CULCyT//Procesos Multivariados

SISTEMA DE CONTROL MULTIVARIADO NO PARAMTRICO DE PROCESOS

M.C. Federico Zertuche Luis1, Dr. Mario Cant Sifuentes2 y Dr. Manuel R. Pia Monarrez3
1

Estudiante de doctorado del programa PICYT con opcin Terminal en Ingeniera Industrial y de Manufactura. Centro de Investigacin 2 COMIMSA. (el artculo est basado sobre su Disertacin Doctoral). Programa de posgrado en Estadstica. Universidad Autnoma 3 Agraria Antonio Narro. Profesor Investigador del programa PICYT. Centro de Investigacin COMIMSA.

RESUMEN Debido a que el control de procesos multivariado clsico como lo es la grfica T de Hotelling, cuando el supuesto de normalidad no se cumple, ha mostrado ineficiencia en la deteccin e identificacin de las variables fuera de control. En este trabajo se presenta un sistema de control multivariado no paramtrico que identifica la seal fuera de control y determina la(s) variable(s) que la causa(n) (ya sea que se cumpla o no el supuesto de normalidad), a travs de una grfica de contribuciones, la cual es la principal aportacin del articulo. Una aplicacin en la industria automotriz se presenta en la seccin 3. Palabras Claves: Grfica de comparacin de rangos, bootstrap, componentes principales grficas de contribuciones 1. INTRODUCCIN. Cuando las caractersticas de calidad de un producto estn correlacionadas y se aplica el control estadstico univariado, como lo es la grfica de control de medias y rangos, este detecta un gran nmero de seales falsas que identifican al proceso como fuera de control (Cook, 1998). Dentro de los procedimientos de control multivariado las grficas con ms investigacin y aplicacin en la industria son (Stoumbos, 2000): La grfica T2 de Hotelling, la grfica de control multivariada de sumas acumuladas (MCUSUM) y La grfica de control multivariada exponencial con peso promedio mvil (MEWMA). Siendo la grfica T2 de Hotelling el procedimiento de control ms familiar para monitorear vectores de medias de varias caractersticas de calidad correlacionadas en un proceso de produccin (AIAG, 2005). Lamentablemente, el supuesto bsico para su implementacin, es que el conjunto de las caractersticas a controlar tienen un comportamiento normal multivariado, supuesto que generalmente no se cumple, por lo que no es razonable modelar el comportamiento aleatorio de las caractersticas de calidad de inters mediante esta distribucin, ya que conduce a un mal desempeo de las grficas (Stoumbos, 2000). Un enfoque de control no paramtrico para los procesos multivariados, fue inicialmente propuesto por Liu (1995), ella propone una carta de control, llamada grfica de comparacin de rangos (r chart), basada en el concepto de profundidad de datos. La figura 1, representa el esquema propuesto por Liu (2000) para el control del proceso utilizando la r chart.
2

Determinar las variables para el monitoreo de desempeo

Aplicacin de grafica basada en comparacin de rangos

Seal Fuera de control

Acciones correctivas

FIGURA 1. Esquema de monitoreo aplicando la grfica de comparacin de rangos.

CULCyT//JulioAgosto, 2007

11

Ao 4, No 21

Una aplicacin reciente del esquema de control propuesto por Liu es presentada por Messaoud (2006), la aplicacin fue realizada en un proceso de manufactura donde se controlan dos variables correlacionadas que afectan la profundidad de taladrado de un producto denominado BTA. En este trabajo se resalta que es necesaria investigacin encaminada a identificar las variables que causan una seal fuera de control en este tipo de grficas. Chakraborty (2001) y Stoumbous (2000) mencionan que los mtodos de control multivariados no paramtricos han sido poco aplicados en la industria y enfatizan que no existen mtodos para interpretar las seales fuera de control en trminos de la identificacin de las variables causantes de estas. Esto es particularmente cierto en la industria automotriz (AIAG, 2005). Por otra parte dentro de las investigaciones en el campo del control multivariado, se ha encontrado que cuando las variables a controlar no pueden modelarse razonablemente mediante una distribucin normal multivariada, las grficas de control basadas en la profundidad de datos son ms eficientes que las basadas en la T2 de Hotelling y cuando siguen un comportamiento normal

multivariado, la eficiencia es similar (Liu, 1999 y Zertuche, 2004). En este sentido, el principal aporte del articulo, se centra en el desarrollo de un sistema de control multivariado no paramtrico, basado en la profundidad de Mahalanobis y en componentes principales, que identifica cuando un proceso de produccin est fuera de control y determina las variables causantes de esta anomala. El sistema propuesto, se aplica mediante un programa computacional en Matlab 7.0, a un proceso de produccin de la industria automotriz.

