1

UNA APROXIMACIN ROBUSTA DE LA T

2
DE HOTELLING
MEDIANTE TRUNCAMIENTOS

Jos Luis Alfaro Navarro
Departamento de Economa y Empresa
Universidad de Castilla-La Mancha
e-mail: JoseLuis.Alfaro@uclm.es


Juan Fco. Ortega Dato
Departamento de Economa y Empresa
Universidad de Castilla-La Mancha
e-mail: JuanFco.Ortega@uclm.es



Resumen
Cuando se utilizan grficos de control para analizar la calidad de los productos
desarrollados en un proceso productivo, se suele diferenciar dos etapas. En la primera
de ellas, el perodo base, se estiman los parmetros que posteriormente se utilizarn para
comprobar si un determino producto est bajo control o no, en el perodo de vigilancia.
Para estimar dichos parmetros se utilizan las muestras disponibles de las variables en
juego, bajo ciertos supuestos de los vectores de observaciones. La presencia de ciertas
observaciones anmalas en dichas muestras, resultado de errores de medicin,
interpretacin o en definitiva observaciones no genuinas del proceso en estudio,
llevaran a obtener estimaciones que puede desviarse del valor original, incidiendo por
tanto en el comportamiento del grfico de control.
En el presente trabajo se analiza el comportamiento de los grficos de control
ante la presencia de observaciones atpicas, proponiendo un mtodo que presente un
buen comportamiento ante dichas observaciones.

Palabras Clave: Control de Calidad. Robustez. Medias Truncadas.
2
1.- Introduccin

Dentro de las tcnicas estadsticas de control de la calidad, los grficos de control son
los ms utilizados en los procesos industriales para controlar la calidad de los
productos. Estos grficos son bsicamente una representacin de alguna o varias
caracterstica de calidad que se miden durante el funcionamiento del proceso y que
nos van a servir para determinar la adecuacin o no del producto a los estndares
establecidos.
Los grficos de control se suelen establecer para algunas medidas de posicin
y de dispersin, de manera que sea posible controlar las variaciones del proceso en
trminos medios o en trminos de variabilidad. Con el desarrollo de los procesos
industriales ha sido necesario establecer grficos de control multivariantes que nos
permiten analizar de forma simultnea varias caractersticas de calidad al mismo
tiempo, considerando el efecto de cada caracterstica sobre la calidad final del
producto elaborado, y el efecto que la interaccin entre esas caractersticas tiene
sobre la calidad final del producto.
En la elaboracin de un grfico de control se pueden diferenciar dos etapas.
En la primera, que se denomina perodo base, se estiman los parmetros de una
cierta medida y sus lmites de control, es decir, cotas que nos proporcionan una
regin de aceptacin, que se utilizan posteriormente en la elaboracin del grfico de
control. En la segunda etapa, denominada perodo de vigilancia, se utilizan dichas
estimaciones y cotas para saber si el proceso permanece bajo control a medida que se
van generando nuevas observaciones.
Para estimar los parmetros en el periodo base se utilizan las muestras
disponibles de las variables en juego, bajo ciertos supuestos de los vectores de
observaciones, de manera que un problema que puede aparecer en dicha estimacin,
es la presencia de ciertas observaciones en dichas muestras que sean el resultado de
errores de medicin, de interpretacin u otros, y que en definitiva no sean una
observacin genuina del proceso en estudio. En este caso, si los mtodos o
estimadores utilizados en la determinacin de los parmetros no son resistentes a
3
estas observaciones indeseables, estas contaminaciones nos llevaran a obtener unas
estimaciones que puede desviarse del valor original, incidiendo por tanto en el
comportamiento del grfico de control y haciendo que no sea el deseado. Por esto, es
necesaria la implantacin de estimadores y mtodos en general en el perodo base
que sean resistentes a estas observaciones indeseables.
Con este objetivo, en el presente trabajo se va a analizar el comportamiento
de los grficos de control multivariantes para observaciones individuales ante la
presencia de estas observaciones indeseables. Para estos grficos vamos a proponer
un mtodo para estimar los parmetros que presenten un buen comportamiento ante
la presencia de observaciones atpicas. As, comenzaremos en la seccin 2
introduciendo las tcnicas clsicas de control de calidad desde un punto de vista
multivariante, haciendo especial referencia al grfico de control T
2
de Hotelling, y
presentando las aproximaciones robustas a este estimador, ms relevantes, que
aparecen en la literatura especializada. Posteriormente, en la seccin 3, proponemos
una aproximacin robusta a T
2
de Hotelling mediante truncamientos, estudiando su
comportamiento en la seccin posterior, seccin 4, mediante una serie de ejemplos
muy utilizados en la literatura especfica. Por ltimo, en la seccin 5 del trabajo se
presentan unos comentarios finales a modo de conclusiones.

