Section III - Multivariate Control Charts T Squared - MEWMA

Section III - Multivariate control charts T squared- MEWMA
CONTROL CHART MULTIVARIATE
PhD Roberto José Herrera Acosta
SECTION III
MÓDULO CONTROL ESTADÍSTICO DE PROCESOS
MAESTRÍA EN GESTIÓN DE LA CALIDAD
Universidad del Atlántico
3 de septiembre de 2020
PhD Herrera Acosta Roberto José Section III - Multivariate control charts T squared- MEWMA
1 Multivariate control charts T squared

Importancia
Vector de la media muestral y la matriz de varianza covarianza
2 Carta de Control T 2 de Hotelling

Carta de control chi-cuadrado
T 2 de Hotelling para observaciones individuales
Datos para observaciones individuales
Caso de Estudio: Ejerccicio producto con tres características
3 Cartas de control para monitorear la variabilidad Multivariante

Caso de Estudio: Ejercicio producto comercial de aseo
4 Carta de control MEWMA

Importancia



Importancia



Importancia


Multivariate control charts T squared
Sección 1 Multivariate control charts T squared
Importancia
Durante la Segunda Guerra Mundial las técnicas estadísticas de las cartas de control univariadas fue
y sigue siendo las más utilizadas, a pesar de que los procesos y productos que se analizan poseen
en su gran mayoría dos o más características de calidad (Hicks, Jackson, Crosier, Pignatello, Vargas,
Montgomery, Hawkins). Pero en los últimos años se ha hecho necesario, la aplicación de herramientas
de tipo multivariante para comprender y monitorear varibles que por su complejidad no es conveniente
el monitoreo univariante. Sin embargo las técnicas multivariadas de control son técnicas muy complejas
de utilizar, por los conceptos matemáticos que se manejan. Dificultad que es superada afortunadamente,
con el avance de la programación computacional en el área de control estadístico de calidad, por lo
que en estos momentos el interés de las técnicas de control multivariado a crecido vertiginosamente.
La técnica de las cartas de control multivariado, se utiliza en los procesos productivos para determinar
especialmente cuatro importantes criterios, que a continuación se enumeran,
1 Determinar si el proceso se encentra o no en control.
2 Mantener constante el error tipo I o nivel de significancia α.
3 Con este tipo de herramienta se puede determinar el tipo de relación existente entre las variables
involucradas en le proceso.
4 Si el proceso esta "fuera de control"¿cuál es la variable que causo dicho inconveniente?
Importancia
Importancia
Importancia
Importancia
Importancia
Se tomará como supuesto estadístico, el proceso se encuentran normalmente distribuido y en forma inde-
pendiente en cada una de las varibles involucradas en el monitoreo. El error tipo I o nivel de significancia
α, es el establecido en forma diferente a el error obtenido en las cartas de control univariadas.
α∗ = 1 − (1 − α)p
La probabilidad que p medias este localizaas simultáneamente dentro de sus límites de control cuadno
el proceso este bajo control es:
P(Las p medias están bajo control) = (1 − α)p
Importancia
Por ejemplo si se tomo el nivel de significancia de 0.05 para una carta de control univariado, en el
caso multivariado se establecería de la siguiente forma si como ejemplo se seleccionan dos variables
1 − 0.952 = 0.0975 = 0.1. En claro, que en control de calidad el estadístico de una variable es asumido
con una distribución Normal, su función de densidad es:
h i2
1 − 21 x−µ
f (x) = √ e σ
2πσ 2
La media de la distribución normal es µ y la σ 2 , el exponente puede reescribirse como:
(x − µ)σ 2 (x − µ)
valor que mide el cuadrado de la distancia estandarizada de la variable x con respecto a la media µ.
Importancia
este enfoque puede usarse en el caso multivariante, cuando existen p características de calidad, dadas
x1 , x2 , ..., xp , ubicadas en el vector de p componentes:
xT = [x1 , x2 , ..., xp ]
asumamos conocido el vector de medias de las variables x,
µT = [µ1 , µ2 , ..., µp ]
la matriz e varianza covarianza

Σp×p
loe elementos de la diagonal principal son las varianza de las variables x y los elementos fuera de la
diagonal principal son las covarianza. La distancia al cuadrado estandarizada entre el vector x a la media
µ es
(x − µ)T Σ−1 (x − µ)
En donde la función de densidad de probabilidad normal multivariantes esta definida de la siguiente
forma
1 1 1
f (x) = e− 2 [(x−µ)Σ (x−µ)]
(2π)p/2 |Σ|1/2
donde −∞ < xj < ∞, j = 1, 2, ...p
El vector de la media muestral y la matriz de covarianza de una muestra multivariante x1 , x2 , ..., xn ,

donde el iésimo vectro muetral contine las observaciones xi1 , xi2 , ..., xip , por lo que el vector de medias
muestral es:
n
1 X
X̄ = Xi
n i=1
la matriz de varianza covarianza muestral es
n
1 X
S= (Xi − X̄)(Xi − X̄)|
n − 1 i=1
en esta matriz de varianza covarianza, en la diagonal principal están ubicadas las varianzas muestrales
n
1 X
Sj = (xij − x̄j )2
n − 1 i=1
y las covarianza muestrales son