2. SISTEMA DE CONTROL MULTIVARIADO NO PARAMTRICO Para trabajo X los

= ( X 1 , X 2 ,..., X p )

objetivos del denota un p-vector

aleatorio que colecta las p caractersticas de calidad a controlar. El sistema que se propone se esquematiza en la figura 2 y extiende al propuesto por Liu (2000) figura 1, siendo la diferencia principal, que el sistema propuesto realiza un anlisis para identificar la variable o variables que son la causa de una seal de alarma en una grfica de control multivariada basada en la comparacin de rangos.

Determinar las variables para el monitoreo del desempeo del proceso.

Construccin de una base histrica de datos

Construccin de una grfica de control multivariada basada en comparacin de rangos

Si

Identificar la causa y corregir

No

Esta el proceso bajo Control?

Medicin Del Proceso

FIGURA 2. Esquema del sistema de control de procesos propuesto

CULCyT//JulioAgosto, 2007

12

Ao 4, No 21

El sistema mostrado en la figura 2, es presentado como un procedimiento de pasos los cuales se discuten a continuacin: Paso 1: Determinar las variables para el monitoreo del desempeo del proceso.-La seleccin de las variables a controlar en todo proceso de produccin es hecha por el cliente. Generalmente se enva a la empresa el diseo del producto con las tolerancias de diseo. De estas, el personal de ingeniera de calidad determina cuales son las variables crticas; estas son las que hay que controlar (Macgregor, 1995). Paso 2. Seleccione una base histrica de datos.Antes de construir un sistema de control es necesario contar con datos de referencia, llamados base histrica de datos, la cual est constituida por mediciones de caractersticas que cumplen con los requerimientos de calidad especificados por el cliente (paso 1) (Macgregor, 1995). Paso 3. A partir de la distribucin de referencia construya una grfica de control basada en rangos.-Uno de los principales pasos del sistema de control es la aplicacin de un mtodo multivariado no paramtrico, entre los que se encuentran los mtodos de profundidad de datos. Estos empezaron prcticamente con el artculo de Liu (1992), siendo esta, la primera aplicacin de la metodologa en el control de calidad. El nico requerimiento para usar

este mtodo, es contar con una distribucin de referencia denotada como F, la cual describe una distribucin k ( k 1) dimensional, en la prctica esta suposicin se traduce en contar con una muestra Y1,,Ym, llamada muestra de referencia de vectores k dimensionales (Parelius, 1999). La nocin de profundidad de datos se basa en el hecho de que cualquier densidad de probabilidades distingue entre puntos centrales y perifricos. Una funcin de profundidad asigna a cada y R , un rango no negativo, el cual puede interpretarse como su localizacin en la nube de datos. Las profundidades ms grandes corresponden al centro de la distribucin, mientras que las ms pequeas corresponden a regiones externas. Este sistema de clasificacin por rangos es usado para determinar si una observacin es diferente de aquellas que conforman el conjunto original. Las funciones de profundidad deben satisfacer un nmero de propiedades (Zuo, 2000): invariante afn, maximalidad al centro y desvanecimiento al infinito. Existen funciones que cumplen con estas propiedades, entre otras la profundidad de Mahalanobis, la profundidad simplicial y la profundidad de Tukey. De estas la ms usada, quiz debido a su facilidad de cmputo e interpretacin, es la profundidad de Mahalanobis denotada por (Liu, 1993): MDF(y), y definida como
k

MDF ( y ) =

1 [1 + ( y F ) ' F ( y F )]
1

(1)

Donde,

F es

el vector de medias y F

es la matriz de covarianzas de la distribucin de

referencia F. Si los parmetros de la distribucin de referencia no son conocidos, la versin muestral de la profundidad de Mahalanobis dada por la ecuacin (2) es:

MDFm ( y ) =

1 [1 + ( y Y ) ' S 1 ( y Y )]

(2)

