Académique Documents
Professionnel Documents
Culture Documents
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
Bibliografa
G ti y C
Gestin
Control
t ld
de C
Calidad
lid d
(Ingeniera Civil)
Hernaldo Reinoso
Marzo 2013
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
Contenidos
Captulo 4
G fi
Grficos
de
d C
Control
t l
1. Grficos de Control
1.1 Grficos de control para variables
1.2 Grficos de control para atributos
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
Causas Asignables
Causas Comunes
Proceso en control
Variacin aleatoria
Suelen ser muchas y
cada
d una produce
d
pequeas variaciones
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el proceso
Seccin 1.1
Grficos de Control para Variables
60
Variacin normal
debida a la aleatoriedad
LSC
55
50
45
Variacin anormal
debida a causas asignables
LIC
40
1
8 9 10 11 12 13 14 15 16 17
Muestra
Obs
1
Obs
2
Obs
3
Obs
4
Obs
5
Muestra
Obs
1
Obs
2
Obs
3
Obs
4
Obs
5
123
131
130
130
130
16
122
131
131
122
126
125
127
128
123
124
17
131
123
124
122
125
131
129
124
129
125
18
130
124
128
125
123
129
100
132
124
127
19
127
123
125
131
127
123
127
123
128
129
20
0
124
128
8
127
122
129
9
126
125
125
127
122
21
123
127
122
123
128
131
129
127
129
123
22
129
130
132
125
124
129
124
129
125
124
23
122
124
125
124
124
127
130
130
123
125
24
131
128
127
125
131
10
124
127
123
131
123
25
127
129
124
132
145
11
131
122
132
128
127
26
130
125
131
123
123
12
132
125
130
125
122
27
132
127
123
125
122
13
127
130
127
123
131
28
131
123
127
122
127
14
128
127
129
125
128
29
124
129
124
126
125
15
127
129
123
126
125
30
123
127
123
129
128
LC
R
d2 n
En
E ell ejemplo
j
l m = 30 y n = 5.
5
x=
R=
3793.6
= 126.453
30
251
= 8.36667
30
Ri m
xi
R i =1
= x = i =1
=
=
m
d2
d2
11
12
Grficos X-barra
Por lo tanto:
LSC = x + 3
LC = x
LIC = x 3
LIC = 3
R
d2 n
LSC = + 3
Grficos X-barra
10
Grficos X-barra
= 126.453 + 3
d2 n
8.36667
2.326 5
= 126.453 + 4.826
LC = x = 126.453
LIC = x 3
R
d2 n
= 126.453 3
8.36667
2 326 5
2.326
LSC = 131.279
LC = 126.453
= 126.453 4.826
8.36667
8
36667
= 3.597
2.326
LIC = 121.627
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
13
Grficos X-barra
14
133
131
t3
129
127
t2
125
123
t1
121
0
10
15
20
25
30
LSC
15
Tipos de Error
LC
Tipos de Error
Error Tipo I
Error Tipo II
H1 Verdadera
(Fuera de control)
No rechazar H0
(Continuar el
proceso)
Decisin
correcta
Error Tipo II
()
Rechazar
R
h
H0
(Ajustar el
proceso)
Error Tipo I
()
Decisin
correcta
Decisin
Error Tipo I
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
16
17
18
Un Proceso Estable
Un Proceso Inestable
? ?
