TALLER 1.- Capítulo 5 Libro “Statistical Process Control” de L.

Alwan

5.1- Está de acuerdo con este razonamiento?

En general, los procesos asociados con observaciones individuales son más comunes
que los procesos asociados con subgrupos de observaciones.

En general no, porque existen muchos procesos donde el agrupamiento se da por sí solo.
Basta con realizar mediciones con replicados y obtenemos un proceso asociado con
subgrupos de observaciones.

5.2.- De acuerdo a su experiencia, señale dos ejemplos de procesos personales sobre los
cuales Ud. podría recoger datos de variables en la forma de una serie de observaciones
individuales.

En general, en todos aquellos procesos donde el número de datos no es muy grande. En

mi caso personal, la medición de estándares de peso desconocido, con 1 dato por día.
Otro ejemplo, la temperatura ambiental medida durante un mes. (1 dato por dìa).

5.3.- ¿Cuáles son los dos estimadores de la desviación estándar del proceso que pueden
ser utilizados en la implementación de una carta X?

R = Desviación estándar muestral y el rango móvil

5.4.- ¿Cuál es el valor de C4 si la serie de datos tiene 20 observaciones? ¿Cuál es su

valor si la serie de datos tiene 50 observaciones?

C4 = 0,9869 para 20 observaciones (según tabla)

C4 para 50 observaciones, se utiliza la siguiente fórmula C4 = 4n – 4 n = 50

4n – 3
C4 = 0,9949 para 50 observaciones

5.5.- Considere el siguiente resumen estadístico para una serie de datos sobre una
variable X.

Variable N Media Mediana Tr Media Desv. Est. Desv Est (Media)

X 30 128,38 128,76 128,61 15,63 2,85

Variable Mínimo Máximo Q1 Q3

X 89,85 160,89 117,97 139,75

Utilizando una de las dos estimaciones descritas en este capítulo. ¿Cuál es una
estimación para la desviación estándar del proceso?

La que se acomoda es la desviación estándar muestral, es decir:

s 15,63
ˆ    15,76 donde C4 = 0,9914 (según la fórmula (4n -4 / 4n – 3)
c4 0,9914

Página 1 de 15
5.6.- Considere el siguiente resumen estadístico para serie de rangos móviles.

Variable N Media Mediana Tr Media Desv. Est. Desv Est (Media)

MR 39 6,436 5,655 6,196 4,399 0,704

Variable Mínimo Máximo Q1 Q3

MR 0,283 17,873 2,646 10,100

a.- ¿Cuál es una estimación para la desviación estándar del proceso?

b.- Si se construye una carta X. ¿Cuántas observaciones deberían ser consideradas?

MR 6,436
a) ˆ    5,71 donde d2 = 1,128 (según tabla)
d2 1,128

b) N + 1 observaciones, es decir; 40.

5.7.- Abajo se presentan las mediciones de una dimensión crítica (mm) sobre 20 partes
plásticas consecutivas producidas a partir de un molde de inyección:

0,6474 0,6465 0,6517 0,6504 0,6479 0,6508 0,6487 0,6462

0,6444 0,6480 0,6462 0,6508 0,6468 0,6492 0,6504 0,6516
0,6465 0,6509 0,6480 0,6539

a.- Basado en la desviación estándar de la muestra. ¿Cuál es una estimación para la

desviación estándar del proceso?
b.- Basado en el método de rango móvil. ¿Cuál es una estimación para la desviación
estándar del proceso?

a) s = 0,00242 : c4 = 0,9869 (para 20 observaciones según tabla))

s 0,00242
ˆ    2,45 x10 3
c4 0,9869

b) Los rangos móviles son

MR  0,0030

d2 = 1,128 (según tabla para n = 2)

Página 2 de 15
 MR 0,0030
ˆ    2,65 x10  3
d2 1,128

5.8.- Suponga que una serie de mediciones individuales se colocan en una columna de
una hoja de trabajo del software MINITAB. Determine la secuencia de comandos (menú
o sesión) para crear y colocar los valores de los rangos móviles en otra columna de la
misma hoja de trabajo. (Nota.- Existen a lo menos dos formas de realizar esta tarea.
Considere la opción suministrada en el menú series de tiempo (Stat / Time Series).