2.- El estimador T
2
de Hotelling

En el campo del control estadstico de la calidad, desde un punto de vista
multivariante, una de las herramientas ms utilizadas es el grfico de control T
2
de
Hotelling. Este grfico de control se puede considerar como la extensin
multivariante de los conocidos grficos de control creados por Shewhart (Shewhart,
1986).
As, el estadstico T
2
de Hotelling es una variable aleatoria, unidimensional,
que se construye combinando informacin para la dispersin y media de las
caractersticas de calidad que estamos utilizando en nuestro anlisis. Para su perfecta
definicin debemos introducir la siguiente notacin.
4
Consideremos un conjunto de p variables {Xj}j=1,2,...,p de las cuales se conoce
un conjunto de n observaciones, es decir, podemos considerar una muestra de np
observaciones de la forma x={xij}n,p, donde xij es la observacin i-sima de la
variable j-sima.
Bajo los supuestos de que cada variable Xj es Normal de parmetros j y j
(para j=1,2,...,p), siendo entonces X=(X1,X2,...,Xp) NM( ,) con =( 1, 2,..., p) y
la matriz de varianzas-covarianzas, se define T
2
para la observacin i-simo de la
forma:
t
i i i
x x T ) ( ) (
1 2
=

donde xi
representa el vector de la i-sima observaciones para las p variables, siendo
su distribucin una
2
p
.
Cuando no se conoce el valor de la matriz de varianzas y covarianzas y/o el
vector de medias de las caractersticas de calidad que estamos analizando, es
necesario estimar dichos parmetros. Un mtodo habitual para este fin, es utilizar las
muestras disponibles para obtener la informacin de esos parmetros, partiendo de la
suposicin de normalidad e independencia en las observaciones. Si utilizamos como
estimadores el vector de medias y la matriz de varianzas-covarianzas muestrales, el
estadstico T
2
para la observacin i-sima va a tener la siguiente forma:
t
i i i
X x S X x T ) ( ) (
1 2
=

(1)
donde, X es el vector de medias para las p variables, es decir, X =( 1 X , 2 X ,..., p X )
con j X la media de las observaciones para la variable j-sima, y S es la matriz
formada por las varianzas-covarianzas entre las variables consideradas, es decir
S=(Cov(X
u
, X
v
))
u,v=1,2,...p
siendo ) ( ) (
1
1
) , (
1
v
iv
n
i
u
Iu v u
X x X x
n
X X Cov

=

=
.
Bajo algunas suposiciones, Tracy, Young y Mason (1992), demuestran que la
distribucin del estadstico T
2
de Hotelling es:
p n p
F
np n
n n p
T

,
2
2
) 1 )( 1 (

5
donde Fp,n-p es la distribucin F de Snedecor con p y (n-p) grados de libertad en el
numerador y denominador respectivamente. Si bien, en este trabajo vamos a
considerar que la distribucin del estadstico T
2
es
2
p
.
Los lmites de control elegidos habitualmente para la perodo base son:
2
,
2
) (
p
T LSC

