Universidad Politécnica de Tlaxcala

Gráficos CUSUM
El término cusum procede del inglés cumulative-sum, que significa suma acumulada. Los
gráficos CUSUM se basan en la representación de la acumulación de las desviaciones de
cada observación respecto a un valor de referencia. La principal cualidad de este tipo de
gráficos es que detectan pequeñas desviaciones del estado de control más rápidamente. Los
puntos graficados son las sumas acumuladas de las desviaciones de los valores de la
muestra con respecto al objetivo. Estos puntos deben fluctuar de forma aleatoria alrededor
de cero. Si se desarrolla una tendencia ascendente o descendente, dicha tendencia debe ser
considerada como evidencia de que la media del proceso ha cambiado.
CUSUM tabular
La gráfica de CUSUM de arriba detecta cambios rápidos ascendentes en el nivel del
proceso y la gráfica de CUSUM de abajo detecta cambios rápidos descendentes. Esta
gráfica utiliza límites de control (LCS y LCI) para determinar si ocurrió una situación fuera
de control.
Ejemplo para CUSUM tabular:
La tabla 1.2 muestra los valores del tiempo de espera en la atención a clientes que llamaban
a una línea comercial (línea 902). Es el tiempo, en segundos, desde que se realiza la
conexión telefónica (desde que contestan a la llamada) hasta que se es atendido por el
personal técnico (incluyendo el tiempo de espera con la típica música de fondo). Se ha
estimado con información histórica que, cuando el proceso está bajo control. Los 15
primeros datos de la tabla corresponden a una situación en la que el proceso está bajo
control: todos los operadores trabajaban en condiciones normales de trabajo y la demanda
estaba en los niveles habituales. A partir de 16 (inclusive) cambia el turno de trabajo,
incorporándose varios operadores con poca experiencia, por esta razón se sospecha que el
tiempo de espera puede aumentar.
 Universidad Politécnica de Tlaxcala

Tabla 1.2 Datos del ejemplo de tiempo de espera

Figura 1.1 Gráfico Xbar/R para todos los datos de tiempo de espera.

Figura 1.2 Gráfico individual para los datos del tiempo de espera con alertas activadas con
Xi-25
 Universidad Politécnica de Tlaxcala
La observación de estos límites de control se concluiría que se está bajo control antes y
después del cambio de turno (ocurrido en el dato 16). el gráfico de observaciones
individuales muestra una sucesión muy numerosa de puntos que están por encima de la
línea central, lo cual sería también indicio de estar fuera de control. A continuación, cómo
un gráfico basado en la acumulación de desviaciones ayudaría a detectar de forma más
clara que la media ha cambiado con el cambio de turno. Para ello se anotan las desviaciones
de cada valor respecto del valor medio nominal µ = 25 (columna 4 de la tabla 1.1). A
continuación, se suman estas desviaciones en la columna 5, donde cada valor Ci es la suma
de todas las desviaciones hasta esa observación, de esta forma:
C 1=( X 1−25 ) ,

C 2=( X 1−25 )+ ( X 2−25 )=C 1=+ ( X 2−25 ) ,

30
C 30=∑ ( X 1−25 )=C29 + ( X 30−25 ) .
i=1

Se hace el siguiente gráfico con los valores obtenidos.

Figura 1.2 Gráfico de desviaciones al valor nominal µ = 25 de los datos de tiempos de

