XXII Simposio Internacional de Estadstica

Bucaramanga, Colombia, Julio 17 al 21 de 2012

____________________________________________________________________________________________________________________________________________________________

Cartas De Control Bayesianas Multivariadas Para Muestras Unitarias

Multivariate Bayesian Control Charts for Single Samples
CARLOS ALFONSO MANTILLA DUARTEab

________________________
Resumen En la industria, existen sectores cuyos procesos productivos son lentos debido a la complejidad de los mismos. Un caso particular es el de dispositivos mdicos e implantes para ortopedia y osteosntesis. Se trata de procesos multivariados que no permiten la conformacin de subgrupos, debido a sus tiempos de respuesta y cantidades producidas, donde las tcnicas tradicionales para el control estadstico de la calidad generan resultados poco confiables. Una alternativa de solucin para este caso particular es la creacin de cartas de control que hagan uso de las tcnicas bayesianas para la construccin de funciones propias de cada proceso. Las limitaciones que se generan, en este caso, corresponden a la recoleccin de la informacin a priori sobre sus distribuciones de probabilidad. Sin embargo, cuando la organizacin considera el costo de calidad vinculado al proceso, se facilita la identificacin de dichas funciones de probabilidad asociadas y la construccin, de este modo, de una funcin de respuesta para las respectivas cartas de control de los procesos. Este documento presenta los resultados de una primera aproximacin a la obtencin de una solucin bayesiana para cartas de control en procesos de naturaleza multivariada con muestras unitarias. Palabras Clave: Control Multivariado de Procesos, Estadstica Bayesiana, Muestras Unitarias. Abstrac In industry, there are sectors whose production processes are slow due to their complexity. A particular case is that of medical devices and implants for orthopedic and osteosynthesis. Its a multivariate processes that do not allow the formation of subgroups, due to its response times and quantities produced, where the traditional techniques for statistical quality control produce unreliable results. An alternative solution to this particular case is the creation of control charts that make use of Bayesian techniques for the construction of functions of each process. The constraints are generated, in this case, correspond to the collection of prior information about their probability distributions. However, when the organization considers the cost of quality linked to the process, facilitates the identification of such probability functions associated with the construction and, thus, a response function for the respective letters of process control. This paper presents the first approximation to a Bayesian solution for control charts in multivariate process with single samples. Keywords: Multivariate Process Control, Bayesian Statistics, Single Samples.

Economista, Especialista en Estadstica, Investigador Independiente en el Sector Privado. E-mail: karlosmantilla@hotmail.com

1. Introduccin.
El control de procesos es un componente indispensable en la prestacin de un servicio o la realizacin de un producto. La funcin de la estadstica en este tipo de circunstancias es brindar las herramientas necesarias para la toma de decisiones referentes al cumplimiento de los requisitos ofrecidos por una organizacin y/o los solicitados por los clientes de la misma. En este aspecto, la aplicabilidad de las cartas de control es muy amplia y potencialmente beneficiosa tanto en los sectores primario y secundario de la economa como en el sector servicios. Comnmente, el control estadstico de procesos centra su atencin en modelos donde la posible correlacin entre variables es despreciada y estas son abordadas individualmente. De su parte, las cartas de control multivariadas han mostrado avances significativos en su implementacin al asociar elementos que suponen la no normalidad de las distribuciones (Ospina Incapi, 2009) y modelos no paramtricos para las cartas de control (Zertuche Luis, Cant Sifuentes, & Pia Monarrez, 2007). Sin embargo, como condicin sine qua non est la conformacin de subgrupos, con un mnimo de dos elementos en la muestra, para poder hacer uso de las varianzas y las covarianzas en el momento histrico del muestreo. Adems, como parte del enfoque tradicional del control estadstico de procesos, se deben tomar como mnimo de =25 muestras del proceso (Ospina Incapi, 2009). Esto representa un inconveniente para procesos complejos donde el volumen de produccin no permite la separacin por lotes del mismo pero ofrecen como ventaja comparativa la consideracin de la correlacin entre las variables para la construccin de los respectivos estadsticos y los lmites de control del modelo. En el caso de las muestras unitarias, la literatura ofrece, hasta el momento, un enfoque univariante (p. ej. las Cartas de Rangos Mviles) que, en s, ofrecen una ventaja para la construccin de los lmites de control al ir ajustando estos mismos segn la variabilidad mostrada por el proceso, durante la captura de datos, pero presentan la desventaja la exclusin de otras variables que pueden llegar a ser significativas para el modelo de produccin. El enfoque bayesiano, si bien requiere de una slida informacin a priori, ofrece como alternativa la bsqueda de funciones que se adapten especficamente a las caractersticas del proceso pero plantean dificultad de construir modelos que sirvan como implementacin de una solucin general.

