La siguiente figura muestra las cuatro características de calidad a controlar en un proceso de

maquinado de una terminal de un sistema de frenos automotriz.

Considere los archivos Frenos1 y Frenos2 como datos estadísticos de las fases I y II
respectivamente.

1. a) Utilice la prueba de Anderson-Darling (Minitab) para probar normalidad de los

datos en forma univariada. ¿Cuáles son sus conclusiones?

Los datos no pueden ser modelados por una distribución Normal debido a que su p-
value< 0.05 es decir 0.027<0.05.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-
value< 0.05 es decir 0.015<0.05.

Los datos pueden ser modelados por una distribución Normal debido a que su p-
value> 0.05 es decir 0.094>0.05.
Los datos pueden ser modelados por una distribución Normal debido a que su p-value> 0.05
es decir 0.097>0.05.

Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.011<0.05.
 Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.018<0.05.

Los datos pueden ser modelados por una distribución Normal debido a que su p-value > 0.05
es decir 0.085>0.05.
 Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.009<0.05.

b) Utilice la prueba de Mardia (Programa anexo en Matlab) para probar normalidad

multivariada. ¿Cuáles son sus conclusiones de ésta prueba?.

FRENOS 1

Regiones de Rechazo

Sesgo Curtosis Omnibus

20.0000 1.6449 32.6706

Estadísticos

Sesgo Curtosis Omnibus

13.8488 1.6637 16.6166

Al analizar los datos se puede observar que el sesgo es menor en el estadístico que en la región
de rechazo y la curtosis es ligeramente mayor en el estadístico que en la región de rechazo
pero a pesar de esto no afecta mucho debido a que el combinado de sesgo y curtosis se puede
observar que el valor del estadístico es mucho menor que el valor de la región de rechazo por
lo cual se puede concluir que los datos se pueden ser modelados por una distribución normal
multivariada .
FRENOS 2

Regiones de Rechazo

Sesgo Curtosis Omnibus

20.0000 1.6449 32.6706

Estadísticos

Sesgo Curtosis Omnibus

27.7031 0.3627 27.8347

Al analizar los datos se puede observar que el sesgo es mayor en el estadístico que en la
región de rechazo y la curtosis es menor en el estadístico que en la región de rechazo pero a
pesar de esto al observar los datos combinados se puede observar que el valor del estadístico
es menor que el valor de la región de rechazo por lo cual se puede concluir que los datos
multivariados se pueden ser modelados por una distribución normal multivariada.

c) ¿Cuáles son sus conclusiones en forma global?

Para una buena interpretación de los datos, se debe analizar la información de forma
multivariada, debido a que si las analizamos de forma univariada demuestra que algunos de las
variables no pueden ser modelados por una distribución normal mientras que de forma
multivariada se establece que los datos pueden ser modelados por una distribución normal
multivariada, por lo tanto se puede intentar controlar el proceso con gráficos T 2 de Hotelling,
de componentes principales, Y, M, y MEWMA.

2. Utilice la información para controlar el proceso en la fase II por medio de una gráfica
de control de Hotelling, interprete la gráfica e identifique las variables y/o
correlaciones fuera de control. Use un error tipo I de 0.05. Puede utilizar QualStat.

Fase I
 Fase II

Observación 15

Components Value Critical Value

T(var4) 12.7560 ** 4.1674
T(var3) 2.2258 4.1674
T(var1) 1.0772 4.1674
T(var2) 0.0237 4.1674

La variable que más influye para que la observación 15 se salga de control es la del
diámetro interior.

Observación 19

Components Value Critical Value

T(var1) 17.8556 ** 4.1674
T(var2) 0.2370 4.1674
T(var3) 0.2090 4.1674
T(var4) 0.0979 4.1674

La variable que más influye para que la observación 19 se salga de control es la del
diámetro exterior.

Observación 24

Components Value Critical Value

T(var4) 9.9563 ** 4.1674
T(var1) 3.0494 4.1674
T(var3) 1.5208 4.1674
T(var2) 0.0036 4.1674

La variable que más influye para que la observación 24 se salga de control es la del
diámetro interior.
Observación 34

Components Value Critical Value

T(var3.var2) 7.2391 ** 4.2752
T(var2.var3) 4.6951 ** 4.2752
T(var3.var1) 4.0735 4.2752
T(var3) 4.0371 4.1674
T(var3.var4) 3.6277 4.2752
T(var1.var3) 3.2608 4.2752
T(var1) 3.2244 4.1674
T(var1.var4) 2.9682 4.2752
T(var1.var2) 2.7639 4.2752
T(var2.var4) 2.0184 4.2752
T(var4.var2) 1.8372 4.2752
T(var2) 1.4931 4.1674
T(var4) 1.3118 4.1674
T(var4.var1) 1.0556 4.2752
T(var2.var1) 1.0326 4.2752
T(var4.var3) 0.9024 4.2752

La interacción entre las variables espesor y ancho de la cara es lo que más influye para
que la observación 34 se salga de control es la del diámetro interior.