=
donde es el nivel de significacin considerado (habitualmente 0.0027), mientras
que el lmite inferior de control va a estar situado en cero, dado que T
2
es una
distancia.
En el perodo base podemos analizar si el proceso se encuentra bajo control o
no, mediante la representacin grfica de cada uno de los valores T
2
junto a dicho
lmite de control. As, cuando el valor T
2
para todas las muestras sea inferior al
LSC(T
2
), el proceso se considera bajo control y en caso contrario existe una anomala
que nos lleva a una situacin fuera de control que debe ser estudiada.
Las suposiciones de partida, en la mayora de aplicaciones prcticas de dicho
grfico de control, en pocas ocasiones se van a cumplir. As, en la prctica, va a
existir autocorrelacin en las observaciones, lo que afectar en el grfico de control
produciendo un aumento de las falsas alarmas, es decir, situaciones marcadas como
fuera de control por el grfico cuando realmente estn situadas bajo control.
Referente a la suposicin de normalidad, en ocasiones no se cumple en la prctica, de
manera que el efecto del incumplimiento de esta suposicin va a depender de la
mayor o menor dispersin que presente la verdadera distribucin de las
caractersticas de calidad que estemos analizando.
Otro aspecto a tener en cuenta es que el estimador T
2
de Hotelling se basa en
estimadores de posicin y escala que son poco resistente a observaciones atpicas,
como son la media y la matriz de varianzas-covarianzas, por lo que su
comportamiento en muestra contaminadas ser poco fiable.
Intentando paliar estas deficiencias del estimador T
2
ante contaminaciones
indeseables, se encuentran en la literatura especfica diversos procedimientos
basados en el uso de estimadores de posicin y escala robustos. Estos procedimientos
6
se basan en la sustitucin de los estimadores media y varianza por otros, con buenas
propiedades ante las observaciones atpicas, de manera que el nuevo estimador
definido est protegido de posibles contaminaciones.
De los trabajos en esta lnea podemos destacar los realizados por Vargas
(2002), en el que se estudia el control de calidad multivariante para observaciones
individuales considerando distintas alternativas robustas. Otros trabajos son el
presentado por Rocke (1989), este para (p=1), y el realizado por Yi Dou y Ping Sa
(2002). Por ltimo, y ms general ya que considera grupos de observaciones para
cada una de las variables, es el trabajo de Niang (2002), que utiliza estimadores
robustos de posicin de las familias de los M-Est. y W-Est.

3.- Una aproximacin mediante truncamientos de T
2


Una posible alternativa a los procedimientos antes expuestos, es considerar la familia
de estimadores de posicin conocida por Medias Truncadas (Trimmed Means), las
cuales presentan buenas propiedades en presencia de observaciones atpicas.

3.1.- La Familia de Medias Truncadas

Los elementos de la familia de Medias Truncadas utilizan para su definicin un
nmero real que denotaremos por , con ste en el intervalo [0,50), que hemos
llamado Nivel de Truncamiento. As, la Media Truncada a Nivel de Truncamiento ,
que denotaremos por _Truncada, se construye como la media de las observaciones
de la muestra eliminando el % de las observaciones mayores y el % de las
menores. Es decir:

7
Definicin 1 Dada la variable unidimensional X, de la que se conoce una muestra
de n elementos dada por x={x
1
,x
2
,...,x
n
} y un valor [0,50), se define el elemento
_Truncada sobre x, denotndolo por _Trun(x), de la forma:
[ ]

+ =

=
a n
a i
i
x
a n
x Trun
1
2
1
) ( _
donde a=Int (n/100) y denotamos por x
[i]
a la observacin en la posicin i-sima de
una ordenacin de menor a mayor de los elementos de x.