Stat / Time Series /

En “Differences”: Series = c1 ; store differences in = c2 ; Lag = 1 ; OK
Cal / Calculator /
Store result in variable = c3
Absolute value colocar = ABSO(¨c2¨) / OK

5.9.- Refiérase al ejercicio 5.5 y determine los valores para los límites de control de la
carta X.

  3 s   128,38  3x(15,76)  175,66

LSC X c 
 4

  3 s   128,38  3 x(15,76)  81,10

LIC X c 
 4

5.10.- Refiérase al ejercicio 5.7 y determine los valores para los límites de control
basado en la estimación de la desviación estándar de la muestra. Además, construya la
Carta X graficando las mediciones individuales con los límites calculados.

  0,6488
X

  3 s
LSC X

  0,6488  3 x( 2,45 x10 3 )  0,6562
c
 4 

  3 s
LIC X

  0,6488  3 x(2,45 x10 3 )  0,6414
c
 4 

Página 3 de 15
5.11.- Refiérase al ejercicio 5.7 y determine los valores para los límites de control
basado en la estimación del rango móvil. Además, construya la Carta X graficando las
mediciones individuales con los límites calculados.

  3 R   0,6488  3 x( 2,65 x10 3 )  0,6568


LSC X d 
 2

  3 R   0,6488  3 x( 2,65 x10 3 )  0,6408


LIC X d 
 2

5.12.- Considere la serie de datos del cronómetro introducidos en la sección 2.3.

Utilizando la estimación basada en los rangos móviles, construya una Carta X para la
serie de datos.

Página 4 de 15
Stat / Control Charts / Variables Charts for individuals / Individuals

I Chart of reading
10,3 UCL=10,2864

10,2

10,1
Individual Value

_
10,0 X=9,989

9,9

9,8

9,7 LCL=9,6916

5 10 15 20 25 30 35 40 45 50
Observation

5.13.- Tanto el rendimiento de los deportes individuales como por equipos pueden variar
en un cierto tiempo. A menudo se dice que un equipo tuvo una “buena racha” durante un
cierto tiempo, luego “una mala racha” o simplemente “un desplome”. La posibilidad de
que los procesos de rendimiento de los deportistas se encuentren actualmente en un
estado de control estadístico, es contrario a la creencia popular en rachas debido a
razones asignables. Como una medida del rendimiento del equipo, considere el punto
acumulado, el cual se define simplemente como puntos marcados por un equipo menos
los puntos marcados por su oponente. Técnicamente, estos datos son discretos; sin
embargo, un marco de trabajo de medición por variable trabaja satisfactoriamente para
esta aplicación. Abajo se presentan los puntos acumulados de juegos consecutivos para
el quipo Chicago Bulls para la primera mitad de la temporada regular de 1997 – 1998
(puntos acumulados para la temporada completa se dan en el archivo “bulls.dat”);

-7 20 4 13 -2 13 -21 -7 13 9
-4 9 15 -1 -11 5 10 22 18 -8
-2 27 7 21 8 5 10 7 6 -4
14 9 11 -27 1 5 10 -10 10 6
31

a.- Lleve a cabo un chequeo de la aleatoriedad y normalidad de los datos.

b.- Utilice la estimación basada en el rango móvil. Construya la Carta X para la serie de
datos. Complemente la Carta de control con las reglas para identificar comportamientos
inusuales (rachas). ¿Cuál es su conclusión acerca del rendimiento de los Chicago Bulls
durante ese tiempo?

Página 5 de 15
c.- Muchos escritores de deportes sugieren que los Bulls fueron “revitalizados” después
de todas sus estrellas tomaron un descanso. Abajo se presenta los puntos acumulados
para la segunda mitad de la temporada:
2 -7 18 13 7 -25 39 -8 7 2
2 9 8 37 6 22 -5 15 28 13
15 -7 10 16 6 6 2 23 15 15
17 5 14 15 18 -6 9 -9 -8 7
2

Proyecte el control retrospectivo calculado en la parte b y grafique las nuevas

observaciones. ¿Cuál es su conclusión?