n
1 X
Sjk = (xij − x̄j )(xik − x̄k )|
n − 1 i=1
por lo tanto, el vector de medias y la matriz de varianza covarianza son estimacuibes insesgados de las
cantidades poblacionales
E(X̄) = µ
E(S) = Σ
Carta de Control T 2 de Hotelling
Sección 2 Carta de Control T 2 de Hotelling
La carta de control chicuadradoen el caso multivariado, es presentada cuando son conocidos los
parámetros del proceso, en este caso el vector de medias µ y la matriz de varianza covarianza Σ, el
estadistico de control en esta carta es un χ20 , de cada muestra definida como
χ20 = n(X̄ − µ)T Σ−1 (X̄ − µ)
donde µ| = [µ1 , µ2 , ...µp ] es el vector de medias bajo control para cada una de las características
de calidad y Σ es la matriz de varianza covarianza. El procedimiento de controlar simultaneamente p
características de calidad o variables requiere inicialmente calcular la media muestral de cada una de las
p características de calidad a partir de una muestra de tamaño n. Este vector de medias es representado
de la siguiente forma,
x̄1
 
 x̄2 
 . 
 
x̄ = 
 . 

 . 
x̄p
Los límites de control de la carta chi-cuadrado se definen de la siguiente froma,
UCL = χ2α,p
LCL = 0
En este sentido, la elaboración de las carta de control multivariadas la técnica más aplicada es la
propuesta por Hotelling conocida como la T 2 . Esta es una generalización de la estadística t de Students
y el esquema del estadístico de control para subgrupos de tamaño n es,
Tj2 = (x̄j − X̄¯)t S −1 (x̄j − X̄¯)
donde X̄¯ es el vector de medias, S es la matriz de varianza covarianza, x̄j el promedio de la variable
j-ésima, x̄j es la observacion j-ésima de la variable j.
El esquema gráfico, muestra un límite de control superior, en donde cada punto observado es el
estadístco de control T 2
Figura: Carta Multivariada
La distribución T 2 fue propuesta por Hotelling en 1931 y es una función del número de variables p ,
el tamaño de los subgrupos n , textbf µ son los valores de las medias de referencia para cada variable
µ = µ1 , µ2 , ...µp y la cantidad de subgrupos g, usadas en la estimación de la covarianza.
La distribución está relacionada con la conocida distribución chi cuadrado, mediante las siguientes
formulaciones, en la fase I:
p(g − 1)(n − 1)
UCL = Fα,(p,gn−g−p+1)
(gn − g − p + 1)
LCL = 0
cuando se desea monitorear la producción futura, fase II, los límites de control son los siguientes:
p(g + 1)(n − 1)
UCLT 2 = Fα,(p,gn−g−p+1)
p,n,α (gn − g − p + 1)
cuando son observaciones individuales, es decir n = 1 las formulas aplicadas son las siguientes en el
caso del estadístico de control es:
Tj2 = (xj − x̄j )t S −1 (xj − x̄j )
el límite de control en fase II para este estadístico es
p(g + 1)(g − 1)
UCL = Fα,(p,g−p)
(g 2 − gp)
LCL = 0
pot otro lado cuando el número de muestras g mayor a 100, es grande los límites de control
p(g − 1)
UCL = Fα,(p,g−p)
(g − p)
o bien
UCL = χ2α,p
Tracy,Young y Mason proponen los límites de control para observaciones indiviudales aplicando la distri-
bucion beta:
(g − 1)2
UCL = βα,p/2,(g−p−1)/2
g
LCL = 0
la propuesta por Edgar Jackson, 1985
p(g + 1)(g − 1)
UCL = Fα,(g,g−p)
g(g − p)
La fórmula aplicada por T.P. Ryan,(1988). Lo cual implica que este valor LCST 2 , se toma como el límite
p,g,α
de control superior para la media en la carta de control multivariado.
En la empresa Monomeros Colombo Venezolana se elabora un fertilizante compuesto que contiene dos
componente: nitrógeno y fósforo, se realiza un análisis diario, n = 10, de la composición del fertilizante
durante diez días, cantidad de subgrupo m = 10.Se utilizó la propuesta de T.P. Ryan para evaluar el limite
superior de control multivariado. A continuación presentamos la información obtenida de 10 subgrupos.
Subgrupo Nitrógeno Fósforo
1 14.6116 14.7818
2 14.8443 14.9808
3 14.1500 15.1454
4 15.2383 15.0983
5 14.3040 14.5420
6 14.9958 15.0166
7 14.5151 14.3225
8 14.7225 14.5275
9 14.4366 14.3992
10 15.2640 15.5858
la estimación de la matriz de varianza covarianza, Sullivan y Woodall, para los datos de la fase I, se
determina mediante,
g
1 X 1
S= (xi − x̄)(xi − x̄)t = X t Xc
g − 1 i=1 g−1 c
donde Xc es la matriz centrada de la data del proceso con las p variables.
La matriz de varianza covarianza resultante es,

1 0.14296 0.08801
S= X t Xc =
g−1 c 0.08801 0.15768
la inversa de esta matriz de varianza covarianza se determina aplicando algunos de los procedimientos
algebráicos conocidos,
10.656 −5.9485
S −1 =
−5.94485 9.6621
por lo tanto para el cálculo de un estadístico de control en la fase I se desarrolla la siguiente multipli-
cación matricial, utilizando la propuesta de E.Jackson 1985 para observaciones individuales y tomando la
observación por ejemplo del subgrupo número cuatro (4),