Notar que el estimador _Trun(x) es la media de las observaciones de la
muestra x al eliminar 2a observaciones de ella, que son, las a menores y las a
mayores. De esta manera 0_Truncada coincide con la Media muestral, y si tiende a
50, entonces el concepto tiende a la Mediana muestral. Tomando por convenio que
50_Truncada es la Mediana, podemos definir las _Truncadas en la Definicin 1
para todo en el intervalo cerrado [0,50].
De las propiedades ms importantes de estos estimadores, podemos destacar
que; utilizando Estadsticos Ordenados se demuestra que, para cualquier ,
_Truncada es un estimador Insesgado del parmetro de posicin de una variable
con Distribucin Simtrica, siendo, adems, en muestras x de variables normales
X N(,), Consistentes, en Media Cuadrtica, de . Por otra parte, el
comportamiento de los elementos de esta familia sobre aquellas propiedades
aconsejables para estimadores que sern utilizados en presencia de observaciones
atpicas
1
, podemos destacar que; estos estimadores son Equivariantes Afn; tienen
Punto de Ruptura dependiente del Nivel de Truncamiento considerado (a+1)/n; con
Punto de Ruptura Asinttico de /100; y son B-Robustos siempre que a 1, es decir,
tienen Funcin de Influencia acotada. Por otra parte, de la controversia entre
Robustez y Eficiencia (considerando Eficiencia Relativa con respecto a la Media),
debemos hacer notar que la Eficiencia de estos estimadores en Normalidad
2
puede
ser aproximada mediante la forma lineal (100-0.723)% para [0,50], por lo que

1
Hoaglin y otros (1983) o Rousseeuw y Leroy (1987).
2
Hampel y otros (1986).
8
los elementos de esta familia recorren los diferentes rangos de esta propiedades entre
el 64% (de la Mediana) y el mximo (el 100% de la Media).
En la Definicin 1 el Nivel de Truncamiento juegan un papel decisivo, en
tanto en cuanto son las que determinan la robustez y eficiencia del estimador que
generan. En Ortega (2003) se propone un procedimiento mediante el cual, bajo
ciertos supuestos, es posible determinar un Nivel de Truncamiento ptimo para las
_Truncada. Este ser el criterio adoptado en el presente trabajo.

3.2.- Definicin de
2
R
T

Siguiendo la definicin del estadstico T
2
de Hotelling en (1), y los estudios dirigidos
a conseguir robustificaciones de este estimador, es posible construir un estimador
simtrico a T
2
utilizando estimadores de posicin y escala que sean ms resistentes a
las posibles observaciones atpicas.
En nuestro caso, mediante la familia de estimadores de posicin _Truncadas
vamos a definir un nuevo estimador de manera lo ms simtrica a T
2
posible, pero
considerando como estimadores tanto de posicin como de escala unos construidos
mediante truncamientos. Las buenas propiedades de los elementos de la familia
_Truncadas protegern al nuevo estimador de contaminaciones indeseables,
asegurando un comportamiento adecuado en presencia de observaciones atpicas.
Se han estudiado varias posibilidades para la construccin de la aproximacin
robusta de T
2
mediante truncamientos.
Un primer estudio ha ido dirigido a considerar slo un cambio en la
construccin del estimador de posicin. As, sustituyendo X por un estimador de
posicin para ciertas _Truncadas, se consigue proteger los resultados de posibles
contaminaciones. Esta opcin ha sido rechazada, ya que el estimador de escala, la
matriz de varianzas-covarianzas, seguira estando influenciada por estas
observaciones anmalas, dada la poca robustez de esta matriz.
9
La segunda opcin sustituye en todos los casos medias por _Truncadas,
consiguiendo un estimador de posicin como en la primera idea propuesta, y un
estimador de escala que s recoge informacin de la dispersin de las observaciones
de la muestra protegida sta de posibles observaciones atpicas. Esta opcin es, por
otra parte, la construccin ms simtrica a T
2
, denotndola
2
R
T , y por lo tanto su
estudio y comportamiento ser ms fcil de analizar. Veamos la construccin paso a
paso del estimador
2
R
T .
Debemos empezar por construir el vector de medias truncadas, utilizado en
(1). As, construimos sobre cada conjunto {xij}i un Nivel de Truncamiento j que nos
proporcionan las medias truncadas para la variable j-sima. As, definimos:
) } ({ _
i ij j
R
j x Trun X =
definiendo el vector de medias truncadas de la forma:
) ,..., , ( 2 1
R
p
R R R
X X X X = (2)
El segundo paso es definir un estimador de escala que sustituya a S en la
ecuacin (1), mediante truncamientos, de manera simtrica.
As, sobre el conjunto
n i
R
v
iv
R
u
iu
X x X x
,..., 2 , 1
)} )( {(
=
construimos unos
Niveles de Truncamiento denotados por uv que nos permiten definir los elementos:
) )} )( ({( _ ) (
i
R
v
iv
R
u
iu uv uv
R
uv
X x X x Trun C S =
donde C(uv) es un Coeficiente de Consistencia, dependiente del Nivel de
Truncamiento uv , siendo para =0 de valor n/(n-1) y para otros los tabulados en el
trabajo Ortega (2000).
As, definimos la matriz S
R
de la forma:
p v
p u
R
uv R
S S
,..., 2 , 1
,..., 2 , 1
) (
=
=
= (3)
donde en la prctica, ser necesario asegurarse que la matriz S
R
sea definida positiva.
10
Una vez que tenemos los elementos simtricos mediante truncamientos a lo
que utiliza T
2
, estamos en disposicin de definir el estadstico
2
R
T .