LC
LIC
LIC
LSC
LC
LSC
19
20
Proceso
mejorado
Causas
asignables
eliminadas
LIE
t1
Causas
C
asignables
LSE
t2
Ajuste del
proceso
6
X
LIC
LC
LSC
6
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
21
22
0.00135
3
LIE
1 p = P ( LIE x LSE )
0.00135
3
LSE
donde
LSE
LIE
1 p = P
z
= x
Definicin:
Cp =
LSE - LIE
6
con
R
d2
LSE - - LIE
Cpk = Min
,
3
3
23
R
d2
24
25
D llos grficos
De
fi
d
de control
t l
De tablas, con n = 5
Cp =
Cpk = Min
}=
Grficos X-barra y R
Se
S sabe
b que:
27
Grficos X-barra y R
Usando los estimadores yya indicados:
m
x ~ N x , x2
2
= N ,
LSC = + 3
LC =
LIC = 3
26
R
7.07
=
=
=
d 2 2.326
= x =
x
i =1
Ri m
R i =1
=
=
d2
d2
los lmites de control 3 sigmas quedan
quedan,
LSC = x + 3
R
d2 n
= x + A2 R
LC = x
LIC = x 3
R
d2 n
= x A2 R
28
29
Grficos X-barra y R
Anlogamente para el grfico R el modelo es :
133
LSC = R + 3 R
131
LC = R
127
R = d3
LC = 126.421
126 421
126
LIC = 122.343
124
30
LC
C = 7.071
0
20
LIC = 0
10
= 3.040
3 040
30
25
LSC = 17.691
17 691
LC = 8.367
20
LIC = 0
= 3.597
5
10
15
20
25
30
128
LSC = 14.953
25
30
LSC = 130.500
20
20
Grfico x-barra
15
15
10
130
40
10
Grfico R
10
40
LIC = 121.627
121
R
d2
R
1
LSC = R + 3 d 3
= R 1 + 3 d3 = D4 R
d2
d2
LC = R
R
1
LIC = R 3 d3
= R 1 3 d3 = D3 R
d2
d2
LC = 126.453
126 453
123
122
LSC = 131.279
125
Considerando:
C
R = R ,
30
31
Grfico R
0
0
10
30
Grfico x-barra
129
LIC = R 3 R
132
15
20
25
30
32
33
Ejercicio
X
i =1
= 219.5
20
R
i =1
= 130
34
+ k
17.25
3.75
13.75
4.00
2.00
18.00
35
Curvas OC
= P LIC X LSC / = + k
LIC ( + k )
LSC ( + k )
= P
z
n
n
36
Curvas OC
1
= 1
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
37
38
ARL = E [K ] =
k P (K = k ) =
k =1
k k 1 (1 ) = 1
k =1
39
Ejercicio
9 Continuacin de ejercicio anterior
b) Suponga que en la fase II la primera muestra que
sali fuera de control fue la nmero 213 con una
media de 25.017 y un rango de 6. Qu hacer? Si esto
es una indicacin de que ocurri un cambio de 2 en la
media del proceso, cundo, en promedio
(o probablemente),
probablemente) pudo haber ocurrido ese cambio?
Por qu?
p g ahora q
que en la fase II,, las medias de las
c)) Suponga
ltimas 98 muestras cayeron arriba de la lnea central,
pero dentro del lmite 2-sigmas. Qu hacer?
40
41
42
Control al Estndar
Para :
LSC = + 3
LC
LIC = 3
ob
bien:
e
LSC = + A
LC =
con
LIC = A
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
Control al Estndar
Para R:
LSC = R + 3 R
LC = R
LIC = R 3 R
Pero como:
entonces
R
=
d2
R = d3
LSC = d 2 + 3 d 3 = ( d 2 + 3 d 3 ) = D2
A=
3
n
43
Ejercicio
Para controlar un proceso de envasado se lleva un grfico
de control (al estndar) del peso (g). Se establece como
estndar
t d una media
di del
d l proceso igual
i
l a 1000 g., LSC =
1020 y LIC = 980. Se sabe adems que el error tipo I es del
0.6% y el intervalo de especificacin
p
es 1000 50g.
g
a) Si Cpk = 1.14 determinar el tamao de las muestras.
b) Calcular los lmites de control del grfico R
c) Calcular el nmero de muestras que, en promedio, es
necesario extraer para detectar un aumento de 18g en
la media del proceso.