10.656 −5.9485 15.238 − 14.708
T42 =

15.238 − 14.708 15.098 − 14.841 × ×
−5.94485 9.6621 15.098 − 14.841
T42 = 2.010
este procedimiento se realiza para los nueve subgrupos restantes,
2 p(g + 1)(g − 1)
Tp,g,α = Fα,(g,g−p)
g(g − p)
(2)(11)(9)
= × 3.347 = 8.284
(10)(10 − 2)
La carta de control presenta un comportamiento aleatorio, por tanto existe estabilidad estadística en el
proceso.
Figura: Carta Multivariada

Un producto tiene tres características de calidad, sea x1 la temperatura de entrada, x2 la presión, x3

temperatura de fondo de un horno, la información es codificada, presentada en la siguiente tabla,
Subgrupo x1 x2 x3
1 3.10 3.70 3.00
2 3.30 3.90 3.10
3 2.60 3.00 2.40
4 2.80 3.00 2.50
5 3.00 3.30 2.80
6 4.00 4.60 3.50
7 3.80 4.20 3.00
8 3.00 3.30 2.70
9 2.40 3.00 2.20
10 2.00 2.60 1.80
Estime el vector de medias y la matriz de varianza covarianza. ¿El proceso se encuentra en estabilidad
estadística?
Evaluamos el promedio de cada una de las característica de calidad,

Subgrupo x1 x2 x3
1 3.10 3.70 3.00
2 3.30 3.90 3.10
3 2.60 3.00 2.40
4 2.80 3.00 2.50
5 3.00 3.30 2.80
6 4.00 4.60 3.50
7 3.80 4.20 3.00
8 3.00 3.30 2.70
9 2.40 3.00 2.20
10 2.00 2.60 1.80
x̄i 3.0 3.46 2.7
la matriz centrada es definida de la siguiente forma

0.10 0.24 0.30
 
0.30 0.44 0.40
 −0.4 −0.46 −0.30 
 −0.20 −0.46 −0.20 
0.00 −0.16 0.10
 
Xc = 
 1.00 1.14 0.80


 0.80 0.74 0.30 
 0.00 −0.16 0.00 
−0.60 −0.46 −0.50
−1.00 −0.86 −0.90
esta matriz centrada la multiplicamos por su traspuesta de la forma
Xct Xc
entonces
0.10 0.24 0.30
 
0.30 0.44 0.40
 −0.4 −0.46 −0.30 
 −0.20 −0.46 −0.20 
0.10 0.30 −0.40 −0.20 0.00 1.00 0.80 0.00 −0.60 −1.00
0.00 −0.16 0.10
 
0.24 0.44 −0.46 −0.46 −0.16 1.14 0.74 −0.16 −0.46 −0.86 × 1.00 1.14 0.80

0.30 0.40 −0.30 −0.20 0.10 0.80 0.30 0.00 −0.50 −0.90  
 0.80 0.74 0.30 
 0.00 −0.16 0.00 
−0.60 −0.46 −0.50
−1.00 −0.86 −0.90
por ejemplo el primer, segundo y tercer elemento de la primera fila de la matriz resultante es
0.10 × 0.10 + 0.30 × 0.30 + ... + −1.00 × 1.00 = 3.30

0.10 × 0.24 + 0.30 × 0.44 + ... + −1.00 × −0.86 = 3.30
0.10 × 0.30 + 0.30 × 0.30 + ... + −1.00 × −0.90 = 2.55
la matriz resultantes es  
3.30 3.30 2.55
Xct Xc =  3.30 3.52 2.60 
2.55 2.60 2.18
la matriz de varianza covarianza definida como

1 1
S= X t Xc = X t Xc
g−1 c 10 − 1 c
por tanto
1 3.30 3.30 2.55
× 3.30 3.52 2.60
9 2.55 2.60 2.18
entonces
0.367 0.367 0.283
S= 0.367 0.392 0.289
0.283 0.289 0.242
es la matriz de varianza covarianza. Evaluando las correlaciones entre las variable, es obtenida la matriz
de correlaciones
1.0000 0.9791 0.0.9261
ρ̂ = 0.9791 1.0000 0.9597
0.9261 0.9597 1.0000
la inversa de la matriz
56.605 −34.614 −24.929
S −1 = −34.614 42.439 −10.126
−24.929 −10.126 45.366
obtenida por método de los cofactores
el primer estadístico de control T12 , es evaluado de la siguiente forma

    
 56.605 −34.614 −24.929  0.10
T12 =

0.1 0.24 0.30 ×  −34.614 42.439 −10.126  ×  0.24 
−24.929 −10.126 45.366 0.30
 
resolviendo el cálculo dentro de las llaves y después multiplicando por el vector columna centrada
 
0.10
2

T1 = −10.125 3.686 8.686 ×  0.24 
0.30
= 2.478
el segundo estadístico de control T22 es

    
 56.605 −34.614 −24.929  0.30
T22 =

0.30 0.44 0.40 ×  −34.614 42.439 −10.126  ×  0.44 
−24.929 −10.126 45.366 0.40
 
 
0.30
2

T1 = −8.2204 4.2383 6.2121 ×  0.44 
0.40
= 1.8835
los valores T cuadrado es presentado en la siguiente tabla