Donde Y es el vector de medias muestrales de los datos Y1,,Ym y S es la matriz de covarianzas de la muestra de referencia Fm. Para construir una grfica de control basada en la profundidad de Mahalanobis, llamada comnmente grfica de clasificacin por rangos (o r-chart en el idioma ingls), primero se debe determinar que Fm ser la distribucin de referencia y G la distribucin

de monitoreo las cuales a su vez sern distribuciones continuas. Una vez determinadas las distribuciones Fm y G, se calculan la matriz de covarianzas y el vector de medias de los datos que contiene Fm para de esta manera, obtener la profundidad de todos los datos de las variables contempladas en Fm por medio de la ecuacin (2) denotando las profundidades obtenidas como MDFm(yi) i=1,2m. Estas

CULCyT//JulioAgosto, 2007

13

Ao 4, No 21

profundidades son colocadas en orden ascendente y se utiliza y[j] para denotar el valor de la muestra asociada con el j-simo valor de profundidad, siendo de esta manera que y[1], y[2] ,, y[m] son los ordenes estadsticos de Fm. Despus de obtener los ordenes estadsticos se obtienen nuevas observaciones X1, X2, ... de las variables que forman la distribucin G, para cada Xi

se obtiene su profundidad aplicando la ecuacin (2), utilizando para ello el vector de medias y la matriz de covarianzas de Fm y denotando las profundidades obtenidas mediante MDFm ( xi ) i=1,2,,. Para cada nuevo vector de observaciones de la distribucin G se calcula el estadstico de clasificacin por rangos, r () , mediante:

r ( xi ) =

# y j MDFm ( y j ) MDFm ( xi ), j = 1,..., m

m +1

(3)

Donde r(xi) es el i-simo estadstico de clasificacin estimado correspondiente al i-simo vector de observaciones de la distribucin G, donde yj es el j-simo valor del orden estadstico que se cumple cuando la MDFm(yj) (profundidad de datos de la distribucin de referencia) es menor o igual a MDFm(xi) (profundidad de datos del i-simo vector de la distribucin de monitoreo). El estadstico se obtiene al dividir el valor resultante del yj entre el tamao de muestra de la distribucin de referencia mas uno (m+1). Al obtener los estadsticos de clasificacin por rangos de cada xi, estos se grafican contra el tiempo, con un lmite central de control CL=0.5 y un limite inferior de control LIC=, donde es llamada la proporcin de alarma con un valor comn de aplicacin de 0.05, siendo la grfica resultante llamada de clasificacin de rangos, donde se visualizar que si r(xi) se grafica por debajo del LIC, entonces la observacin Xi se declara fuera de control, siendo esta anomala una seal de alerta para los ingenieros del proceso. La grfica de clasificacin por rango, contrasta a su vez sucesivamente las hiptesis: Ho: La nueva observacin tienen la misma distribucin que la distribucin de referencia. Ha: Existe un cambio en la ubicacin o dispersin de la distribucin de la nueva observacin con respecto a la distribucin de referencia. Donde si Xi (0.05) Ho es rechazada y se llega a la conclusin de que se detecta un deterioro en la calidad del producto y se est presentando un cambio en la ubicacin o dispersin de la nueva observacin con respecto a Fm. Paso 4. Monitoree el proceso.-Para cada producto terminado, obtenga las mediciones de las caractersticas de calidad determinadas en el paso 1 y

alimente al sistema con ellas. El sistema mostrar una grfica, llamada grfica de control de comparacin de rangos, como la mostrada en la figura 4 de la seccin 3. Paso 5. Si el proceso est bajo control, contine monitoreando, de otra forma tome acciones correctivas (Paso 6).-Cuando un producto terminado cumple con las especificaciones de calidad determinadas por las observaciones en la base histrica de datos el proceso se declara bajo control, de otra forma, el sistema dar una seal de alarma, la cual se manifiesta como una observacin bajo la lnea punteada en la carta de control (observaciones 6, 10 y 17 de la figura 4.). Cuando exista una seal de alarma en la grfica de comparacin de rangos, se deber de realizar, una grfica de contribuciones (la cual es la principal contribucin del sistema propuesto). Para la realizacin de la grfica de contribuciones uno de los pasos es realizar un anlisis de componentes principales de la distribucin de referencia la principal ventaja de este anlisis es la reduccin de la dimensionalidad. Utilizando el mtodo de extraccin promedio (Jackson, 1991) se pueden escoger los componentes principales ms importantes, dado que los primeros dos o tres componentes principales usualmente explican la mayora de la variabilidad en un proceso, pueden ser usados para propsitos de interpretacin en lugar de todo el conjunto de variables. Es obvio que el uso de las primeras d componentes principales excluye informacin, pero debido a la correlacin entre las variables, las primeras d componentes contienen gran informacin de la variabilidad del proceso (Jackson, 1991). La tpica forma de un modelo de componentes principales (PCA) es la siguiente: Zk=u1kX1 + u2kX2 + u3kX3 + + upkXp. Donde Zk es