espera
La figura 6.3 es la representación de Ci , i = 1, ..., 30. En este gráfico puede apreciarse
cómo hasta la observación 16 las desviaciones no seguían ningún patrón de aumento ni
disminución, por eso al acumularlas producen una senda o trayectoria sin ningún tipo de
tendencia. Los valores de Ci evolucionan alrededor de su valor medio, que es cero. El
siguiente paso para aprovechar la información de la representación CUSUM es la
colocación de límites de control. Tendremos entonces un verdadero gráfico de control que
nos proporcionará un criterio objetivo para detectar desajustes.
GRÁFICOS CUSUM LOGARÍTMICOS
Estos se construyen generalmente para observaciones individuales, aunque pueden
construirse para representar la evolución de algún estadístico, media, varianza, de muestras
de tamaño n > 1. Se desea controlar la evolución de una variable Xi ∼ N (µ0, σ), donde σ
 Universidad Politécnica de Tlaxcala
es conocida o se posee una estimación. El CUSUM algorítmico (o tabular) calcula las
desviaciones de cada valor respecto del valor objetivo o nominal µ0, este se distinguirá
entre desviaciones positivas y negativas, puesto que en muchas situaciones ambas
desviaciones no tienen la misma repercusión, para el ejemplo que se está usando del tiempo
de espera en un servicio telefónico, no tiene la misma importancia un aumento del tiempo
de espera (deterioro del servicio) que una disminución (mejora del servicio).
Se define un valor K a partir del cual se considera que la desviación acumulada es
significativa y este determinará la sensibilidad del gráfico de control. Si la suma acumulada
hasta la observación i−ésima es menor que cierto umbral K, pasa lo siguiente:
 Se considera que la desviación acumulada es cero.
Si el gráfico es insensible a desviaciones no significativas, será más fácil visualizar las
desviaciones que sean significativas. La representación gráfica será más limpia. Por tanto,
se tendrán dos tipos de sumas significativas acumuladas: C + i para las desviaciones
positivas y C − i para las negativas. Estas sumas acumuladas se definen de la siguiente
forma:

C +¿=acumulación
i
dedesviaciones positivas significativas ¿

+¿=max ¿ ¿
Ci

Si el proceso está bajo control, la variable Xi tomará valores cercanos al nominal y el

término C + i tenderá a tomar valores nulos.

−¿=acumulación dedesviaciones negativas significativas ¿

Ci

−¿=max ¿¿
Ci

Para el valor de K se suele elegir en función de la desviación que se quiera detectar.

Supongamos que el valor nominal de la variable de interés es µ0 y se desea detectar que el
proceso se ha desajustado pasando de un nivel medio µ0 a un nuevo nivel medio µ1. Este
valor puede expresarse en función del número de desviaciones típicas que separan de µ0, y,
por tanto, las ecuaciones quedan así:
µ1=µ 0+ δ∗σ ,
µ1=µ 0−δ∗σ ,
con el δ > 0. Se suele tomar como valor umbral K a la mitad de la distancia entre µ1 µ0:
K=(δ /2)σ =¿ µ 0−µ1∨¿ 2.
K=kσ ; k =δ /2
 Universidad Politécnica de Tlaxcala

Tabla 1.2 Datos del ejemplo de tiempo de espera para el gráfico CUSUM

Figura 1.3 Gráfico CUSUM para tiempo de espera con valor nominal µ = 25, h = 5 y k = 0,
5 de los datos de tiempos de espera

Gráficos CUSUM plantilla V

La plantilla V se basa en la representación gráfica del estadístico CUSUM
i
xj−µ 0
Ci=∑ ( )
J=1 σ

Según la fórmula donde µ0 es el valor nominal de referencia y σ la desviación típica