p
LC = d 2
LIC = d 2 3 d 3 = ( d 2 3 d 3 ) = D1
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
44
45
46
Grficos X-barra y S
Grficos X-barra y S
Un estimador insesgado de 2 es
S2 =
(x
i =1
x)
n 1
E ( S ) = c4
S = 1 c42
LSC = E ( S ) + 3 S = c4 + 3 1 c 42 = B6
LC = E ( S ) = c 4
LIC = E ( S ) 3 S = c4 3 1 c42 = B5
donde
B 6 = c 4 + 3 1 c 42
B 5 = c 4 3 1 c 42
47
S
=
c4
con
S=
S
i =1
LSC = x + A3 S
LC = x
LIC = x A3 S
donde
A3 =
3
c4 n
48
49
50
S
1
1 c 42 = 1 + 3
1 c 42
c4
c4
12
9
S = B4 S
6
3
LC = S
LSC = S 3 S = S 3
S
1
1 c 42 = 1 3
1 c 42
c4
c
4
S = B3 S
0
0
10
15
20
25
30
51
10
15
20
25
30
Subgrupos Racionales
G
Grfico
f
x-barra controla o monitorea la variabilidad
entre-muestras
Grfico R controla o monitorea la variabilidad dentro-dedentro de
la-muestra
La estimacin de la desviacin estndar de usada
para construir los lmites de control se calcula a partir
de la variabilidad dentro-de-la-muestra
No es correcto estimar usando
52
53
54
n=1
Algunas situaciones en las que n = 1 son:
LSC = x + 3
LSC = D4 MR
LC = x
9 Produccin
Prod ccin es lenta y no permite m
muestras
estras ma
mayores
ores
LC = MR
MR
d2
LIC = x 3
Donde
MR =
LIC = D3 MR
9 En
E procesos como lla produccin
d
i d
de papell d
donde
d llas
mediciones del gramaje a lo ancho presentan muy
poca variabilidad y el objetivo
p
j
es controlar el g
gramaje
j
a lo largo del papel
MRi
i =2
m 1
xi xi 1
i =2
m 1
55
MR
d2
56
Lote N
Azitromicina, X
MR(2)
MR(2)
486,5
------
11
491,0
6,0
507,0
20,5
12
491,5
0,5
518,5
11,5
13
491,5
0,0
516 3
516,3
22
2,2
14
493 1
493,1
16
1,6
486,5
29,8
15
493,5
0,4
487,6
1,1
16
497,7
4,2
490,5
2,9
17
492,5
5,2
494,5
4,0
18
493,5
1,0
490 8
490,8
37
3,7
19
484 0
484,0
95
9,5
10
485,0
5,8
20
492,0
8,0
x = 494,175
LSC = 494,175 + 3
MR = 6,20526
6,20526
6
20526
= 510,678
1.128
LC = 494,175
494 175
LIC = 494,175
,
3
6,20526
= 477,672
,
1.128
57
58
520
25
510
MR((2)
20
500
15
490
10
480
5
0
470
0
12
16
20
pH
6,14
6,07
6,20
6 07
6,07
6,05
6,12
6,07
6,10
5,57
6,10
6,02
6,11
6,50
6,11
6 08
6,08
6,07
6,08
6,14
6,19
6,07
Peso
especfico
1,0068
1,0076
1,0048
1 0062
1,0062
1,0069
1,0058
1,0060
1,0070
1,0075
1,0069
1,0033
1,0033
1,0070
1,0070
1 0083
1,0083
1,0061
1,0080
1,0070
1,0077
1,0080
Viscosidad
7,69
7,97
8,85
8 62
8,62
8,93
8,90
8,57
6,60
8,21
8,65
8,12
9,44
8,20
8,17
7 72
7,72
8,72
9,18
8,45
8,45
8,47
12
16
59
Ejemplo: Mediciones
sobre 20 lotes de
Novotears Colirio (1)
(1) C. GONZLEZ G., VALIDACIN
RETROSPECTIVA Y CONTROL
ESTADSTICO DE PROCESOS EN
LA INDUSTRIA FARMACUTICA,
UNIDAD DE PRCTICA PARA OPTAR
AL TTULO DE QUMICO FARMACUTICO
DE LA UNIVERSIDAD DE CHILE.