Definicin 2 Consideremos un conjunto de p variables {X
j
}
j=1,2,...,p
de las cuales se
conoce un conjunto de n observaciones, es decir, podemos considerar la muestra
x={x
ij
}
n,p
, donde x
ij
es la observacin i-sima de la variable j-sima. Entonces,
definimos el estadstico
2
R
T para la observacin i-sima de la forma:
t R
i R
R
i i R
X x S X x T ) ( ) ( ) (
.
1
.
2
=


donde
R
X y SR, matriz definida positiva, son estimadores de posicin y escala
mediante truncamientos, ecuaciones (2) y (3).

De esta forma definimos la aproximacin robusta de la T
2
de Hotelling cuyas
propiedades sern estudiadas a continuacin.

3.3.- Propiedades del estadstico
2
R
T

El objetivo de los mtodos estadsticos en el perodo base del control estadstico de
la calidad, es determinar estimadores que sean utilizados posteriormente en la
construccin de un indicador sobre si el proceso est bajo control o no.
As, dado que en la definicin de
2
R
T , Definicin 2, se utilizan los estimadores
de posicin y escala definidos mediante truncamientos, ecuaciones (2) y (3), dichos
estimadores estn protegidos ante estas observaciones.
La familia {j}j
protegen al estimador de posicin utilizado en la
construccin de
2
R
T de las posibles contaminaciones dadas las propiedades conocidas
de dichos estimadores, de manera que los valores
R
j X estn menos influidos por las
11
observaciones atpicas que los primeros j X utilizados en T
2
. Adems, si j=0 para
todo j, entonces X X
R
= .
Por otra parte, los niveles uv intenta eliminar las influencias de las posibles
contaminaciones en el estimador de escala SR, siempre bajo el supuesto de que dicha
matriz sea definida positiva, garantizando que no existan influencias de las
observaciones atpicas por parte de correlaciones entre las variables del modelo.
Adems, si uv=0 para todo par de variables entonces SR=S.
En definitiva, el estimador
2
R
T est protegido ante la presencia de
observaciones atpicas, de manera que si todos los Niveles de Truncamientos
utilizados son cero, este coincide con T
2
.
Ya que
i R
T ) (
2
proporciona la distancia de la observacin i -sima al vector
R
X , que es estimador robusto de , corregida por SR, estimador robusto de , y
conocidas las propiedades de la familia _Truncadas, el comportamiento del nuevo
estimador en muestras de tamao n de una variable X NM( ,) de dimensin p, ser,
en convergencia, de la forma:
2 2
) (
p i R
T
donde
2
p
es la distribucin Chi-Cuadrado con p grados de libertad.

4.- Ejemplo ilustrativo.

Para analizar el comportamiento de
2
R
T , vamos a aplicarla en un ejemplo en el que se
estudian tambin otras aproximaciones robustas.
El ejemplo es el estudiado en el trabajo de Vargas (2002), donde se analiza la
calidad de cierto producto, usando para ellos dos variables de las que se conocen una
muestra de 30 observaciones, mediante la medida T
2
junto con otras aproximaciones
robustas usando los estimadores MVE (Rousseeuw y Croux, 1990), el denotado por
12
MCD (Rousseeuw y Van Driessen, 1999) y otros dos mtodos propuestos por
Sullivan y Woodall (1996) denotados por SW1 y SW2.
Los datos de las dos variables en estudio, junto con los valores para las
medidas T
2
y
2
R
T estn recogidas en la Tabla 1.

Produ
ct No.
X1 X2
2
i
T
2
R
T
1 0.567 60.558 0.807 1,333
2 0.538 56.303 12.980 25,544
3 0.530 59.524 0.137 0,229
4 0.562 61.102 1.837 3,431
5 0.483 59.834 1.570 2,058
6 0.525 60.228 0.330 0,593
7 0.556 60.756 0.977 1,829
8 0.586 59.823 0.905 1,124
9 0.547 60.153 0.127 0,235
10 0.531 60.640 0.801 1,575
11 0.581 59.785 0.719 0,898
12 0.585 59.675 0.910 1,175
13 0.540 60.489 0.484 0,960
14 0.458 61.067 5.241 8,409
15 0.554 59.788 0.074 0,087
16 0.469 58.640 3.536 5,185
17 0.471 59.574 2.270 2,919
18 0.457 59.718 3.244 4,184
19 0.565 60.901 1.398 2,521
20 0.664 60.180 6.833 8,550
21 0.600 60.493 1.898 2,542
22 0.586 58.370 3.356 6,081
23 0.567 60.216 0.428 0,601
24 0.496 60.214 1.184 1,752
25 0.485 59.500 1.497 1,946
26 0.573 60.052 0.484 0,605
27 0.520 59.501 0.290 0,426
28 0.556 58.476 2.064 4,024
29 0.539 58.666 1.386 2,721
30 0.554 60.239 0.240 0,408
Tabla 1

13
La construccin de mediadas anteriores, junto con las del trabajo de Vargas,
responden a la estructura dada en la ecuacin (1), es decir:
t
i i i
X x S X x T ) ( ) (
1 2
=

pero donde ahora X es el estimador de posicin considerado para las 2 variables y S
es el estimador de escala, tambin segn la medida, de dichas variables. Estos
estimadores se recogen en la Tabla 2.

Medias Varianzas Covarianza
X
1
X
2
X
1
X
2

T
2
0.541500 59.8155 0.002203 0.955066 0.003996
2
R
T 0.542125 59.8155 0.001740 0.489748 0.003996
2
MVE
T 0.522330 59.8457 0.008627 0.359183 0.002476
2
MCD
T 0.550524 60.1256 0.000872 0.310411 0.003006
2
1 SW
T 0.541500 59.8155 0.001468 0.938384 0.003107
2
2 SW
T 0.537720 60.0028 0.001640 0.370824 0.011037
Tabla 2: Estimadores de posicin y escala para las diferentes medidas.

En el caso de
2
R
T , los citados estimadores de posicin y escala se construyen
mediante ciertos niveles de truncamientos aplicados sobre los datos. En este caso,
para la construccin del estimador de posicin los niveles de truncamiento utilizados
son de valores 1=10 para la variable X1, y de 2=0 para la variable X2, mientras que
para el estimador de escala, se han utilizado los niveles de truncamiento de valores
X1,X1=40 para la varianza de la primera variable, y X2,X2=36.66 para la de la
segunda. En el caso de la covarianza entre las variables, el nivel de truncamiento es
X1,X2=0.
Notar que los estimadores de posicin y escala presentados en la Tabla 2, son
similares para las diferentes medidas robustas, observndose una gran diferencia
entre la varianza para el estimador clsico respecto de la obtenida para las robustas,
lo que presupone la existencia de observaciones atpicas en esta variable situadas en
14
ambos extremos de la muestra, dado que los estimadores de posicin no detectan
estas anomalas.
Por otra parte, si comparamos los resultado de la Tabla 1, frente al lmites de
control, calculado mediante una
2
con dos grados de libertad y aun nivel de
significacin de 0.003, de valor 11.618, podemos observar que para ambas medidas
existe una observacin situada fuera de los lmites control, esta observacin aparece
en negrita y corresponde a la observacin nmero dos. Por lo tanto, en los dos casos
el grfico de control nos indica la existencia de una observacin fuera de control y
por lo tanto que existe una situacin que va a ser necesario investigar. Aunque hay
que tener en cuenta que el comportamiento de la aproximacin robusta protege los
resultados de posibles observaciones atpicas, por lo que, va a ser recomendable usar
dicha aproximacin.