a) Test de aleatoriedad
Runs Test: before

Runs test for before

Runs above and below K = 5,73171

The observed number of runs = 22

The expected number of runs = 20,9024
24 observations above K. 17 below
P-value = 0,720

Test de autocorrelación

Autocorrelation Function for before

(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10
Lag

Test de normalidad

Página 6 de 15
 Probability Plot of before
Normal
99
Mean 5,732
StDev 11,84
95 N 41
AD 0,483
90
P-Value 0,218
80
70
Percent

60
50
40
30
20

10

1
-30 -20 -10 0 10 20 30 40
before

Con los test anteriores, podemos concluir que la muestra es aleatoria, no

autocorrelacionada y los datos se ajustan bien a una distribución normal ( o sea iid.N.)

b) Carta de Control basado en el rango móvil y test de causas especiales

I-MR Chart of before

40 U C L=42,17
Individual Value

20
_
X=5,73
0

-20
LC L=-30,70
-40
4 8 12 16 20 24 28 32 36 40
O bser vation

U C L=44,76
40
Moving Range

30

20
__
M R=13,7
10

0 LC L=0
4 8 12 16 20 24 28 32 36 40
O bser vation

Según la carta no se detectan patrones que indiquen la existencia de causas especiales,

Por lo tanto, el proceso en ese lapso de tiempo se encontraba en control estadístico

Página 7 de 15
Después del descanso:

c) Test de aleatoriedad

Runs Test: after

Runs test for after

Runs above and below K = 8,48780

The observed number of runs = 21

The expected number of runs = 21,4878
20 observations above K. 21 below
P-value = 0,877

Test de autocorrelación

Autocorrelation Function for after

(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10
Lag

Test de normalidad

Página 8 de 15
 Probability Plot of after
Normal
99
Mean 8,488
StDev 12,45
95 N 41
AD 0,490
90
P-Value 0,209
80
70
Percent

60
50
40
30
20

10

1
-30 -20 -10 0 10 20 30 40
after

Con los test anteriores, podemos concluir que la muestra es aleatoria, no

autocorrelacionada y los datos se ajustan bien a una distribución normal ( o sea iid.N.)

I-MR Chart of after

U C L=45,85
40
Individual Value

20
_
X=8,49
0

-20
LC L=-28,88
-40
4 8 12 16 20 24 28 32 36 40
O bser vation

60
1
Moving Range

45 U C L=45,91

30

__
15 M R=14,05

0 LC L=0
4 8 12 16 20 24 28 32 36 40
O bser vation

Test Results for MR Chart of after

Página 9 de 15
TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 7. 8

Se encuentra que existen causas especiales, debido a un cambio en la variabilidad del

proceso.

Conclusión.- EL equipo Bulls aumentó el número de puntos acumulados debido a que

aumentó el número de anotaciones respecto a las anotaciones de su oponente, desde un.
promedio de 5,73 a 8,49 puntos acumulados. En cambio, la variabilidad prácticamente
permaneció en niveles más o menos igual  36,43 y  37,37 respecto de la media.

5.14

I-MR Chart of pts

60
U C L=54,22
Individual V alue

45

_
30 X=28,74

15

LC L=3,26
0
1 8 16 24 32 40 48 56 64 72 80
O bser vation

U C L=31,30
30
Moving Range

20

__
10 M R=9,58

0 LC L=0
1 8 16 24 32 40 48 56 64 72 80
O bser vation

El proceso se encuentra en control estadístico. No se aprecian comportamientos

anómalos que indiquen la presencia de causas especiales. En conclusión, el rendimiento
de Jordan es bastante regular.

5.15 y 5.16 es semejante a las anteriores.

5.17.-

a)

Página 10 de 15
 I-MR Chart of acct
1

150
U C L=147,36
Individual Value

140

130 _
X=127,30

120

110
LC L=107,23
3 6 9 12 15 18 21 24 27 30
O bser vation

30 1
1

U C L=24,65
M oving Range

20

10 __
M R=7,54

0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser vation

b) Detección de causa especial

Test Results for I Chart of acct

TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 13

Test Results for MR Chart of acct

TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 13. 14

Se encuentra un cambio en variabilidad y un cambio en media en el proceso, lo que

indicaría la presencia de una causa especial.

b) Una cifra que se escapa al resto es la de 153.923, lo que podría deberse a que en esa
semana las ventas aumentaron porque había un contrato especial realizado con una
firma sólo por ese tiempo, por lo que ese valor no refleja el normal balance de la
empresa.

c) Para fijar los límites prospectivos, el dato anterior debe ser eliminado.