Observación 44

Components Value Critical Value

T(var1) 4.6219 ** 4.1674
T(var4) 4.1841 ** 4.1674
T(var3) 3.5002 4.1674
T(var2) 0.1351 4.1674

Las variables que más influyen para que la observación 44 se salga de control son el
diámetro exterior y diámetro interior.

Observación 45

Components Value Critical Value

T(var1) 14.9877 ** 4.1674
T(var4) 5.0860 ** 4.1674
T(var3) 0.1017 4.1674
T(var2) 0.0237 4.1674

Las variables que más influyen para que la observación 45 se salga de control son el
diámetro exterior y diámetro interior.
Observación 46

Components Value Critical Value

T(var1) 8.1695 ** 4.1674
T(var3) 3.5002 4.1674
T(var4) 0.3486 4.1674
T(var2) 0.3377 4.1674

La variable que más influye para que la observación 46 se salga de control es la del
diámetro exterior.

Conclusión general:

Al analizar los resultados se puede observar que las variables que más influyen en los puntos
fuera de control son las variables A y D, pero un punto se encuentra afectado por la
correlación de las variables B y C.

3. Considere el archivo Frenos1 como los parámetros del proceso y desarrolle una
gráfica de control M. Interprete la gráfica y determine las variables fuera de control.

Gráfico de control M
3.5

2.5 LSC=2.2267

1.5

0.5

0
0 5 10 15 20 25 30 35 40 45 50

Para realizar el gráfico M se simularon 100000 vectores de forma aleatoria con una
distribución normal multivariada, con los cuales se determino un Cr de 2.2267, por lo cual se
dice que la gráfica se encuentra fuera de control estadístico debido a que existen cuatro
puntos fuera del límite de control.
 A B C D MAX
punto 15 0.6880693 0.12146745 1.36145224 2.80823607 2.80823607
punto 19 2.98163364 0.55335173 0.40268306 0.32445755 2.98163364
punto 24 1.19775027 0.10347227 1.12175994 2.47259032 2.47259032
punto 45 2.72679316 0.12146745 0.31639383 1.89080436 2.72679316

Nota: Los puntos en rosa sobrepasan el límite de control de 2.2267.

En el punto 15 y 24 la variable que afecta que estas se encuentren fuera de control es el

diámetro interior, mientras que para los puntos 19 y 45 es el diámetro exterior lo que provoca
que estos puntos estén fuera de control.

4. Considere los datos del archivo Frenos1 y calcule los componentes principales.
Interprete los resultados.

matrizvc =

0.0008 -0.0002 -0.0000 0.0001

-0.0002 0.0022 0.0007 0.0005
-0.0000 0.0007 0.0015 0.0003
0.0001 0.0005 0.0003 0.0052

a=

-0.9627 0.2528 -0.0943 0.0227

-0.2051 -0.4896 0.8264 0.1880
0.1713 0.8345 0.5131 0.1049
0.0435 -0.0012 -0.2121 0.9763

b=

0.0008 0 0 0
0 0.0011 0 0
0 0 0.0025 0
0 0 0 0.0053
Cp1=0.0227 A+0.1880B+0.1049C+0.9763D

La variable que más influye es el diámetro interior y la que menos es el

diámetro exterior.

Cp2=-0.0943A+0.8264B+0.5131C-0.2121D

La variable que más influye es el espesor y la que menos es diámetro exterior.

Cp3=0.2528A-0.4896B+0.8345C-0.0012D

La variable que más influye es el ancho de la cara y la que menos es el

diámetro interior.

Cp4=-0.9627A-0.2051B+0.1713C+0.0435D

La variable que más influye es diámetro exterior y la que menos es el diámetro

interior.