CULCyT//JulioAgosto, 2007

14

Ao 4, No 21

la k componente principal, (u1k, u2k, u3k,, upk) es el correspondiente eigenvector del componente k y X1,, Xp son las variables del proceso. Uno de los resultados ms importantes para la realizacin de las

grficas de contribucin utilizando componentes principales es la obtencin de la contribucin del vector xi en el componente principal k por medio de la ecuacin dada en (4).

Yki = u1k x1 + u2 k x2 + u3k x3 + ... + u pk x pi

Donde Yki representa la contribucin del isimo vector de observaciones en el k-simo componente principal. Hay que hacer notar que el clculo de las contribuciones de las variables elimina la crtica que existe hacia componentes principales, por lo difcil de su interpretacin, ya que en forma grfica mostrar la influencia de las variables en una seal fuera de control, lo cual ser muy prctico en su aplicacin dentro del ramo industrial.

(4)

Despus de realizar un anlisis de componentes principales, se realiza el clculo de las proporciones para todas las variables de la distribucin de referencia, utilizando la ecuacin (5). Debido a que se seleccionaron d p componentes principales basado en el mtodo de extraccin promedio (Jackson, 1991), el mtodo de control propuesto en este caso est basado en proporciones de la forma.

rki =

( uk1 + uk 2 + ... + ukd ) xki

Y1i + Y2i + ... + Ydi

(5)

Donde xki es el i-simo valor de la variable Xk bajo observacin, Yji, j=1,,d, es el escore del isimo vector de observaciones de las p variables bajo observacin en el j-simo componente principal. En esta proporcin el numerador corresponde a la suma de contribuciones de la i-simo valor de variable Xk en las primeras d componentes, mientras que en el denominador es la suma de contribuciones de isimo vector de observaciones en las primeras d componentes. Como se puede observar la importancia de este paso es la de realizar el calculo de cada una de las p variables en la seal fuera de control por medio de su contribucin. Una parte fundamental en el sistema propuesto es la aplicacin del mtodo bootstrap, este mtodo descansa en la analoga entre la muestra y la poblacin de la cual la muestra es extrada. De acuerdo a Davison (1997) dada una muestra con n observaciones el estimador no paramtrico de mxima verosimilitud de la distribucin poblacional es la funcin de densidad de probabilidad que asigna una masa de probabilidad de 1/n a cada una de las observaciones. La idea central es que muchas veces puede ser mejor extraer conclusiones sobre las caractersticas de la poblacin estrictamente a partir de la muestra que se maneja, que haciendo asunciones quizs poco realistas sobre la poblacin. El bootstrap implica remuestreo de los datos

obtenidos en una muestra, con remplazamiento, para generar una estimacin emprica de la distribucin muestral completa de un estadstico. La idea bsica del bootstrap es tratar la muestra como si fuera la poblacin, y aplicar el muestreo Montecarlo para generar una estimacin emprica de la distribucin muestral del estadstico. La verdadera estimacin Montecarlo requiere un conocimiento total de la poblacin, pero por supuesto este no esta generalmente disponible en la investigacin aplicada. El bootstrap supone que se tiene una situacin, en la cual se quiere realizar un anlisis de los datos de la siguiente forma: una muestra aleatoria x=(x1, x2, , xn ) de una distribucin de probabilidad desconocida F ha sido observada, y se requiere estimar un parmetro de inters =t(F), basndose en x. Los mtodos bootstrap dependen de la nocin

de remuestreo. Dado que F es una distribucin emprica, donde la probabilidad de cada uno de los valores observados xi, i=1,2,,n es 1/n. Una muestra bootstrap es definida como una muestra
aleatoria de tamao n delineando a manera

F , de tal
que:

CULCyT//JulioAgosto, 2007

15

Ao 4, No 21

* * * F ( x1 , x2 ,..., xn )

(6)