(conocida o estimada) de la variable de interés x. Junto a la representación de Cj se coloca
 Universidad Politécnica de Tlaxcala
la conocida como plantilla V, que es un ángulo junto con una línea horizontal. El extremo
izquierdo de la línea horizontal (punto O) se coloca en una de las observaciones, y en el
extremo derecho de dicho segmento horizontal (punto P) se coloca el vértice del ángulo. En
estas plantillas, la distancia OP y el ángulo ω determinan la sensibilidad del gráfico de
control. En la parte de abajo se muestra un gráfico CUSUM donde la plantilla está en la
última observación. Usualmente la plantilla se coloca en la última observación disponible,
con la recta OP paralela al eje de abscisas. Si los valores previos C1, C2, . . . están dentro
de los dos segmentos del ángulo de la plantilla V el proceso está bajo control. Por el
contrario, si en algún momento algún punto Ci está fuera del ángulo el proceso está fuera
de control. Según esto, la figura 6.5 revela que el proceso está fuera de control. Muchos
paquetes informáticos utilizan el procedimiento de Johnson y Leone para determinar ω y la
distancia d ≡ distancia del segmento OP.
Los parámetros se fijan de la siguiente forma:
2
2σ
d= ln ⁡(1−β /α /2)
δ n
δ
ω=arctan ⁡( )
2A
• A depende de la escala del gráfico. Es la distancia horizontal entre puntos sucesivos del
eje de abscisas medida en las unidades del eje de ordenadas. Si el gráfico se realiza con un
programa estadístico este parámetro viene ya predeterminado y no necesita calcularlo el
analista.
• δ es la sensibilidad del análisis y es el grado de desajuste que queremos detectar, en
número de desviaciones típicas. Si queremos detectar que la media aumente de µ0 a µ1 se
tiene:
µ1=µ 0+ δσ
• α es la probabilidad de una falsa alarma cuando el proceso está bajo control, • β es la
probabilidad de NO detectar una desviación δ. • n¯ es el promedio de los tamaños
muestrales. Si el gráfico es de observaciones individuales se tendrá n¯ =1
 Universidad Politécnica de Tlaxcala
Figura 1.4 Gráfico CUSUM bilateral (con plantilla V) para Tiempo de Espera, plantilla
situada en la última observación

Gráficos EWMA
Los gráficos EWMA o de medias móviles ponderadas exponencialmente (EWMA=
exponentially weighted moving-average) se realizan usualmente sobre observaciones
individuales. En este gráfico también se acumula en cada periodo los valores de
observaciones pasadas. La variable que se representa en cada periodo es un promedio de la
observación contemporánea y las observaciones anteriores, donde se da más peso a las
observaciones más recientes. En general, a este tipo de promedios donde en cada instante se
incorpora nueva información y se le va restando peso a las informaciones históricas se le
denomina media móvil (en inglés moving average), son una buena alternativa a los gráficos
de control tipo Shewhart cuando se está interesado en detectar cambios pequeños y
persistentes en el proceso. El gráfico EWMA se construye graficando el número de la
muestra i (o el tiempo) contra zi . No es difícil mostrar que la estadística EWMA (zi) es un
promedio ponderado de todas las estadísticas xi previas, pues zi puede ser expresado como:
zi= λxi+ λ (1−λ ) xi−1+· ··+ λ (1−λ ) i−1 x 1+ ( 1−λ ) i z 0
i −1
¿ λ∑ ¿¿
J =0

Si λ = 0.2, el peso asignado a la estadística actual es 0.2 y los pesos dados a las estadísticas
precedentes son 0.16,0.128,0.1024 y sucesivamente.

Figura 2.1 Pesos del gráfico EWMA para las estadísticas de control.
Como los pesos λ(1 − λ) j decaen geométricamente, el procedimiento EWMA es llamado
algunas veces promedio móvil geométrico, aunque el término EWMA es más popular, el
gráfico EWMA tiende a ser un CUSUM, cuya característica es que otorga el mismo peso a
todas las estadísticas anteriores y a la actual.
 Universidad Politécnica de Tlaxcala

Figura 2.2 Pesos del gráfico CUSUM para las estadísticas de control.
Si las estadísticas xi son variables aleatorias independientes con varianza σ 2 , entonces a
partir de la ecuación siguiente, se puede calcular la varianza de zi como:

Var ( zi )=λ [ 1+ ( 1−λ ) + ( 1−λ ) +·· ·+ ( 1− λ ) ] σ2

2 2 4 2 ( i−1)

1−( 1−λ ) 2 i 2
¿ λ2 σ
1−(1− λ)2

λ2
¿ 2
[ 1−( 1− λ ) 2i ] σ 2
2 λ−λ
λ
¿ [ 1−(1−λ) 2i ] σ 2
2−λ
Por lo tanto, la línea central y los límites de control para el gráfico EWMA son los
siguientes:
Si el estadístico EWMA se expresa como:
zi= λxi+ ( 1−λ ) zi−1 , i≥ 1
y z0 = µ0 entonces la línea central y los límites de control del gráfico EWMA son:
UCL=µ 0+ Lσ √ λ 2−λ [1−(1−λ)2i]

Línea Central = µ0 LCL=µ 0−Lσ

√ λ
2− λ
[1−(1− λ)2 i]

donde µ0 es el valor bajo control de las estadísticas xi y σ es su desviación estándar.