Subgrupo Ti2
1 2.478065546
2 1.883589051
3 0.603940101
4 2.832343194
5 1.864146312
6 3.515490365
7 6.104467902
8 1.086436725
9 1.976715355
10 4.65480545
La carta de control de T 2 , no muestra puntos fuera de los límites de control o señales de alarma,
Figura: Carta de control multivariante T cuadrado de Hotelling
existe estabilidad estadística de las características evaluadas en el proceso.
Asumamos un punto fuera de control o señal de alarma en la carta multivariada, en el subgrupo seis (6),
modificando dicho valor en la base de datos, por ejemplo reemplazar por los puntos (5.0, 6.0, 7.0) para
cada una de las variables característica de calidad„
Subgrupo x1 x2 x3
1 3.10 3.70 3.00
2 3.30 3.90 3.10
3 2.60 3.00 2.40
4 2.80 3.00 2.50
5 3.00 3.30 2.80
6 5.00 6.00 7.00
7 3.80 4.20 3.00
8 3.00 3.30 2.70
9 2.40 3.00 2.20
10 2.00 2.60 1.80
donde su matriz de varianza covarianza esta definida como,

0.689 0.789 1.111
S= 0.789 0.942 1.347
1.111 1.347 2.089
la inversa es
37.388 −36.625 3.723
S −1 = −36.625 49.340 −12.324
3.723 −12.324 6.441
la correlación está definida como

cov(xi xj )
ρ̂ =
σx1 σxj
siendo la matriz de correlación proveniente de la matriz de varianza covarianza

1.000000000 0.979184607 0.926120476
ρ̂ = 0.979184607 1.000000000 0.959771887
0.926120476 0.959771887 1.000000000
evaluada de la siguiente forma

0.789
ρ̂x1 x2 = √ = 0.97918
0.689 × 0.942
1.111
ρ̂x1 x3 = √ = 0.92612
0.689 × 2.089
existe una correlación positiva fuerte, mayor a 0.90, entre las variables
La carta de control de T 2 , muestra ahora un punto fuera del límite de control superior
Figura: Carta de control multivariante T cuadrado de Hotelling con señal de alarma
es importante evaluar cuál de las tres variables contribuyeron a esta señal de alarma.
el T 2 evaluado para ese subgrupo es

    
 37.388 −36.625 3.723  1.90
2

T1 = 1.90 2.40 3.95 ×  −36.625 49.340 −12.324  ×  2.40 
3.723 −12.324 6.441 3.95
 
 
1.90
2

T6 = −2.156 0.1491 2.940 ×  2.40 
3.95
= 7.8775
La descomposición del estadistico T 2 en los componentes que reflejen la construcción de cada variable
individual en una señal de alarma es determinado por la siguiente ecuación
di = T 2 − T(i)
2
es un indicador que presenta la contribución de cada una de las variables al estadístico global. En el
caso de la señal de alarma en el punto (5.0, 6.0, 7.0) el procedimiento es evaluar el estadístico omitiendo
la primera variable, es decir el punto es (6.0, 7.0), el valor central es (2.40, 3.95), por lo que la matriz de
varianza covarianza es simplificada es,

0.942 1.347
1.347 2.089
evaluando la inversa de la matriz anterior,

13.462 −8.676
−8.676 6.071
2 , omitiendo la primera variable es

el calculo del estadístico T(1)

2
13.462 −8.676 2.40
T(1) = 2.40 3.95 × ×
−8.676 6.071 3.95

2.40
= −1.9629 −3.1555 ×
3.95
= 7.7535
esta variable en el subgrupo
d1 = T 2 − T(1)
2
= 7.87785 − 7.7535 = 0.124
el calculo del estadístico, omitiendo la segunda variable es

2
10.201 −5.425 1.90
T(2) = 1.90 3.95 × ×
−5.425 3.363 3.95

1.90
= −2.0453 2.9781 ×
3.95
= 7.8774
d2 = T 2 − T(2)
2
= 7.87785 − 7.8774 = 0.00045081
el calculo del estadístico, omitiendo la tercera característica de calidad o variable es

2
35.235 −29.501 1.90
T(3) = 1.90 2.40 × ×
−29.501 25.762 2.40

1.90
= −3.8559 5.7756 ×
2.40
= 6.5351
d3 = T 2 − T(3)
2
= 7.87785 − 6.5351 = 1.34267
El resumen de las contribuciones, es presentado en la siguiente tabla

Subgrupo d1 d2 d3
6 0.12433546 0.00045081 1.34267115
los resultados evidencian que la señal de alarma, presentada en el subgrupo seis, es debido al aumento
en la variabilidasd de la variable x3 es decir un comportamiento no aleatorio en la temperatura del fondo
del horno.
Cartas de control para monitorear la variabilidad Multivariante
Sección 3 Cartas de control para monitorear la variabilidad Multivariante
En el caso de monitroear la variabilidad del proceso, en el caso multivariado, es basada en la matriz de

varianza covarianza Σ, Alt(1973) presenta una generalización de la carta de control de varianza S 2 caso
univariada, aplicando el siguiente estadístico de control,
W = −pn + pn ln(n) − n ln(|Ai |/|Σ|) + tr(Σ−1 Ai )
donde Ai = (n − 1)Si , siendo Si es la matriz de varianza covarianza muestral en el subgrupo i, tr es la