La notacin inicial indica que x* no es el actual conjunto de datos x, ms bien sera una versin de remuestreo de x. Es decir que los puntos de datos bootstrap x1 , x2 ,..., xn
* * *

son una muestra

aleatoria de tamao n obtenida con remplazamiento de la poblacin de n objetos ( x1 , x2 ,..., xn ) . En consecuencia

* 1 * 7, 2 * 3, 3

se
* 3, 4

puede
* n

tener

x = x x = x x = x x = x2, ..., x = x7 . El conjunto

de datos bootstrap consiste de miembros del conjunto original de datos ( x1 , x2 ,..., xn ) , donde algunos no aparecern ninguna vez, otros una vez, otros dos veces, etc. La aplicacin del mtodo de remuestreo bootstrap (Davison, 1997) se realiza a la distribucin de referencia para obtener un remuestreo de datos de las variables de Fm y aplicando la ecuacin (5) se pueden calcular las proporciones de la muestra de tamao n con reemplazo, las cuales simularan el comportamiento poblacional de las proporciones de contribucin de cada una de las variables bajo monitoreo, al obtener un remuestreo de proporciones se puede determinar el cuantil para 1=0.025 (/2) (Lmite inferior de la grfica de contribucin) y el cuantil para 2=0.975 (1-/2) (Lmite superior de la grfica de contribucin), estos cuantiles servirn de lmite inferior y superior de la grfica de contribucin para cada una de las variables bajo estudio. Por ltimo se calculan las proporciones para todas las variables de la distribucin de monitoreo, considerando el estudio de componentes

principales de Fm y utilizando la ecuacin (5), dichas proporciones se representan en la grfica de contribuciones de cada una de las variables, donde anteriormente ya estaban sealados los limites de control y de esta manera se podr observar si la proporcin obtenida, cae dentro de los limites. Por ejemplo para la observacin 6, se puede notar en la figura 5 de la seccin 3 que las variables causantes de la seal de alarma es la variable 1. Paso 6. Tomar acciones correctivas.- Si algn producto es declarado fuera de control, una vez ejecutado el paso 5, (se han identificado las variables causantes de la anomala), el responsable del proceso de calidad deber ajustar el proceso conforme a su manual de operacin. Una vez ajustado el proceso, siga con el paso 4.

3.- APLICACIN DEL CONTROL PROPUESTO

SISTEMA

DE

En esta seccin se presentan los resultados de la aplicacin del sistema propuesto en la seccin 2, a un proceso de manufactura en la industria automotriz. El proceso est diseado para fabricar convertidores de torque; un dispositivo que en los vehculos de transmisin automtica, transfiere la potencia que genera el motor a la caja de transmisin. En la figura 3 se muestra una seccin tranversal del convertidor de torque.

FIGURA 3. Seccin transversal del convertidor de torque.

Como un primer paso en la implementacin del sistema, los ingenieros de planta determinaron controlar el proceso de ensamble del convertidor; las caractersticas de calidad consideradas fueron: holgura interna (variable 1), altura de piloto a orejas (variable 2) y paralelismo (variable 3). En seguida,

se determin una distribucin de referencia de 100 mediciones provenientes de produccin controlada bajo especificaciones de calidad. A partir de esta, se calcularon los parmetros necesarios para la construccin de la carta de control. Con esto da cumplimiento al paso 2.

CULCyT//JulioAgosto, 2007

16

Ao 4, No 21

En el paso 3, usando los datos provenientes del paso anterior, se determina que si X es el vector observado cuyos elementos son las variables de calidad de un artculo, tiene un rango menor que 0.05, el proceso se declarar fuera de control y bajo control de otra forma. Por facilidad de exposicin, los pasos 4, 5, y 6 se describirn simultneamente.

El proceso se monitorea al alimentar el sistema con mediciones obtenidas de los productos terminados y al aplicar los pasos 4 y 5 se obtienen a travs de MATLAB 7.0, la grfica de comparacin de rangos (figura 4) y la grfica de proporciones (figura 5), mostrando la evolucin del proceso con referencia a la base.

Observacin 6

Observacin 10

Observacin 17

FIGURA 4. Grfica r, para los datos del convertidor de torque.