UNIVERSIDAD DE CHILE, FACULTAD
DE CIENCIAS QUMICAS Y FARMACUTICAS
DEPARTAMENTO DE CIENCIAS Y
TECNOLOGA FARMACUTICA
LABORATORIOS SAVAL, Santiago, Chile, 2005
20
60
61
62
63
64
6,48354
Ph
6,3
6,1
X
6,093
,
5,9
5,70246
5,7
55
5,5
0
8
12
Observacin
16
20
65
66
0,6
05
0,5
0,479775
MR(2)
0,4
Ph
0,3
0,2
0,146842
0,1
0
0,0
0
8
12
Observacin
16
20
67
Ejercicio
Se desea establecer un grfico de control para el porcentaje de
humedad de comprimidos del antibitico Trex. Sea X la variable
que representa
q
p
este p
porcentaje.
j La tasa de p
produccin es de
10000 cajas de 10 comprimidos por hora. El mtodo de
muestreo utilizado consiste en una medicin del porcentaje de
humedad cada 1 hora del proceso. En el estudio inicial se
obtuvieron las siguientes 10 mediciones:
3.7 3.4 3.7 3.5 3.5 3.3 2.9 7.0 5.0 3.8
a) Obtenga los lmites 3 sigmas para X y MR. Si hay puntos fuera
de control suponga que las causas asignables han sido
encontradas y eliminadas.
eliminadas
b) Una vez que el proceso ha sido llevado a control, calcule la
probabilidad de detectar un aumento de 2 en la media,
dentro de las 5 horas inmediatamente siguientes al cambio.
cambio
68
69
70
71
72
73
74
147
145
144.645
143
141.374
141
0
10
12
4.01876
MR
R(2)
4
3
2
1.23
1
0
0.0
0
10
12
75
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
Seccin 1.2
Grficos de Control para Atributos
77
Grficos p
Por lo tanto
tanto, dado p los lmites de control son:
LSC = p + 3
LIC = p 3
D
p =
n
9 Debe estimarse p
p (1 p )
n
Grficos p
El estimador de p es:
p=
i =1
mn
p i =
Di
p (1 p )
9 Si Di es el nmero de unidades
nidades no conformes
en la muestra i entonces:
p = p, y
p2 =
p (1 p )
LC = p
78
Grficos p
pi
i =1
Di
n
79
80
Grficos p : Ejemplo
9 En una fbrica de molduras se inspeccionan 100
unidades cada hora durante 20 horas
9 La cantidad de molduras defectuosas se registr
en la tabla siguiente.
p (1 p )
n
LC = p
LIC = p 3
p (1 p )
9 Elabore un grfico p
9 Si alguno de los puntos cae fuera de los lmites de control,
suponga que se han determinado las causas asignables,
y elabore un grfico p revisado.
81
Grficos p : Ejemplo
Muestra
Nmero de
molduras
defectuosas
Di
1
2
3
4
5
6
7
8
9
10
5
5
3
3
4
9
0
1
5
6
0.12
Muestra
Nmero de
molduras
defectuosas
Di
11
12
13
14
15
16
17
18
19
20
9
3
3
6
1
12
4
2
4
5
0.06
82
Grficos p : Ejemplo
0.1
0.08
0 04
0.04
0.02
0
0
12
16
20
Muestra
90
83
Grficos p : Ejemplo
0.12
0.1
0.08
0.06
0 04
0.04
0.02
0
0
12
16
20
Muestra
P ( X = x) = p(x) =
e c c x
,
x!
84
85
b) c desconocida
a) c conocida
LSC = c + 3 c
LSC = c + 3 c
LC = c
LC = c
LIC = c - 3 c
LIC = c 3 c
m
donde
c=
x
i =1
m
representa el nmero medio observado de no conformidades
en una conjunto preliminar de m muestras de n unidades
de inspeccin
86
Grficos c: Ejemplo
Nmero de Nmero de no
la muestra conformidades
1
2
3
4
...
...
26
21
24
16
12
...
...