El término [1 − (1 − λ) 2i] tiende a uno rápidamente cuando i aumenta. Esto significa que
los límites de control se estabilizan en los valores:

UCL=µ 0+ Lσ
√ λ
2−λ
LCL=µ 0 – Lσ
λ
2– λ √
Para monitorear una característica de interés de un proceso, se toman muestras del tiempo
de manera independiente entre y que cada muestra está compuesta de N observaciones
 Universidad Politécnica de Tlaxcala
obtenidas a su vez de manera independiente y provenientes de una distribución subyacente
con varianza σ 2 . Denotando al promedio de cada muestra por ¯x1, x¯2, . . ., x¯i , . . . se
puede tomar como estadística EWMA para el control estadístico del proceso a
zi= λx i+ ( 1 – λ ) zi−1 ,i ≥ 1
La línea central y los límites de control del gráfico EWMA son los siguientes:

UCL=µ 0+ L
σ
√λ
√ n 2−λ
1−(1−λ)2 i

Línea Central = µ0 LCL=µ 0−L

σ
√λ
√ n 2−λ
1−(1−λ)2i

Los límites de control se estabilizan en: UCL=µ 0+ L

σ
√λ
√ n 2−λ
UCL=µ 0−L
σ
√ λ
√ n 2−λ
n
1
Donde: xi= ∑ xij ,i ≥1 y xi1 , xi 2 , .. . , xin son variables aleatorias independientes con
n j=1
varianza σ^2 y media µ0 cuando se encuentran bajo control.

Figura 2.3 Gráfico EWMA para los datos de Tiempo de espera, k = 3 y λ = 0, 1

En la práctica suelen elegirse valores de λ en el rango 0, 05 ≤ λ ≤ 0, 25, estando muy
extendido el uso de valores λ = 0, 05, λ = 0, 10 y λ = 0, 20. Cuanto mayor sea el valor de λ
menos importancia estamos dando los valores alejados en el tiempo. Puesto que este tipo de
gráficos se usan para detectar pequeños desajustes, se recomienda utilizar valores de λ
bajos. La figura 6.6 muestra el gráfico de control para los datos de tiempo de espera usados
anteriormente (µ0 = 25) y λ = 0, 1. Según este gráfico, el proceso está bajo control. Se
muestra el gráfico de control para los datos simulados en la figura 2.4.
 Universidad Politécnica de Tlaxcala

Figura 2.4 Gráfico EWMA para los datos de Tiempo de espera, k = 3 y λ = 0, 1

En general, el grafico EWMA es menos sensible a pequeñas desviaciones que el gráfico
CUSUM. Por esta razón, una recomendación para mejorar el comportamiento de los
gráficos EWMA ante pequeñas desviaciones es utilizar un valor de k en el rango 2, 6 < k <
2, 8 si λ < 0, 1. En el ejemplo de los tiempos de espera, en el que se desea detectar
desviaciones inferiores a 1σ, emplearemos λ = 0, 1 con k = 2, 6. El gráfico que se obtiene
se encuentra en la figura 2.4 donde se puede ya apreciarse que el proceso se encuentra fuera
de control.