traza de la matriz. El límite de control superior para esta carta es
UCL = χ2α,p(p+1)/2
un proceso fuera de control en la fase II, si el valor de Wi es localizado por encima de este límite. Este
autro presenta un segundo enfoque, utilizando la varianza generalizada, definida como |S|, determinante
de la matriz de varianza covarianza
Montgomery y Wadworth (1973) usaron un aproximación de la normal asintótica utilizando la varianza

generalizada, por otro lado Montgomery (2004) presenta un método utilizando la media y la varianza de
la varianza generalizada, es decir
E(|S|) = bi |Σ|
V (|S|) = b2 |Σ|2
donde
p
1 Y
b1 = (n − i)
(n − 1)p i=1
y
 
p p p
1 Y Y Y
b2 = (n − i)  (n − j + 2) − (n − j)
(n − 1)2p i=1 j=1 j=1
en este caso los límites de control

1/2
UCL = |Σ|(b1 + 3b2 )
Cl = b1 |Σ|
1/2
LCL = |Σ|(b1 − 3b2 )
el límite de control inferior, para valores negativos, toma el valor de cero.

Los datos presentados en la parte inferior, son las medidas de la temperatura, viscocidad y la
concentración, seleccionados cada dos minutos, de un producto comercial para el aseo.
Subgrupo Temperatura Viscosidad Concentración
1 491.00 29.33 204.00
2 482.00 19.98 202.00
3 490.00 25.76 201.00
4 495.00 29.00 202.00
5 499.00 31.03 197.00
6 499.00 32.68 201.00
7 507.00 33.56 198.00
8 503.00 27.50 188.00
9 510.00 33.22 195.00
10 509.00 30.15 189.00
promedio 498.5 29.221 197.7
Obtenga una estimación de la matriz de varianza covarianza, su inversa y el vector de medias del
proceso.
la matriz centrada es
−7.5 0.11 6.3
 
−16.5 −9.24 4.3
 −8.5 −3.46 3.3 
 −3.5 −0.22 4.3 
0.5 1.81 −0.7
 
Xc = 
 0.5 3.46 3.3


 8.5 4.34 0.3 
 4.5 −1.72 −9.7 
11.5 4.00 −2.7
10.5 0.93 −8.7
el centramiento (diferencia entre la observación y su promedio) de la variable temperatura es el siguiente
491.00 − 498.50 = − 7.50

482.00 − 498.50 = − 16.5
=.
=.
=.
509.00 − 498.50 =10.5
esta matriz centrada la multiplicamos por su traspuesta de la forma
Xct Xc
entonces
−7.5 0.11 6.3
 
−16.5 −9.24 4.3
 −8.5 −3.46 3.3 
 −3.5 −0.22 4.3 
−7.5 −16.5 −8.5 −3.5 0.5 0.5 8.5 4.5 11.5 10.5
0.5 1.81 −0.7
 
0.11 −9.24 −3.46 −0.22 1.81 3.46 4.34 −1.72 4.00 0.93 × 0.5 3.46 3.3

6.3 4.3 3.3 4.3 −0.7 3.3 0.3 −9.7 −2.7 −8.7  
 8.5 4.34 0.3 
 4.5 −1.72 −9.7 
11.5 4.00 −2.7
10.5 0.93 −8.7
la matriz resultantes es
 
748.50 269.37 −323.50
Xct Xc =  269.37 151.32 −42.16 
−323.50 −42.16 276.10
donde su matriz de varianza covarianza esta definida como,

83.167 29.929 −35.944
S= 29.929 16.813 −4.684
−35.944 −4.684 30.678
la inversa es determinada mediante
S × S −1 = I
Adl(S T )
S −1 =
|S|
encontrar el determinante de la matriz de varianza covarianza, mediante el método de Sarrus, multipli-

cando las diagonales principales y las diagonales secundarias de la siguiente forma.
|S| = 83.167 × 16.813 × 30.678 + 29.929 × (−4.684) × (−35.944) + 29.929 × (−4.684) × (−35.944)
− [(−35.944) × 16.813 × (−35.944) + 29.929 × 29.929 × 30.678 + (−4.684) × (−4.684) × 83.167]
= 1946.88468
la traspuesta de la matriz de varianza covarianza, resultando una matriz equivalente,

83.167 29.929 −35.944
ST = 29.929 16.813 −4.684
−35.944 −4.684 30.678
los signos
+ − +
− + −
+ − +
los adjunto del primer elemento (1,1) es el determinante de

h i
16.813 −4.6884
−4.684 30.678
el determinante de esta matriz es
16.813 × 30.687 + (−4.6884) × (−4.684) = 498.8421607
este valor es positivo por la tabla de signos, por lo que el primer valor de la matriz adjunta de la
traspuesta de la matriz de varianza covarianza es 498.8421607
la matriz adjunta de la traspuesta de la matriz de varianza covarianza es,

493.8421607 −749.8010741 464.1382656
Adj(S T ) = −749.8010741 1259.365432 −686.2353457
464.1382656 −686.2353457 502.502961
esta matriz es dividida por el determinante de la matriz de varianza covarianza |S|,

1 1 493.8421607 −749.8010741 464.1382656
S −1 = Adj(S T ) = × −749.8010741 1259.365432 −686.2353457
|S| 1946.884668 464.1382656 −686.2353457 502.502961
la inversa de la matriz de varianza covarianza es,

0.253657634 −0.385128654 0.238400492
S −1 = −0.385128654 0.646861854 −0.352478682
0.238400492 −0.352478682 0.258106177
por tanto el vector de medias

498.500
X̄¯ = 29.221
197.700
y la matriz de varianza covarianza muestral

83.167 29.929 −35.944
S= 29.929 16.813 −4.684
−35.944 −4.684 30.678
Asumamos subgrupos con cuatro observaciones,

1 491.00 29.33 204.00
482.00 19.98 202.00
490.00 25.76 201.00
495.00 29.00 202.00
2 499.00 31.03 197.00
499.00 32.68 201.00
507.00 33.56 198.00
503.00 27.50 188.00
3 510.00 33.22 195.00
509.00 30.15 189.00
490.00 33.00 220.00
480.00 35.00 210.00
4 495.00 20.20 220.00
499.00 34.68 218.00
512.00 30.24 215.00
498.00 30.25 220.00
5 509.00 32.75 210.00
502.00 31.33 212.00
503.00 35.75 218.00
491.00 28.42 195.00
el promedio de cada característica de calidad en los subgrupos son presentados en la tabla inferior
1 489.50 26.02 202.25
2 502.00 31.19 196.00
3 497.25 32.84 203.50
4 501.00 28.84 218.25
5 501.25 32.06 208.75
Promedio 498.200 30.192 205.750
la varianza muestral para cada subgupo, como su covarianza, son presentados en la siguiente tabla
Subgrupo s1 s2 s3 s12 s13 s23
1 29.6666667 18.795225 1.5833333 22.17500 0.833333 2.294167
2 14.6666667 7.1595583 31.333333 1.390000 -5.33333 13.85000
3 216.916666 4.0238917 199.00000 -21.7275 -170.166 17.48500
4 56.6666667 37.567758 5.5833333 17.11000 -17.0000 -6.22083
5 56.2500000 9.2915583 95.583333 16.18916 56.41666 27.55750
Promedio 74.83333 15.36760 66.61667 7.02733 -27.05000 10.99317
a partir de estos valores es estructurado la matriz de varianza covarianza del proceso,

74.833333 7.027333 −27.05000
S= 7.027333 15.367598 10.993167
−27.050000 10.993167 66.616667
la matriz de varianza covarianza para cada subgrupo, por ejemplo, el primer subgrupo es evaluado de la
siguiente forma,
1
S1 = X t Xc =
(n − 1) c
tenemos " #
1.5000 3.3125 1.7500
1.5000 −7.5000 0.500 5.500
−7.5000 −6.0375 −0.2500
3.3125 −6.0375 −0.258 2.983 × 0.5000 −0.2575 −1.2500
1.7500 −0.2500 −1.250 −0.250
5.5000 2.9825 −0.2500
la matriz de varianza covarianza del primer subgupo es

1 1 29.66666667 22.1750000 0.83333333
Si = Xct Xc = Xct Xc = 22.17500000 18.7952250 2.29416667
(n − 1) 3 0.83333333 2.29416667 1.58333333
el determinante de este primer subgrupo es
|S1 | = 19.874
siendo este el primer estadístico de control en la carta de varianza generalizada
Por otro lado, el determinante de la matriz de varianza covarianza del proceso es
|S| = 48852.51655
la estimación insesgada de |Σ| esta definida como
ˆ = |S|/b1 = 48852.51655/0.22222 = 219836.3267

|Σ|
en la construcción de la carta de control para la medida de variabilidad, donde las constantea b1 y b2 ,

sujetas al tamaño del subgrupo n = 4 en este caso, son
p
1 Y 1
b1 = p
(n − i) = (3)(2)(1) = 0.222
(n − 1) i=1 27
 
p p p
1 Y Y Y
b2 = (n − i)  (n − j + 2) − (n − j)
(n − 1)2p i=1 j=1 j=1
1
= (3)(2)(1) × [(5)(4)(3) − (3)(2)(1)] = 0.44444
729
Los límites de control a partir de la varianza covarianza estimada son,

h i
1/2
UCL = (|S|/b1 )(b1 + 3b2 ) = (219836.3267) 0.222 + 3(0.444)1/2 = 488497.57
Cl = |S| = 48852.51655
h i
1/2
LCL = (|S|/b1 )(b1 − 3b2 ) = (219836.3267) 0.222 − 3(0.444)1/2 = −97705.0331 ≈ 0
La carta de control de varianza generalizada |S| es mostrada en la siguiente figura,
Figura: Carta de control multivariante Varianza Generalizada |S|
muestra un comportamiento en control
los estadísticos Ti2 evaluado para para cada subgrupo
Ti2 = n(X̄ − X̄¯)T S−1 (X̄ − X̄¯)
entonces, en el estadístico del primer subgrupo

  
 0.01848 −0.01567 0.01009 
T12 = 4 ×

−8.70 −4.174 −3.50 ×  −0.01567 0.08707 −0.02073 
0.01009 −0.02073 0.02253
 
 
−8.70
×  −4.174 
−3.50
 
−8.70
2

T1 = 4 × −0.13070 −0.15453 −0.0801 ×  −4.174 
−3.50
= 8.2501
los estadísticos de control para cada subgrupos son

Subgrupo T-cuadrado
1 8.25017
2 8.13429
3 4.44798
4 21.3897
5 1.81032
la carta de control T 2 es,
Figura: Carta de control multivariante T cuadrado de Hotelling
este comportamiento muestra un proceso con un comportamiento estable, en fase II, bajo control
Programa R Presentación de la carta de varianza generalizada
Datos<-c(19.8747, 7.28001, 26211.2, 820.384, 2953.28) # Datos del determinante

UCL<-c(488497.5751) # Límite de control superior
CL<-48852.51655 # Límite central de control
LCL<-c(0) # Límite de control inferior
x<-c(1,2,3,4,5) # Cantidad de subgrupos
matplot(x,Datos,type="overplotted",pch=22,col="black",cex=0.6,xlab="Subgrupo",yl
legend("topleft",legend=c("UCL","CL", "LCL"),col=c("black","red", "blue"),pch=c(
abline(h=c(0,48852.51655,488497.5751),col="red")
text(4.8,UCL,paste(’UCL’,UCL),pos=3,font=3,cex=0.8)
text(4.8,CL,paste(’CL’,CL),pos=3,font=3,cex=0.8)
text(4.8,LCL,paste(’LCL’,LCL),pos=3,font=3,cex=0.8)
La carta de control de varianza generalizada en R,
Carta de varianza generalizada |S|
6e+05
UCL
CL
LCL
5e+05
UCL 488497.5751
4e+05
Varianza Generalizada |S|
3e+05
2e+05
1e+05
CL 48852.51655
0e+00
LCL 0
1 2 3 4 5
Subgrupo
Figura: Carta de control multivariante Varianza Generalizada |S|
en R
Carta de control MEWMA
Sección 4 Carta de control MEWMA
Entre tanto, una carta sensible a corrimientos pequeños, es la carta EWMA multivariante propuesta por
Lowry et al (2012). Crosier, Pignetiello y Runger proponen la carta cususm multivariada. La carta EWMA
generalizada para el caso multivariante, denominada con el nombre de MEWMA es una de las más
aplicadas. El estadístio de control es definido como,
Zi = λxi + (1 − λ)Zi−1
donde la constante de sensibilidad, como en el caso univariado, esta definido en el rango 0 ≤ λ ≤ 1 y

Z0 = 0, denominado valor de arranque. El estadístico de control aplicado en esta carta MEWMA es
T2i = ZTi Σ−1

Zi Z i
la matriz de varianza covarianza es equivalente a la varianza EWMA definida como
λ
1 − (1 − λ)2i Σ

ΣZi =
2−λ
donde i = 1, 2, 3, ..., m subgrupos seleccionados
Prabhu y Runger (2018) presentan un estudio de la longitud promedio de corridas ARL, donde presentan
diversos valores sueta al número de variables p y el valor de λ, por ejemplo para dos variables la tabla
arroja los siguientes valores de ARL
p 0.05 0.10 0.20 0.30 0.40 0.50
δ UCL = 7.35 8.64 9.65 10.08 10.31 10.44
2 0.0 199.93 199.98 199.1 199.82 199.83 200.16
0.5 26.61 28.07 35.17 44.10 53.82 64.07
1.0 11.23 10.15 110.20 11.36 13.26 15.88
1.5 7.14 6.11 5.49 5.48 5.78 6.36
2.0 5.28 4.42 3.78 3.56 3.53 3.62
donde el corrimiento δ, denominado parámetro de centralidad, esta definido de la siguiente forma
δ = (µT Σ−1 µ)1/2
En el caso del ejercicio desarrollado anteriormente, donde la matriz de varianza covarianza estimada en
el proceso
74.833333 7.027333 −27.05000
Σ̂ = 7.027333 15.367598 10.993167
−27.050000 10.993167 66.616667
para la carta EWMA la matriz de varianza covarianza asintótica es definida como
λ[1 − (1 − λ)2i ]

ΣZi = Σ̂
2−λ
0.20[1 − (1 − 0.2)2i ]

= Σ̂
(2 − 0.20)
en este caso
0.20[1 − (1 − 0.2)2i ]

74.833333 7.027333 −27.05000
ΣZi = 7.027333 15.367598 10.993167
(2 − 0.20) −27.050000 10.993167 66.616667
la inversa de esta matriz es

−1
0.20[1 − (1 − 0.2)2i ]

0.018481923 −0.015669667 0.010090497
Σ−1
Zi = −0.015669667 0.087067055 −0.02073065
(2 − 0.20) 0.010090497 −0.020730655 0.022529550
La información presentada en la tabla inferior, una vez obtenida los datos centrados de cada una de las
variables, es calculado los estadísticos de control MEWMA para cada una de las variables
Temperatura Viscosidad Concentración Zx1 Zx2 Zx3
-8.700 -4.174 -3.500 -1.74000 -0.83480 -0.70000
3.800 1.001 -9.750 -0.63200 -0.46764 -2.51000
-0.950 2.651 -2.250 -0.69560 0.15609 -2.45800
2.800 -1.349 12.500 0.00352 -0.14493 0.53360
3.050 1.871 3.000 0.61282 0.25826 1.02688
el estadístico MEWMA para el primer sugrupo, es el vector fila
Z1 = λxi + (1 − λ)Z0 = 0.2(−8.700 − 4.174 − 3.500) + (1 − 0.20)(0 0 0)