Observacin 6

Observacin 10

Observacin 17

FIGURA 5. Grfica de contribuciones de las variables del proceso. Se puede observar en la figura 4 que, conforme a las mediciones de los primeros cinco convertidores, el proceso estaba dentro de control. Hubo cambios en el proceso tales que la observacin seis provoc una seal de alarma; mientras que en la grfica de contribuciones (figura 5) se muestra que la variable 1 fue la causante. Los ingenieros de control ajustaron el proceso y continuaron monitoreando; la observacin 10 nuevamente dispara una seal de alarma, causada ahora por la variable 2; se reajusta el proceso y despus de seis observaciones se dispara nuevamente la seal de alarma; ahora debida a la variable 3. Despus de un nuevo ajuste, se puede notar que el proceso est controlado. Se encontr

CULCyT//JulioAgosto, 2007

17

Ao 4, No 21

que las seales de alerta efectivamente localizaron productos fuera de control debido a las variables determinadas por el sistema. 4. DISCUSIN Y CONCLUSIONES Actualmente en la industria existen normas concretas para la aplicacin de mtodos univariados en el control de procesos. En aos recientes en la industria automotriz se ha considerado la aplicacin de cartas de control multivariadas basadas en el estadstico T2 de Hotelling, a pesar de que ste se basa en la suposicin de normalidad, la cual como lo enfatiza Liu, (1995), difcilmente puede sostenerse en la mayora de los casos. As, la principal contribucin del artculo, como se mostr en la seccin 2, el sistema de control multivariado no paramtrico propuesto, a diferencia de la grfica T2 de Hotelling, es capaz de detectar la seal fuera de control y determinar la(s) variable(s) causante(s) de la seal, ya sea que el conjunto de variables siga o no un comportamiento normal multivariado, lo cual lo hace ms eficiente que el control de procesos paramtrico tradicional cuando su comportamiento es no normal multivariado, y de eficiencia similar si el comportamiento es normal multivariado. REFERENCIAS
AIAG Statistical process control (SPC) (2005). Manual reference. Second edition Daimler Chrysler corporation, Ford Motor company and General Motors corporation. Chakraborty S., Van der Laan P. and Bakir S. T. (2001). Non parametric control charts: An overview and some results. Journal of Quality Technology . Vol. 33 pp 304-315. Cook D. F., Chiu C. (1998). Using radial basis function neural network to recognize shift in manufacturing process. IIE Transactions. Vol. 30, pp. 227-234.

Davison A.C., Hinkley D.V. (1997). Bootstrap Methods and Their Application, Cambridge Series in Statistical and Probabilistic Mathematics Press, No 1. ISBN-10: 0521574714. Jackson, J.E. (1991). A User Guide to Principal Components; John Wiley & Sons: New York,. Liu R. (1992). Data Depth and multivariate rank test. Statistics and Related Methods. pp. 279-294. Liu R. (1993). A quality Index based on data depth and multivariate rank test. Journal American Statistics Association. Vol. 91, pp. 266-277. Liu R. (1995). Control chart for Multivariate Processes. Journal American Statistics Association. Vol. 90, pp. 209-125. Liu R., Parelius M. J. and Singh Kesar. (1999). Multivariate analysis by data depth: Descriptive Statistics and Inference. The annals of statistics Vol. 27, pp. 753-858. Liu Regina, Cheng Y.A. and Luxhoj T. J. (2000). Monitoring multivariate aviation safety by data depth: Control chart and threshold system. IIE transactions pp. 861-872. MacGregor, J.F. and Kourti, T. (1995). Statistical Process Control of Multivariate Processes, Control Engineering Practice, Vol. 3, pp. 403-414. Messaoud A., Theis W. and Hering F. (2006). Application and use of multivariate control charts in BTA deep hole drilling process. Unpublished paper, available from the first author. Parelius Jesse M. (1999). Multivariate Analysis By Data Depth: Descriptive Statistics, Graphics and Inference. The Annals of Statistics, Vol. 27, No. 3, pp. 783-858. Stoumbous Zachary G. (2000). The state of statistical process control as we proceed into the 21st century. Journal of the American Statiscal Association, Vol. 95, pp. 992- 998. Zertuche L.F., Cantu S. M. and Galvan M. D. (2004). A Comparison of Two Multivariate Control Processes: Data Depth and Hotelling T2, Proceedings of the 34th Conference on Computers and Industrial Engineering, pp. 339-344. Zuo Yijun & Serfling Robert. (2000). Structural properties and converge results for contours of sample statistical depth functions. The annals of statistics, Vol. 28, No. 2, pp. 483-499.

CULCyT//JulioAgosto, 2007

18

Ao 4, No 21