2. El Enfoque Tradicional Del Control Estadstico De Procesos.

El tipo de cartas de control ms utilizado en el control estadstico de procesos se basa en modelos univariados (como el caso de las cartas y las cartas ) que son utilizadas en gran parte de la industria de manera indiscriminada sin considerar la probable relevancia de otras variables en el modelo ni la correlacin existente entre las mismas variables. Adems, se asume, por creencia popular, que todos los procesos poseen una capacidad de produccin que permite evaluarlo recurriendo a la construccin de lotes y subgrupos con un tamao mnimo de n=25 (Ospina Incapi, 2009) y se excluyen, de este modo, procesos complejos1 que presenta volmenes atpicos donde la conformacin de lotes y subgrupos no es posible y que no permiten, tampoco, la elaboracin de censos para la produccin. En la prctica, muchos procesos estn definidos por modelos multivariados que presentan alta correlacin entre las variables. Este tipo de procesos encuentran solucin para su control a travs de cartas de control multivariadas que facilitan la comprensin de los proceso y el anlisis de datos outliers que se generen (Yaez C, Vargas, & Gonzalez A, 2002) pero su aplicabilidad se dificulta cuando se abordan procesos con modelos productivos en procesos complejos que requieran determinar, previamente, el costo de calidad deseado2. Sin embargo, este tipo de cartas representan un avance significativo en la comprensin de los procesos productivos de naturaleza multivariada.

1 Se han denominado procesos complejos aquellos de naturaleza multivariada y donde la velocidad de produccin slo permite tomar una muestra de tamao uno (1) en cada momento del muestreo. 2 El costo de calidad hace referencia al grado de aceptacin de los requisitos del producto, en el caso de las manufacturas, o de la satisfaccin por el servicio prestado, en el caso del sector terciario.

Cartas De Control Bayesianas Multivariadas Para Muestras Unitarias

Otra dificultad con las cartas de control tradicionales aparece cuando el tamao de las muestras es limitado. Existen Cartas de Control diseadas para este tipo de modelos, por ejemplo, las cartas de Rangos Mviles facilitan el anlisis de procesos con muestras unitarias pero no permiten la vinculacin de ms de una variable dentro del modelo, si el proceso es de naturaleza multivariada no puede ser abordado con este tipo de sistemas. En resumen, existen algunas limitaciones para el enfoque tradicional de las cartas de control que, pese a haber realizado mejoras sobre los modelos existentes, requieren de la incorporacin, dentro del sistema de variables, de elementos que permitan incluir el costo de calidad deseado y la variabilidad propia del modelo productivo. Tambin, estos sistemas mejoran cuando se incluye el riesgo asociado a la complejidad del proceso.

3. Un estudio de caso.
El sector de implantes quirrgicos para procedimientos de ortopedia y osteosntesis es un caso particular que plantea los interrogantes que se abordan en este estudio. Cada planta de produccin fabrica mltiples lneas las cuales se alternan de acuerdo a la funcin de demanda del mercado cuya elasticidad no es fcil de definir ya que depende de la ocurrencia de siniestros que generen lesiones que requieran intervencin e insercin de implantes (p. ej. lesiones de columna, fracturas de fmur, rompimiento de rtula, cadera u hombro, etc). La demanda de los dispositivos la realiza la organizacin que atiende el caso y sta es cubierta por una entidad especializada en la fabricacin de implantes que, por ley, pueda realizar el contrato. Excepto en los casos contados de particulares, los productos son solicitados por entidades mdicas. Generalmente, las plantas de produccin se especializan en uno o tres artculos cuya fabricacin rota en el ao. Por ejemplo, una fbrica se especializa en tres lneas de produccin: Remplazos Articulares, Trauma y Columna o Espina. El volumen total producido en el ao es, en promedio, 500 artculos por cada lnea3. Cada lnea, se fabrica por lotes que difcilmente superan los 50 artculos y cuyo tiempo de fabricacin oscila entre 20 y 25 minutos por artculo. En este sentido, la construccin del primer subgrupo para el control estadstico de la calidad requiere de 40 a 50 minutos y, debido al riesgo vinculado al dispositivo, es necesario recolectar evidencia que permita, con el primer producto, identificar si el proceso est o no bajo control. Adems de esto, las variables vinculadas al proceso presentan una alta correlacin lo que supone un proceso de naturaleza multivarida. Yez & Gonzlez (2002) proponen una variante de la carta T 2 de Hotelling basada en estimadores no paramtricos que permite la interpretacin de datos outliers. Zertuche, Cant & Pia (2007) se refieren a sistemas no paramtricos que permiten el no cumplimiento del supuesto de normalidad. Ospina (2009) por su parte, propone el uso de variables binomiales para proceso multivariados. Estos estudios sugieren una alternativa de solucin que ve truncada su aplicabilidad debido al tamao de la muestra. En el estudio de caso particular, las variables respuesta presenta una distribucin cuya funcin de densidad depende del costo de calidad asumido por la organizacin, asociada al riesgo vinculado con el dispositivo. Lo que hace necesaria la construccin de cartas de control que contemplen las caractersticas descritas las cuales sugieren la combinacin de, al menos, las distribuciones binomial, hipergeomtrica y normal. Desde la perspectiva bayesiana, es posible construir una funcin de probabilidad condicional para las variables respuesta (en este caso el estadstico y el lmite de control). Sin embargo, el problema radica en que el enfoque bayesiano no es bien percibido por la estadstica tradicional.