Componente Porcentaje total de la variación

Componente 1= 0.0053 54.639
Componente 2= 0.0025 25.773
Componente 3= 0.0011 11.340
Componente 4= 0.0008 8.247

Analizando la variación total se puede observar que los componentes que más influyen
son el 1 y el 2 debido a que estos conforman casi el 80% de la variación del proceso.
5. Considere los resultados del problema anterior para desarrollar una gráfica de
control Y en la fase II. Interprete la gráfica e identifique variables y/o correlaciones
fuera de control. Puede utilizar gráficas univariadas y gráficas de dispersión para
justificar sus resultados. Use un error tipo I de 0.05. Para la gráfica Y el límite de
control con p=4 variables es 2.491.

Gráfico de control Y
4

3.5

2.5

1.5

0.5

0
0 5 10 15 20 25 30 35 40 45 50

El gráfico demuestra que el proceso se encuentra fuera de control estadístico debido a

que existen 3 puntos fuera de control además de que el proceso se encuentra muy
cargado al límite de control.
 Al analizar el gráfico individual de la variable A demuestra que los puntos 19 y 45 se
encuentran fuera de control por lo tanto, puede provocar que en un futuro el proceso
demuestre dos puntos más fuera de control.

La variable B demuestra que se encuentra dentro de control estadístico debido a que no

muestra ningún punto fuera de control.

La variable C demuestra que se encuentra dentro de control estadístico debido a que no

muestra ningún punto fuera de control.
La variable D demuestra que se encuentra fuera de control estadístico debido a que muestra
dos puntos fuera de control los cuales son el 15 y el 24. Con este gráfico se puede observar
que los puntos que se salen de control en el gráfico Y (15-24) se deben a la variable D.

En el gráfico de dispersión demuestra que falla la correlación A-B en los puntos 19 y 45 el cual
el único problemático será el 45 debido a que puede provocar que el proceso tenga otro punto
fuera de control en el gráfico Y.
Aunque no existe una correlación fuerte es decir; no se puede establecer una tendencia en los
puntos aunque se podría decir que en este gráfico se puede establecer que los puntos que
demuestran que afecta la correlación A-C son 44, 46, 6, 2, 34, 45 y 19; de los cuales el más
problemático es el punto 34 el cual refleja que en el gráfico Y se sale fuera de control.

En el gráfico de dispersión demuestra que falla la correlación A-D en los puntos 19 y 45 el cual
el único problemático será el 45 debido a que puede provocar que el proceso tenga otro punto
fuera de control en el gráfico Y.
En el gráfico de dispersión demuestra que falla la correlación B-C en los puntos 25, 16, 8, 21,
34 y 20 de los se puede decir que debido al punto 34 se establece que en el gráfico Y se sale
fuera de control debido a la correlación que existe en estas variables.

En el gráfico de dispersión demuestra que falla la correlación B-D en los puntos 6, 16, 25, 18 y
36 los cuales no afectan a los 3 puntos que se salen del gráfico Y.
 Aunque no existe una correlación fuerte entre las variables se podría decir que el gráfico de
dispersión demuestra que falla la correlación A-B en los puntos 15, 24, 34, 33, 42, 8, 10, 46 y
35. De los cuales los que se salen fuera de control en el gráfico Y son 15, 24 y 34 por lo tanto
se observa que esos puntos se sales debido a la correlación que existe entre estas variables.

Conclusión general:

Los puntos 15 y 24 se salen fuera de control debido a la variable de diámetro interior

y a la correlación ancho de cara y el diámetro interior, mientras que el punto 34 se sale fuera
de control debido a la correlación entre las variables espesor y ancho de cara.
6. Considere la gráfica del problema anterior. Para cada punto fuera de control utilice
los componentes principales y las conclusiones de la gráfica para definir la estructura
dimensional del producto.

Vector de medias.

MU =

8.9993 1.3672 1.8723 4.8574

Matriz de varianzas y covarianzas

S=

0.0008 -0.0002 -0.0000 0.0001

-0.0002 0.0022 0.0007 0.0005
-0.0000 0.0007 0.0015 0.0003
0.0001 0.0005 0.0003 0.0052

Vectores de los puntos fuera de control

x 15 =[ 8.97 1.36 1.93 4.6 ]

x 24 =[ 8.95 1.37 1.92 4.63 ]

x 15 =[ 9.05 1.311.95 4.94 ]

a=

-0.9627 0.2528 -0.0943 0.0227

-0.2051 -0.4896 0.8264 0.1880
0.1713 0.8345 0.5131 0.1049
0.0435 -0.0012 -0.2121 0.9763

b=

0.0008 0 0 0
0 0.0011 0 0
0 0 0.0025 0
0 0 0 0.0053

limite=norminv(0.95,0,1)

limite =

1.6449
 v1 = z315 =
5.4000 vc224 = 1.3435
0.2913
v2 = z415 =
0.2117 vc324 = 1.0030
3.1885
v3 = z124 =
3.1623 vc424 = -2.9896
-8.3669
v4 = z224 =
-8.4120 vc134 = 1.5932
5.4792
vc15 = z324 =
5.1527 vc234 = 0.7908
0.1819
vc25 = z424 =
0.2927 vc334 = 1.5968
3.2678
vc35 = z134 =
3.2068 vc434 = 1.0871
-8.4322
vc45 = z234 =
-8.3836 z115 = -0.5943
-3.3971
vc124 = z334 =
5.1824 z215 = 3.1823
1.6200
z434 =
-0.7133

OBSERVACIÓN
15 24 34
Z1 -3.3971 -2.9896 1.0871
Z2 1.62 1.5932 -0.5943
Z3 1.3435 0.7908 3.1823
Z4 1.0030 1.5968 -0.7133

Al comparar las observaciones con los límites de control se determina que:

 El punto 15 falla en el componente principal 1, en el cual la variable de diámetro interior es

la que tiene el índice de participación más grande por lo cual se determina que al comparar
los datos de la observación 15 de la variable D (diámetro interior) con el vector de medias,
ésta es menor a lo esperado.
 El punto 24 falla en el componente principal 1, en el cual la variable de diámetro interior es
la que tiene el índice de participación más grande por lo cual se determina que al comparar
los datos de la observación 24 de la variable D (diámetro interior) con el vector de medias,
ésta determina que será menor a lo esperado.

 El punto 34 falla en el componente principal 3, en el cual las variables con más participación
es el espesor y el ancho de la cara por lo tanto si una variable es grande la otra se espera
que sea pequeña; por lo cual se determina que al comparar los datos de la observación 34
de éstas variables con el vector de medias, ésta determina que el espesor será menor a lo
esperado, mientras que el ancho de la cara será mayor a lo esperado.

7. Para los datos proporcionados, desarrolle una gráfica MEWMA con factores de
ponderación de 0.3 para cada una de las cuatro variables. Interprete los resultados.

Gráfico MEWMA
18

16 Limite de control=14.2
X: 35
Y: 15.97
14

12

10

0
0 5 10 15 20 25 30 35 40 45 50

El gráfico demuestra que el proceso no se encuentra en control estadístico debido a que el

punto 35 se encuentra fuera del límite de control.
8. Para el problema anterior desarrolle gráficas EWMA para cada variable con factor de
0.3. Interprete los resultados y compárelos con los del problema anterior.

El gráfico muestra que la variable de diámetro exterior se encuentra en control

estadístico, pero al analizar detalladamente cada uno los puntos se puede decir que el
punto 45 se encuentra fuera de control pero las pruebas de corridas no identifican
este punto.

La variable de espesor se encuentra en control estadístico.

 Según el gráfico demuestra que la variable de ancho de cara esta en control debido a
que las pruebas de corridas no identifican el punto 35 lo cual demuestra que la
variable “ancho de cara” esta fuera de control debido a ésta observación.

La variable de diámetro interior se encuentra fuera de control debido al punto 15,

además se observa que el punto 35 está cerca del límite superior.

Conclusión general:

La gráfica MEWMA se encuentra fuera de control debido a que la variable “diámetro

interior”
 9. Para el problema anterior considera que la variable 3 es más crítica que las otras tres
por lo que su factor de ponderación se ajusta a 0.1. Desarrolle una gráfica MEWMA e
interprete los resultados.

Gráfico de control MEWMA para el ancho de cara

15
Limite de control=12.6

10

0
0 5 10 15 20 25 30 35 40 45 50

La variable ancho de cara se encuentra en control estadístico considerando un límite

de control de 12.6.

10. Sea  j
T2  p  pˆ  j
ˆ  p ' S 1 p  el estadístico de Hotelling para
ˆ  p

controlar p fracciones defectuosas de un proceso multivariado.

Usando la analogía entre un control univariado y multivariado, represente y defina

pˆ j , p y S pˆ
en forma genérica para un proceso p variado;

n
1
p= ∑ [ p … pp ]
n j =1 1

^p j=[ ^p1 … ^p p ]

n
1
S p= ∑ [ ( ^p − p ) ( ^p j− p)' ]
n−1 j=1 j

Donde:

“n” es el número de observaciones defectuosas.

“p” es el porcentaje defectuoso de las variables.

“j” es el rango de 1 hasta n variables.