15
Total
516
c =
516
= 19.85
19 85
26
87
88
Grficos c: Ejemplo
Grficos c: Ejemplo
Grfico c
516
c =
= 19.85
26
LSC = c + 3 c = 19.85
19 85 + 3 19
19.85
85 = 33
33.22
22
LC
= c = 19.85
40
Nmero de D
Disconformid
dades
9 Por lo tanto
tanto, los lmites de control de prueba son:
45
35
33.21
30
28.76
25
20
19.85
15
10.94
10
6.48
5
0
10
15
20
25
Muestras
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
90
Seccin 2
9 Se basan en la estadstica
i
Ci = ( x j 0 )
j =1
91
92
m = 30,
= 1 = 1,
1
n = 1, = 1, 0 = 10
1 = 0 + 1 = 10 + 1 =11
11
LSC = 13
LC = 10
LIC = 7
93
94
Ci = ( x j 0 )
j =1
C0 = 0
95
Valores iniciales: C + = C = 0
0
0
K : Ge
Generalmente
e a e te llamado
a ado valor
a o de referencia.
ee e ca
A menudo K se elige como:
K =
1 0
2
96
97
98
m = 30,
n = 1, = 1, 0 = 10
= 1 = 1,
1
K=
1 = 0 + 1 = 10 + 1 =11
11
H=5
9 Mientras,
Mientras elegimos H = 5
C1 = max 0, 9.5 x1 + C0
y como
C0+ = C0 = 0
99
100
[0, x2 10.5 + 0]
= max [0,
0 7
7.99
99 10
10.5
5 + 0] = 0
C2 = max 0, 9.5 x2 + C1
= max
101
102
103
104
x =
105
Grficos CUSUM:
En
E nuestro
t ejemplo:
j
l
+
C29
= 0 + K + +
N
= 10.0 + 0.5 +
106
zi = xi + (1 ) zi 1
5.28
7
donde 0 1 y z0 = 0
= 11.25
9 Algunas
Al
veces z0 = x
( o x sii
n >1
9 Sustituyendo
y
recursivamente se p
puede obtener:
i 1
zi = (1 ) xi j + (1 ) z0
j
j =0
107
Grficos EWMA
Grficos EWMA
(1 )
j =0
1 (1 )
1 (1 )
= 1 (1 )
108
Por ejemplo,
ejemplo si = 0.2,
0 2 la ponderacin de la muestra
actual es 0.2 y la de las muestras precedentes son
0.16,, 0.128,, 0.1024,, ,, etc.
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
Por lo tanto:
LSC = 0 + L
1 (1 )2 i
LC = 0
LIC = 0 L
1 (1 )2 i
109
Grficos EWMA
Grficos EWMA
LC = 0
LIC = 0 L
Grficos EWMA
9 Para i = 1:
z1 = x1 + (1 ) z0
= 0.1( 9.45 ) + 0.9 (10 ) = 9.945
110
Subgrupo
g p
i
Observacin
xi
EWMA
zi
1
2
3
4
5
6
7
8
9
10
9.45
7 99
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10 34
10.34
9.945
9.7495
9
7495
9.70355
9.8992
10.1253
10.1307
9.92167
10.0755
9.98796
10 0232
10.0232
Subgrupo
g p Observacin
i
xi
...
23
24
25
26
27
28
29
30
...
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10 52
10.52
EWMA
zi
...
...
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468*
10 6341*
10.6341
111
112
Grficos EWMA
9 Lmites de control estabilizados:
LSC = 10 + 2.7
2 7 (1)
0.1
= 10
10.62,
62
2 0.1
0.1
2(1)
1 (1 0.1) = 10.27
2 0.1
LC = 10
LIC = 10 2.7
2 7 (1)
