MTODOS MULTIVARIANTES EN CONTROL ESTADSTICO DE LA

CALIDAD
INTRODUCCIN
Muchos no conocemos la definicin exacta de lo que es Control de Calidad y
Control Estadstico de la Calidad; antes de empezar a desarrollar el tema
daremos algunas definiciones de Control de Calidad, Control Estadstico de la
Calidad,

aspectos generales de la Calidad y causas de la variacin de la

calidad, para luego presentar como caso Univariado los clsicos Grficos de
Control de Shewhart y para el caso Multivariado veremos la vigilancia del
proceso mediante grficos de control T

de Hotelling, MCUSUM y Grficos

Multivariantes de Media Mvil Exponencialmente Ponderada, como mtodos

para ser usados en procesos de produccin.
Objetivo:
Existen muchas situaciones en las que es necesario el control simultneo de
dos o ms caractersticas de calidad relacionadas, que juntas determinan la
calidad de un producto, y debido al avance y precisin de la tecnologa es
necesario controlar la calidad del producto con mtodos ms precisos para
estar en un nivel competitivo de las industrias modernas, motivo por el cual se
dan a conocer estos mtodos multivariados para control de calidad.

Justificacin:
El Control Estadstico de la Calidad en general nos permite reducir la
variabilidad en los procesos/servicios. La mejora de procesos/servicios lleva a
la reduccin del nmero de fallos y a la disminucin de costes y ello permite:

Mejorar la competitividad de las empresas

Aumentar la calidad y por tanto la satisfaccin del cliente y lo

fideliza

Es por ello que ejercitar nuevos mtodos en un enfoque multivariado

permitira a las empresas afinar los controles de procesos y optimizar la
calidad de los bienes y/o servicios.
6

CONTROL ESTADSTICO DE LA CALIDAD

I.

Definicin de Control de Calidad

Se consideran las tres definiciones ms usuales: la de Ishikawa, segn las

Normas Industriales Japonesas (Normal JIS) y la de J.M. Juran.
a) Segn Ishikawa: El Control de la Calidad consiste en el desarrollo,
diseo, produccin y comercializacin de productos y servicios con
una eficacia del coste y una utilidad ptimos, con la compra satisfactoria
de parte de los

clientes. Para lograr estos fines, todos los

departamentos de la empresa tienen

que trabajar juntos. Desde esta

ptica se le denomina Control de Calidad Total.

b) Segn las Normas Industriales Japonesas: El Control de Calidad se
define como un sistema de mtodos para la provisin coste-eficaz de
bienes o servicios cuya calidad es adecuada a los requisitos del
comprador. Tambin contempla que el control de calidad moderno ha
de hacer uno de los mtodos estadsticos por lo que a veces se la
denomina Control Estadstico de la Calidad.
c) Segn J.M. Juran: La calidad es un conjunto de caractersticas de un
producto, proceso o servicio que satisfacen las necesidades de los
clientes y en consecuencia hacen satisfactorio el producto. Por lo tanto
la calidad consiste en no tener deficiencias.
Qu es la calidad?
-

Calidad, es la total satisfaccin del cliente.

Cliente, es todo aquel que compra los productos o usa los servicios.

Satisfaccin, es la percepcin del cumplimiento de los requisitos de

fiabilidad,

funcionamiento, plazos y coste del producto o servicio.

Control Estadstico de la Calidad (CEC)

Es una metodologa orientada a la mejora de procesos productivos/servicios
basada en la utilizacin de criterios estadsticos. Se miden caractersticas de
calidad de un producto o servicio y se comparan con valores especificados,
tomando las acciones correctivas cuando ambos valores no coinciden.
27

II. Aspectos Generales de la Calidad.

a) Calidad de diseo: Cuando las variaciones en el diseo del producto
(intencionales) hacen que algunos productos tengan ms calidad que
otros.

(Autos

de

diferente

tamao,

equipados,

presentacin

rendimiento).
b) Calidad de conformidad: Se da en funcin a que tambin que el producto
cumple con las especificaciones y tolerancias establecidas por el diseo.
Indica la fidelidad con que un producto se ajuste a lo establecido en su
proyecto.

III.Ventajas del Control Estadstico de la Calidad

-

Reducir la variabilidad y la dispersin.

Hacer las cosas bien a la primera previniendo los fallos en lugar de

corregir sus efectos.

