ARTÍCULO DE REVISIÓN / REVIEW ARTICLE

Diseño estadístico de cartas de control

para datos autocorrelacionados

Statistical design of control charts

For autocorrelated data design
Of control charts

Rita Peñabaena Niebles*

Óscar Oviedo-Trespalacios**
Juan Guillermo Vásquez Cabeza ***
Laura Milena Fernández Cantillo ****
Universidad del Norte (Colombia)

* Grupo de Investigación de Productividad y Competitividad. Do-

cente e investigador del Departamento de Ingeniería Industrial de la
Universidad del Norte (Colombia). [email protected]
**Grupo de Investigación de Productividad y Competitividad. Do-
cente e investigador del Departamento de Ingeniería Industrial de la
Universidad del Norte (Colombia). [email protected]
*** Grupo de Investigación de Productividad y Competitividad. Uni-
versidad del Norte (Colombia). [email protected]
**** Grupo de Investigación de Productividad y Competitividad.
Universidad del Norte (Colombia). [email protected]
Correspondencia: Rita Peñabaena, Departamento de Ingeniería Indus-
trial. Universidad del Norte. Km 5 Vía antigua a Puerto Colombia, Ba-
rranquilla. Tel: 5-3509269.
Origen subvenciones: Este artículo fue financiado gracias al Departa-
mento Administrativo de Ciencia, Tecnología e Innovación colombiano,
Colciencias, con el proyecto No. 121552128846, contrato 651-2011.
Volumen 31, no. 2
Julio-diciembre, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

Resumen

Este documento revisa la literatura relacionada con el diseño estadístico

de cartas de control para datos autocorrelacionados y presenta los enfo-
ques realizados por diversos autores en los últimos veinte años según tres
categorías. La primera de ellas se refiere a las cartas de control basadas en
residuales, la segunda corresponde a las modificaciones de las cartas de
control y modelos que utilizan observaciones originales para disminuir
la complejidad de aplicación que tienen las cartas de residuales, y una
última categoría reseña brevemente algunos métodos de minería de datos
aplicados al control estadístico de procesos correlacionados. Además,
se identifican futuras áreas de trabajo como apoyo a los investigadores
interesados en continuar con esta línea del conocimiento.
Palabras clave: Cartas de control con residuales, Cartas de control
modificadas, Control de calidad, Minería de datos, Procesos autocorre-
lacionados.

Abstract
Fecha de aceptación: 20 de mayo de 2013
Fecha de recepción: 14 de marzo de 2013

This paper reviews the literature on the statistical design of control charts
for autocorrelated data and presents approaches proposed by several
authors over the last 20 years, according to three categories. The first
one relates to residuals-based control charts, the second corresponds to
modified control charts and models based on original observations that
aim at reducing the complexity of residuals-based control charts. The last
category briefly reviews data mining techniques applied to correlated
statistical processes. In addition, future research areas are identified to
support researchers interested in this line of knowledge.
Keywords: Correlated process data, Data Mining, Modified Control
Charts, Residuals-based control charts, Statistical quality monitoring.

292 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

1. INTRODUCCIÓN

Tradicionalmente, un proceso bajo control estadístico es aquel que genera

datos independientes e idénticamente distribuidos [1]. En este caso, los
procedimientos convencionales de control estadístico de procesos como
las cartas Shewhart, cartas de media móvil exponencialmente ponderada
(por sus siglas en inglés EWMA) y de sumas acumuladas (CUSUM por sus
siglas en inglés) pueden ser aplicados con buenos niveles de desempeño.
Sin embargo, con el aumento de la automatización, la información acerca
del estado de los procesos se obtiene a tasas mayores, esto significa inter-
valos más cortos de medición que son más propensos a la presencia de
autocorrelación en las observaciones [2].

Psarakis y Papaleonida [3] afirman que la autocorrelación está presente en

los datos generados por procesos continuos y de producción por lotes, donde
el valor particular del parámetro u observación en el tiempo depende de
los valores previos. También aseguran que pequeños niveles de autocorre-
lación entre observaciones sucesivas pueden tener efectos negativos en las
propiedades estadísticas de las cartas de control tradicionales propuestas
por Shewhart en 1931. Por ello, varios investigadores [1], [4], [5], [6] han
desarrollado métodos alternativos que presenten mejor desempeño que los
métodos tradicionales para manejar los efectos de la autocorrelación. Uno
de los métodos más comunes es el uso de modelos de series de tiempo,
que ajusta los datos a un modelo adecuado y aplica cartas de control a los
residuales. Este enfoque fue propuesto originalmente por autores como
Alwan y Robert [1], y Wardell et ál. [7]. En la práctica la aplicación de mo-
delos de series de tiempo para los residuales es compleja, por ello autores
como Reynolds y Lu [8], y Atienza et ál. [9] diseñaron procedimientos que
buscan simplificar su implementación a través del monitoreo directo de
las observaciones originales.

Recientemente se ha afirmado en la literatura [10] que las cartas de control

basadas en algoritmos de minería de datos como vector de soporte regresivo,
redes neuronales o multivariate adaptive regression splines presentan un mejor
desempeño comparado con las herramientas basadas en series de tiempo.

Este artículo recopila los avances más significativos de la literatura en el

diseño estadístico de cartas de control para datos autocorrelacionados. Se

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 293
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

presentan, en orden temporal, los enfoques más significativos propuestos

en los últimos veinte años, divididos en tres enfoques: cartas de control
basadas en residuales, cartas de control convencionales modificadas y cartas
de control con aplicaciones de minería de datos. Por último, se presentan
las conclusiones y futuras líneas de investigación.

2. TRATAMIENTO DE DATOS AUTOCORRELACIONADOS

EN CONTROL ESTADÍSTICO DE PROCESOS

El principal efecto de utilizar datos autocorrelacionados para realizar control

estadístico de un proceso es que genera límites de control estrechos, lo que
provoca un incremento en la tasa de falsas alarmas y una disminución en la
capacidad de detección de la carta. En consecuencia, la longitud promedio
de corrida (ARL por sus siglas en inglés), la métrica de desempeño más
popular, no se calcula correctamente. Una idea sencilla para evitar la auto-
correlación consiste en el aumento del intervalo de muestreo; sin embargo,
el uso ineficiente de los datos disponibles puede causar una disminución
en la potencia de los gráficos de control [3]. Muchos autores [1], [8], [5],
[6] han concentrado sus esfuerzos en desarrollar métodos que permitan el
control estadístico eficiente de procesos autocorrelacionados.

Cartas de control basadas en residuales

Alwan y Roberts [1] resaltan que encontrar un proceso bajo control esta-
dístico según lo planteado idealmente por Shewhart no es común, pues
aparecen con frecuencia correlaciones y otros efectos sistemáticos de series
de tiempos entre las variables. Esto conduce a serios errores en la aplicación
de las cartas de control, por ello se desarrolló un método que ajusta los
datos observados a través de un modelo de series de tiempo, que permite
la aplicación de procedimientos estándares a los residuales de los valores
ajustados. Como resultado de esta propuesta surgen dos cartas: la primera,
en la que se grafican los valores ajustados, denominada carta de las causas
comunes (CCC por sus siglas en inglés), y la segunda, la carta de las causas
especiales (SCC por sus siglas en inglés), que grafica residuales luego de
modelar la serie de datos mediante un proceso autorregresivo integrado
de media móvil (ARIMA por sus siglas en inglés). El problema en la apli-
cación de lo propuesto por Alwan y Roberts [1] es que la implementación
resulta más compleja, dado que requiere de mayor habilidad en el análisis

294 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

de series de tiempo, así como conocimiento estadístico en relación con los

procedimientos sugeridos por Shewhart originalmente.

Harris y Ross [11] estudiaron el efecto de la correlación en el desempeño

de las cartas de media móvil exponencialmente ponderada (EWMA por sus
siglas en inglés) y de sumas acumuladas (CUSUM por sus siglas en inglés).
Concluyeron que la presencia de correlación entre observaciones genera
una señal errónea del estado del proceso. Para solucionar esta situación
propusieron modelar el proceso autocorrelacionado mediante modelos de
series de tiempo y monitorear los residuales, obteniendo mejores resultados
en contraste con el uso directo de los esquemas CUSUM, EWMA y Shewhart.

Wardell et ál. [12] comparan el rendimiento de las cartas tradicionales de

Shewhart y las cartas EWMA en presencia de datos correlacionados, en
contraste con las cartas diseñadas por Alwan y Roberts [1]. De igual for-
ma, exploran la posibilidad de poner límites en la carta CCC para predecir
anomalías de calidad. Los resultados de esta investigación muestran que
la carta EWMA es eficiente para detectar cambios en la media de procesos
cuando existe correlación en los datos, mientras que la carta de Shewhart
rara vez detecta dichos cambios más rápidamente que las otras. También
concluyen que las cartas SCC y CCC son preferibles en los casos en que los
cambios en la media del proceso superan dos desviaciones estándares.

Estos mismo autores [7] determinaron el ARL de las cartas de causas espe-
ciales propuestas por Alwan y Roberts [1] para datos correlacionados, con
esto concluyeron que las cartas de causas especiales tienen valores de ARL
pequeños cuando la correlación es negativa y las cartas basadas en resi-
duales no tienen buen desempeño ante la existencia de mucha correlación
en el primer rezago. Así mismo, la carta EWMA resultó ser muy buena para
detectar cambios pequeños, adicionalmente, resulta útil en la detección de
cambios grandes cuando los parámetros autorregresivos son negativos y
el parámetro del promedio móvil positivo.

Reynolds y Lu [13] evaluaron y compararon varios tipos de cartas EWMA

basadas en observaciones originales y residuales de los datos ajustados a
partir de series de tiempo. Su conclusión fue que niveles moderados de
autocorrelación pueden conllevar efectos adversos en el desempeño de las
cartas. Harris [11] y Reynolds [13] afirman que las cartas tradicionales de

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 295
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

Shewhart no deben ser aplicadas sin modificación cuando se estudia un

proceso afectado por correlación en los datos. También concluyen que el uso
de residuales generados por el ajuste de un modelo de series de tiempos no
es necesariamente mejor que la implementación de cartas basadas en el uso
de las observaciones originales con ajustes en los límites de control, a menos
que el nivel de correlación sea elevado. Kramer y Schmid [14] estudian,
con resultados similares, la aplicación de las cartas Shewhart a los residuos
de un proceso representado a través de series de tiempo autorregresivas
de primer orden denotado AR(1), en la que la variable de salida depende
linealmente de sus propios valores anteriores.

Zhang [15] midió la capacidad de detención de cambios en las cartas basadas

en residuales para procesos estacionarios y estableció la relación entre capa-
cidad de detección y la longitud promedio de corrida. Tras el análisis de un
proceso autoregresivo, el autor concluye que cuando ocurre un cambio en la
media del proceso, los residuos no tienen siempre la misma media, aunque
se haya modelado perfectamente el proceso. Asimismo, la investigación
dio como resultado que la capacidad de detección de la cartas basadas en
residuales es menor para cambios pequeños en la media comparada con las
cartas tradicionales como EWMA y CUSUM para observaciones modeladas
con una serie de tiempo autorregresiva de segundo orden AR (2).

Yang y Makis [16] estudiaron el desempeño de las cartas de control Shewhart,

CUSUM y EWMA aplicadas a los residuales de un proceso AR(1) comparando
su ARL. Para esto derivaron las ecuaciones integrales necesarias para su
cálculo. Los resultados de la investigación indicaron que la carta Shewhart
es la de peor desempeño, excepto frente a grandes cambios, y que la carta
CUSUM tiene mejor desempeño que la carta EWMA solo cuando el cambio
registrado es pequeño.

Reynolds y Lu [17] consideraron el problema de monitorear un proceso

cuya media se ajusta a una serie de tiempo AR(1) más un error aleatorio.
Para el control estadístico se utilizó una carta EWMA para los residuales,
y el pronóstico se realizó utilizando el método de la ecuación integral. La
carta propuesta fue comparada con la carta EWMA para observaciones ori-
ginales, concluyendo que cuando el nivel de autocorrelación es alto y los
cambios largos, la carta EWMA para residuales es más rápida que aquella
basada en las observaciones originales.

296 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

Luceño y Box [18] mostraron cómo el ARL para una carta one-sided CUSUM
varía en función de la longitud de los intervalos de muestreo entre obser-
vaciones consecutivas, el límite de decisión de la carta y la autocorrelación
entre muestras sucesivas. Este estudio evidenció que la tasa de falsas alarmas
puede reducirse considerablemente si se disminuye el intervalo de muestreo
y si se aumenta apropiadamente el intervalo de decisión.

La carta EWMA basada en los residuales fue desarrollada por MacCarthy y

Wasusri [19] para monitorear el desempeño programado de operaciones
tanto de manufactura como de servicios, debido a su efectividad al evitar
falsas alarmas en cambios en la media de un proceso cuyos datos están co-
rrelacionados. Rao et ál. [20] establecieron que circunstancialmente el ARL
es la única solución a la ecuación integral y probaron los algoritmos numé-
ricos basados en cuadraturas Gauss-Legendre y Simpson para estimarlo.

Peñabaena y Sanjuan [21] usaron cartas de control EWMA para la detección

temprana de cambios en el proceso modelando series de tiempo para pre-
decir tres pasos hacia adelante fuera de control y encontraron razonables
costos pero alta complejidad de aplicación.

Kacker y Zhang [22] propusieron un protocolo para el control en tiempo real

utilizando el modelo de promedio móvil y la carta Shewhart con residuales.
Este modelo se ajusta a procesos de fabricación ligera o moderadamente
estacionarios. El protocolo que resulta es similar al utilizado para la carta
Shewhart para monitoreo de la media. Luego de manufacturar N productos,
el N+1 es muestreado, el error asociado a esta muestra es verificado con
relación al valor objetivo y, posteriormente, registrado en una tabla de datos.
En cada muestra se compara el valor del error contra el límite de control
denotado; en caso de presentarse un error excesivo, el sistema se detiene
para establecer la causa del problema y aplicar los correctivos necesarios.

Snoussi et ál. [23] proponen una alternativa para abordar el problema de

insuficiencia de observaciones para el diseño de la carta, y poder así cumplir
los supuestos necesarios para la implementación. En su artículo muestran
que el uso del estadístico Queensberry (Q), que permite transformar dis-
tribuciones binarias en normales estándar, en conjunción con las cartas de
control basadas en residuales es una herramienta apropiada de control
estadístico para datos correlacionados en corridas cortas de producción.

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 297
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

Noorossana y Vaghef [24] investigaron el rendimiento de las cartas de sumas

acumulativas multivariadas (MCUSUM) en presencia de autocorrelación
utilizando las observaciones generadas por un proceso multivariado AR(1).
De este estudio se concluye que la autocorrelación deteriora el desempeño
de este tipo de cartas y que si se utilizan los residuales del modelo de serie
de tiempo en lugar de las observaciones originales, se puede mejorar el
desempeño de las cartas MCUSUM.

Kim et ál. [25] presentaron una carta CUSUM para monitorear cambios en la
media de datos autocorrelacionados, la propuesta es un modelo libre que
provee una manera simple de determinar los límites de control a través
de un cálculo analítico cuando la varianza es conocida, y además permite
el uso de pequeños lotes o incluso de pocas observaciones, a diferencia de
otros procedimientos que requieren conocimiento previo del modelo o de la
estructura de correlación del proceso subyacente. Los autores compararon
el procedimiento propuesto con otros modelos libres, utilizando ejemplos
basados en datos independientes y normalmente distribuidos y que sigan
un proceso AR(1).

Triantafyllopoulos [26] desarrolló una carta de control multivariada para

procesos serialmente correlacionados mediante un modelo bayesiano multi-
variado de nivel local. El modelo desarrollado por el autor es una generali-
zación del modelo Shewhart para datos autocorrelacionados, que pretende
establecer el error de predicción del proceso para luego aplicar una carta
EWMA al algoritmo de factores Bayesianos. En este estudio se aprecia que
la carta EWMA es capaz de tratar la no normalidad y la autocorrelación de
los factores bayesianos. Yang y Yang [27] propusieron un enfoque para el
monitoreo efectivo de las etapas dependientes de un proceso que presenta
autocorrelación. Estos autores consideraron el problema de monitorear la
media de una característica de calidad (X) en la primera etapa del proceso y
la media de una característica de calidad (Y) en la segunda etapa del proceso.
Las observaciones de la característica X se modelaron como una serie AR(1)
y las observaciones de la característica Y se trabajaron como una función
de transferencia de X, siempre y cuando el estado del segundo proceso sea
independiente del estado del primero. Según el análisis numérico desarro-
llado por Yang y Yang [27], la carta propuesta tiene mejor desempeño que
la carta multivariada Hotelling T2 y que cartas individuales Shewhart para
el desempeño de las variables X y Y.

298 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

Ghourabi y Liman [28] estudiaron el comportamiento de los residuales de

varios procesos estacionarios en presencia de patrones de cambio y plantea-
ron un nuevo método para trabajar con los residuos, denominado la carta
de patrones, que tiene en cuenta tres tipos de patrones: valores atípicos
aditivos, valores atípicos innovados y niveles de cambios. Al comparar la
longitud promedio de corrida de esta nueva carta con la carta de causas
especiales SCC se observa que la carta propuesta tiene mejor desempeño
que la carta SCC.

Costa y Claro [29] consideraron el muestreo doble para monitorear procesos

que puedan ser modelados a partir de una serie de tiempo autorregresiva y
de media móvil de primer orden ARMA (1,1), esta propuesta fue comparada
con la carta de control de Shewhart y una carta adaptativa con tamaño de
muestra variable (VSS), concluyendo que la carta desarrollada por Costa y
Claro es efectiva para detectar cambios en la media cuando la correlación
es moderada.

Sheu y Lu [30] examinaron una carta de control de promedio móvil general

ponderado (GWMA) de tiempo variable para el seguimiento de la media
de un proceso AR(1) con el error aleatorio. Mediante simulación se evaluó
el ARL de la carta EWMA y GWMA, los resultados indicaron que la carta
GWMA requiere menor tiempo para detectar cambios cuando los niveles
de correlación son bajos. Knoth et ál. [31] cuantificaron el impacto de la
autocorrelación en la probabilidad de la ocurrencia de falsas alarmas en
cartas tradicionales de Shewhart y EWMA basadas en residuales para el
monitoreo de la media y la varianza de una proceso AR(1).

Weiss y Testik [32] investigaron la carta one-sided CUSUM para el monito-

reo de los residuales de un proceso de autocorrelación discreto utilizando
un modelo de Poisson autorregresivo de primer orden de valores enteros
(Poisson INAR (1)). La investigación llevó a concluir que al ser utilizada la
carta con las observaciones originales, se observa un mejor desempeño en
la detección de un fuera de control.

En general, se puede decir que la carta EWMA es el esquema de monitoreo

basado en residuales que ha mostrado mejores resultados por su aproxi-
mación a las series de tiempo.

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 299
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

Cartas de control modificadas

Montgomery y Mastrangelo [4] proponen una modificación de la carta

EWMA para el monitoreo de porcesos autocorrelacionados aprovechando
que esta carta permite realizar una aproximación al procedimiento de
modelado de series de tiempo. De esta forma es posible combinar infor-
mación sobre el estado estadístico del proceso y las dinámicas del mismo
en una carta de control denominada EWMA de línea central (MCEWMA). En
dicha carta, la línea central no es constante y depende de la secuencia de
los valores ajustados.

Las cartas tradicionales basadas en residuales, como las Shewhart, CUSUM

o EWMA, no utilizan la información contenida en la dinámica de las falsas
alarmas. A partir de esto Box y Ramírez [33] desarrollaron la carta de control
CUSCORE a partir de la carta CUSUM y EWMA, que a través de la aplicación
de la función de verosimilitud en la modelación de la serie temporal per-
mite incorporar información del proceso que se traduce en un desempeño
estadístico significativamente mejor a las cartas en su estado original en
el monitoreo de procesos autocorrelacionados. Entre las dificultades de
implementación se menciona que su complejidad hace que su aplicación
sea poco difundida.

Vander Wiel [34] estudió y comparó cuatro esquemas de monitoreo de

procesos con datos correlacionados: las cartas CUSUM, EWMA, Shewhart y
un esquema basado en la razón de verosimilitud para incluir un modelo
de media móvil. Como resultado se concluyó que al ser implementados,
los gráficos CUSUM pueden rendir tan bien como los otros esquemas, y que
las cartas individuales de Shewhart suelen tener el peor rendimiento, en
especial cuando se habla de pequeños corrimientos de media.

Zhang [35] presenta un nuevo enfoque para manejar la correlación entre

observaciones y propone una carta de control estadística para datos prove-
nientes de un proceso estacionario. Afirma que este esquema es más fácil de
implementar y requiere menor esfuerzo, lo que soluciona la limitación de
lo propuesto por Alwan y Roberts [1]. Zhang diseña una adaptación de la
carta EWMA variando sus límites cuando los datos son autocorrelacionados,
es denominada carta EWMAST para procesos estacionarios. Los resultados
de su investigación indican que cuando la correlación en el proceso no es

300 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

fuerte y los cambios presentados en la media no son largos, la carta EW-

MAST tiene mejor desempeño en la detección de corrimientos de media que
aquella que trabaja con residuales.

Willemain y Runger [36] desarrollan una forma novedosa y efectiva para

controlar la calidad utilizando datos positivamente autocorrelacionados que
se originan a raíz de una alta frecuencia de muestreo. Estos autores conside-
raron el proceso como una secuencia de corridas por encima y por debajo
de la media; las sumas de las observaciones de estas corridas se comportan
como  variables aleatorias independientes  que pueden ser graficadas en
cartas de control superando el problema de autocorrelación. Utilizando
datos simulados, Willemain y Runger probaron que la velocidad del modelo
de cartas propuesto, basado en una suma de las observaciones por debajo
y por encima de la media, es mejor que las cartas de control basadas en
residuales para detectar cambios en la media del proceso.

En la investigación realizada por Lu y Reynolds [37] fue evaluado el des-

empeño en la detección de cambios en la media y la varianza de varios
esquemas de cartas de control y combinaciones de cartas para procesos en
los cuales las observaciones se presentan como un proceso AR(1). La con-
clusión de este estudio muestra que no hay una combinación de cartas cuyo
desempeño fuera óptimo en todos los casos, sin embargo, la carta EWMA de
las observaciones, usada en combinación con una carta de Shewhart para
los residuos, puede ser recomendada para aplicaciones prácticas.

Jiang et ál. [38] propusieron una nueva carta de control denominada auto-
rregresiva de promedio móvil (ARMA), que es basada en el monitoreo de un
proceso ARMA de las observaciones originales. Estos autores desarrollaron
un procedimiento informal para determinar los valores apropiados de los
parámetros de la carta propuesta. Asimismo, este estudio permite afirmar
que la carta de causas especiales SCC, propuesta por Alwan y Roberts [1], y
la carta EWMAST, desarrollada por Zhang [35], son casos especiales de carta
ARMA. Un año después, Jiang [39] amplió su investigación sobre la carta
ARMA al desarrollar un modelo de cadenas de Markov que le permitiera
evaluar la longitud promedio de corrida de esta carta.

Reynolds et ál. [8] investigaron las cartas de control CUSUM como alternativa
para monitorear la media de procesos donde las observaciones podrían ser

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 301
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

modeladas con una serie de tiempo AR(1) más un error aleatorio. Luego
de su investigación, concluyeron que las cartas CUSUM basadas en las ob-
servaciones originales rinden bien al usarse con los residuales, excepto en
aquellos casos en los que los niveles de autocorrelación son muy altos y
los cambios en la media del proceso son grandes. Asimismo, los resultados
de este estudio permitieron afirmar que las cartas CUSUM y EWMA tienen
un rendimiento similar en términos de la habilidad para detectar cambios
en la media del proceso. Chou et ál. [40] desarrollaron posteriormente el
diseño económico de cartas para datos correlacionados en una muestra. En
los resultados se observa que si los datos están positivamente correlacio-
nados, el diseño conduce a un tamaño de muestra menor, con un intervalo
frecuente de muestreo y límites de control más cercanos. Sin embargo,
si están negativamente correlacionados, a grandes niveles se obtiene un
tamaño de muestra menor con límites más cercanos.

Chou et ál. [41] robustecen su diseño económico con la implementación de

la función de pérdida de Taguchi, considerando el escenario de datos corre-
lacionados y no normalidad. Este estudio permite concluir que al diseñar
económicamente la carta de control en presencia de autocorrelación en las
observaciones del proceso, se presentan tamaños de muestra menores con
límites más estrechos.

Mastrangelo y Forrest [42] presentaron un programa para generar datos

multivariados autorregresivos con cambios en el vector medio de las series
estacionarias; estos datos pueden ser usados para comparar las propiedades
de detección de cambios de métodos de cartas de control multivariadas.

Shu et ál. [43] propusieron una nueva carta denominada CUSUM-triggered

que reduce el número de falsa alarma, su validación se hizo utilizando un
proceso ARMA(1,1). Este estudio probó que la carta propuesta tiene mejor
desempeño que la CUSCORE estándar y que la carta CUSUM basada en los
residuales.

Apley y Tsung [5] analizaron la carta de control T2 autorregresiva para el

control estadístico de procesos autocorrelacionados para el caso de cambios
en la media del proceso. Esta considera diferentes niveles de ajuste para
la modelación del proceso que la hacen una alternativa apropiada para el
monitoreo de residuales.

302 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

Una nueva comparación del desempeño de las cartas basadas en los residuales
de un modelo autoregresivo frente a aquellas basadas en las observaciones
originales fue desarrollada por Loredo et ál. [44] utilizando simulación de
Monte Carlo. Este estudio permite concluir que las cartas basadas en las
observaciones originales tienen un desempeño pobre cuando los datos del
proceso están correlacionados en el tiempo yafirma que en el modelo de
series de tiempo las cartas de residuales tienen mejor desempeño. Jiang
[45] examinó las propiedades globales del test T2 cuando hay incertidumbre
acerca de la magnitud sobre el cambio del proceso.

Winkel y Zhang [46] estudian la presencia de falsas alarmas debido a

diferentes niveles de autocorrelación, para ello evaluaron la carta EWMA
cuando existe autocorrelación en las observaciones del proceso, obteniendo
un número considerable de falsas alarmas. En contraste, la aplicación de
la carta EWMAST no registra ninguna observación por fuera de los límites
de control. Esta situación se debe al hecho de que los límites de la carta
EWMAST se acomodan según la correlación del proceso. Es importante
mencionar que la presencia de autocorrelación positiva en el proceso es
preferible para la aplicación de la carta EWMAST.

Chen y Chiou [47] desarrollaron un diseño económico de una carta de control

con intervalo de muestreo variable (VSI) con datos correlacionados, donde
la muestra siguiente es seleccionada más rápidamente de lo usual si hay
indicios de que el proceso está fuera de control. Los resultados indicaron
que las cartas VSI superan a las cartas tradicionales cuando se dan cambios
mayores de la media y existe correlación en los datos.

Brence y Mastrangelo [48] evaluaron las sumas acumuladas de la señal de

rastreo, señal de rastreo del error suavizado y la carta EWMA en la detección
de los cambios del proceso, para esto utilizaron como indicadores el ARL
y la proporción de falsas alarmas. En el análisis realizado para procesos
AR(1) y ARMA(1,1), la señal de rastreo de la ventana de la serie de tiempo
para el error presentó mejor desempeño que las sumas acumuladas de la
señal de rastreo.

Jarrett y Pan [49] describen cómo combinar enfoques de control estadístico

de procesos tradicionales para monitorear cambios en la variabilidad del
proceso en un entorno de observaciones autocorrelacionadas. De igual

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 303
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

forma, Kim et ál. [25] desarrollan y evalúan el desempeño de una carta

de distribución tabular libre CUSUM (DTFC) para datos correlacionados, y
concluyen que esta carta reacciona más rápido a los cambios significativos
que otras de distribución libre CUSUM. Sin embargo, la principal limitación
de este artículo es que el análisis se fundamenta en la afirmación que la va-
rianza marginal y la varianza de los parámetros son cantidades conocidas.

Chen et ál. [50] combinan el diseño económico propuesto por Chou (2001)
[40] con un modelo de distribución normal multivariada para el análisis
del efecto de la correlación en los parámetros de la carta. El resultado de
la investigación es que la magnitud del cambio en la media tiene un efecto
significativo en los valores óptimos de los intervalos de muestreos (cortos
y largos), los coeficientes de alerta y de control, conduciendo al diseño
económico de una carta VSSI para monitorear la media de un proceso bajo
correlación. Se concluyó también que el coeficiente de correlación en la
muestra es otro factor importante en el desempeño económico.

Cheng y Chou [51] utilizaron la carta de control ARMA en un sistema de

inventarios; utilizaron esta carta para monitorear la demanda del mercado,
la cual presentaba autocorrelación, y utilizaron cartas individuales para
analizar los niveles de inventarios. Koksal et ál. [52] investigaron el efecto
del tamaño de muestra en el desempeño de la longitud promedio de corrida
de las cartas basadas en residuales, cartas Shewhart modificadas, EWMAST y
ARMA, ofreciendo una guía y recomendaciones para la elección del tamaño
de muestra en las cartas seleccionadas.

Vermaat et ál. [53] diseñaron estadísticamente cartas EWMA para procesos

AR(1) y AR(2) con el objetivo de facilitar la aplicación frente a las cartas ba-
sadas en residuales usadas tradicionalmente para afrontar la correlación.
Esta nueva carta tiene como ventaja que los datos son graficados en su
escala original, haciendo más clara la interpretación.

Changpetch y Nembhard [54] desarrollaron dos enfoques para la aplica-

ción de cartas CUSCORE cuando no se conoce el tiempo en que ocurrió la
señal. El primer enfoque propone reiniciar la estadística CUSCORE con un
ciclo determinado y el segundo consiste en considerar únicamente los pe-
ríodos de tiempo más recientes para calcular la estadística CUSCORE. El
resultado de esta investigación permitió concluir que en el desempeño de

304 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

estos dos enfoques, la carta de control CUSCORE periódica es mejor que la

carta CUSUM en términos de la longitud promedio de corrida.

Ta Zou et ál. [55] consideraron un proceso AR(1) más un error aleatorio y

estudiaron el método que denominaron muestreo variable a intervalos fijos,
el cual combina el método frecuencia variable de muestreo a tiempos fijos
(VSRFT) y el de intervalos de muestreo variables a tiempos fijo (VSIFT). Tam-
bién utilizaron modelos de cadenas de Markov y ecuaciones integrales para
desarrollar el método propuesto, el cual según los estudios realizados por
estos autores, en promedio, detecta más rápidamente cambios en el proceso
que las cartas de tamaño de muestra fijo y que su capacidad de detección
es comparable con la cartas cuyos intervalos de muestreo son variables.

Wang [56] desarrolló un método para monitorear pequeños cambios en

un proceso estacionario afectado por correlación en los datos, haciendo
uso de un modelo autorregresivo de media móvil de primer orden MA(1).
Al comparar su propuesta con otros métodos obtuvo como resultado que
esta ofrece mayor eficiencia en procesos estacionarios. Chen y Cheng [57]
propusieron dos métodos para determinar el tamaño de muestra y el factor
k (número de desviaciones estándares desde la línea central) del límite de
control para minimizar la duración promedio de corrida fuera de control,
mientras se mantiene el ARL en valores específicos de control cuando no
se conoce la distribución marginal y existe autocorrelación en los datos.

Con un proceso AR(1), Branco y Guerreiro [58] desarrollan un enfoque basa-

do en cadenas de Markov y métodos de ecuaciones integrales para evaluar
las propiedades de la carta X–barra. Yu y Lu [59] propusieron un modelo
de regresión logístico (LR- por su nombre en inglés) para el monitoreo de
procesos. Este método proporciona la evaluación cuantitativa del estado
actual del proceso mediante el cálculo de la probabilidad de ocurrencia de
evento de la regresión. De esta investigación surge una carta basada en esta
probabilidad del modelo logístico, denominada carta LR- Prob.

Un procedimiento CUSCORE multivariado (MCUSCORE), basado en la

prueba de verosimilitud secuencial y en el análisis de la señal de falla, fue
desarrollado por Chen y Nembhard [60] para monitorear la media de un
proceso multivariado correlacionado. Su resultado es similar a los anterio-

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 305
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

res, muestra la superioridad de los esquemas CUSCORE para el monitoreo

de datos originales del proceso en presencia de datos autocorrelacionados.

Cartas de control con aplicaciones de minería de datos

La minería de datos es una disciplina encargada del descubrimiento auto-

mático de patrones o modelos intrínsecos en bases de datos [61]. Las herra-
mientas de minería de datos pueden ayudar a predecir futuras tendencias y
comportamientos, permitiendo tomar decisiones proactivas y conductivas
por un conocimiento a partir de la información. Asimismo, dichas herra-
mientas exploran las bases de datos en busca de patrones ocultos, descu-
briendo información predecible que un experto no puede llegar a hallar
porque se encuentra fuera de sus expectativas [62]. Estas herramientas han
comenzado a utilizarse para el control estadístico de procesos donde existe
autocorrelación, y según recientes investigaciones [10] son muy eficientes
detectando pequeñas variaciones en los procesos.

Friedman [63] presentó un nuevo método, denominado Multivariate Adap-

tive Regression Splines (MARS), para el modelado regresivo flexible de datos
de alta dimensión, que permite estimar relaciones desconocidas entre una
variable respuesta (medida de desempeño) y muchas variables predictoras.

Smola y Scholkopf [64] afirman que los métodos basados en el algoritmo

Support Vector Machine (SVM) son útiles debido a que pueden utilizarse para
la identificación de patrones en series de datos con un buen rendimiento.

Chinnam [65] demuestra que los métodos SVM son efectivos minimizando
la probabilidad de que erróneamente se declare el proceso fuera de control
o que se genere una falsa alarma (error tipo I) y la probabilidad de que el
método sea incapaz de detectar un verdadero cambio o tendencia presente en
el proceso (error tipo II); dicho resultado concluye que estos métodos tienen
un rendimiento igual o superior al de las cartas tradicionales de Shewhart.

Issam y Liman [66] aplican el SVM para la construcción de una carta MCUSUM
basada en residuos con el objetivo de monitorear cambios en el proceso de
una media, y como resultados comprueban que la metodología propuesta
es más efectiva en la detención de pequeños cambios en la media en con-
traste con aquellas basadas en series de tiempo. Otra ventaja importante de

306 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

esta carta es que puede manejar una relación no lineal entre las variables
de control.

Una nueva alternativa para el tratamiento de datos autocorrelacionados, que

evita la construcción de un modelo de series de tiempo, es la propuesta por
Pacella y Semeraro [67], que sugiere el uso de un procedimiento basado en
redes neuronales. La metodología propuesta, en contraste con las cartas de
control tradicionales, presentó un mejor desempeño estadístico al detectar
grandes y pequeños cambios en la media del proceso.

West et ál. [68] investigaron la habilidad de la función de base radial de una

red neuronal para monitorear y controlar un proceso de manufactura en
presencia de observaciones correlacionadas. Este estudio demostró que la
función de base radial de red es más eficiente que las cartas multivariadas de
Shewhart, la versión multivareada de la EWMA y Back Propagation Neural
Network (BPN). Dos años más tarde, Chiu et ál. [69] utilizaron el método
BPN para identificar cambios en los parámetros de un proceso AR(1).

Jitpitaklert [70] integró el estado del arte de los algoritmos de minería con
las herramientas para el monitoreo estadístico de procesos para alcanzar
eficiencia en el monitoreo de procesos multivariados y correlacionados.
Hwarng y Wang [71] proponen un identificador basado en una red neural
(NNI) para procesos multivariados correlacionados. Luego de sus estudios,
concluyeron que el método es más efectivo detectando pequeños cambios
y que provee mayor estabilidad en el índice ARL. Lee [72] desarrolló un
diseño económico de cartas de control CUSUM para monitorear procesos con
muestras correlacionadas. Fue aplicado un algoritmo genético para hallar
los parámetros que minimizan el costo de la implementación.

Gani et ál. [73] utilizan cartas de control basadas en SVR para minimizar el
error empírico, comparando después los resultados con los métodos Ordinary
Least Squares (OLS) y Partial Least Square (PLS) en términos de la desviación
estándar del error de predicción y el error estándar de rendimiento. Issam et
ál. [74] extenderían la aplicación de este método para procesos multivaria-
dos no lineales con datos autocorrelacionados, y al comparar su propuesta
con cartas de control basadas en redes neuronales encontraron que la carta
basada en el método vector de soporte regresivo es más efectiva detectando
señales que afectan la varianza del proceso.

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 307
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

Niaki y Nasaji [75] modelaron la estructura autocorrelacionada de los datos

a través de un vector autorregresivo y desarrollaron una red neuronal de
Elman modificada para generar datos simulados utilizando el algoritmo
ARTA. Estos investigadores usaron una nueva metodología basada en la
capacidad de la red modificada Elman para monitorear y detectar las causas
del deterioro del proceso.

Huang et ál. [76] desarrollaron un modelo utilizando el algoritmo SVR

para predecir cambios en la media del proceso monitoreado con una carta
CUSUM. Para evaluar el desempeño del vector, se simula el error absoluto
porcentual de la media (MAPE por sus siglas en inglés) y la raíz normali-
zada media de los errores cuadrados (NRMSE por sus siglas en inglés). Se
compara el desempeño predictivo del método propuesto con el de redes
neuronales, lo cual da como resultado que el vector de soporte regresivo
planteado tiene mejor capacidad de estimación. Park et ál. [77] desarrolla-
ron un nuevo método de detección de fallas utilizando Spline Regression y
SVM para una señal de un proceso dada. El Spline Regression se aplica sobre
puntos cambiantes o puntos de nudo y el SVM utiliza las características de
la señal en el desarrollo del monitoreo. 

3. FUTURAS LÍNEAS DE INVESTIGACIÓN

Finalmente, vale la pena anotar que futuras líneas de investigación para el

control estadístico de datos autocorrelacionados detectadas en la literatura
están relacionadas, en principio, con la necesidad de caracterizar los tipos
de fuera de control y su inclusión en las cartas de control para establecer
políticas que garanticen la detección oportuna y la disminución de los costos
de calidad. Esto incluye el diseño de un mecanismo para el análisis e inter-
pretación de las señales que indican que el proceso está fuera de control,
de manera que tomen las medidas correctivas en el momento oportuno.

Adicionalmente, el trabajo que se ha hecho sobre la carta CUSUM aún nece-

sita estudiar el efecto de los parámetros de la carta para la predicción del
rendimiento y la construcción del vector de entrada basado en las carac-
terísticas extraídas de las observaciones originales. Se sugiere el diseño de
una carta two-sided CUSUM, con cálculo exacto de ARL, para el monitoreo
de un proceso de autocorrelación discreto utilizando un modelo de Pois-

308 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

son autorregresivo de primer orden de valores enteros [Poisson INAR(1)].

Asimismo, puede considerarse la optimización de los parámetros de la
carta one-sided CUSUM.

Para finalizar, se puede trabajar en el seguimiento de la variabilidad del

proceso a través de un cambio en la matriz de covarianza mediante la
aplicación del método vector de soporte regresivo y la carta multivariada
MEWMA. 

En la literatura se encuentra que autores como Lu y Reynolds [37] evalúan

esquemas híbridos utilizando un monitoreo directo y con residuales con
cartas Shewhart y EWMA. La combinación de técnicas de minería de datos
y otros esquemas de monitoreo no se encuentra documentados en la litera-
tura científica y ello se convierte en un importante campo de investigación.

La cantidad de estudios dedicados a compensar el desempeño estadístico

y económico en procesos autocorrelacionados ha sido baja, valdría la pena
orientar esfuerzos a diseñar mejores cartas y a robustecer los modelos actuales
para incluir variables propias del proceso que no han sido consideradas,
como: el costo social, la confiabilidad de los instrumentos, etc.

Por último, aparece un gran campo de investigación en las cartas con es-
quemas variables, cuyas bases se convierten en una nueva alternativa de
estudio para explorar en esquemas modificados y evaluar con técnicas de
minería de datos.

4. CONCLUSIONES

Los métodos tradicionales de control estadístico de procesos pierden mucha

efectividad cuando las observaciones son correlacionadas, situación usual
en las industrias altamente automatizadas e integradas. Como se muestra en
esta revisión literaria, existen múltiples alternativas y enfoques para afrontar
este problema. Una de las alternativas propuesta por autores como Alwan
y Robert [1] y Wardell et ál. [7] es el uso de modelos de series de tiempo,
lo que implica ajustar los datos a un modelo adecuado y aplicar cartas de
control a los residuales. Dada la complejidad de la aplicación de modelos de

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 309
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

series de tiempo para los residuales, algunos autores como Reynolds y Lu

[8], Atienza et ál. [9] y Loredo et ál. [44] diseñaron procedimientos basados
en las observaciones originales para monitorear procesos correlacionados.

Sin embargo, al evaluar los resultados obtenidos por las cartas de control
basadas en series de tiempos, frente a la detención de cambio pequeño estas
no poseen un muy buen rendimiento. Entonces, autores como Chinnam
[69] y Kim et ál. [10] demostraron que las cartas de control basadas en
SVM y los algoritmos de minería de datos presentan mejor desempeño en
la detección de cambios pequeños en los procesos.

En general, se puede concluir que las cartas de control EWMA y CUSUM son
más eficientes para detectar cambios en la media de procesos cuando existe
correlación entre los datos, mientras que la carta Shewhart rara vez detecta
dichos cambios en este tipo de procesos. Por otro lado, los esquemas de
carta modificados, como las cartas EWMAST, CUSCORE y VSSI, demostraron
tener mejor potencia estadística, pero mayor complejidad de aplicación. Por
último, los métodos SVM, y BPN mostraron un mejor desempeño estadístico
al detectar tanto pequeños como grandes cambios en la media de un proceso
autocorrelacionado, en comparación con la carta Shewhart.

REFERENCIAS

[1] L. C. Alwan and H. V. Roberts, “Time-series modeling for statistical process

control,” Journal of Business & Economic Statistics, vol. 6, pp. 87-95, 1988.
[2] D. W. Apley and J. Shi, “The GLRT for statistical process control of autocorre-
lated processes,” IIE Transactions, vol. 31, pp. 1123-1134, 1999.
[3] S. Psarakis and G. Papaleonida, “SPC procedures for monitoring autocorre-
lated processes,” Quality Technology and Quantitative Management, vol. 4, pp.
501-540, 2007.
[4] D. Montgomery, C. Mastrangelo, F. W. Faltin, W. H. Woodall, J. F. MacGre-
gor, and T. P. Ryan, “Some statistical process control methods for autocorre-
lated data,” Journal of Quality Technology, vol. 23, 1991.
[5] D. W. Apley and F. Tsung, “The autoregressive T2 chart for monitoring uni-
variate autocorrelated processes,” Journal of Quality Technology, vol. 34, pp.
80-96, 2002.
[6] S. B. Kim, W. Jitpitaklert, and T. Sukchotrat, “One-class classification-based
control charts for monitoring autocorrelated multivariate processes,” Com-

310 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

munications in Statistics-Simulation and Computation®, vol. 39, pp. 461-474,

2010.
[7] D. G. Wardell, H. Moskowitz, and R. D. Plante, “Run-length distributions of
special-cause control charts for correlated processes,” Technometrics, vol. 36,
pp. 3-17, 1994.
[8] C.-W. Lu and M. R. Reynolds, “Cusum charts for monitoring an autocorre-
lated process,” Journal of Quality Technology, vol. 33, pp. 316-334, 2001.
[9] O. O. Atienza, L. Tang, and B. Ang, “A CUSUM scheme for autocorrelated
observations,” Journal of Quality Technology, vol. 34, pp. 187-199, 2002.
[10] S. B. Kim, W. Jitpitaklert, S.-K. Park, and S.-J. Hwang, “Data mining model-
based control charts for multivariate and autocorrelated processes,” Expert
Systems With Applications, vol. 39, pp. 2073-2081, 2012.
[11] T. J. Harris and W. H. Ross, “Statistical process control procedures for corre-
lated observations,” The Canadian Journal of Chemical Engineering, vol. 69, pp.
48-57, 1991.
[12] D. G. Wardell, H. Moskowitz, and R. D. Plante, “Control charts in the pre-
sence of data correlation,” Management Science, vol. 38, pp. 1084-1105, 1992.
[13] M. R. Reynolds Jr and C.-W. Lu, “Control charts for monitoring processes
with autocorrelated data,” in Nonlinear Analysis: Theory, Methods & Applica-
tions, 1997, pp. 4059-4067.
[14] H. Kramer and W. Schmid, “Control charts for time series,” in Nonlinear
Analysis: Theory, Methods & Applications, 1997, pp. 4007-4016.
[15] N. F. Zhang, “Detection capability of residual control chart for stationary
process data,” Journal of Applied Statistics, vol. 24, pp. 475-492, 1997.
[16] J. Yang and V. Makis, “On the performance of classical control charts applied
to process residuals,” Computers & Industrial Engineering, vol. 33, pp. 121-
124, 1997.
[17] C. W. Lu and M. R. Reynolds, “Control charts for monitoring the mean and
variance of autocorrelated processes,” Journal of Quality Technology, vol. 31,
pp. 259-274, 1999.
[18] A. L. George and E. Box, “Influence of the sampling interval, decision limit
and autocorrelation on the average run length in Cusum charts,” Journal of
Applied Statistics, vol. 27, pp. 177-183, 2000.
[19] B. MacCarthy and T. Wasusri, “Statistical process control for monitoring
scheduling performance-addressing the problem of correlated data,” Journal
of the Operational Research Society, pp. 810-820, 2001.
[20] B. V. Rao, R. L. Disney, and J. J. Pignatiello Jr., “Uniqueness and convergence
of solutions to average run length integral equations for cumulative sum
and other control charts,” IIE Transactions, vol. 33, pp. 463-469, 2001.
[21] R. P. Peña-Baena Niebles and M. E. Sanjuán Mejía, “Diseño de un experi-
mento para evaluar el uso de la carta EWMA con predicción en el monitoreo

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 311
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

de procesos correlacionados,” Revista Científica Ingeniería y Desarrollo, vol. 15,

pp. 67-83, 2011.
[22] R. Kacker and N. F. Zhang, “Online control using integrated moving ave-
rage model for manufacturing errors,” International Journal of Production Re-
search, vol. 40, pp. 4131-4146, 2002.
[23] A. Snoussi, M. E. Ghourabi, and M. Limam, “On SPC for short run autoco-
rrelated data,” Communications in Statistics-Simulation and Computation, vol.
34, pp. 219-234, 2005.
[24] R. Noorossana and S. Vaghefi, “Effect of autocorrelation on performance of
the MCUSUM control chart,” Quality and Reliability Engineering International,
vol. 22, pp. 191-197, 2006.
[25] S.-H. Kim, C. Alexopoulos, K.-L. Tsui, and J. R. Wilson, “A distribution-free
tabular CUSUM chart for autocorrelated data,” IIE Transactions, vol. 39, pp.
317-330, 2007.
[26] K. Triantafyllopoulos, “Multivariate control charts based on Bayesian state
space models,” Quality and Reliability Engineering International, vol. 22, pp.
693-707, 2006.
[27] S.-F. Yang and C.-M. Yang, “An approach to controlling two dependent
process steps with autocorrelated observations,” The International Journal of
Advanced Manufacturing Technology, vol. 29, pp. 170-177, 2006.
[28] M. El Ghourabi and M. Limam, “Residual responses to change patterns of
autocorrelated processes,” Journal of Applied Statistics, vol. 34, pp. 785-798,
2007.
[29] A. F. Costa and F. A. Claro, “Double sampling\ overline {X} control chart for
a first-order autoregressive moving average process model,” The Internatio-
nal Journal of Advanced Manufacturing Technology, vol. 39, pp. 521-542, 2008.
[30] S.-H. Sheu and S.-L. Lu, “Monitoring the mean of autocorrelated observa-
tions with one generally weighted moving average control chart,” Journal of
Statistical Computation and Simulation, vol. 79, pp. 1393-1406, 2009.
[31] S. Knoth, M. C. Morais, A. Pacheco, and W. Schmid, “Misleading signals in
simultaneous residual schemes for the mean and variance of a stationary
process,” Communications in Statistics-Theory and Methods, vol. 38, pp. 2923-
2943, 2009.
[32] C. H. Weiss and M. C. Testik, “CUSUM monitoring of first-order integer-
valued autoregressive processes of Poisson counts,” Journal of Quality Tech-
nology, vol. 41, pp. 389-400, 2009.
[33] G. Box and J. Ramírez, «Cumulative score charts,» Quality and Reliability En-
gineering International, vol. 8, pp. 17-27, 1992.
[34] S. Vander Wiel, “Monitoring processes that wander using integrated mo-
ving average models,” Technometrics, vol. 38, pp. 139-151, 1996.

312 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

[35] N. F. Zhang, “A statistical control chart for stationary process data,” Techno-
metrics, vol. 40, pp. 24-38, 1998.
[36] T. R. Willemain and G. C. Runger, “Statistical process control using run
sums,” Journal of Statistical Computation and Simulation, vol. 61, pp. 361-378,
1998.
[37] C.-W. Lu and M. R. Reynolds, “EWMA control charts for monitoring the
mean of autocorrelated processes,” Journal of Quality Technology, vol. 31, pp.
166-188, 1999.
[38] W. Jiang, K.-L. Tsui, and W. H. Woodall, “A new SPC monitoring method:
The ARMA chart,” Technometrics, vol. 42, pp. 399-410, 2000.
[39] W. Jiang, “Average run length computation of ARMA charts for stationary
processes,” Communications in Statistics-Simulation and Computation, vol. 30,
pp. 699-716, 2001.
[40] C. Y. Chou, H. R. Liu, and C. H. Chen, “Economic design of averages control
charts for monitoring a process with correlated samples,” The International
Journal of Advanced Manufacturing Technology, vol. 18, pp. 49-53, 2001.
[41] H.-R. Liu, C.-Y. Chou, and C.-H. Chen, “Minimum-loss design of x-bar
charts for correlated data,” Journal of Loss Prevention in the Process Industries,
vol. 15, pp. 405-411, 2002.
[42] C. M. Mastrangelo and D. R. Forrest, “Multivariate autocorrelated proces-
ses: Data and shift generation,” Journal of Quality Technology, vol. 34, pp. 216-
220, 2002.
[43] L. Shu, D. W. Apley, and F. Tsung, “Autocorrelated process monitoring
using triggered cuscore charts,” Quality and Reliability Engineering Internatio-
nal, vol. 18, pp. 411-421, 2002.
[44] E. N. Loredo, D. Jearkpaporn, and C. M. Borror, “Model-based control chart
for autoregressive and correlated data,” Quality and Reliability Engineering
International, vol. 18, pp. 489-496, 2002.
[45] W. Jiang, “Multivariate control charts for monitoring autocorrelated proces-
ses,” Journal of Quality Technology, vol. 36, pp. 367-379, 2004.
[46] P. Winkel and N.-F. Zhang, “Serial correlation of quality control data-on the
use of proper control charts,” Scandinavian Journal of Clinical & Laboratory
Investigation, vol. 64, pp. 195-204, 2004.
[47] Y. K. Chen and K. C. Chiou, “Optimal design of VSI-X control charts for mo-
nitoring correlated samples,” Quality and Reliability Engineering International,
vol. 21, pp. 757-768, 2005.
[48] J. R. Brence and C. M. Mastrangelo, “Parameter selection for a robust trac-
king signal,” Quality and Reliability Engineering International, vol. 22, pp. 493-
502, 2006.

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 313
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Rita Peñabaena Niebles, Óscar Oviedo-Trespalacios,
Juan Guillermo Vásquez Cabeza, Laura Milena Fernández Cantillo

[49] J. E. Jarrett and X. Pan, “Monitoring variability and analyzing multivariate au-
tocorrelated processes,” Journal of Applied Statistics, vol. 34, pp. 459-469, 2007.
[50] Y.-K. Chen, K.-L. Hsieh, and C.-C. Chang, “Economic design of the VSSI
control charts for correlated data,” International Journal of Production Econo-
mics, vol. 107, pp. 528-539, 2012.
[51] J.-C. Cheng and C.-Y. Chou, “A real-time inventory decision system using
Western Electric run rules and ARMA control chart,” Expert Systems with
Applications, vol. 35, pp. 755-761, 2008.
[52] G. Köksal, B. Kantar, T. Ali Ula, and M. Caner Testik, “The effect of phase I
sample size on the run length performance of control charts for autocorrela-
ted data,” Journal of Applied Statistics, vol. 35, pp. 67-87, 2008.
[53] M. Vermaat, R. Does, and S. Bisgaard, “EWMA control chart limits for first-
and second-order autoregressive processes,” Quality and Reliability Enginee-
ring International, vol. 24, pp. 573-584, 2008.
[54] P. Changpetch and H. B. Nembhard, “Periodic Cuscore charts to detect step
shifts in autocorrelated processes,” Quality and Reliability Engineering Inter-
national, vol. 24, pp. 911-926, 2008.
[55] C. Zou, Z. Wang, and F. Tsung, “Monitoring autocorrelated processes using
variable sampling schemes at fixed-times,” Quality and Reliability Enginee-
ring International, vol. 24, pp. 55-69, 2008.
[56] W. Hai-yu, “An EWMA for monitoring stationary autocorrelated process,” in
Computational Intelligence and Software Engineering, 2009. CiSE 2009. Interna-
tional Conference on, 2009, pp. 1-4.
[57] H. Chen and Y. Cheng, “Designing charts for known autocorrelations and
unknown marginal distribution,” European Journal of Operational Research,
vol. 198, pp. 520-529, 2009.
[58] A. F. B. Costa and M. A. G. Machado, “Variable parameter and double sam-
pling charts in the presence of correlation: The Markov chain approach,”
International Journal of Production Economics, vol. 130, pp. 224-229, 2011.
[59] J. Yu and J. Liu, “LRProb control chart based on logistic regression for moni-
toring mean shifts of auto-correlated manufacturing processes,” Internatio-
nal Journal of Production Research, vol. 49, pp. 2301-2326, 2011.
[60] S. Chen and H. B. Nembhard, “Multivariate cuscore control charts for moni-
toring the mean vector in autocorrelated processes,” IIE Transactions, vol. 43,
pp. 291-307, 2011.
[61] J. M. B. Fernández, Gestión Científica Empresarial: Temas de Investigación Ac-
tuales: Netbiblo, 2003.
[62] C. Presser Carne, Data mining. Argentina: El Cid Editor, 2009.
[63] J. H. Friedman, “Multivariate adaptive regression splines,” The annals of sta-
tistics, pp. 1-67, 1991.

314 Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
 Diseño estadístico de cartas de control para datos autocorrelacionados

[64] A. J. Smola and B. Schölkopf, “On a kernel-based method for pattern re-
cognition, regression, approximation, and operator inversion,” Algorithmica,
vol. 22, pp. 211-231, 1998.
[65] R. B. Chinnam, “Support vector machines for recognizing shifts in correla-
ted and other manufacturing processes,” International Journal of Production
Research, vol. 40, pp. 4449-4466, 2002.
[66] B. K. Issam and L. Mohamed, “Support vector regression based residual
MCUSUM control chart for autocorrelated process,” Applied Mathematics and
Computation, vol. 201, pp. 565-574, 2008.
[67] M. Pacella and Q. Semeraro, “Using recurrent neural networks to detect
changes in autocorrelated processes for quality monitoring,” Computers &
Industrial Engineering, vol. 52, pp. 502-520, 2007.
[68] D. A. West, P. M. Mangiameli, and S. K. Chen, “Control of complex ma-
nufacturing processes: a comparison of SPC methods with a radial basis
function neural network,” Omega, vol. 27, pp. 349-362, 1999.
[69] C. C. Chiu, M.-K. Chen, and K.-M. Lee, “Shifts recognition in correlated pro-
cess data using a neural network,” International Journal of Systems Science,
vol. 32, pp. 137-143, 2001.
[70] W. Jitpitaklert, “Integration Of Data Mining Algorithms And Control Charts
For Multivariate And Autocorrelated Processes,” 2010.
[71] H. Brian Hwarng and Y. Wang, “Shift detection and source identification
in multivariate autocorrelated processes,” International Journal of Production
Research, vol. 48, pp. 835-859, 2010.
[72] M. Lee, “Economic design of cumulative sum control charts for monitoring a
process with correlated samples,” Communications in Statistics-Simulation and
Computation, vol. 39, pp. 1909-1922, 2010.
[73] W. Gani, H. Taleb, and M. Limam, “Support vector regression based resi-
dual control charts,” Journal of Applied Statistics, vol. 37, pp. 309-324, 2010.
[74] I. B. Khediri, C. Weihs, and M. Limam, “Support vector regression control
charts for multivariate nonlinear autocorrelated processes,” Chemometrics
and Intelligent Laboratory Systems, vol. 103, pp. 76-81, 2010.
[75] S. T. A. Niaki and S. A. Nasaji, “A hybrid method of artificial neural net-
works and simulated annealing in monitoring auto-correlated multi-attribu-
te processes,” The International Journal of Advanced Manufacturing Technology,
vol. 56, pp. 777-788, 2011.
[76] C.-S. Cheng, P.-W. Chen, and K.-K. Huang, “Estimating the shift size in the
process mean with support vector regression and neural networks,” Expert
Systems with Applications, vol. 38, pp. 10624-10630, 2011.
[77] J. Park, I.-H. Kwon, S.-S. Kim, and J.-G. Baek, “Spline regression based featu-
re extraction for semiconductor process fault detection using support vector
machine,” Expert Systems with Applications, vol. 38, pp. 5711-5718, 2011.

Ingeniería y Desarrollo. Universidad del Norte. Vol. 31 n.° 2: 291-315, 2013 315
ISSN: 0122-3461 (impreso)
2145-9371 (on line)
Copyright of Ingeniería y Desarrollo is the property of Fundacion Universidad del Norte and
its content may not be copied or emailed to multiple sites or posted to a listserv without the
copyright holder's express written permission. However, users may print, download, or email
articles for individual use.