4. Una primera mencin para el modelo bayesiano de cartas de control multivariadas con muestras unitarias.
Thomas Bayes propuso en 1763 su teorema que expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A, tal como se expresa en (1):

Segn informacin suministrada por INVIMA.

XXII Simposio Internacional de Estadstica (2012)

4 ( | ) ( ) ( | ) ( )

Carlos Alfonso Mantilla Duarte

( | )

(1)

El modelo bayesiano requiere de una slida informacin a priori sobre las funciones de densidad de la distribucin de los datos. Como la estadstica tradicional supone el principio de normalidad, la primera aproximacin a la funcin de densidad del modelo es la distribucin normal en la cual es estadstico se construye con base en las observacin de las variables asociadas a los dispositivos. Ya que los dispositivos para ortopedia y osteosstensis se construyen con base en un plano previamente establecido, las variables se construyen utilizando las diferencias existentes entre los valores observados y las cotas propuestas en el plano. La dificultad del procedimiento radica en que las organizaciones tienen poco conocimiento de sus procesos e, histricamente, el control de procesos se ha considerado de naturaleza univariada y cada variable es analizada por separado, incurriendo en resultados poco confiables debido a la correlacin existente entre las variables. Aparece, entonces, la necesidad profundizar en los datos histricos y construir, con ellos, un modelo multivariado cuya variable de respuesta est an por ser definida en el presente estudio ya que, como se ha dicho, depende del costo de calidad asumido por la organizacin y del riesgo vinculado a los dispositivos.

5. Observaciones y Conclusiones.
Actualmente, el trabajo se encuentra en la identificacin de las funciones de densidad de las distribuciones asociadas al modelo con el objetivo de construir los estadsticos y los respectivos lmites de control. Se han hecho avances en experimentar utilizando slo la distribucin normal en la construccin de una carta de control multivariada unitaria que asocia las observaciones y la varianza propia del proceso donde los lmites de control muestran un comportamiento similar al de las cartas de rangos mviles pero ofrecen como inconveniente la alta volatilidad de los mismos frente a valores prximos a las cotas de tolerancia y la no sensibilidad del modelo cuando, para dos o ms variables, la diferencia entre la observacin y su respectiva cota en plano es prxima a cero. Adems de lo anterior, se ha encontrado la dificultad de sustentar, matemticamente, la incorporacin de variables discretas con tolerancia nula en sus desviaciones y que son consideradas variables crticas en el modelo productivo. Los problemas encontrados en lo que va corrido del estudio, sugieren la necesidad de abordar bayesianamente el problema, pese al carcter subjetivo que esto pueda representar para el enfoque tradicional. Una ventaja significativa de este enfoque para cartas de control es la facilidad de estimar momentos del proceso que puedan llegar a estar fuera de control y facilitar, as, la toma de decisiones sobre procedimientos a seguir con el modelo productivo. La investigacin del caso se encuentra an en sus primeras etapas, el objeto de esta comunicacin es proponer una lnea de investigacin que permita la creacin de propuestas para la empresa que les facilite la toma de decisiones sobre los costos de calidad que estn dispuestos a asumir frente a la fabricacin de sus artculos, en el caso particular de las organizaciones especializadas en implantes para ortopedia y osteosntesis, controlar, tambin, el riesgo asociado a los dispositivos.

Referencias.
Ospina Incapi, C. (2009). CONTROL MULTIVARIADO DE PROCESOS CON VARIABLES BINOMIALES BIVARIADAS. Medelln, Colombia: Universidad Nacional de Colombia - Sede Medelln. Yaez C, S., Vargas, J. A., & Gonzalez A, N. (2002). CARTA T2 CON BASE EN ESTIMADORES ROBUSTOS DE LOS PARMETROS. Revista Colombiana de Estadstica, 159-179. Zertuche Luis, F., Cant Sifuentes, M., & Pia Monarrez, M. R. (2007). SISTEMA DE CONTROL MULTIVARIADO NO PARAMTRICO DE PROCESOS. CULCyT, 11-18.