Las decisiones se toman en funcin de datos y no de percepciones

subjetivas.
-

Corregir los procesos defectuosos en vez de los productos/servicios

defectuosos.

IV.Causas de la variacin de la Calidad

Existen dos tipos de causas que afectan a los procesos y ocasionan
variacin del producto:
1. Causas no asignables o causas de azar: Aparecen aunque todos
los agentes relacionados con el proceso trabajen siempre en l
exactamente igual y todo el mundo trabaje correctamente, de acuerdo
con las normas. Estas causas no estn bajo control tcnico, pero estn
presentes. Se llaman tambin causas inevitables. Y la variacin se llama
ruido blanco.
2. Causas asignables

variabilidad

incontrolada:

Produce alguna

anomala en el proceso y asigna una variacin particularmente grande.

Estas anomalas sedan cuando sucede algo que no est previsto en las
normas de trabajo o no se sigan ests. Tales causas se pueden eliminar
28

por medio de la tecnologa. La variacin producida es no aleatoria,

controlable y se llama tambin ruido negro.

GRAFICOS DE CONTROL MULTIVARIANTES

En los procesos de produccin actuales, para controlar la calidad de los
productos es necesario vigilar ms de una caracterstica simultneamente.
Una primera posibilidad sera desarrollar mtodos estadsticos de control para
cada una de las caractersticas, es decir, aplicar tcnicas de control de calidad
univariantes de forma independiente. Sin embargo, sera imposible controlar el
efecto de las interacciones entre las diversas variables as como su variacin a
lo largo del tiempo; en trminos estadsticos, se estara obviando la informacin
contenida en las covarianzas y su estabilidad.
Adems, el uso de acompaar varios grficos univariantes altera el nivel de
confianza de los grficos de control. As, si analizamos dos variables
independientes y distribuidas normalmente, la opcin de representar grficos
individuales nos llevar a que la probabilidad de que exista una falsa alarma
ser (1 ).(1 ) , ya que ambas variables deben de exceder sus lmites de
control, y si usamos los lmites situados a tres desviaciones
probabilidad

sera

(0,0027).(0,0027)

tpicas

esta

= 0,00000729.

Igualmente, la probabilidad de que el grfico indique correctamente que el

proceso se encuentra bajo control es de (0,9973)

= 0,9946, modificando la

estructura tpica de los grficos de control Shewhart.

Obviamente si el nmero de variables es mayor, el valor de esta probabilidad
disminuir an ms. En general, estando bajo control, la probabilidad de
cometer un error de tipo I si analizamos p caractersticas de calidad ser de
p
= 1 (1 ) y la probabilidad de que todas las medidas caigan dentro de los
p
lmites de control es de (1 ) .
Tambin la regin de control ha de modificarse en un ambiente multivariante. Si
manejamos dos variables independientes e intentamos controlar la calidad
mediante dos grficos univariantes, la regin de control tendra la siguiente
forma:
29

Si todas las observaciones caen dentro de la regin de control (cuadro

rallado en la figura 1), formada por los lmites de control para cada una de las
variables analizadas, se considerara que el proceso est bajo control; por
contra, si alguna observacin cae fuera de esa regin, el proceso se
considerara fuera de control y habra que analizar sus causas.
Sin embargo, la representacin de la regin de control para las dos variables
analizadas de forma conjunta, en los grficos tipo Shewhart tiene forma de
elipse, cuya inclinacin depende de la correlacin existente entre las variables.
Si stas son independientes, la regin de control va a tener la forma:

30

Si comparamos esta regin de control con la anterior, podemos observar que

existen zonas donde las observaciones estn bajo control y que antes eran
consideradas puntos fuera de control, as como zonas fuera de control que
antes no eran detectadas.
Cuando las variables no son independientes, la forma de la elipse de control
depender de la cuanta de la correlacin y de su signo. Por ejemplo, para dos
variables positivamente correlacionadas, la elipse de control ser:

El uso de estas elipses de control presenta dos inconvenientes aadidos. El

primero es que vamos a perder la secuencia temporal de las observaciones. El
segundo est relacionado con el nmero de variables analizadas, que complica
bastante la estructura de correlacin y la obtencin de la regin de control.
De ah que en la mayora de los mtodos de control multivariantes se recurra
a la construccin de un estadstico resumen junto a sus lmites de control para
poder determinar si el proceso se encuentra o no bajo control estadstico,
siguiendo

una

metodologa

similar

la

utilizada

con

los

grficos

univariantes.
El principal inconveniente que presentaban estos mtodos de control de
calidad multivariantes era que los clculos eran abundantes y requieren
conocimientos de lgebra matricial, de ah que la aplicacin de estos grficos
de control multivariantes en las
31

industrias

haya

sido

lenta,

aunque

actualmente este problema est resuelto con la aparicin de modernos

ordenadores que desarrollan estos clculos de una forma rpida y sencilla y
que han posibilitado un mayor desarrollo e implantacin de estas tcnicas
multivariantes dentro de las industrias como una herramienta de control de la
calidad. Dentro de estas tcnicas multivariantes, cabe destacar por su
desarrollo y mayor uso tres grupos: mtodos basados en distancias (T

de

Hotelling), mtodos MEWMA y mtodos MCUSUM.

2
GRAFICO DE CONTROL T DE HOTELLING
El

grfico

de

Hotelling

se

puede

considerar

como la

extensin

multivariante del grfico de control Shewhart univariante. El estadstico T

es

un escalar que combina informacin para la dispersin y media de las

variables que estamos analizando.
Si asumimos una distribucin normal multivariante y se conocen los verdaderos
parmetros de la distribucin, es decir, conocemos el vector de medias y la
2
matriz de varianzas y covarianzas, el estadstico T sigue una distribucin chicuadrado. En el caso bivariante, este estadstico tendra la siguiente forma:

Donde x1 x2 son las medias muestrales de las respectivas variables

medias poblacionales

1 y 2

las desviaciones tpicas y

12

, u1 y u2

sus

es la covarianza .Si

estamos analizando ms de dos variables, el estadstico chi-cuadrado

toma la

siguiente forma:

Donde

es el vector de medias, es la matriz de varianzas y covarianzas y n es

el tamao muestral .El lmite superior de control se va a situar para un nivel de

32

significacin dado por

y el lmite inferior est situado por cero, ya que el estadstico es

no negativo.
Cuando los valores poblacionales no son conocidos, es necesaria su
estimacin, dando origen al grfico T

de Hotelling. Con p variables y m

muestras de tamao n, la media y cuasivarianza muestral se calculan como:

Donde xijk es la i-sima observacin en la j-sima caracterstica de calida en la

muestra k. La cuasicovarianza entre dos caractersticas de calidad j y h se
calcula para la muestra k como:

Con las expresiones anteriores podemos determinar la media y varianza

para las m muestras y para las variables a travs de las expresiones

33

2
Sustituyendo en la expresin (3.1), el estadstico T queda:

Para datos agrupados, el estadstico T

sigue una distribucin F de Snedecor,

por lo que los lmites de control bajo los supuestos usuales van a venir dados
como:

As, podemos analizar si el proceso se encuentra bajo control mediante la

representacin de los valores T
valor T

junto a dicho lmite de control. Cuando el

para todas las muestras sea inferior al LSC, el proceso se considera

bajo control y, en caso contrario, que existe una anomala que nos lleva a una
situacin fuera de control.
Si bien la interpretacin de los resultados era bastante sencilla en el caso
univariante, en el caso multivariante la interpretacin de estas seales fuera
de control va a ser ms compleja. El fin que perseguimos es detectar
situaciones en las que el proceso presenta cambios moderados y una vez
detectadas, determinar sus causas.
En las tcnicas multivariantes, determinar esa situacin fuera de control

es

relativamente fcil, ya que el anlisis es similar al caso univariante; pero

determinar las causas que han provocado ese cambio ser ms complicado. Se
han desarrollado algunas tcnicas para ayudar en la interpretacin de esas
seales fuera de control, si bien, la ms utilizada consiste en analizar grficos
de control univariantes correspondientes a cada una de las caractersticas de
calidad y as intentar determinar qu caracterstica de calidad provoca esa
situacin. Este camino presenta ciertos inconvenientes; el primero es que hay
muchas variables y estas tcnicas tienden a ser tediosas por la cantidad de
grficos de control que analizar. La segunda, ms importante, es que
34

normalmente una seal fuera de control no es causada por una variable,

sino ms bien por la interaccin entre varias variables.
As por ejemplo, si estamos analizando dos caractersticas de calidad con una
alta correlacin positiva, debemos suponer que las medias en cada muestra
para cada una de las caractersticas deben tener una relacin parecida, si no
igual, respecto a la media del proceso

( )

para cada variable. Es decir,

si la media de la primera variable en una muestra supera a la media de

dicha variable para el conjunto del proceso, debemos esperar que en esa
muestra, la media de la segunda variable tambin exceda a su media global. Si
se observan movimientos en distinta direccin vamos a sospechar que el
proceso probablemente se encuentre en una situacin fuera de control, ya
qu habr cambiado la correlacin entre las variables. Esta anomala no se
detectara con grficos univariantes ya que no es debida a ninguna de las
variables consideradas individualmente sino a la relacin existente entre ellas.
Si las dos desviaciones son en la misma direccin y una es mayor, esta
situacin se reflejara en el grfico multivariante como una situacin fuera de
control y si analizamos los correspondientes grficos univariantes podremos
determinar a qu variable es debida esa situacin.
Por lo tanto hay que desarrollar otra alternativa que sea ms efectiva que
el anlisis univariante. En este sentido, Alt (1985) desarroll grficos de medias
individuales con un control tipo Bonferroni que consiste bsicamente sustituir
en los lmites de control establecidos para dichos grficos

Z a /2

por Z a /2 p

Lo que nos va a permitir reducir el nmero de falsas alarmas cuando

utilizaremos simultneamente muchos grficos de control univariantes
Hayter y Tsui (1994) utilizaron un procedimiento de intervalos de

confianza

simultneos tipo Bonferroni para cada una de las caractersticas de calidad.

Estos intervalos de confianza son esencialmente unos sustitutos de los grficos
de control de media individuales y suelen ser ms efectivos en la identificacin
de la caracterstica de calidad que causa la seal fuera de control en los grficos
multivariantes.

La idea general es construir p intervalos (uno para cada

caracterstica de calidad) para cada muestra que produce una seal fuera de
control en el grfico de control multivariante. Este intervalo para el subgrupo jsimo y la caracterstica de calidad i-sima tendr la siguiente forma:

35

Donde:
xi es la media de la caracterstica de calidad i-sima para el conjunto del
proceso.
S pi es la cuasidesviacin tpica muestral para la caracterstica i-sima.

x i =es la media de la caracterstica i-esima en la muestra j-iesima en la que

se ha detectado una situacin fuera de control

m es el nmero de muestras que tenemos y n es el tamao de cada

muestra.
Si el valor de la media de la variable en esa muestra no se encuentra
dentro de ese intervalo, entonces el valor de la caracterstica de calidad debe
ser investigado para las m muestras. Si se detecta una causa asignable, la
muestra debe ser eliminada para todas las variables y habr que volver a
calcular el lmite superior de control correspondiente. El problema de este
procedimiento aparece a la hora de determinar el nivel de significacin que
vamos a utilizar para esos intervalos de confianza. Cuando el nmero de
variables que manejamos no es muy elevado, es conveniente utilizar un
nivel de confianza de 0,01. Si la media muestral no se sale de ningn intervalo
habr que sospechar que el motivo de la variacin est en la estructura de
correlacin de las variables.
Otro procedimiento para interpretar esas seales fuera de control consiste en la
2
descomposicin del estadstico T de forma que nos mida la influencia de
2
2
cada una de las variables. Si T es el valor del estadstico, y T (i ) es su valor
para todas las variables del proceso excepto la i-sima, podemos calcular un
indicador de la contribucin de la variable i-sima sobre el conjunto de la
siguiente forma:

Cuando aparece una situacin fuera de control en un grfico de control

multivariante es conveniente calcular esta contribucin para cada una de las
variables y centrar nuestra atencin en aquellas variables cuya contribucin
sea superior.
Existen tambin otras tcnicas, menos usuales en la prctica, para interpretar
la seal de fuera de control. Por ejemplo, Jackson (1980) propone una basada
en representar componentes principales en lugar de las variables originales,
con el posible problema de interpretacin de esos resultados cuando no sea
fcil encontrar el significado de

dichas componentes.

Murphy

(1987)

recomienda un mtodo que consiste en desarrollar un procedimiento

basado en un anlisis discriminatorio que nos permite agrupar

las

observaciones en grupos; y en Mason, Tracy y Young (1996) se

propone

una descomposicin del estadstico T

de una forma ms

compleja que la anterior.

Por lo tanto es conveniente no utilizar estas tcnicas de control multivariantes
de forma aislada sino ms bien complementado por alguna de estas tcnicas
de anlisis de seales fuera de control descritas que nos van a permitir una
interpretacin ms clara de los resultados obtenidos.
Este grfico, igual que el Shewhart univariante, es sensible a grandes
cambios en los datos, pero cuando la salida de control provoca una
acumulacin de variaciones de magnitud moderada, esta tcnica no es
eficaz. Habra que recurrir a la extensin multivariante de otras tcnicas de
control desarrolladas para solucionar este mismo problema en el caso
univariante.
Dentro de stas cabe destacar lo que se conoce como MCUSUM y MEWMA,
que son la extensin multivariante de los grficos de control CUSUM y
MEWMA respectivamente.

GRAFICOS DE CONTROL MCUSUM

Todas las grficas de control examinadas hasta ahora se conocen como
diagramas de control de Shewart . El mayor inconveniente de tales diagramas es
que en ellos se utilizan solamente informacin respecto al proceso contenido en
el ltimo punto graficado , y omite cualquier informacin dada por toda la
sucesin de puntos . Naturalmente que se han aplicado otros criterios a las
grficas de Shewhart , como pruebas para corridas , uso de lmites de
advertencia , etc. , con los cuales se trata de incorporar informacin del conjunto
de puntos completo en el procedimiento de decisin . Sin embargo estos criterios
adicionales reducen la sencillez y la facilidad de interpretacin del diagrama de
Shewhart.
Se ha propuesto el diagrama de control de suma acumulativa o diagrama
CUSUM como una alternativa para la grfica de control de Shewhart, incorpora
directamente toda la informacin de la sucesin de valores muestrales ,
graficando las sumas acumuladas de las desviaciones de los valores muestrales
respecto de un valor objetivo .
Por ejemplo , supngase que se obtiene muestras de tamao n>=1 que X es el
promedio de la i-esima muestra
Entonces,

u0

es el valor objetivo de La media del proceso, la grfica de

control de suma acumulativa se formara graficando la cantidad

S

k= ( xi 0)
i=1

En funcin del nmero k de

acumulativa hasta

la muestra

Sk

recibe el nombre de suma

la k-sima muestra inclusive. Los diagramas de suma

acumulativa son ms eficaces que los de Shewhart para detectar pequeos

cambios en el proceso, pues combinan informacin de varias muestras. Adems
son particularmente eficaces para muestras de n >=1 esto hace del diagrama
de control de suma acumulativa un candidato apropiado para el uso con
mediciones automticas de cada pieza y el control en lnea, utilizando una
computadora directamente en el sitio de trabajo.
Existen dos aproximaciones distintas para extender el grfico CUSUM al caso
multivariante; una es un anlisis de forma simultnea de varios procedimientos
CUSUM univariantes y el otro consiste en realizar una modificacin de ese
esquema CUSUM obteniendo una aproximacin para procesos multivariantes.
Por lo tanto el primer mtodo consistira en reducir esas observaciones
38

multivariantes a un escalar y elaborar un CUSUM y el segundo mtodo

consistir en elaborar un MCUSUM directamente para las observaciones de
las distintas variables.
Healy (1987) elabor un mtodo MCUSUM diseado de forma que detectara los
cambios lo ms rpidamente posible, teniendo al mismo tiempo el mejor
comportamiento posible en trminos del recorrido medio de racha (ARL).
Elabor una extensin de los resultados de Woodall y Ncube (1985) para
introducir un grfico MCUSUM determinado como una combinacin lineal de
variables univariantes.
2
Esta extensin es la aplicacin de un CUSUM a los valores T obtenidos.
Otro procedimiento, propuesto por Croiser (1988), consiste en la aplicacin de
2
un grfico CUSUM sobre la raz cuadrada de esos valores T , as como la
combinacin multivariante de grficos Shewhart y grficos CUSUM elaborados
2
para esas races cuadradas de los valores T . Estos mtodos propuestos son
procedimientos que se utilizan para detectar cambios en el vector de medias en
varias direcciones, recogiendo el resultado de varios grficos CUSUM
univariantes para cualquiera de las variables analizadas.
Uno de los grficos MCUSUM con mejor comportamiento en trminos de
ARL fue desarrollado por Pignatiello y Runger (1990) y est basado en:
MCLi=max [|C i|k .n i ; 0 ]

|c i|=

ci ci

Ci =

( x iu 0 )

j=ini+1

donde MC1 es el estadstico que vamos a utilizar posteriormente para

intentar determinar el estado del proceso ,Ci es el mdulo de Ci estandarizado

39

Ci es la

suma

acumulada multivariante, ni es el nmero de muestra

correspondiente a cada muestra que vamos incorporando y k es un valor de

referencia dependiente solamente de la magnitud de la distancia entre la media
cuando el proceso se encuentra bajo control y la media cuando el proceso est
fuera de control. Como vimos en el caso univariante, este valor k es
considerado normalmente como .
La forma de interpretar este grfico de control MCUSUM es similar al caso
univariante: habr que representar grficamente cada uno de los valores del
estadstico calculado y habr que fijar un lmite de control para poder
determinar si el proceso se encuentra bajo control o fuera de control.

GRFICOS

MULTIVARIANTES

DE

MEDIA

MVIL

EXPONENCIALMENTE PONDERADA.

El grfico de control T

de Hotelling slo usa el vector de observaciones

actuales. La alternativa EWMA para anlisis multivariante, que denotaremos

como grficos MEWMA nos va a permitir considerar la serie completa de
observaciones. Se recupera as la informacin contenida en la serie, pero se
pierde la independencia entre observaciones.
A diferencia de los grficos univariantes, la versin multivariante puede ser
de dos tipos: de direccin invariante o de direccin especfica. El ARL en los
grficos de direccin invariante va a venir determinado por la distancia existente
entre el valor de la media y el valor objetivo, mientras que en el grfico de
direccin especfica el ARL es una funcin de dicha distancia y de su signo.
El grfico EWMA venia dado por:

Donde

es una constante que va a determinar el peso de las

observaciones pasadas (0<<1) y

x i

es la media aritmtica de submuestra i-

sima. Anlogamente la extensin multivariante adopta la forma:

Donde

x i es el vector de las medias muestrales y es una matriz diagonal

formada por los valores lambda para las distintas variables ( 1 , 2 ,,

Como valor inicial se considera

z 0 = 0.
40

p ).

Para controlar las variables, la informacin suministrada por los valores Zi se

resume en el estadstico:

41

Donde

zi

es

la

matriz

de

varianzas y

covarianzas de los valores MEWMA.

Se puede demostrar que el elemento (k,l) de la matriz

Donde

zi

, es:

k , l es el elemento (k,l) de la matriz de varianzas y covarianzas de las

variables analizadas.
Si todos los

Donde

i ,

son iguales, la expresin anterior se puede simplificar:

es la matriz de varianzas y covarianzas de las variables iniciales.

Con grandes valores de i, el valor [1 (1)2 i

se aproxima ala unidad, por lo

que, asintticamente, la matriz de varianzas puede definirse como:

El grfico MEWMA permite usar valores

especficos para cada

variable. Aqu es donde se diferencia un anlisis direccional de uno sin

direccin especfica. Si se decide usar el mismo peso para todas las variables,
el grfico es de direccin invariante debido a que las causas de variacin
llevan igual peso en todas las variables. Sin embargo, si damos distinto peso
a las variables, el grfico se va a considerar de direccin especfica y, en ese
caso, una seal fuera de control puede ser atribuida a los valores especficos
de aquella variable a la que hemos otorgado un peso mayor.

En Prabhu y Runger (1996) se demuestra, mediante el anlisis de los valores

del ARL para distintos cambios en la media del proceso, que este grfico
MEWMA es ms rpido en su respuesta ante pequeos cambios en la media
del proceso, lo que representa una gran ventaja respecto a otros modelos de
2
control multivariantes. Por contra, va a ser menos efectivo que el grfico T de
Hotelling en la deteccin de grandes cambios en el proceso. En este trabajo
tambin se puede encontrar una gua para la seleccin del lmite superior de
control, que va a depender del cambio en la media que queramos detectar,
del valor lambda seleccionado y del nmero de variables que estemos
analizando. Estos valores del lmite superior de control son determinados de tal
forma que ARL0=200. En la siguiente tabla recogemos algunos de los valores
para ese lmite de control:
Nmero de variables
Lambda

p=2

p=4

p=6

p=10

0,05

7,35

11,22

14,6

20,72

0,1

8,64

12,73

16,27

22,67

0,2

9,65

13,87

17,51

24,07

0,3

10,08

14,34

18,01

24,62

0,4

10,31

14,58

18,26

24,89