5.- Conclusiones.

Cuando se utilizan los grficos de control desarrollados mediante la estimacin
clsica del vector de media y de la matriz de varianzas-covarianzas, puede ocurrir, en
muchos casos, que la presencia de algunas observaciones fuera de control no sean
detectadas ante la existencia de observaciones atpicas en la muestra de referencia..
En este trabajo ha sido desarrollada una alternativa al clsico estadstico T
2
de
Hotelling, que hemos denotado como
2
R
T . En ella se utilizan estimaciones de los
parmetros, necesarios para calcular dicho estadstico, robustas, siendo estos basados
en las conocidas medias truncadas.
En definitiva, el estimador
2
R
T est protegido ante la presencia de
observaciones atpicas, coincidiendo con T
2
si el procedimiento de eleccin del nivel
de truncamiento no detecta ninguna, es decir, si todos los Niveles de truncamientos
utilizados son cero, por lo que creemos que su uso es apropiado.


15
Referencias
1. Alfaro, J. L. (2002): Mtodos Multivariantes en Control Estadstico de la
Calidad. Documentos de Trabajo de la Facultad de CC. Econmicas y
Empresariales de Albacete (Doc: 2/2002/2).
2. Fuchs, C.; Kenett, R. S.(1998): Multivariate Quality Control. New York,
Marcel Dekker.
3. Montgomery, D.C. (2001): Introduction to Statistical Quality Control.
(Fourth Edition). Ed. John Wiley and Sons, Inc.
4. Niang, N. (2002): Multidimensional Methods for Statistical Process Control:
Some Contributions of Robust Statistics. en Multivariate Total Quality
Control de Lauro, C; Antoch, J. Vinzi y Saporta, G. Editores.
5. Ortega, J.Fco. (2000): Nuevas Familias de Estimadores Robustos y Deteccin
de Observaciones Atpicas en Modelos Lineales. Tesis Doctoral. Univ. de
Castilla-La Mancha.
6. Ortega, J.Fco. (2003): Eleccin de un Nivel de Truncamiento ptimo para la
familia de Medias Truncadas. Actas del la 27 reunin de la Sociedad de
Estadstica e Investigacin Operativa (SEIO).
7. Rocke, D.M. (1989): Robust control charts. Technometrics. Vol.31, No.2.
8. Rousseeuw, P.J. y van Zomeren, B.C. (1990): Unmasking Multivariate
Outliers and Leverage Points (with discussion). Journal of the American
Statistical Association 85.
9. Rousseeuw, P.J. y van Driessen, K. (1999): A Fast Algorithm for the
Minimum Covariance Determinant Estimator. Technometrics 41.
10. Ryan, T.P. (2000): Statistical Methods for Quality Improvemente. Jonh
Wiley and Sons, Inc.
11. Shewhart (1986): Statistical method: from the viewpoint of quality control.
Ed. Dover, New York.
16
12. Sullivan, J.H. y Woodall, W.H, (1996): A Comparison of Multivariate
Control Charts for Individual Observations. J. of Quality Technology 28.
13. Tatum, L.G.(1997): Robust Estimation of the Process Standard Deviation
for Control Charts. Technometrics 3, pp: 127-141.
14. Tracy, N. D., Young, J. C. y Mason, R. L. (1992). Multivariate Control
Charts for Individual Observations, J. of Quality Technology, 24, 88-95.
15. Vargas, J.A. (2002): Robust Estimation in Multivariate Control Charts for
Individual Observation. Journal of Quality Technology (en prensa).
16. Yi Dou y Ping Sa (2002): One-sided control charts for the mean of
positively skewed distributions. Total Quality Management, Vol.13, No.7.