Página 11 de 15
 I-MR Chart of acct
U C L=142,09
140
Individual Value

130 _
X=126,38

120

110 LC L=110,67
3 6 9 12 15 18 21 24 27
O bser vation

20
U C L=19,31

15
M oving Range

10
__
M R=5,91
5

0 LC L=0
3 6 9 12 15 18 21 24 27
O bser vation

Por lo tanto los límites prospectivos son:

LSC = 142,090
LIC = 110,670

5.18 y 5.19 son igual que los anteriores

5.20.-

Stats / Time Series / Trend Analysis

Página 12 de 15
 Trend Analysis Plot for sales
Linear Trend Model
Yt = 61,4307 + 0,642185*t
Variable
Actual
80 Fits

Accuracy Measures
MA PE 2,56537
75 MA D 1,82788
MSD 4,69833
sales

70

65

60
3 6 9 12 15 18 21 24 27 30
Index

Regression Analysis: sales versus time

The regression equation is

sales = 61,4 + 0,642 time

Predictor Coef SE Coef T P

Constant 61,4307 0,8402 73,12 0,000
time 0,64218 0,04733 13,57 0,000

S = 2,24364 R-Sq = 86,8% R-Sq(adj) = 86,3%

Analysis of Variance

Source DF SS MS F P
Regression 1 926,87 926,87 184,12 0,000
Residual Error 28 140,95 5,03
Total 29 1067,82

Trend Analysis for sales

Data sales
Length 30
NMissing 0

Fitted Trend Equation

Yt = 61,4307 + 0,642185*t

Según la información suministrada por el Minitab, la curva de regresión se ajusta bien a

una línea recta, puesto que los resultados explican el 86,8 % de la variabilidad. Además,
el tiempo es una variable significativa (P = 0,000). El coeficiente del tiempo indica que
el proceso es estacionario (entre 1 y -1)

Página 13 de 15
Los límites son:

MR
Limites _ de _ Control   0   1 x1  3 *
d2
MR
Limites _ de _ Control  FITS1  3 *
d2
Agregar en una nueva columna los valores ajustados (FITS1) de la siguiente manera:
Calc / Calculador

Para el LSC
Store result in variable = c4 (en c4 colocar LSC)
Expression = 'FITS1'+3*(2,698/1,128)
OK
Para el LIC
Store result in variable = c5 (en c5 colocar LIC)
Expression = 'FITS1'-3*(2,698/1,128)
OK
Para graficar:
Graph / Time Series Plot / Multiple
Agregar: sales FITS1 LSC LIC
OK

Time Series Plot of sales. LSC. LIC. FITS1

90 Variable
sales
LSC
LIC
FITS1
80
Data

70

60

50
3 6 9 12 15 18 21 24 27 30
Index

Nota.- Además, los residuos tienen un comportamiento aleatorio (run Test), no están
correlacionados (Autocorrelation) y se distribuyen normalmente (normality test), lo que
implica que el modelo de tendencia describe adecuadamente los datos del proceso.

Página 14 de 15
b) Para el período 35, tenemos:
2,698
LSC  61,4307  0,642185 * (35)  3 *
1,128
LSC  91,083
2,698
LSC  61,4307  0,642185 * (35)  3 *
1,128
LSC  76,732

c) La carta de causas especiales se aplica en este caso a los residuos. Como los residuos
están iid.N(0, 2), entonces en Minitab se analiza en :
stat / control charts / variables charts for individuals / individuals
Colocar todos los test a probar. OK

I Chart of RESI2
8
UCL=6,89
6

4
Individual Value

2
_
0 X=-0,00

-2

-4

-6
LCL=-6,89
-8
3 6 9 12 15 18 21 24 27 30
Observation

Por lo tanto, no hay causas especiales.

Nota.- Esto es previo a calcular cualquier límite de control

Página 15 de 15