Gráficos ARIMA
El procedimiento del Gráfico ARIMA (AutoRegressive Integrated Moving Average -
Promedio Móvil Integrado Auto-Regresivo) crea gráficos de control para una sola variable
numérica donde los datos fueron recolectados individualmente o en subgrupos. En contraste
con otros gráficos de control, los gráficos ARIMA no asumen que las observaciones
sucesivas son independientes. En lugar, un modelo estadístico se construye para describir la
correlación serial entre las observaciones a lo largo del tiempo. Entonces las señales de un
fuera-de-control se basan en las desviaciones del proceso de este modelo dinámico de serie
del tiempo.
El procedimiento crea dos gráficos, un gráfico ARIMA y un gráfico R, o gráfico S, o
gráfico MR(2). Los gráficos se pueden construir en cualquier modo de Estudio Inicial (Fase
1), donde los datos actuales determinan los límites de control, o en modo Control del
Estándar (Fase 2), donde los límites provienen de un estándar conocido o de datos a priori.
Modelos ARIMA
La mayoría de los gráficos de control confían en un modelo estadístico simple. Se asume
que los datos varían aleatoriamente alrededor de una media μ fija según: j a j x = μ + (1)
 Universidad Politécnica de Tlaxcala
donde aj es la asunción de que las muestras aleatorias provienen de una distribución normal
con media 0 y varianza constante 2 σ a (llamada “ruido blanco”).
El gráfico ARIMA se construye sobre una clase de modelos más complicados definida por:

En este modelo, las mediciones en el periodo j, xj , están relacionadas con las mediciones
con el periodo previo p, un choque aleatorio para el proceso aj del periodo j, y choques
aleatorios en los periodos previos q, después de aplicar una diferencia de orden d si es
necesario. Los choques representan un efecto aleatorio para el cual el proceso está sujeto en
cada periodo, por lo tanto, se asume que provienen de una distribución normal con media 0
y desviación estándar σa.
Los parámetros que definen este modelo son:
θ0 =constante

Φ 1 , φ 2 ,… , φp= parámetros auto−regresivos

θ1 , θ2 ,… θ q= parámetros de promedio móvil

El valor zj puede igualar cualquiera de las diferentes cantidades, dependiendo sobre el

orden de diferenciación d:

El gráfico ARIMA puede ser dibujado de diferentes maneras, dependiendo de la

configuración en Opciones del Análisis. Para los modelos estacionarios en los cuales los
datos varían alrededor de una media fija μ, un tipo estándar de una carta Shewhart puede
desarrollarse.

En esta carta, los datos se dibujan alrededor de una línea central localizada en μ con límites
de control en: μˆ ± kσˆ .
 Universidad Politécnica de Tlaxcala
Donde k es un múltiplo (generalmente igual a 3). La media y desviación estándar dependen
sobre el modelo ARIMA seleccionado. Para un modelo AR(2).
θ
μ=
( 1−φ1−φ2 )
y

√
1−φ 2 σ
2
σ= ( ¿) ¿
1+φ 2 ( 1−φ2 )2−φ21

En los parámetros del modelo ARIMA son estimados usando el procedimiento de

estimación por máxima verosimilitud sin condicional con estimación hacia atrás completa.
La desviación estándar de los choques aleatorios σa puede estimarse usando el cuadrado
medio del error (MSE) sobre el ajuste del modelo ARIMA o por medio del rango promedio.

Conclusión

Como bien hemos aprendido a lo largo del curso el objetivo del control estadístico de
procesos es hacer predecible un proceso en el tiempo. Es una herramienta que ayuda en la
toma de decisiones y facilita el proceso de producción; cuando se monitorean variables
continuas es importante la detección de los cambios en la variabilidad de las medidas de
localización y variabilidad aplicadas. Por lo general, en el caso univariado se utilizan las
cartas de control CUSUM y EWMA, que se construyen asumiendo normalidad e
independencia en la medida de localización y de variabilidad del proceso para una mejora
constante de una empresa. Sin embargo, estos esquemas llevan a análisis e interpretaciones
erróneas en los ensayos clínicos y químicos, en donde las variables a monitorear son
continuas con medios y varianzas no constantes y guardan relación de proporcionalidad
entre sí.
En biotecnología el uso de esas herramientas conocida como procesos de “bioestadística”
que se debe a la dada necesidad de realizar un tratamiento cuantitativo de los datos
biotecnológicos. Durante la investigación podemos resaltar que el implemento empresarial
de los gráficos especiales y de la Seis sigma es una decisión para mejorar la organización y
factibilidad de los procesos, al mismo tiempo se requiere involucrar e integrar líderes de
negocios, de proyectos, expertos, facilitadores y empleados participantes, quienes se
encargan de la planeación y dirección de la filosofía dentro de la empresa, búsqueda de
 Universidad Politécnica de Tlaxcala
problemas u oportunidades de mejora y coordinación de proyectos de solución para
disminuir los desperdicios y aumentar los rendimientos y la satisfacción de los clientes. Por
lo tanto consideramos importante enfatizar que:

 Su una metodología es muy eficaz para la mejora de los procesos que basa las
decisiones en criterios estadísticos y su objetivo es la mejora de la cuenta de
resultados.
 No emplea ninguna herramienta estadística nueva u original.
 Tiene definida una sistemática de gestión de proyectos de mejora muy potente. • Es
totalmente aplicable a la mejora de los servicios.
 Ha vuelto a poner de manifiesto que las herramientas estadísticas presentan unas
posibilidades enormes para la mejora de los procesos, de los productos y de los
servicios.
 Para aplicar estas herramientas con éxito hay que tener una mezcla de rigor
estadístico, matemático y sentido práctico.
 Los esquemas CUSUM y EWMA son muy veloces para detectar pequeños cambios
en los parámetros de interés del proceso.

Referencias Bibliográficas
 J.M. Lucas y R.B. Crosier (1982). "Fast Initial Response for CUSUM Quality-
Control Schemes: Give Your CUSUM a Head Start", Technometrics, 24, 199−205.
 Métodos y fórmulas para Gráfica CUSUM - Minitab. (2022, 1 enero). (C) Minitab,
LLC. All rights Reserved. 2022. Recuperado 27 de junio de 2022, de
https://support.minitab.com/es-mx/minitab/19/help-and-how-to/quality-and-
process-improvement/control-charts/how-to/time-weighted-charts/cusum-chart/
methods-and-formulas/methods-and-formulas/
 Gráficas para ARIMA - Minitab. (2022, 1 enero). (C) Minitab, LLC. All rights
Reserved. 2022. Recuperado 24 de junio de 2022, de
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-statistics/
time-series/how-to/arima/interpret-the-results/all-statistics-and-graphs/graphs/
 Gráficos de control con memoria CAPITULO 6. (s. f.). http://halweb.uc3m.es.
Recuperado 26 de junio de 2022, de
http://halweb.uc3m.es/esp/personal/personas/kaiser/esp/calidad/capitulo6.pdf
 Gómez Méndez, I. (2016, 1 septiembre). Gráficos de control tipo EWMA para datos
de inspección en confiabilidad. Centro de Investigación en Matemáticas, A.C.
Recuperado 27 de junio de 2022, de
http://www.statgraphics.net/wp-content/uploads/2011/12/tutoriales/Grafico%20de
%20Control%20Multivariado%20EWMA.pdf
 Universidad Politécnica de Tlaxcala
 S.T.A.T.G.R.A.P.H.I.C.S. (2006, 14 septiembre). Gráfico ARIMA. StatPoint, Inc.
Recuperado 27 de junio de 2022, de
https://www.statgraphics.net/wp-content/uploads/2011/12/tutoriales/Grafico
%20ARIMA.pdf
 Merl, G. O. (2012, 5 octubre). Gestión de la Calidad: Control Estadístico y Seis
Sigma | Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales. .
Recuperado 27 de junio de 2022, de
http://ojs.urbe.edu/index.php/telos/article/view/2014
 Navas, V. J. A. (2019, 24 junio). Carta de control EWMA para el coeficiente de
variación. . Recuperado 25 de junio de 2022, de
https://repositorio.unal.edu.co/handle/unal/8657