= (−1.740 − 0.834 − 0.700)
el segundo estadístico
Z2 = λxi + (1 − λ)Z1 = 0.2(3.800 1.001 − 9.750) + (1 − 0.20)(−1.740 − 0.834 − 0.700)

= (−0.63200 − 0.46764 − 2.5100)
como
T2i = nZTi Σ−1
Zi Z i
el calculo del primer de estadístico de control es
T12 = 4 ×

−1.740 −835
−0.700
 
−1 0.01848 −0.0156 0.0100
0.20[1 − (1 − 0.2)2i ]

×  −0.0156 0.0870 −0.0207 
(2 − 0.20) 0.0100 −0.0207 0.0225
 
−1.740
×  −0.835 
−0.700
 
−1.740
=4× −0.6654 −0.773 −0.401 ×  −0.835 
−0.700
= 8.2501
un resumen de los estadísticos de control son presentados en la siguiente tabla

Subgrupo T cuadrado
1 8.250170718
2 8.685725718
3 9.806653636
4 0.497638671
5 1.340953515
En cuanto al límite de control superior, el autor recomienda una aproximación a la distribución

chi-cuadrado
UCL = χ2α,p(p+1)
en este caso de estudio, el valor del límíte de control superior es
UCL = χ20.027,12 = 23.086
La carta de control MEWMA presentada en la parte inferior, para los estadístico de control antes
calculados
Figura: Carta de control MEWMA
muestra un proceso bajo control estadístico, el comportamiento de los estadísticos de control presentan
un comportamiento aleatorio.
Fin de Tercera Sección
Muchas Gracias

Section III - Multivariate Control Charts T Squared - MEWMA

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Section III - Multivariate Control Charts T Squared - MEWMA

Cargado por

Copyright:

Formatos disponibles

Section III - Multivariate control charts T squared- MEWMA

CONTROL CHART MULTIVARIATE

PhD Roberto José Herrera Acosta

1 Multivariate control charts T squared

2 Carta de Control T 2 de Hotelling

3 Cartas de control para monitorear la variabilidad Multivariante

4 Carta de control MEWMA

1 Multivariate control charts T squared

2 Carta de Control T 2 de Hotelling

3 Cartas de control para monitorear la variabilidad Multivariante

4 Carta de control MEWMA

1 Multivariate control charts T squared

2 Carta de Control T 2 de Hotelling

3 Cartas de control para monitorear la variabilidad Multivariante

4 Carta de control MEWMA

1 Multivariate control charts T squared

2 Carta de Control T 2 de Hotelling

3 Cartas de control para monitorear la variabilidad Multivariante

4 Carta de control MEWMA

Sección 1 Multivariate control charts T squared

P(Las p medias están bajo control) = (1 − α)p

La media de la distribución normal es µ y la σ 2 , el exponente puede reescribirse como:

asumamos conocido el vector de medias de las variables x,

la matriz e varianza covarianza

El vector de la media muestral y la matriz de covarianza de una muestra multivariante x1 , x2 , ..., xn ,

y las covarianza muestrales son

Sección 2 Carta de Control T 2 de Hotelling

χ20 = n(X̄ − µ)T Σ−1 (X̄ − µ)

Tj2 = (x̄j − X̄¯)t S −1 (x̄j − X̄¯)

Figura: Carta Multivariada

Tj2 = (xj − x̄j )t S −1 (xj − x̄j )

el límite de control en fase II para este estadístico es

la propuesta por Edgar Jackson, 1985

donde Xc es la matriz centrada de la data del proceso con las p variables.

La matriz de varianza covarianza resultante es,

este procedimiento se realiza para los nueve subgrupos restantes,

Figura: Carta Multivariada

Un producto tiene tres características de calidad, sea x1 la temperatura de entrada, x2 la presión, x3

Evaluamos el promedio de cada una de las característica de calidad,

la matriz centrada es definida de la siguiente forma

esta matriz centrada la multiplicamos por su traspuesta de la forma

0.10 × 0.10 + 0.30 × 0.30 + ... + −1.00 × 1.00 = 3.30

la matriz de varianza covarianza definida como

obtenida por método de los cofactores

el primer estadístico de control T12 , es evaluado de la siguiente forma

este procedimiento se realiza para los nueve subgrupos restantes,

el segundo estadístico de control T22 es

este procedimiento se realiza para los nueve subgrupos restantes,

los valores T cuadrado es presentado en la siguiente tabla

Figura: Carta de control multivariante T cuadrado de Hotelling

existe estabilidad estadística de las características evaluadas en el proceso.

donde su matriz de varianza covarianza esta definida como,

la correlación está definida como

evaluada de la siguiente forma

Figura: Carta de control multivariante T cuadrado de Hotelling con señal de alarma

el T 2 evaluado para ese subgrupo es

evaluando la inversa de la matriz anterior,

2 , omitiendo la primera variable es

esta variable en el subgrupo

el calculo del estadístico, omitiendo la segunda variable es

esta variable en el subgrupo

el calculo del estadístico, omitiendo la tercera característica de calidad o variable es

por tanto el vector de medias