0.1
= 9.38
2 0.1
2 0.1
x =
113
Grficos EWMA
10,8
LSC = 10.62
10,5
E
EWMA
114
Grficos EWMA
LC = 10
LIC = 9.38
10,2
9,9
9,6
9,3
0
10
15
20
25
30
L=3.054
L=2.998
L=2.962
L=2.814
L=2.615
= 0.40
= 0.25
= 0.20
= 0.10
= 0.05
0
0.25
0 50
0.50
0.75
1.00
1.50
2.00
2.50
3.00
500
224
71 2
71.2
28.4
14.3
5.9
3.5
2.5
2.0
500
170
48 2
48.2
20.1
11.1
5.5
3.6
2.7
2.3
500
150
41 8
41.8
18.2
10.5
5.5
3.7
2.9
2.4
500
106
31 3
31.3
15.9
10.3
6.1
4.4
3.4
2.9
500
84.1
28 8
28.8
16.4
11.5
7.1
5.2
4.2
3.5
115
Grficos MA
9 Mismo ejemplo anterior, con w = 5.
x + xi 1 + ... + xi w +1
Mi = i
w
i
1
V (xj ) = 2
w
j = i w +1
=
2
j = i w +1
9 Por lo tanto:
LSC = 0 + 3
1.0
5
= 11.34
LIC = 10 3
1.0
5
= 8.66
1
V ( Mi ) = 2
w
116
LIC = 0 3
0 3
= 10 3
1
i
x =
117
Grficos MA
118
Grficos MA
Ejemplo:
1
2
3
4
5
6
.
.
28
29
30
9.45
7.99
9.29
11.66
12.16
10.18
.
.
11.62
11.31
10 52
10.52
Mi
9.95
8.72
8.91
9.5975
10.11
10.256
.
.
11.036
10.998
10 982
10.982
13
MA
Subgrupo Observacin
i
xi
LSC = 11.34
12
LC = 10
11
LIC = 8.66
10
9
8
7
0
10
15
20
25
30
119
' = 1 (1 )
(1 )
120
121
122
=
0
1 0
1
= 0
Regin de control
usando lmites de
control independientes
= 0.3
03
123
= 0.6
06
= 0.9
09
124
125
126
9 Entonces la variable:
02 =
n
2 x )2 + 2 ( x )2 2 ( x )( x )
1
1
2
2
12
1
1
2
2
2 2 ( 1
12
2
1
2
2
es tal que
9 12 es la covarianza
02 ~ 2 con 2 g. l .
9 1, 2 y 12 se suponen conocidas
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
127
Elipse de control
128
129
130
x1
x
2
x= .
.
xp
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
131
Estimacin de y
n
= n ( x ) ' 1 ( x )
2
0
x jk =
donde
' = 1, 2 , ... , p
9 Los
L llmites
it d
de control
t l son:
i =1
S =
2
jk
= Matriz de covarianzas
(x
i =1
ijk
ijk
j = 1, 2,..., p,
,
x jk )
n 1
j = 1, 2
2,..., p,
k = 1, 2,..., m
k = 1, 2
2,..., m
Covarianza:
LSC =
2
,p
LIC = 0
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
S jjhk =
1 n
( xijkj x jjk ) ( xihk xhk )
n 1 i =1
k = 1, 2,..., m
j h
132
133
134
xj =
x
k =1
jk
S j2 =
j = 1, 2,..., p
S
k =1
2
jk
{ }
x = xj
j = 1, 2,..., p
x1
x2
= .
.
x
p
S12 S12
S2
S=
.
.
.
S1p
. S 2p
.
.
.
.
Sp
.
S jh =
S
k =1
jhk
j k
135
LSC =
p ( m 1)( n 1)
mn m p +1
(1895 1973)
F , p, m n m p +1
LSC =
p ( m + 1)( n 1)
mn m p +1
F , p, m n m p +1
9 Nota:
N t En
E ambos
b casos LIC = 0
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
136
137
10
138
T 2 = 25.2016129
25 2016129 ( 0
0.095948
095948 + 0
0.000492
000492 0
0.010744
010744 )
= 2.1424 2.16
9 Para la fase 1:
LSC =
2 (19 )( 9 )
20 (10 ) 20 2 + 1
Grfico
T2:
Observaciones Individuales
m muestras de tamao n = 1
{ }
x = xj
x1
x2
= .
.
x 2
S12 S12
S2
S=
139
140
Grfico
Observaciones Individuales
.
.
S1p
S2p
.
.
2
S p
LSC =
T 2 = n ( x x ) ' S 1 ( x x )
Vector de
medias
p ( m + 1)( m 1)
m 2 mp
F , p, m p
LIC = 0
9 Si m es grande (por ejemplo, m > 100) puede usarse
Estadstica T2 de Hotelling
Vector de
observaciones
T2:
LSC =
p ( m 1)
mp
F , p, m p
o bien
LSC = 2, p
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin