1. 091]

= 0. 798 − 0. 138 = 0. 661

(
𝑃𝐶𝑎𝑓𝑒í𝑛𝑎 = 𝑃 𝐿𝑆𝐿𝐶𝑎𝑓𝑒í𝑛𝑎 < 𝑋 < 𝑈𝑆𝐿𝐶𝑎𝑓𝑒í𝑛𝑎 )
𝑈𝑆𝐿𝐶𝑎𝑓𝑒í𝑛𝑎−µ2 𝐿𝑆𝐿𝐶𝑎𝑓𝑒í𝑛𝑎−µ2
= 𝑃⎡⎢𝑍 < σ2
⎤ − 𝑃⎡𝑍 <
⎥ ⎢ σ2
⎤
⎥
⎣ ⎦ ⎣ ⎦
45−33.1825 30−33.1825
= 𝑃⎡𝑍 < ⎤ − 𝑃⎡𝑍 < ⎤
⎣ 1.6706 ⎦ ⎣ 1.6706 ⎦

= 𝑃[𝑍≤7. 074] − 𝑃[𝑍≤ − 1. 905]

= 1. 00 − 0. 028 = 0. 972

(
𝑃𝑎𝑧ú𝑐𝑎𝑟 = 𝑃 𝐿𝑆𝐿𝑎𝑧ú𝑐𝑎𝑟 < 𝑋 < 𝑈𝑆𝐿𝑎𝑧ú𝑐𝑎𝑟 )
𝑈𝑆𝐿𝑎𝑧ú𝑐𝑎𝑟−µ3 𝐿𝑆𝐿𝑎𝑧ú𝑐𝑎𝑟−µ3
= 𝑃⎡⎢𝑍 < ⎤ − 𝑃⎡𝑍 <
⎥σ3 ⎢ σ3
⎤
⎥
⎣ ⎦ ⎣ ⎦
Índices de capacidad multivariante. = 𝑃⎡𝑍 <
35−34.9318
⎤ − 𝑃⎡ 𝑍<
28−34.9318
⎤
⎣ 1.9374 ⎦ ⎣ 1.9374 ⎦

La información para evaluar el desempeño del proceso en la

fabricación de una soda comercial, se presenta a continuación. = 𝑃[𝑍≤0. 035] − 𝑃[𝑍≤ − 3. 578]

= 0. 514 − 0. 00 = 0. 514
Especificaciones
(
𝑃𝐶𝑂2 = 𝑃 𝐿𝑆𝐿𝐶𝑂2 < 𝑋 < 𝑈𝑆𝐿𝐶𝑂2 )
𝑈𝑆𝐿𝐶𝑂2−µ4 𝐿𝑆𝐿𝐶𝑂2−µ4
= 𝑃⎡⎢𝑍 < ⎤ − 𝑃⎡𝑍 <
⎥ ⎢
⎤
⎥
Características de Calidad ⎣ σ4
⎦ ⎣ σ4
⎦
0.0025−0.001550 0.0015−0.001550
Agua Cafeína Azúcar Dioxido Sodio = 𝑃⎡𝑍 < ⎤ − 𝑃⎡𝑍 < ⎤
de ⎣ 0.000192 ⎦ ⎣ 0.000192 ⎦
Carbono
USL 310 45 35 0,0025 0,000850 = 𝑃[𝑍≤4. 95] − 𝑃[𝑍≤ − 0. 260]
LSL 290 30 28 0,0015 0,000450
NOMINAL 300 38 31 0,0020 0,000650
= 1. 00 − 0. 397 = 0. 603

Los estadísticos evaluados:

(
𝑃𝑆𝑜𝑑𝑖𝑜 = 𝑃 𝐿𝑆𝐿𝑆𝑜𝑑𝑖𝑜 < 𝑋 < 𝑈𝑆𝐿𝑆𝑜𝑑𝑖𝑜 )
Variable 𝑋 S 𝑈𝑆𝐿𝑆𝑜𝑑𝑖𝑜−µ5 𝐿𝑆𝐿𝑆𝑜𝑑𝑖𝑜−µ5
= 𝑃⎡⎢𝑍 < σ5
⎤ − 𝑃⎡𝑍 <
⎥ ⎢ σ5
⎤
⎥
⎣ ⎦ ⎣ ⎦
Agua 301,324 10,3757 = 𝑃⎡𝑍 <
0.000850−0.0008500
⎤ − 𝑃⎡𝑍 <
0.000450−0.0008500
⎤
⎣ 0,0006450 ⎦ ⎣ 0,0006450 ⎦
Cafeína 33,1825 1,6706
Azucar 34,9318 1,9374
= 𝑃[𝑍≤4. 048] − 𝑃[𝑍≤ − 3. 850]
CO2 0,001550 0,000192
Sodio 0,0006450 0,0000506
= 1. 00 − 0. 00 = 1. 00
Entonces, P es, = 0. 2788
⎡ 33.1825−30 45−33.1825
𝑃 = 𝑚í𝑛(0. 661; 0. 972; 0. 514; 0. 603; 1. 00) 𝐶𝑝𝑘(𝐶𝑎𝑓) = 𝑚í𝑛 ⎢𝐶𝑝𝑙 = 3(1.6706)
= 0. 6350 𝐶 = 3(1.6706)
=2
= 0. 514 ⎣ 𝑝𝑢

Por tanto, el índice global de desempeño de la fabricación de

= 0. 6350
la soda comercial es

𝐶𝑀𝑃 =
1 −1
∅ [0. 514] =
1
[0. 0348] ⎡ 34.9318−28
3 3 𝐶𝑝𝑘(𝐴𝑧ú𝑐𝑎𝑟) = 𝑚í𝑛 ⎢𝐶𝑝𝑙 = 3(1.9374)
= 1. 1926
⎣
= 0. 0116
= 0. 0117

El resultado de 0.0116, muestra un producto con un

desempeño, en cuanto a sus especificaciones, no adecuado.
⎡ 0.001550−0.0015
𝐶𝑝𝑘(𝐶𝑂2) = 𝑚í𝑛 ⎢𝐶𝑝𝑙 = 3(0.000192)
= 0. 086
Desempeño de la Proporción de unidades conformes aplicando ⎣
el índice de capacidad multivariado propuesto por K. S.
Chen, W. L. Pearn y P. C. Lin. = 0. 0868

Especificaciones
⎡ 0.000645−0.000450
𝐶𝑝𝑘(𝑆𝑜𝑑𝑖𝑜) = 𝑚í𝑛 ⎢𝐶𝑝𝑙 = 3(0.0006450)
= 1.
Características de Calidad ⎣
Agua Cafeína Azúcar Dioxido Sodio
de = 1. 2833
Carbono Índice de capacidad para cada característica de calidad del
USL 310 45 35 0,0025 0,000850 proceso está dada por:
LSL 290 30 28 0,0015 0,000450
NOMINAL
CADUCIDA
D
300 38 31
2 AÑOS
0,0020 0,000650
⎢
⎣
(
⎡2∅ 3𝐶^
𝑝𝑘𝑎𝑔𝑢𝑎 )
− 1⎤⎥ = [2∅(3(0. 2788)) − 1] = [2∅(0. 8364) − 1]
⎦
= [2(0. 798535044) − 1]
= 0. 596922755
Los estadísticos evaluados:

Variable 𝑋 S ⎣
(
⎡2∅ 3𝐶^
⎢ )
𝑝𝑘𝐶𝑎𝑓𝑒𝑖𝑛𝑎
− 1⎤⎥ = [2∅(3(0. 6350)) − 1] = [2∅(1. 9050) − 1]
⎦
= [2(0. 971609964) − 1]
Agua 301,324 10,3757
= 0. 943221638
Cafeína 33,1825 1,6706
Azucar 34,9318 1,9374
CO2
Sodio
0,001550
0,0006450
0,000192
0,0000506 ⎢
⎣
(
⎡2∅ 3𝐶^
)
𝑝𝑘𝐴𝑧ú𝑐𝑎𝑟
− 1⎤⎥ = [2∅(3(0. 0117)) − 1]
⎦
= [2∅(0. 00351) − 1]
= [2(0. 513999999) − 1]
Inicialmente se calculan los índices de capacidad de = 0. 028087170
localización o reales para cada una de las variables
involucradas, siendo

⎡
𝐶𝑝𝑘 = 𝑚í𝑛 ⎢𝐶𝑝𝑙 =
⎣
μ−𝐿𝑆𝐿
3σ
, 𝐶
𝑝𝑢
=
𝑈𝑆𝐿−μ
3σ
⎤
⎥
⎦
⎢
⎣
(
⎡2∅ 3𝐶^
𝑝𝑘𝐶𝑜2 )
− 1⎤⎥ = [2∅(3(0. 0868)) − 1]
⎦
= [2∅(0. 2604) − 1]
= [2(0. 602722379) − 1]
Los índices reales evaluados, = 0. 205000945
⎡ 301.324−290 310−30
𝐶𝑝𝑘(𝑎𝑔𝑢𝑎) = 𝑚í𝑛 ⎢𝐶𝑝𝑙 = 3(10.37)
= 0. 3639 𝐶 = 3(10.
⎣ 𝑝𝑢
 ⎢
⎣
(
⎡2∅ 3𝐶^
)
𝑝𝑘𝑆𝑜𝑑𝑖𝑜
− 1⎤⎥ = [2∅(3(1. 2833)) − 1]
⎦
= [2∅(3. 8499) − 1]
= [2(0. 999940917) − 1] Probabilidad de cumplimiento para cada ^𝑇
P una de las i variables 𝐶𝑝𝑘
= 0. 999881939
2 0,997326542 1,00
Se optimiza el indicador con el propósito de que sea más 3 1,00
consistente con la realidad mediante el cálculo del promedio 4 1,00
geométrico de los datos de probabilidad.
5 1,00
Por tanto, el índice global del proceso es 6 1,00

^𝑇
∅ ⎡⎢
1 −1 (0.5970700088*0.943219928*0.027999998*0.205444758*0.99988
𝐶𝑝𝑘 = 3 2
⎣

^𝑇 1 −1 (0,3177963408)+1 1 −1 Análisis de capacidad Espacio tiempo Herrera (2009)

𝐶𝑝𝑘 = ∅ ⎡ ⎤= ∅ (0, 65889817
3 ⎣ 2 ⎦ 3

=
1
[0. 4095] = 0. 1365
𝑀𝐶
𝑝
𝐶𝑅𝑘 =
1
3 {𝑤 ∅
1
−1 𝐴
⎡2
⎣ ⎦ 2
−1
⎤ + 𝑤 ∅ [𝑅(𝑡)] }
3

Donde A es el valor del indicador de Chen y Pearn

Un índice global de 0.1365 muestra un no adecuado
cumplimiento de las especificaciones del proceso. Este indicador involucra a la fiabilidad como parte de los
elementos de la evaluación de la calidad del producto o
proceso
Ahora bien, se presentan diversos valores para diferentes Tiempo Tiempo Tiempo-cua Tiempo
rendimientos del proceso. censura drado -censura
cuadrado
2,014 4,056196
^𝑇 Rendimiento del proceso
𝐶𝑝𝑘 1,351 1,825201
1,601 2,563201
1,00 0,997297797
1,24 0,999800008 1,627 2,647129

1,33 0,999934319 2,983 8,898289

1,50 0,999993188 1,699 2,886601
1,67 0,999999448 2,067 4,272489
2,00 0,999999998 1,465 2,146225
1,829 3,345241
Estos son los valores necesarios de cada variable del proceso 1,863 3,470769
para poder tener índices de capacidad por encima de la unidad. 1,725 2,975625
1,809 3,272481
Desempeño del proceso de probabilidad de conformes 2,181 4,756761
aplicando el índice de capacidad multivariado propuesto
por Herrera. 2,706 7,322436
1,223 1,495729
2,762 7,628644
^𝑇
Diversos valores de 𝐶𝑝𝑘 dado el número de variables, con el 2,431 5,909761
valor mínimo de probabilidad para cumplir con la 2,596 6,739216
capacidad
 1,686 2,842596 𝑀𝐶 𝐶𝑅𝑘 = 0. 5992
𝑝
2,897 8,392609
4,509 20,331081
Este valor de 0,5992 implica un rendimiento inadecuado del
2,838 8,054244 proceso, es importante evaluar las especificaciones y la
3,262 10,640644 fiabilidad del proceso para mejorar el rendimiento y la
eficiencia.
1,702 2,896804
Conteo Suma 123,902817 5,467155
Tiempo no cuadrado
censurados Tiempo

21

𝑤1 = 0. 5
𝑤2 = 0. 5
2*21
λ𝑧 = (123,90+5,4671)
= 0. 32465

El parámetro del modelo con un factor de aceleración

𝐴𝐹 = 30

1
λ0 = 2 * 0. 32465 = 0. 00361
(30)

La función de densidad de la distribución Rayleigh

2
λ0𝑡
− 2
𝑓𝑜(𝑡) = λ0𝑡𝑒

la fiabilidad,
En este caso de estudio, la evaluación de la fiabilidad de dos
(2) años es la siguiente,

2
0.00361(2)
− 2
=0.999279
𝑅(2) = 𝑒

La fiabilidad de este producto para un período de dos años, es

de 0.999279 considerado un valor con una calidad óptima.
Entonces, el índice de capacidad multivariante propuesto con
valores de A = 1.317796 y R(t) = 0.999279 es igual a

𝑀𝐶
𝑝
𝐶𝑅𝑘 =
1
3 {0. 5 * ∅ −1 1.317796
⎡ 2
⎣ ⎦
−1
⎤ + 0. 5 * ∅ [0. 999279] }
v. CONCLUSIONES
𝑀𝐶
𝑝
𝐶𝑅𝑘 =
1
3 {0. 5 * ∅−1[0. 658898] + 0. 5 * ∅−1[0. 999279]}
1
𝑀𝐶 𝐶𝑅𝑘 = 3
{0. 5 * [0. 4094578] + 0. 5 * [3. 1860353]}
𝑝
 REFERENCIAS

[1] Samohyl, R. W. Controle Estatístico de Qualidade. 1ª ed. 2009, editora: Campus

Elsiever, 275 p.
[2] Campos, R. Rocha, R. “O controle estatístico de processos (CEP) para o
monitoramento da qualidade do farelo lex no processo do óleo de soja na empresa
CAC”. NUPEM, 2009, 13 p.
[3] R. Herrera-Acosta, K. Hernández-Alvear, E. Figueroa-Gélvez, J. De La Ossa-De
Ávila, “Application of multivariate statistical control to measure the process
capability of compression springs in stainless steel”, Prospectiva, Vol 16, N° 2,
49-58, 2018.
[4] D.C. Montgomery, Introduction to Statistical Quality Control. USA: Wiley&Sons,
2012, pp. 1-754.
[5] H.D. Rendón, Fundamentos Estadísticos para el Control Estadístico de Calidad.
Colombia: Editorial Facultad de Minas Universidad Nacional de Colombia sede
Medellín, 2013, pp. 61-74
[6] Ribeiro, J. L.; Caten, C. S. Série Monográfica Qualidade – Controle Estatístico do
Processo. Porto Alegre: FEENG/UFRGS, 2012, 172p.
[7] J.L. Alfaro Navarro, Gráficos multivalentes aplicados al control estadístico de la
calidad. España: Editorial Netbiblo, 2010, pp. 1-96
[8] Gonzales N, Yáñez S, “ Cartas de control T2 multivariadas usando R y SAS”,
2020.
[9] J.L. Alfaro Navarro, Gráficos multivalentes aplicados al control estadístico de la
calidad. España: Editorial Netbiblo, 2010, pp. 1-96.
[10] A. Konrath, (2002). Decomposição da estadística do gráfico de controle
multivariado T2 de Hotelling por meio de um algoritmo computacional. Tesis para
optar el título de Magíster en Ingeniería de Producción, Universidade Federale de
Santa Catalina.
[11] R. Herrera-Acosta, indices de capacidad multivariados Nuevas propuestas, Sello
Editorial Universidad del Atlántico, 20018.